深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
261	2025-12-31	CaliciBoost: Performance-driven evaluation of molecular representations for caco-2 permeability prediction 2025-Dec-22, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01137-7 PMID:41430621	研究论文	本研究系统评估了八种分子特征表示类型结合自动机器学习技术，用于预测Caco-2渗透性，并开发了性能最优的模型CaliciBoost	首次系统比较了包括2D/3D描述符、结构指纹和深度学习嵌入在内的多种分子表示在Caco-2渗透性预测中的效果，并通过自动机器学习优化确定了最佳模型	研究主要基于两个特定数据集（TDC基准和OCHEM数据），可能未覆盖所有化学多样性；自动机器学习方法可能增加计算复杂度	提高Caco-2渗透性预测的准确性和效率，为早期药物发现中的口服吸收预测提供计算工具	药物候选分子的Caco-2渗透性	机器学习	NA	自动机器学习（AutoML）	集成学习（如Boosting）	分子特征数据（描述符、指纹、嵌入）	两个数据集：TDC基准和OCHEM数据，具体样本数未明确	AutoML框架（具体未指定，可能包括Scikit-learn等）	CaliciBoost（基于Boosting的定制模型）	MAE（平均绝对误差），TDC Caco-2排行榜排名	NA
262	2025-12-22	Advanced customer churn prediction for a music streaming digital marketing service using attention graph-based deep learning approach 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28357-z PMID:41422130	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
263	2025-12-31	Deep learning to predict emergency department revisit using static and dynamic features (Deep Revisit): development and validation study 2025-Dec-20, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00509-x PMID:41422240	研究论文	本研究开发并验证了一种结合静态和动态特征的深度学习模型（Deep Revisit），用于预测急诊科再就诊风险	提出了一种结合时间卷积网络（TCN）和特征标记化（FT）-Transformer的混合深度学习模型，以整合静态和短期动态信息，并开发了预处理策略处理时间不规则性	未明确提及研究的具体局限性	预测急诊科再就诊风险，特别是高风险再就诊病例（如需要重症监护室入院、心脏骤停或紧急手术）	急诊科患者	机器学习	NA	NA	深度学习, TCN, Transformer	静态特征（如年龄、性别、分诊信息）和动态特征（生命体征）	基于国立台湾大学医院2016-2019年数据，并在2020-2022年数据上进行验证	NA	TCN, FT-Transformer	AUROC, AUPRC, 精确率	NA
264	2025-12-31	[Diagnosis and treatment of liver diseases in the era of artificial intelligence] 2025-Dec-20, Zhonghua gan zang bing za zhi = Zhonghua ganzangbing zazhi = Chinese journal of hepatology DOI:10.3760/cma.j.cn501113-20250910-00376 PMID:41461549	综述	本文分析了人工智能在肝病诊断与治疗中的应用进展，特别是在大数据分析、转化研究和影像病理解读等关键领域，并探讨了当前面临的挑战与未来发展方向	系统梳理了AI在肝病领域的应用现状，并明确指出其在真实世界临床决策支持中的核心痛点，如模型成熟度不足、责任归属问题以及多中心通用模型构建的困难	当前AI技术尚无法有效支持真实世界临床决策，模型个性化强、碎片化，难以整合为广泛适用的多中心通用模型，且未能有效减轻医生工作量	探讨人工智能在肝病诊断与治疗中的应用潜力、当前挑战及未来发展方向	肝病（肝脏疾病）	数字病理学	肝病	机器学习, 深度学习	NA	多模态数据（病史、体征、实验室数据、影像、病理）	NA	NA	NA	NA	NA
265	2025-12-31	Trustworthy deep learning for malaria diagnosis using explainable artificial intelligence 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28387-7 PMID:41419508	研究论文	本研究利用可解释人工智能技术，开发了一个基于深度学习的、高精度且可解释的疟疾诊断框架	在实现高精度疟疾检测的基础上，系统集成了三种可解释人工智能技术，提供了从空间、超像素到像素级别的模型决策透明度，并分析了误诊样本以阐明模型失败模式	研究主要基于公开数据集，在真实世界临床环境中的部署和验证可能面临挑战	开发一个自动化、高精度且可解释的疟疾诊断解决方案，以克服传统诊断方法的局限性	疟疾血涂片图像	计算机视觉	疟疾	显微镜成像	CNN	图像	27,090张图像（来自Kaggle疟疾数据集），以及来自哈佛Dataverse的独立厚涂片图像数据集	NA	MobileNetV2, VGG19, InceptionV3, ResNet18, Xception, Inception-ResNetV2	准确率, F1分数	NA
266	2025-12-31	A Scorpion Peptide Exerts Selective Anti-Leukemia Effects Through Disrupting Cell Membranes and Triggering Bax/Bcl-2-Related Apoptosis Pathway 2025-Dec-18, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121751 PMID:41463404	研究论文	本研究利用深度学习模型预测蝎子肽的抗癌活性，并验证了Lpep3肽能通过破坏细胞膜和激活Bax/Bcl-2相关凋亡通路，选择性抑制白血病细胞生长	结合AI驱动的肽活性预测与实验验证，发现了一种具有高选择性和效力的新型抗白血病蝎子肽Lpep3，并阐明了其通过双重机制（膜破坏和凋亡诱导）发挥作用	研究主要集中于MV-4-11白血病细胞系和小鼠模型，尚未在其他白血病亚型或更广泛的癌症类型中进行验证；体内实验的样本规模和长期安全性评估可能有限	从动物毒液中筛选和开发具有抗癌活性的天然肽类药物，特别是针对白血病	七种预测的肽（重点关注Lpep3）、白血病细胞系（MV-4-11）、小鼠肿瘤模型	机器学习	白血病	深度学习模型预测、电子显微镜、台盼蓝染色、Calcein-AM/PI双染色、LDH/ATP释放检测、Western blotting、RT-qPCR、体内肿瘤实验	深度学习模型	肽序列数据、细胞实验数据、分子表达数据、体内成像数据	七种预测肽，其中Lpep3在细胞系（MV-4-11）和小鼠模型中进行重点验证	NA	NA	细胞生长抑制率、LDH/ATP释放浓度、Bax/Bcl-2蛋白与mRNA表达变化、体内肿瘤生长抑制	NA
267	2025-12-31	Integrating AI with PCR for Tuberculosis Diagnosis: Evaluating a Deep Learning Model for Chest X-Rays 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121377 PMID:41463673	研究论文	本研究评估了一种基于CheXzero视觉Transformer的深度学习模型在胸部X光片上诊断肺结核的性能，并将其预测准确性与PCR结果进行了比较	将基于视觉Transformer的深度学习模型（CheXzero）与PCR检测相结合，在低负担地区评估AI辅助胸部X光筛查肺结核的诊断性能	模型在仅限PCR确诊病例中的性能有所下降，且在老年人及患有慢性肾病、慢性阻塞性肺病或心力衰竭的患者中准确性较低	评估深度学习模型在胸部X光片上检测肺结核的诊断性能，并与PCR结果进行比较	来自两家医院的胸部X光图像及对应的PCR检测结果	计算机视觉	肺结核	聚合酶链式反应（PCR），胸部X光摄影	深度学习模型（DLM）	图像	来自两家医院的回顾性数据集，包含胸部X光图像及对应的PCR结果	NA	CheXzero vision transformer	AUC, 灵敏度, 特异性, 预测值	NA
268	2025-12-31	Deep Learning-Based Fatigue Monitoring in Natural Environments: Multi-Level Fatigue State Classification 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121374 PMID:41463671	研究论文	本文介绍了一种基于深度学习的日常疲劳监测系统，利用可穿戴设备采集ECG信号，通过机器学习与深度学习模型对疲劳状态进行三级分类	提出了一种在自然环境下进行日常疲劳监测的系统，并开发了名为C-BL的端到端深度学习模型，相比传统方法在真实场景中表现更优	研究样本量较小（12名受试者），且实验周期为14天，可能无法完全代表广泛人群的疲劳模式	开发一种在自然环境中监测日常疲劳水平的系统，以提高健康、安全与生产力	日常生活中的个体疲劳状态	机器学习	NA	ECG信号采集	深度学习, 机器学习	ECG信号	12名受试者参与14天实验	NA	C-BL	准确率	NA
269	2025-12-31	Transfer Learning Approach with Features Block Selection via Genetic Algorithm for High-Imbalance and Multi-Label Classification of HPA Confocal Microscopy Images 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121379 PMID:41463675	研究论文	本文提出了一种基于特征块选择和遗传算法的两阶段迁移学习方法，用于解决HPA共聚焦显微镜图像的高不平衡多标签分类问题	提出了一种结合特征块提取、遗传算法选择和多标签分类策略的两阶段迁移学习方法，并首次在HPA数据集中引入了细胞核和核膜环的细胞级特征分析	未明确说明计算资源的具体配置，且方法依赖于预训练的CNN模型，可能受限于ImageNet数据集的领域差异	解决高类别不平衡和多标签分类的医学图像分析问题	人类蛋白质图谱（HPA）共聚焦显微镜图像	计算机视觉	NA	共聚焦显微镜成像	CNN, SVM	图像	NA	NA	12种ImageNet预训练的CNN架构（未具体说明型号）	F1分数	NA
270	2025-12-31	A Pre-Trained Model Customization Framework for Accelerated PET/MR Segmentation of Abdominal Fat in Obstructive Sleep Apnea 2025-Dec-18, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243243 PMID:41464242	研究论文	本研究验证了一个基于预训练网络的定制化框架，用于开发自动化内脏和皮下脂肪组织分割模型，利用阻塞性睡眠呼吸暂停患者的PET/MRI混合数据	提出了一个可扩展的定制化框架，结合预训练的UNet-ResNet50模型和闭环系统，实现了高效的腹部脂肪分割，支持多模态成像整合	在轮廓/边界描绘方面的分割性能较低（Dice系数为0.43和0.54），可能影响精细结构分析	开发自动化腹部脂肪分割模型，以加速PET/MRI数据中内脏和皮下脂肪组织的量化，用于肥胖、阻塞性睡眠呼吸暂停和心脏代谢疾病研究	阻塞性睡眠呼吸暂停患者的腹部PET/MRI扫描图像	数字病理学	阻塞性睡眠呼吸暂停	混合正电子发射断层扫描/磁共振成像	CNN	图像	59、157和328个带标注的扫描用于迭代训练，10个独立测试案例（每个扫描80-100个MR切片）	Discovery Viewer平台	UNet-ResNet50	Dice相似系数, 分割时间, 组内相关系数, Bland-Altman分析	NA
271	2025-12-31	Artificial Intelligence and Innovation in Oral Health Care Sciences: A Conceptual Review 2025-Dec-18, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare13243327 PMID:41464395	综述	本文对2020年至2025年间人工智能在口腔医疗保健领域的应用进行了全面的文献计量和概念性综述	通过文献计量网络可视化识别了以“人工智能”、“机器学习”和“深度学习”为核心的最大且最互联的关键词集群，并分析了主题演变趋势，如对生成式和多模态AI模型、可解释性和临床部署公平性的兴趣日益增长	综述基于有限的文献（共50篇符合纳入标准），且主要关注2020年至2025年间的出版物，可能未涵盖更早或最新的所有发展	提供人工智能在牙科护理中应用的全面综述，突出研究趋势、主题集群以及实现公平和负责任AI技术整合的未来方向	2020年1月至2025年10月期间在PubMed、Scopus和Embase数据库中发表的与牙科AI相关的文献	机器学习	口腔疾病	文献计量分析，关键词共现网络分析	NA	文本（科学文献）	50篇文献	VOSviewer	NA	NA	NA
272	2025-12-31	Automated Classification of Enamel Caries from Intraoral Images Using Deep Learning Models: A Diagnostic Study 2025-Dec-18, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm14248959 PMID:41464861	研究论文	本研究开发并评估了两种可解释的深度学习模型，用于从口内图像自动分类牙釉质龋	提出了两种结合Grad-CAM的可解释深度学习模型（轻量级CNN和微调ResNet50-SE），用于牙釉质龋的自动分类，提高了诊断的客观性和可解释性	研究结果需要未来在多中心数据集上进行外部验证以支持临床应用	开发并评估用于牙釉质龋自动分类的可解释深度学习模型	口内图像中显示的早期牙釉质龋、晚期牙釉质龋和无龋齿情况	计算机视觉	龋齿	NA	CNN	图像	2000张口内图像	NA	ExplainableDentalNet, ResNet50-SE	准确率, Matthews相关系数	NA
273	2025-12-31	Reliable wrist PPG monitoring by mitigating poor skin sensor contact 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31883-5 PMID:41407831	研究论文	提出一种基于深度学习的框架CP-PPG，用于将接触压力失真的PPG信号转换为具有理想形态的信号，以提高生理监测的准确性	首次系统性地解决了静态条件下皮肤-传感器接触不良对PPG信号形态的扭曲问题，并提出了包含对抗训练生成模型和定制PPG感知损失函数的完整框架	未明确说明模型在极端接触压力条件下的泛化能力，以及在不同肤色或皮肤类型人群中的验证情况	提高PPG信号在皮肤-传感器接触不良条件下的可靠性，以提升下游生理参数监测的准确性	光电容积描记（PPG）信号及其在心率、心率变异性、呼吸率和血压估计中的应用	生物医学信号处理	心血管疾病	光电容积描记（PPG）	生成对抗网络（GAN）	PPG信号（时间序列数据）	未在摘要中明确说明具体样本数量，但提及使用了公共数据集和真实环境测试	未在摘要中明确说明，但提供了GitHub代码仓库	未指定具体架构名称，但描述为“对抗训练的深度生成模型”	平均绝对误差（MAE）、心率（HR）、心率变异性（HRV）、呼吸率（RR）、血压（BP）估计的改进百分比	NA
274	2025-12-31	LivSCP: Improving Liver Fibrosis Classification Through Supervised Contrastive Pretraining 2025-Dec-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243226 PMID:41464225	研究论文	本研究提出了一种名为LivSCP的监督对比预训练方法，用于提升基于肝脏超声扫描的肝纤维化分类模型的性能	提出了一种无需改变网络架构或优化器的训练方法，在有限标注数据和计算资源的场景下，通过监督对比预训练显著提升肝纤维化分类的准确率	未在论文摘要中明确说明	开发一种在低数据和低计算资源设置下，能有效提升肝纤维化分类模型性能的训练方法	肝脏超声扫描图像	计算机视觉	肝纤维化	超声扫描	Vision Transformer	图像	NA	NA	Vision Transformer	准确率, 精确率, 召回率, F1分数, AUROC	低计算资源设置
275	2025-12-31	Integrating Multi-Source Directed Gene Networks and Multi-Omics Data to Identify Cancer Driver Genes Based on Graph Neural Networks 2025-Dec-17, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms262412132 PMID:41465557	研究论文	本文提出了一种名为MDIGNN的新型深度学习模型，通过整合有向基因网络和多组学数据来识别癌症驱动基因	首次开发了基于磁拉普拉斯算子的图神经网络，以编码有向图的边方向性，并结合通道注意力和空间注意力机制增强特征表示能力	未在摘要中明确说明	精确识别癌症驱动基因，以理解癌症的分子机制并为早期诊断提供关键靶点	癌症驱动基因	机器学习	癌症	多组学数据整合	图神经网络	基因网络数据、多组学数据	NA	NA	基于磁拉普拉斯算子的图神经网络	NA	NA
276	2025-12-31	Functional, Structural, and AI-Based MRI Analysis: A Comprehensive Review of Recent Advances 2025-Dec-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243212 PMID:41464212	综述	本文对功能、结构和基于人工智能的MRI分析技术的最新进展进行了全面回顾	系统总结了2012年至2025年间MRI影像组学的研究，并对不同神经网络架构在基于影像组学的分割任务中进行了比较和讨论	在标准化、验证和临床转化方面仍存在挑战，这些先进分析技术完全融入常规医疗实践前仍需持续努力	回顾MRI数据分析方法的最新进展，特别是功能MRI、结构MRI和人工智能技术的应用	MRI数据，包括功能MRI、结构MRI和影像组学数据	医学影像分析	NA	功能MRI、定量MRI（如T1和T2弛豫时间映射、质子密度成像）、扩散成像、灌注成像、Dixon方法、影像组学	深度学习、神经网络	MRI图像	NA	NA	NA	NA	NA
277	2025-12-31	A Lightweight Hybrid Deep Learning Model for Tuberculosis Detection from Chest X-Rays 2025-Dec-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243216 PMID:41464216	研究论文	提出一种结合GhostNet和MobileViT的轻量级混合深度学习模型，用于从胸部X光片中检测肺结核	通过特征融合将轻量级卷积神经网络（GhostNet）与基于Transformer的模型（MobileViT）相结合，在保持高精度的同时实现了低计算开销	仅在两个公开数据集上进行了评估，未在更广泛或更具挑战性的临床环境中验证	开发一种适用于资源受限环境的准确且高效的肺结核自动检测方法	胸部X光图像	计算机视觉	肺结核	胸部X光成像	CNN, Transformer	图像	两个公开胸部X光数据集	NA	GhostNet, MobileViT	准确率	NA
278	2025-12-31	Deep-learning-based non-contrast CT for detecting acute ischemic stroke: a systematic review and HSROC meta-analysis of patient-level diagnostic accuracy 2025-Dec-15, BMC neurology IF:2.2Q3 DOI:10.1186/s12883-025-04528-3 PMID:41398240	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了基于深度学习的非增强CT在患者层面检测急性缺血性脑卒中的诊断准确性	首次对基于深度学习的非增强CT在患者层面检测急性缺血性脑卒中进行系统综述和荟萃分析，并探讨了研究间异质性的来源	研究间存在患者选择和指标测试领域的偏倚风险，AI报告质量多为中等，明确的外部验证仍不常见	评估深度学习应用于非增强CT在患者层面检测急性缺血性脑卒中的诊断准确性，并探讨研究间异质性的来源	急性缺血性脑卒中患者	医学影像分析	急性缺血性脑卒中	深度学习	深度学习模型	非增强CT图像	来自16项研究的患者数据，其中13项贡献了患者层面的荟萃分析数据	NA	NA	敏感性, 特异性	NA
279	2025-12-31	Ethical Use of Artificial Intelligence for Processing Medical Images 2025-Dec-15, Journal of Korean medical science IF:3.0Q1 DOI:10.3346/jkms.2025.40.e341 PMID:41399268	综述	本文探讨了人工智能在医学影像处理中的伦理应用与挑战	系统性地总结了AI在医学影像处理中的技术应用（如深度学习架构和生成式AI）及其带来的伦理问题，并提出了伦理部署的框架	未提供具体的实证研究或案例来量化伦理问题的影响，也未提出解决这些伦理挑战的新技术方法	探讨人工智能在医学影像处理中的伦理使用、挑战及部署要求	人工智能工具在医学影像处理中的应用及其伦理影响	计算机视觉	NA	NA	CNN, RNN, U-Net, Transformer	图像	NA	NA	U-Net, MedGAN, StyleGAN, CycleGAN, SinGAN-Seg	准确率	NA
280	2025-12-31	Demodicosis Mite Detection in Eyes with Blepharitis and Meibomian Gland Dysfunction Based on Deep Learning Model 2025-Dec-15, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243204 PMID:41464204	研究论文	本研究开发了一种基于深度学习的系统，用于从睫毛显微图像中自动检测和量化蠕形螨，以辅助诊断眼表疾病	首次将YOLOv11和RT-DETR深度学习模型应用于蠕形螨的自动检测与计数，并利用Grad-CAM可视化验证模型关注区域	研究仅基于665张标注图像，样本量相对有限；模型性能在重叠区域检测的置信度范围（0.4-0.8）仍有优化空间	开发自动化系统以改进蠕形螨相关眼表疾病（如睑缘炎和睑板腺功能障碍）的诊断效率	临床疑似眼部蠕形螨病患者的睫毛显微图像	计算机视觉	眼部疾病（睑缘炎、睑板腺功能障碍）	显微成像	CNN, Transformer	图像	1610张显微图像（经筛选后665张标注图像）	PyTorch	YOLOv11, RT-DETR	平均精度, 灵敏度, F1分数	NA