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
2941	2025-12-23	A novel ensemble transfer learning approach for lung cancer classification using advance VGGNet16 with wavelet transform equalization & CL-PSO 2026-Jan-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111338 PMID:41370952	研究论文	本文提出了一种基于改进VGG-16模型和综合学习粒子群优化的集成迁移学习方法，用于肺癌CT图像的早期分类诊断	提出结合小波变换均衡化预处理、类别加权训练和CL-PSO优化的VGG-16集成迁移学习框架，显著提升了对良性病例的检测灵敏度	研究仅使用单一公开数据集（IQ-OTH/NCCD）进行验证，未在更多临床数据集上进行外部验证	开发高精度、易部署的肺癌早期诊断深度学习模型	肺癌CT扫描图像	计算机视觉	肺癌	CT扫描	CNN, 集成学习	医学图像	IQ-OTH/NCCD数据集	TensorFlow/Keras	VGG-16	准确率, 精确率, 召回率, F1分数, AUC-ROC	未明确指定
2942	2025-12-23	Multi-class cancer diagnosis on histopathological images with deep ensemble learning model 2026-Jan-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111381 PMID:41370953	研究论文	本研究提出了一种基于深度集成学习的计算机辅助癌症诊断方法，用于在组织病理学图像上检测多种癌症类型	采用基于堆叠的集成学习模型，结合迁移学习，使用DenseNet 201和EfficientNet B7作为基础学习器，以及两层CNN架构作为元学习器，实现多类癌症诊断	未明确提及模型在不同癌症类型间的泛化能力限制或数据不平衡问题	开发计算机辅助癌症诊断方法，以帮助医疗专业人员进行诊断决策	组织病理学图像中的肺癌、结肠癌、口腔癌和乳腺癌	数字病理学	肺癌, 结肠癌, 口腔癌, 乳腺癌	图像处理, 深度学习	CNN, 集成学习	图像	大型数据集，包含肺癌、结肠癌、口腔癌和乳腺癌数据，具体样本数量未明确	NA	DenseNet 201, EfficientNet B7, 两层CNN	准确率	NA
2943	2025-12-23	Deep Learning vs Classical Methods in Potency and ADME Prediction: Insights from a Computational Blind Challenge 2025-Dec-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01982 PMID:41325513	研究论文	本文通过回顾性分析2025年ASAP-Polaris-OpenADMET抗病毒挑战赛的建模策略，比较了深度学习和经典方法在化合物效力和ADME预测中的性能	通过大规模盲法挑战赛的统计基准测试，首次系统性地证明深度学习在ADME预测上显著优于传统机器学习，而经典方法在效力预测中仍具竞争力	当前研究尚未整合结构引导建模，未来需要进一步探索多模态数据的融合	评估深度学习和经典方法在药物发现中化合物效力和ADME预测的性能差异	化合物效力和ADME（吸收、分布、代谢、排泄）特性	机器学习	NA	NA	深度学习, 传统机器学习	化学化合物数据	来自全球65个以上团队的挑战赛数据集	NA	NA	Pearson相关系数, pIC预测排名, ADME聚合排名	NA
2944	2025-12-23	ProSECFPs: A Novel Fingerprint-Based Protein Representation Method for Missense Mutation Pathogenicity Prediction 2025-Dec-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02437 PMID:41340413	研究论文	本文提出了一种基于指纹的蛋白质表示方法ProSECFPs，用于预测错义突变的致病性	提出了一种受化学信息学中扩展连接指纹启发的蛋白质序列表示新方法，能有效捕捉蛋白质的复杂理化特性和序列细节	NA	开发一种高效、可扩展且信息丰富的蛋白质序列表示方法，以预测错义突变的致病性	蛋白质序列及其错义突变	生物信息学	NA	蛋白质序列表示方法	机器学习, 深度学习	蛋白质序列数据	NA	NA	NA	准确率	NA
2945	2025-12-23	BioFusionDTI: Assimilating Graph and Sequence Modalities for Generalizable Drug-Target Interaction Prediction 2025-Dec-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02283 PMID:41364795	研究论文	本文提出了一种名为BioFusionDTI的多模态深度学习框架，用于预测药物-靶点相互作用，该框架融合了图结构和序列信息以提高预测的泛化能力和可解释性	提出了一种结合图卷积网络和卷积神经网络的多模态融合框架，并引入双线性注意力网络来捕获细粒度的跨模态交互，从而在冷启动场景下实现更好的泛化性能和可解释性	未明确说明模型在更大规模或更多样化数据集上的泛化能力，以及计算效率方面的具体分析	开发一个能够准确预测药物-靶点相互作用的深度学习模型，以支持药物发现和重定位	药物分子和蛋白质靶点	机器学习	NA	深度学习	GCN, CNN, BAN	图数据, 序列嵌入	三个基准数据集（SNAP、DRH、Kinase）	PyTorch	图卷积网络, 卷积神经网络, 双线性注意力网络	准确性	NA
2946	2025-12-23	Towards trustworthy AI in radiotherapy: a comprehensive review of uncertainty-aware techniques 2025-Dec-22, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae2a9f PMID:41365073	综述	本文对2020年至2025年间应用于放射治疗（RT）领域的不确定性量化（UQ）技术进行了全面的回顾与分析	提出了UQ技术的结构化分类，评估了其对临床工作流程的影响，并强调了新兴趋势，旨在弥合技术进步与临床部署之间的差距	需要进一步努力来标准化评估协议、提高计算效率，并为临床集成开发用户友好的界面	回顾和评估不确定性量化技术在放射治疗AI模型中的应用，以提高其可靠性、可解释性和临床适用性	应用于放射治疗任务（如分割、图像配准、合成图像生成、剂量预测和剂量累积）的AI模型	医学图像分析	NA	不确定性量化	贝叶斯神经网络, Monte Carlo Dropout, 集成学习	医学图像	NA	NA	NA	NA	NA
2947	2025-12-23	Smartphone-based video deep learning enables rapid and accurate lateral flow diagnostics 2025-Dec-22, Mikrochimica acta DOI:10.1007/s00604-025-07756-z PMID:41423536	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2948	2025-12-23	Development and Validation of an Artificial Intelligence Surgical Video Analysis Model for Predicting Visceral Pleural Invasion in Lung Cancer Surgery: A Multicenter Study 2025-Dec-22, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-025-18863-9 PMID:41428020	研究论文	本研究开发并验证了一种基于深度学习的模型（VPI-Net），用于在胸腔镜手术中预测肺癌的脏层胸膜侵犯，以提高诊断准确性并指导手术决策	首次开发了基于空间丢弃的残差卷积神经网络（VPI-Net），用于从胸腔镜视频中预测脏层胸膜侵犯状态和风险评分，并在多中心数据上验证其优于外科医生和放射科医生的表现	研究样本量相对有限（总计399名患者），且外部验证集仅包含两家医院的53名患者，可能影响模型的泛化能力	提高肺癌手术中脏层胸膜侵犯的术中诊断准确性，以优化手术决策和改善患者预后	接受胸腔镜手术的肺癌患者	数字病理	肺癌	胸腔镜视频分析	CNN	图像（来自胸腔镜视频）	总计399名患者（内部训练/验证/测试集：346名患者，3367张图像；外部测试集：53名患者，1274张图像）	NA	Residual Convolutional Neural Network (VPI-Net)	AUC, 准确率, 敏感性, 特异性, 阳性预测值, 阴性预测值	NA
2949	2025-12-23	Using deep vision-language models improves multi-task performance in assistance applications for endoscopic ENT surgery 2025-Dec-22, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03512-z PMID:41428176	研究论文	本文开发了一种用于内窥镜耳鼻喉手术辅助的视觉语言模型，通过多任务学习提升图像分类和报告生成性能	采用针对内窥镜领域优化的视觉语言模型架构，首次将图像与文本数据整合用于耳鼻喉手术的多任务辅助应用	在处理不平衡类别分布和结构化模板文本任务时性能提升有限	提升内窥镜耳鼻喉手术辅助应用中多任务学习的性能	内窥镜耳鼻喉手术的图像、解剖描述和手术报告	计算机视觉	耳鼻喉疾病	内窥镜成像	视觉语言模型	图像, 文本	30个标注内窥镜手术过程，包含130,000张多标签图像	NA	视觉语言模型（VLM）	精确率, 召回率, F1分数, BLEU-2, ROUGE-L, 余弦相似度	NA
2950	2025-12-23	Fast zero-shot deep learning-based denoising method for low-field MR images 2025-Dec-22, Magma (New York, N.Y.) DOI:10.1007/s10334-025-01311-w PMID:41428276	研究论文	本文提出了一种基于深度学习的快速零样本去噪方法，专门用于低场磁共振图像，以提升图像质量并加速训练过程	扩展了零样本噪声即干净方法，通过修改训练过程实现更快的训练时间，并探索了基于部分数据训练以进一步加速的策略	未明确提及方法在极端噪声水平或不同低场设备间的泛化能力限制	开发一种适用于低场磁共振图像的快速去噪方法，以改善临床诊断图像质量并保持患者友好的扫描时间	低场磁共振图像（特别是0.1 T数据）	计算机视觉	NA	磁共振成像	深度学习	图像	未明确指定样本数量，但涉及高场和低场（0.1 T）磁共振数据	未明确指定，但代码发布于GitHub	未明确指定具体架构	定量评估（基于高信噪比图像）和定性评估	GPU
2951	2025-12-23	KGLGANSynergy: knowledge graph-based local and global attention network for drug synergy prediction 2025-Dec-21, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-07545-5 PMID:41423603	研究论文	本文提出了一种基于知识图谱的深度学习框架KGLGANSynergy，用于预测药物协同作用	结合局部图注意力网络和全局图注意力网络，通过互交叉注意力机制融合特征，克服了现有方法忽视边属性和全局语义上下文的局限	未明确说明模型在处理大规模知识图谱时的计算效率或泛化能力限制	开发一种更准确的药物协同作用预测计算工具	药物组合和细胞系	机器学习	NA	图表示学习	GAT	图数据	基于DrugCombDB和Oncology-Screen两个基准数据集	NA	Local Graph Attention Network, Global Graph Attention Network	AUPR	NA
2952	2025-12-23	Integrating protein language and geometric deep learning models for enhanced vaccine antigen prediction 2025-Dec-21, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67778-2 PMID:41423641	研究论文	本研究开发了一个名为PLGDL的框架，通过整合蛋白质语言模型和几何深度学习模型，用于预测保护性疫苗抗原	首次将蛋白质语言模型与几何深度学习模型相结合，同时利用蛋白质的一级序列特征和三维结构特征，减少了人工特征提取的偏差	未明确说明模型在跨物种泛化能力方面的具体限制	开发高性能的疫苗保护性抗原预测工具，以加速疫苗研发	病毒、细菌和真核病原体产生的蛋白质抗原	机器学习	传染病	蛋白质语言模型，几何深度学习	深度学习	蛋白质序列数据，三维结构数据	构建数据集和公共数据集（具体数量未说明）	NA	蛋白质语言模型，几何深度学习模型	NA	NA
2953	2025-12-23	Spectral image classification of asymptomatic peanut leaf diseases based on deep learning algorithms 2025-Dec-21, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01485-3 PMID:41423650	研究论文	本研究提出了一种基于深度学习的多光谱成像系统，用于对无症状花生叶部病害进行早期高精度分类	设计了一个能分别获取多光谱反射和荧光图像的系统，并构建了结合自适应通道注意力机制和稀疏二阶注意力机制驱动网络的深度学习模型，以增强深度特征信息的判别能力	NA	实现花生叶部病害的及时、快速、准确的早期诊断与控制，以确保花生的高质量和高产量	无症状花生叶部病害（疮痂病、焦斑病、炭疽病）	计算机视觉	植物病害	多光谱成像（反射与荧光）	CNN	多光谱图像	三种无症状花生叶部病害（疮痂病、焦斑病、炭疽病）的多光谱图像	NA	结合自适应通道注意力机制和稀疏二阶注意力机制驱动网络的卷积神经网络	分类准确率	NA
2954	2025-12-23	Obesity prediction using an explainable deep learning framework based on LSTM-LIME with integrated visualization 2025-Dec-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33336-5 PMID:41423660	研究论文	本研究提出了一种基于LSTM-LIME的可解释深度学习框架，用于多类别肥胖预测，并集成了交互式可视化界面	开发了首个针对沙特文化的多类别肥胖数据集，并将LSTM网络与LIME解释方法结合在交互式界面中，实现了预测准确性和风险因素的可视化	NA	开发准确且可解释的肥胖风险评估模型，以支持早期检测和预防策略	沙特特定数据集，包含人体测量、生活方式和饮食因素	机器学习	肥胖	NA	LSTM, Bi-LSTM, RNN, DNN, MLP, TabNet, Autoencoder	表格数据	NA	NA	LSTM, Bi-LSTM, RNN, MLP, TabNet, Autoencoder	准确率, 宏召回率, 宏F1分数, MAE, RMSE, 决定系数	NA
2955	2025-12-23	Multi-omics driven computational framework for cancer molecular subtype classification 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32051-5 PMID:41413182	研究论文	本研究通过比较分析35种AI分类器在153个数据集上的性能，探讨了癌症分子亚型分类中的关键问题，包括最佳数据集配置、组学模态性能、模型选择等	首次系统比较了多种AI分类器在多种组学模态和癌症类型中的性能，并回答了六个关键研究问题，为标准化AI驱动流程提供了指导	研究可能受限于数据集的质量和多样性，且未涵盖所有可能的组学模态或癌症类型	旨在提高癌症分子亚型分类AI方法的可比性、可重复性和泛化性，推动精准肿瘤学发展	35种AI分类器在153个数据集上的性能，涵盖8种组学模态和20种癌症	机器学习	癌症	多组学分析，包括RNASeq、miRNA、CNV、Exon、Meth、Array、SNP、RPPA	传统机器学习模型（如SVM、XGB、HGB）和深度学习模型（如ResNet18、CNN、NN、MLP）	多组学数据	153个数据集，涵盖20种癌症	NA	ResNet18, CNN, NN, MLP, SVM, XGB, HGB, DEEPGENE	宏准确率（MACC）	NA
2956	2025-12-23	Advances in machine learning-enhanced microfluidic cell sorting 2025-Dec-19, Science advances IF:11.7Q1 DOI:10.1126/sciadv.aea6007 PMID:41417905	综述	本文综述了机器学习增强微流控细胞分选技术的最新进展，探讨了其在肿瘤细胞分离、单细胞分析和生物标志物检测中的应用	整合了微流控技术与机器学习（特别是计算机视觉和深度学习），实现了自动化特征提取、模式识别和实时分类，从而提高了分选精度和诊断速度	模型泛化能力和硬件-软件集成方面仍存在挑战	探讨微流控技术与机器学习在细胞分选中的协同作用，以推动精准医疗的发展	微流控细胞分选系统及其产生的成像数据	计算机视觉, 机器学习	肿瘤	微流控技术	深度学习	图像数据	NA	NA	NA	诊断敏感性, 分析通量	NA
2957	2025-12-23	Deep learning-driven conversion of scanning superlens microscopy to high depth-of-field SEM-like imaging 2025-Dec-19, Microsystems & nanoengineering IF:7.3Q1 DOI:10.1038/s41378-025-01060-9 PMID:41419453	研究论文	本文提出一种基于深度学习的图像转换方法，将光学超分辨率显微镜图像转换为类似扫描电子显微镜的高分辨率图像，特别针对芯片样本进行优化	利用CycleGAN模型将无需真空或导电涂层的扫描超透镜显微镜图像转换为SEM样图像，同时保持纳米级分辨率并扩展有效景深至约2微米	方法主要针对芯片样本进行优化，可能在其他类型样本上的泛化能力未经验证	开发一种能够替代传统SEM成像的技术，克服其真空环境和样本涂层要求，同时保持高分辨率	硅晶圆芯片样本	计算机视觉	NA	扫描超透镜显微镜，Z-stack扫描	GAN	图像	未明确指定样本数量，但使用了配对的OSR和SEM图像进行训练	未明确指定，但基于CycleGAN架构	CycleGAN	峰值信噪比	NA
2958	2025-12-23	Continuous-time air pollutant forecasting using multi-timescale attention neural ordinary differential equations (MA-NODE) 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27903-z PMID:41419495	研究论文	本文提出了一种新颖的多时间尺度注意力神经常微分方程框架，用于多步空气污染物预测	首次将神经常微分方程应用于多步空气污染预测，通过连续时间建模减少多步离散化误差，并引入多时间尺度分解和注意力机制以捕捉不同的时间行为	未明确提及模型的计算复杂度或在大规模部署中的实际限制	开发一种能够准确预测空气污染物浓度的连续时间深度学习模型，以支持环境管理和公共卫生决策	空气污染物（PM2.5、O3、NO2、SO2、CO、PM10）	机器学习	NA	NA	Neural ODE, 注意力机制	时间序列数据（站点观测数据）	NA	NA	Multi-timescale Attention Neural ODE	R², MAE, RMSE, 95%区间覆盖率	NA
2959	2025-12-23	Identifying co-occurrences of message chains and member ignoring method in android applications using static program analysis and dynamic stacking ensemble 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27817-w PMID:41419514	研究论文	本文提出一种结合静态程序分析和动态堆叠集成学习的方法，用于检测Android应用中消息链与成员忽略方法这两种代码坏味的共现现象	首次针对Android特定代码坏味（MC与MIM）的共现检测提出集成方案，开发了自动化样本生成工具ASSD，并设计了动态堆叠集成与后向消除策略	方法主要针对Android平台，未验证在其他移动平台或通用软件中的适用性；样本生成依赖特定工具链	检测Android应用中代码坏味的共现模式以提升软件可维护性	Android应用程序代码	软件工程	NA	静态程序分析，集成学习	传统机器学习模型，深度学习模型	代码文本	通过ASSD工具生成的标注正负样本集	NA	动态堆叠集成（包含5个传统机器学习模型和3个深度学习模型）	F1分数，马修斯相关系数（MCC）	NA
2960	2025-12-23	Firearm classification from acoustic signals using combined mel spectrogram, MFCC, LFCC, and CRNN networks 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27949-z PMID:41419548	研究论文	本文提出了一种基于声学信号处理与深度学习相结合的方法，用于从枪声信号中分类枪支类型	提出了一种新颖的MLFCC特征集，结合了梅尔频谱图、MFCC和LFCC特征，并利用CRNN网络进行实时枪支分类	系统对极端环境条件敏感，可能影响分类性能	开发一个能够实时、准确分类枪支类型的声学信号处理系统	枪声的声学信号	机器学习	NA	声学信号处理	CRNN	音频信号	NA	NA	CRNN	准确率, 计算效率	NA