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
3061	2026-01-09	G2PDeep-v2: A Web-Based Deep-Learning Framework for Phenotype Prediction and Biomarker Discovery for All Organisms Using Multi-Omics Data 2025-Dec-01, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121673 PMID:41463329	研究论文	介绍了一个基于深度学习的网络平台G2PDeep-v2，用于多组学数据的表型预测和生物标志物发现	开发了一个集深度学习、超参数优化、可视化和下游分析于一体的统一网络平台，支持跨多种生物（包括人类和植物）的多组学数据分析	未在摘要中明确说明	为研究人员提供一个易于使用的工具，用于多组学数据的表型预测和生物标志物发现	多种生物（包括人类和植物）的多组学数据	机器学习	复杂疾病	多组学数据整合分析	深度学习模型	多组学数据	NA	NA	NA	NA	高性能计算资源
3062	2026-01-09	Design of an iterative physiologically guided hybrid deep learning framework for robust hand vein segmentation, blood flow analysis, and early vascular diagnosis 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103590 PMID:41492530	研究论文	本文提出了一种名为Bio-TransUNet的混合深度学习框架，用于手部静脉的稳健分割、血流分析和早期血管疾病诊断	结合了多尺度时空注意力机制、生物物理正则化学习、概率图建模以及基于Transformer的分类和领域自适应，以提升分割精度、解剖学一致性和疾病分类性能	未明确提及具体的数据集规模限制或计算资源需求	开发一个可靠的成像与解释方法，用于血管疾病的早期、无创诊断，特别是手部血流评估和静脉检测	人体手部静脉	计算机视觉	心血管疾病	近红外成像	深度学习, Transformer	图像	NA	NA	U-Net, Transformer	NA	NA
3063	2026-01-09	Hybrid quantum-classical deep learning framework for balanced multiclass diabetic retinopathy classification 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103605 PMID:41492535	研究论文	本文提出了一种新颖的混合量子-经典深度学习框架，用于解决糖尿病视网膜病变五分类中的类别不平衡和高分辨率数据挑战	融合深度学习和量子计算技术，构建混合量子-经典框架，并采用分层采样和混合精度训练优化计算效率与类别平衡泛化能力	NA	开发一种可扩展的基于人工智能的诊断方法，用于糖尿病视网膜病变的早期准确分类	糖尿病视网膜病变患者	医学影像	糖尿病视网膜病变	深度学习，量子计算	混合量子-经典深度学习框架	图像	APTOS 2019数据集	NA	ResNet-50, 8-qubit VQC	平衡准确率	NA
3064	2026-01-09	Computer Vision Applications in Spinal Orthopaedics: A Scoping Review of Imaging-Based Algorithms for Diagnosis, Measurement, and Surgical Planning 2025-Dec, Cureus DOI:10.7759/cureus.98486 PMID:41492595	综述	本文是一篇范围综述，系统性地梳理和描述了计算机视觉在脊柱骨科成像领域（包括诊断、测量和手术规划）的当前应用、临床任务、成像模态和计算方法	系统性地对1995年至2025年间发表的计算机视觉在脊柱骨科成像中的应用研究进行了范围综述，明确了当前的技术方法、性能水平以及临床转化中的关键差距	纳入的研究中仅20%包含外部验证，且没有研究进行前瞻性测试，这限制了对其临床适用性的评估	梳理和描述计算机视觉在脊柱骨科成像领域的应用现状，包括其临床任务、使用的成像模态和计算方法	应用于脊柱成像（如X光、CT、MRI）的自动化或半自动化计算机视觉算法	计算机视觉	NA	NA	深度学习	图像	NA	NA	U-Net, ResNet, YOLOv5	Dice系数, 准确率, AUC, 组内相关系数	NA
3065	2026-01-09	An integrated facial recognition system for classroom resource optimization using MobileNet and SSA-SVM 2025-Nov-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29327-1 PMID:41318694	研究论文	本文提出了一种集成面部识别系统，结合MobileNet和SSA-SVM，用于优化大学教室资源利用	结合MobileNet特征提取与SSA-SVM分类模型，在实时监控和出勤跟踪中提高了面部检测与识别准确率	NA	通过实时监控和出勤跟踪，支持大学教室的高效利用和资源分配	大学教室中的面部识别与资源优化	计算机视觉	NA	深度学习	CNN, SVM	图像	NA	NA	MobileNet	准确率, 识别率, 帧率	NA
3066	2026-01-09	Using Artificial Intelligence to Automate the Analysis of Psoriasis Severity: A Pilot Study 2025-Nov-21, Dermatology (Basel, Switzerland) DOI:10.1159/000549640 PMID:41269911	研究论文	本研究利用YOLOv8深度学习模型，基于2D临床图像特征，自动分类银屑病皮损的严重程度，旨在提高银屑病面积与严重性指数（PASI）评分的客观性和一致性	首次将YOLOv8模型应用于基于PASI关键子成分（红斑、厚度和鳞屑）的银屑病严重程度自动分类，并通过分层k折交叉验证增强模型在不同数据集上的可靠性	研究为试点性质，样本量有限，且仅使用2D临床图像，可能未涵盖所有临床变异	利用人工智能提高银屑病严重程度评估的客观性和一致性	银屑病皮损的2D临床图像	计算机视觉	银屑病	深度学习	YOLOv8	图像	三个不同数据集（具体数量未明确）	Google Colab	YOLOv8	混淆矩阵, 准确率	云端环境（Google Colab）
3067	2026-01-09	Utility of Thin-slice Single-shot T2-weighted MR Imaging with Deep Learning Reconstruction as a Protocol for Evaluating Pancreatic Cystic Lesions 2025-Nov-20, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2025-0042 PMID:40518300	研究论文	评估深度学习重建超分辨率技术对2mm薄层单次激发T2加权磁共振图像在胰腺囊性病变评估中的效用	首次将深度学习重建超分辨率技术应用于2mm薄层单次激发T2加权磁共振成像，并与传统5mm层厚图像进行对比，以优化胰腺囊性病变的影像评估	研究样本量较小（仅30例患者），且为单中心研究，可能限制结果的普遍适用性	评估深度学习重建超分辨率技术对薄层磁共振图像质量的影响，以改善胰腺囊性病变的诊断评估	胰腺囊性病变患者	医学影像分析	胰腺疾病	单次激发涡轮自旋回波磁共振成像，深度学习重建超分辨率技术	深度学习重建模型	磁共振图像	30例连续入组的胰腺囊性病变患者	NA	NA	信噪比，对比噪声比，图像质量评分（包括胰腺边缘锐利度、感知粗糙度、胰管清晰度、噪声、伪影、整体图像质量及诊断信心）	NA
3068	2026-01-09	Explainable Artificial Intelligence Framework for Predicting Treatment Outcomes in Age-Related Macular Degeneration 2025-Nov-11, Sensors (Basel, Switzerland) DOI:10.3390/s25226879 PMID:41305085	研究论文	本文提出了一种结合神经符号推理和大语言模型的混合框架，用于预测年龄相关性黄斑变性（AMD）的治疗结果，并提供可解释的风险评估	提出了一种混合神经符号与大语言模型（LLM）的框架，将机制性疾病知识与多模态眼科数据相结合，实现了可解释的AMD治疗预后预测	研究受限于单中心范围和短期随访	开发一个可解释的人工智能框架，用于预测年龄相关性黄斑变性（AMD）的治疗结果	年龄相关性黄斑变性（AMD）患者	数字病理学	年龄相关性黄斑变性	光学相干断层扫描、眼底荧光素血管造影、扫描激光检眼镜、眼部/浅表B超	神经符号模型, 大语言模型（LLM）	图像, 文本	10名手术治疗的AMD患者（6名男性，4名女性；平均年龄67.8±6.3岁），包含30份结构化临床文档和100个配对成像序列	NA	NA	AUROC, AUPRC, Brier分数	NA
3069	2026-01-09	Establishing prospective performance monitoring for real-world implementation of deep learning-based auto-segmentation in prostate cancer radiotherapy 2025-Oct, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2025.100886 PMID:41488801	研究论文	本研究开发了一个基于回顾性数据的实用框架，用于前列腺癌放疗中深度学习自动分割模型的实时性能监测	首次提出将统计过程控制图应用于深度学习自动分割模型的性能监控，以检测数据漂移和临床实践变化	研究基于回顾性数据，且仅针对前列腺癌放疗场景，未在其他疾病或医疗环境中验证	建立深度学习自动分割模型在前列腺癌放疗中的前瞻性性能监控框架	前列腺癌放疗患者的临床轮廓分割	数字病理学	前列腺癌	深度学习自动分割	U-Net	医学图像	464例前列腺癌病例，时间跨度为20个月	NA	2D U-Net, 3D U-Net	Dice相似系数, 95百分位Hausdorff距离, 表面DSC	NA
3070	2026-01-09	Development and in silico imaging trial evaluation of a deep-learning-based transmission-less attenuation compensation method for DaT SPECT 2025-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.17976 PMID:40781836	研究论文	本文开发了一种基于深度学习的无传输衰减补偿方法（DaT-CTLESS），用于DaT SPECT成像，并通过计算机模拟成像试验验证了其性能	提出了一种结合物理原理和深度学习的无传输衰减补偿方法，无需额外CT扫描，解决了临床SPECT系统中CT组件缺失的问题	研究基于计算机模拟成像试验，尚未进行真实临床环境的大规模验证，且方法性能可能受训练数据质量和数量的影响	开发并验证一种无传输衰减补偿方法，以克服DaT SPECT成像中依赖CT扫描进行衰减补偿的挑战	多巴胺转运体（DaT）SPECT图像，用于帕金森病等运动障碍疾病的诊断和进展跟踪	医学影像分析	帕金森病	单光子发射计算机断层扫描（SPECT），深度学习	深度学习	医学影像（SPECT、CT、MR图像）	197名虚拟患者（150名用于训练，47名用于评估）	NA	U-net	组内相关系数（ICC），准确性，重复性，泛化性，保真度指标	NA
3071	2026-01-09	Accurate and real-time brain tumour detection and classification using optimized YOLOv5 architecture 2025-Jul-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-07773-1 PMID:40651993	研究论文	本研究提出了一种结合FCNN和YOLOv5的集成模型，用于从MRI图像中实时检测和分类脑肿瘤	提出了一种将FCNN用于分类和YOLOv5用于检测与分割的集成框架，并采用RMSProp优化器提升分类性能，实现了高精度的实时脑肿瘤诊断	未明确说明数据集的来源、样本的具体数量以及模型在临床环境中的泛化能力验证	开发一种准确且实时的脑肿瘤检测与分类系统，以辅助医疗影像诊断	脑部MRI图像中的肿瘤区域	计算机视觉	脑肿瘤	MRI	CNN	图像	NA	PyTorch	FCNN, YOLOv5	准确率, 精确率, 召回率, F1系数, 特异性	NA
3072	2026-01-09	Multimodal Data and Deep Learning-Driven Diagnostic and Therapeutic Assistance Framework for Patellar Dislocation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253687 PMID:41336970	研究论文	本研究结合多模态数据和人工智能算法，构建了一个用于识别解剖风险因素、预测复发风险和评估术后结果的模型	提出了一个整合术前、术中和术后信息的三阶段建模框架，并在复发风险预测模块中首次纳入了脂质代谢谱和临床变量	未来工作需纳入真实世界影像数据以提升影像分析组件的性能	构建一个全面的多模态融合模型，为髌骨脱位的诊断、预后和治疗提供更准确和个体化的临床决策支持	髌骨脱位患者	机器学习	骨科疾病	多模态数据整合	深度学习	多模态数据（包括临床变量、脂质代谢谱等）	NA	NA	NA	AUC, F1-score, 敏感性	NA
3073	2026-01-09	Segmenting the Inferior Alveolar Canal in CBCTs Volumes: The ToothFairy Challenge 2025-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3523096 PMID:40030587	研究论文	本文介绍了在MICCAI 2023会议上组织的ToothFairy挑战赛，该挑战赛旨在促进下牙槽神经管（IAC）在锥形束计算机断层扫描（CBCT）中的分割研究，并发布了最大的公开数据集用于比较评估	组织了首个针对IAC分割的公开挑战赛，并发布了该领域最大的公开标注数据集，首次在共同基准上对多种算法进行了全面的比较评估	数据集仅包含443个CBCT扫描，其中仅153个具有体素级标注，可能限制了某些深度学习模型的训练效果	促进下牙槽神经管（IAC）在CBCT扫描中的自动分割算法的研究与发展，并建立公共基准用于比较评估	锥形束计算机断层扫描（CBCT）中的下牙槽神经管（IAC）	数字病理学	NA	锥形束计算机断层扫描（CBCT）	NA	3D医学影像（CBCT扫描）	443个CBCT扫描（其中153个具有体素级标注）	NA	NA	NA	NA
3074	2026-01-09	Long-Term Carotid Plaque Progression and the Role of Intraplaque Hemorrhage: A Deep Learning-Based Analysis of Longitudinal Vessel Wall Imaging 2025-Feb-19, medRxiv : the preprint server for health sciences DOI:10.1101/2024.12.09.24318661 PMID:39711698	研究论文	本研究利用深度学习分割技术分析纵向血管壁成像数据，评估颈动脉斑块内出血对长期斑块负荷进展的影响	首次结合深度学习分割与纵向多对比磁共振血管壁成像，量化分析颈动脉斑块内出血的长期动态变化及其对斑块进展的加速作用	样本量较小（28名无症状受试者），且为观察性研究，无法确定因果关系	评估颈动脉斑块内出血对长期斑块负荷进展的影响	无症状颈动脉粥样硬化受试者的颈动脉斑块	数字病理学	心血管疾病	多对比磁共振血管壁成像	深度学习分割模型	磁共振图像	28名无症状受试者，共50条动脉，平均每名受试者接受4.7次扫描，随访时间平均5.8年	NA	NA	NA	NA
3075	2026-01-09	Training deep learning models on personalized genomic sequences improves variant effect prediction 2025-Feb-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618510 PMID:39463940	研究论文	本文探讨了在匹配个人基因组的功能基因组数据上训练深度学习模型，以提高变异效应预测性能	通过使用个性化基因组序列进行模型训练，提升了变异效应预测的准确性，并展示了模型在未见细胞环境和实验读出中的泛化能力	NA	改进序列到功能模型在遗传变异分子影响解释中的性能	个性化基因组序列和功能基因组数据	机器学习	NA	功能基因组学	深度学习模型	基因组序列数据	NA	NA	NA	NA	NA
3076	2026-01-09	Deep Learning Enabled Scoring of Pancreatic Neuroendocrine Tumors Based on Cancer Infiltration Patterns 2025-Jan-23, Endocrine pathology IF:11.3Q1 DOI:10.1007/s12022-025-09846-3 PMID:39847242	研究论文	本研究提出了一种基于深度学习的计算流程，首次自动分类胰腺神经内分泌肿瘤，通过细胞实体图构建和图神经网络整合病理学领域知识	首次将病理学领域知识整合到图神经网络的构建和训练中，以更深入地利用肿瘤微环境及其结构变化进行肿瘤分类	研究仅基于105张HE染色全切片图像，样本量相对有限，且未提及外部验证或泛化能力评估	开发自动化系统以减少观察者变异性，实现胰腺神经内分泌肿瘤的客观分类	胰腺神经内分泌肿瘤的组织样本	数字病理学	胰腺神经内分泌肿瘤	HE染色	图神经网络	图像	105张HE染色全切片图像	NA	图神经网络	F1分数	NA
3077	2026-01-09	AI-Based Detection of Coronary Artery Occlusion Using Acoustic Biomarkers Before and After Stent Placement 2025, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2025.3615394 PMID:41221436	研究论文	本研究利用人工智能（特别是DeepSets架构）学习患者特异性声学生物标志物，以区分12名患者经皮冠状动脉介入治疗前后的心音，用于检测冠状动脉阻塞	首次采用DeepSets架构结合Matching Pursuit分解，从心音中提取个体化声学生物标志物，实现非侵入性冠状动脉疾病监测	样本量较小（仅12名患者），研究为初步探索，需更多时间点数据验证长期监测效果	开发基于人工智能的非侵入性方法，用于冠状动脉疾病的早期检测和治疗监测	12名接受经皮冠状动脉介入治疗的人类患者的心音数据	机器学习	心血管疾病	心音记录，Matching Pursuit信号分解	DeepSets	音频	12名患者	NA	DeepSets	准确率	NA
3078	2026-01-09	ESA-YOLOv5m: a lightweight spatial and improved attention-driven detection for brain tumor MRI analysis 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1733180 PMID:41488085	研究论文	本研究提出了一种集成增强空间注意力（ESA）的YOLOv5m轻量级框架，用于MRI扫描中的脑肿瘤检测	在YOLOv5m架构中引入轻量级ESA模块，置于SPPF层后，以增强特征判别能力并抑制背景噪声，提高定位精度而不增加计算复杂度	未明确提及，但可能包括数据集规模有限或仅针对特定MRI数据类型的泛化能力	开发一种轻量级且高效的脑肿瘤检测模型，以支持实时临床部署和边缘医疗应用	脑肿瘤MRI图像，包括胶质瘤、脑膜瘤和垂体瘤三类	计算机视觉	脑肿瘤	MRI	CNN	图像	Figshare脑肿瘤MRI数据集，具体样本数未明确，包含三类肿瘤	PyTorch	YOLOv5m, ESA	精确率, 召回率, mAP@0.5	未明确指定GPU类型，但提及实时推理和边缘应用，暗示可能使用常见GPU或嵌入式设备
3079	2026-01-09	The apple detection method based on multimodal features 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334911 PMID:41129553	研究论文	本文提出了一种基于多模态特征融合的苹果检测方法，旨在提升复杂环境下的检测性能	通过融合RGB图像、颜色与边缘特征图、深度特征图和点云四种互补模态，而非激进的结构修改，来增强特征表示和模型鲁棒性	NA	提高复杂环境下苹果和其他水果的检测准确性	苹果和其他水果	计算机视觉	NA	双目主动红外立体相机	YOLOv5	图像, 点云	NA	NA	YOLOv5	精确率, 召回率, F1分数	NA
3080	2026-01-09	Accurate classification of major brain cell types using in vivo imaging and neural network processing 2023-11, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3002357 PMID:37943858	研究论文	本文介绍了一种结合活体双光子成像和深度学习的方法，用于无创分类小鼠大脑中的主要细胞类型	开发了NuCLear方法，首次实现基于活体成像和深度学习对大脑细胞类型进行非侵入性分类和三维定位	仅使用单一标记（组蛋白2B-eGFP），可能限制对其他细胞特征的识别；方法目前仅在小鼠次级运动皮层验证	开发一种非侵入性方法，用于长期研究生理和病理条件下大脑细胞类型组成的变化	小鼠次级运动皮层中的细胞核	数字病理学	NA	活体双光子成像，组蛋白2B-eGFP标记	深度学习	图像	约25,000个细胞（来自0.25 mm³成像体积）	NA	NA	NA	NA