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
3461	2026-01-03	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	本研究提出了一种基于深度学习的日常疲劳监测系统，通过可穿戴设备采集心电信号，对自然环境下个体的疲劳状态进行三级分类	将疲劳监测从受控实验环境扩展到自然日常环境，提出端到端深度学习模型C-BL，并开发了适用于日常监测的可穿戴设备	样本量较小（12名受试者），实验周期为14天，可能无法完全代表更广泛人群的长期疲劳模式	开发能够在自然环境下进行日常疲劳监测的系统，实现疲劳状态的自动分类	日常环境中的个体疲劳状态	机器学习	NA	心电信号采集	深度学习模型, 机器学习模型	心电信号	12名受试者参与14天监测实验	NA	C-BL	准确率	NA
3462	2026-01-03	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，用于处理高类别不平衡和多标签分类的HPA共聚焦显微镜图像	提出了一种结合特征块提取、遗传算法优化特征块组合以及细胞级分析（如核和核膜环特征提取）的方法，以提升罕见模式的检测性能	未明确说明方法在更大规模或更复杂数据集上的泛化能力，且可能依赖于特定预训练模型	解决HPA数据集中的高类别不平衡和多标签分类问题，以准确识别蛋白质定位模式	HPA共聚焦显微镜图像，包含28种不同模式和500多种独特标签组合	计算机视觉	NA	共聚焦显微镜成像	CNN, SVM	图像	未明确指定样本数量，但基于HPA数据集	未明确指定，但可能涉及TensorFlow, PyTorch等	基于12个ImageNet预训练的CNN模型	F1分数	NA
3463	2026-01-03	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分割模型，利用阻塞性睡眠呼吸暂停患者的混合PET/MRI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，在闭环系统中迭代训练，实现了高效的腹部脂肪分割，支持多模态成像整合	轮廓/边界分割的Dice相似系数较低（0.43和0.54），表明在边界细化方面存在改进空间	开发自动化腹部脂肪分割模型，以加速PET/MR图像中内脏和皮下脂肪的量化分析	阻塞性睡眠呼吸暂停患者的混合PET/MRI数据	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个标注扫描用于迭代训练，10个独立测试案例	NA	UNet-ResNet50	Dice相似系数, 分割时间, 组内相关系数, Bland-Altman分析	Discovery Viewer平台
3464	2026-01-03	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年间人工智能在牙科护理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研究主题集群，并强调了生成式与多模态AI模型、可解释性及临床部署公平性等新兴趋势	纳入分析的文献数量有限（50篇），且为概念性综述，缺乏对具体AI技术临床有效性的深入实证评估	综述人工智能在牙科护理领域的应用，分析研究趋势、主题集群，并为公平、负责任地整合AI技术指明未来方向	2020年1月至2025年10月期间在PubMed、Scopus和Embase数据库中收录的与牙科AI应用相关的文献	机器学习	口腔疾病	NA	NA	NA	50篇文献	VOSviewer	NA	NA	NA
3465	2026-01-03	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，用于从口内图像中自动分类牙釉质龋	提出了两种集成了Grad-CAM以提供视觉可解释性的深度学习模型，用于牙釉质龋的自动化分类	研究结果需要未来在多中心数据集上进行外部验证	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	显示早期牙釉质龋、晚期牙釉质龋和无龋的口内图像	计算机视觉	龋齿	NA	CNN	图像	2000张口内图像	NA	ExplainableDentalNet, ResNet50-SE	准确率, 马修斯相关系数	NA
3466	2026-01-03	Multi-sensor observer-based residual learning with Auto-Permutation Feature Importance for fault diagnosis of multistage centrifugal pumps under variable pressures 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32726-z PMID:41402517	研究论文	本文提出了一种基于多传感器观测器残差学习和自动置换特征重要性的框架，用于变压力条件下多级离心泵的故障诊断	结合自回归观测器进行多传感器正常信号建模以提取故障残差，并引入自动置换特征重要性机制进行特征选择和降维，提高了诊断的鲁棒性和可解释性	未明确说明模型在更广泛压力范围或不同泵类型上的泛化能力，且可能依赖于特定传感器配置	开发一种数据高效且可解释的故障诊断方法，以应对有限或不平衡数据条件下的挑战	多级离心泵	机器学习	NA	自回归观测器、统计与频谱描述符计算（如RMS、频带功率）	高斯混合模型	多传感器信号数据	在3、3.5和4巴压力级别下采集的数据集	NA	自回归观测器、高斯混合模型	准确率、ROC曲线、混淆矩阵	NA
3467	2026-01-03	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	本文提出了一种名为LivSCP的监督对比预训练方法，用于提高基于肝脏超声扫描的肝纤维化分类模型的准确性	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显著提升了肝纤维化分类性能，并达到了最先进水平	未明确说明方法在其他医学影像分类任务中的泛化能力，也未详细讨论模型的可解释性	开发一种改进肝纤维化分类模型性能的训练方法，特别是在数据有限和计算资源受限的情况下	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	NA
3468	2026-01-03	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	首次提出基于磁拉普拉斯算子的图神经网络来编码有向图的边方向性，并引入通道注意力和空间注意力机制增强特征表示能力	未明确说明模型在特定癌症类型或数据集上的泛化能力限制	识别癌症驱动基因以理解癌症分子机制并为早期诊断提供关键靶点	基因（作为网络节点）	机器学习	癌症	多组学数据整合	图神经网络	图数据（有向基因网络）、多组学数据	NA	NA	基于磁拉普拉斯的图神经网络	NA	NA
3469	2026-01-03	Applications of Artificial Intelligence in Chronic Total Occlusion Revascularization: From Present to Future-A Narrative Review 2025-Dec-17, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina61122229 PMID:41470230	综述	本文是一篇关于人工智能在慢性完全闭塞血运重建中应用的叙述性综述，总结了当前应用现状并展望了未来发展方向	系统性地回顾了AI/ML在CTO-PCI领域的应用，并强调了其在诊断、手术规划和预后建模方面相较于传统评分系统的优越性能，同时探讨了未来集成方向如实时引导、机器人辅助和联邦学习	作为一篇叙述性综述，其结论基于对现有文献的定性综合，缺乏前瞻性多中心验证，且临床采纳仍需解决数据隐私、终点标准化、偏见缓解和监管监督等问题	综述人工智能和机器学习在慢性完全闭塞经皮冠状动脉介入治疗中的应用，涵盖诊断成像、手术规划和预后建模	关于AI/ML在CTO-PCI中应用的同行评议原创研究、综述或荟萃分析	机器学习	心血管疾病	深度学习，机器学习算法（XGBoost, LightGBM, CatBoost）	深度学习，神经网络，集成学习模型	多模态数据，包括影像数据（冠状动脉CT血管造影、IVUS/OCT）、临床数据和患者报告结果	纳入综述的33项研究，其中大型注册研究样本量约3200例	NA	NA	AUC, 可重复性	NA
3470	2026-01-03	Multi-Class Concrete Defect Classification Using Guided Semantic-Spatial Fusion and Squeeze-Excitation Enhanced DenseNet Model 2025-Dec-17, Materials (Basel, Switzerland) DOI:10.3390/ma18245665 PMID:41470437	研究论文	本研究开发了一个基于深度学习框架的多类别混凝土缺陷检测系统，通过改进DenseNet201模型，结合引导语义-空间融合模块和挤压-激励架构，提高了缺陷分类和定位的准确性	提出了一种结合引导语义-空间融合模块和挤压-激励架构的改进DenseNet201模型，用于增强特征表示并引入注意力机制，以检测和跟踪缺陷区域，从而在多类别混凝土缺陷分类中实现更高的准确性	研究仅基于2029张图像的数据集进行，样本规模相对有限，可能影响模型的泛化能力；且未详细讨论模型在复杂环境或不同光照条件下的鲁棒性	开发一个多类别混凝土缺陷检测框架，以提高混凝土缺陷的分类准确性并实现可靠的缺陷定位	混凝土材料中的结构缺陷，包括五种不同类别的缺陷	计算机视觉	NA	图像采集	CNN	图像	2029张混凝土缺陷图像，分为五类	NA	DenseNet201	准确率	NA
3471	2026-01-03	A Knowledge-Guide Data-Driven Model with Selective Wavelet Kernel Fusion Neural Network for Gearbox Intelligent Fault Diagnosis 2025-Dec-17, Sensors (Basel, Switzerland) DOI:10.3390/s25247656 PMID:41471650	研究论文	提出了一种知识引导的选择性小波核融合神经网络模型，用于齿轮箱智能故障诊断	通过将诊断领域知识融入数据驱动建模，结合选择性小波核融合策略，增强了智能故障诊断系统的可解释性和诊断性能	NA	提高齿轮箱智能故障诊断的准确性和可解释性	齿轮箱	机器学习	NA	振动信号监测	神经网络	振动信号	两个公共数据集	NA	现代时间卷积网络	诊断准确率	NA
3472	2026-01-03	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AI的MRI分析的最新进展进行了全面回顾	总结了2012年至2025年间MRI影像组学的研究，并比较和讨论了与基于影像组学的分割相关的不同神经网络架构	在标准化、验证和临床转化方面仍存在挑战	回顾MRI数据分析的最新进展，特别是功能MRI、结构MRI和基于AI的方法	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	fMRI, qMRI（如T1和T2弛豫时间映射）、质子密度成像、扩散、灌注、Dixon方法	深度学习, 传统机器学习	图像	NA	NA	NA	NA	NA
3473	2026-01-03	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	本文提出了一种基于混合深度学习的轻量级模型，用于从胸部X光图像中检测肺结核	结合了轻量级卷积神经网络GhostNet和基于Transformer的MobileViT，通过特征融合实现分类精度与计算效率的平衡	未提及模型在更广泛或多样化数据集上的泛化能力测试	开发一种高精度且计算高效的肺结核检测方法，适用于资源受限环境	胸部X光图像	计算机视觉	肺结核	胸部X光成像	CNN, Transformer	图像	两个公开可用的胸部X光数据集	未明确提及	GhostNet, MobileViT	准确率	低计算成本（7.73M参数，282.11M浮点运算）
3474	2026-01-03	Deep Learning-Driven Inversion Framework for Shear Modulus Estimation in Magnetic Resonance Elastography (DIME) 2025-Dec-15, ArXiv PMID:41445812	研究论文	本研究提出了一种基于深度学习的磁共振弹性成像剪切模量估计框架（DIME），旨在提高反演过程的鲁棒性	利用深度学习直接从位移场估计剪切模量，避免了传统MMDI算法对均匀、无限介质假设的依赖以及对噪声的高度敏感性	模型主要在合成数据上进行训练和验证，初步临床验证样本量较小（15名受试者），需要更大规模的真实数据验证	提高磁共振弹性成像中组织剪切刚度估计的准确性和鲁棒性	肝脏组织（包括健康与纤维化受试者）的剪切模量	医学影像分析	肝纤维化	磁共振弹性成像（MRE），有限元建模（FEM）模拟	深度学习模型（具体架构未明确说明，但基于图像块训练）	位移场图像，刚度图	合成数据集（均匀、异质及解剖学模拟肝脏数据集）及15名人类受试者（8名健康，7名纤维化）的肝脏MRE数据	NA	NA	相关系数（r, R），像素间变异性，边界描绘准确性	NA
3475	2026-01-03	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，用于从眼睫毛显微图像中自动检测和量化蠕形螨	首次将YOLOv11和RT-DETR深度学习模型应用于眼睫毛显微图像中的蠕形螨自动检测与计数，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时依赖0.4-0.8的置信度阈值	开发自动化系统以辅助眼科医生高效、准确地诊断眼部蠕形螨病	临床疑似眼部蠕形螨病患者的眼睫毛显微图像	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（经筛选后使用665张标注图像）	NA	YOLOv11, RT-DETR	平均精度, 灵敏度, F1分数	NA
3476	2026-01-03	Dementia Detection via Retinal Hyperspectral Imaging and Deep Learning: Clinical Dataset Analysis and Comparative Evaluation of Multiple Architectures 2025-Dec-14, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121362 PMID:41463659	研究论文	本研究利用智能高光谱成像和深度学习技术，通过分析视网膜组织的高光谱信息来检测痴呆症	首次将高光谱成像技术应用于痴呆症的视网膜检测，并通过比较多种CNN架构验证了高光谱信息在提升模型诊断准确性方面的优势	样本量相对较小（仅137名参与者），且未详细说明模型在不同痴呆亚型或严重程度下的泛化能力	开发一种基于视网膜高光谱成像的早期、非侵入性痴呆症检测方法	从137名参与者收集的3256张眼底镜图像	计算机视觉	老年疾病	高光谱成像	CNN	图像	137名参与者的3256张眼底镜图像	NA	ResNet50, Inception_v3, GoogLeNet, EfficientNet	准确率	NA
3477	2026-01-03	Harnessing Machine Learning Approaches for the Identification, Characterization, and Optimization of Novel Antimicrobial Peptides 2025-Dec-14, Antibiotics (Basel, Switzerland) DOI:10.3390/antibiotics14121263 PMID:41463765	综述	本文综述了利用机器学习方法识别、表征和优化新型抗菌肽的研究进展	提出了多模态范式策略，整合了主动学习实验循环、机制可解释性、精选数据资源和不确定性估计，以加速AI驱动的新型抗菌肽发现	需要计算和湿实验室实验验证的协作，以确保可重复的基准和可互操作的数据	利用人工智能方法加速新型抗菌肽的发现，以对抗多重耐药革兰氏阴性病原体	抗菌肽（AMPs）	机器学习	NA	基因组、宏基因组大规模挖掘，MIC定量物种解析活性预测	经典机器学习、深度学习、Transformer、图神经网络、几何编码器、多模态混合学习、闭环生成方法、大语言模型	序列数据、结构数据	NA	NA	NA	NA	NA
3478	2026-01-03	Deep Learning-Assisted Detection and Classification of Thymoma Tumors in CT Scans 2025-Dec-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243191 PMID:41464191	研究论文	本研究提出了一种基于深度学习的模型，用于从CT扫描中检测和分类胸腺瘤，旨在提高诊断准确性	结合了预训练的VGG16网络进行特征提取和MLP-Mixer模块进行特征增强，有效建模局部和全局特征依赖，无需传统卷积机制	NA	提高胸腺瘤在CT图像中的检测和亚型分类（良性 vs 恶性）的诊断准确性	胸腺瘤CT扫描图像	计算机视觉	胸腺瘤	CT扫描	深度学习	图像	NA	NA	VGG16, MLP-Mixer	F1分数, 准确率, 召回率, 精确率	NA
3479	2026-01-03	DCL-A: An Unsupervised Ultrasound Beamforming Framework with Adaptive Deep Coherence Loss for Single Plane Wave Imaging 2025-Dec-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243193 PMID:41464197	研究论文	本文提出了一种基于自适应深度相干性损失的无监督超声波束形成框架，用于提升单平面波成像的图像质量	在相干性损失函数中引入了线性或非线性自适应权重，根据输入与目标平面波帧之间的角度距离动态调整权重，从而更有效地抑制旁瓣和栅瓣伪影	未明确说明模型在更广泛临床数据上的泛化能力，以及计算复杂度和实时性在临床环境中的具体表现	提升单平面波成像的图像质量，抑制波束形成伪影，同时保持超高速采集速率	超声单平面波成像	医学影像处理	NA	单平面波成像	深度学习	图像	公开数据集，包括仿真、体模和体内图像	NA	NA	峰值范围旁瓣水平, 半高全宽, 广义对比度噪声比	NA
3480	2026-01-03	Artificial Intelligence and the Future of Cardiac Implantable Electronic Devices: Diagnostics, Monitoring, and Therapy 2025-Dec-13, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm14248824 PMID:41464726	综述	本文综述了人工智能在心脏植入式电子设备（CIEDs）领域，包括诊断、远程监测和治疗优化方面的主要应用、最新进展及未来挑战	系统总结了近五年AI在CIED领域的最新应用，包括利用机器学习提高心律失常检测准确性、预测ICD电击事件、个性化预测CRT治疗反应，并探索了自然语言处理和强化学习等新方法整合多源数据与设备自我调节	作为叙述性综述，未进行系统性荟萃分析；文中讨论的AI应用大多处于研究阶段，尚未在常规临床护理中广泛验证；面临数据标准化、临床试验验证和监管审批等转化挑战	探讨人工智能技术如何提升心脏植入式电子设备（CIEDs）的诊断能力、远程监测效率和治疗优化水平	心脏植入式电子设备（CIEDs），包括起搏器、植入式心律转复除颤器（ICDs）和心脏再同步治疗（CRT）设备及其产生的数据	机器学习	心血管疾病	NA	机器学习, 深度学习, 神经网络, 自然语言处理, 强化学习	设备监测数据, 临床数据, 文本数据	NA	NA	NA	NA	NA