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
3601	2026-01-03	Current Role of Artificial Intelligence in the Management of Gastric Cancer 2025-Nov-29, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines13122939 PMID:41462951	综述	本文全面回顾了人工智能在胃癌诊断、组织病理学评估和临床预后领域的最新应用趋势	系统总结了从高风险上皮下病变监测到肿瘤精确分子特征分析及治疗管理的广泛AI模型在临床实践中的应用进展	当前所有研究缺乏大规模人群的随机设计，限制了机器学习算法在标准临床护理中的进一步整合	探讨人工智能在胃癌精准医疗时代在诊断、预后分层和临床管理中的作用	胃癌	机器学习	胃癌	深度学习	NA	大数据	NA	NA	NA	NA	NA
3602	2026-01-03	IMAGO: An Improved Model Based on Attention Mechanism for Enhanced Protein Function Prediction 2025-Nov-29, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121667 PMID:41463323	研究论文	提出了一种基于注意力机制的新型蛋白质功能预测模型IMAGO，通过整合多头注意力机制和正则化技术，优化损失函数，以减少过拟合和噪声问题，提高预测准确性	利用Transformer预训练过程，结合多头注意力机制和正则化技术，优化损失函数，有效减少训练中的过拟合和噪声，生成更稳健的嵌入表示	未明确提及具体的数据集名称或样本大小，可能限制了结果的可复现性和泛化性评估	开发高效的深度学习模型，以改进蛋白质功能预测的准确性	蛋白质功能预测，基于蛋白质-蛋白质相互作用网络和其他生物属性	自然语言处理	NA	自然语言处理技术	Transformer	文本	NA	NA	Transformer	多个指标	NA
3603	2026-01-03	Deep Learning and Machine Learning Modeling Identifies Thidiazuron as a Key Modulator of Somatic Embryogenesis and Shoot Organogenesis in Ferula assa-foetida L 2025-Nov-29, Biology DOI:10.3390/biology14121703 PMID:41463476	研究论文	本研究开发了Ferula assa-foetida L的体外再生系统，并利用深度学习和机器学习算法预测了体细胞胚胎发生和芽器官发生的最佳植物生长调节剂	首次在Ferula assa-foetida L中应用基于图像的AI驱动框架来预测最佳植物生长调节剂，为濒危药用植物的微繁殖提供了可扩展的方法	未明确说明样本量大小，且传统统计方法在处理复杂非线性输入时存在局限性，可能导致预测误差	优化Ferula assa-foetida L的体外再生协议，通过AI模型预测最佳植物生长调节剂以促进大规模培养	Ferula assa-foetida L（阿魏）的叶片外植体诱导的愈伤组织	机器学习	NA	体外器官发生、图像形态分析	CNN, MobileNet, RCNN, ResNet, VGG19, RF, SVM, kNN, DT, XG Boost, Naïve Bayes, Logistic Regression	图像	NA	NA	CNN, MobileNet, RCNN, ResNet, VGG19	准确率	NA
3604	2026-01-03	A Review of Deep Learning Approaches Based on Segment Anything Model for Medical Image Segmentation 2025-Nov-29, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121312 PMID:41463609	综述	本文综述了基于Segment Anything Model（SAM）的深度学习方法在医学图像分割领域的应用、进展与未来方向	系统总结了SAM从任务特定架构向通用架构转变的重大范式转移，并重点分析了其在医学图像分割中的三大适应性改进领域：多模态融合、三维扩展和不确定性感知	作为一篇综述文章，未提出新的原始模型或算法，主要基于现有文献进行归纳与分析	探讨和总结基础模型（特别是SAM）在医学图像分割领域的适应性应用、技术进展与未来研究方向	医学图像分割方法，特别是基于Segment Anything Model（SAM）的衍生模型与框架	计算机视觉	NA	NA	基础模型（Foundation Model），深度学习	医学图像	NA	NA	Segment Anything Model (SAM), SAM3D, ProtoSAM-3D, VISTA3D, SAM-U, E-Bayes SAM	Dice系数	NA
3605	2026-01-03	Hybrid deep learning with attention fusion for enhanced colon cancer detection 2025-Nov-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29447-8 PMID:41315603	研究论文	本研究提出了一种结合EfficientNet-B3和Vision Transformer的混合深度学习模型，通过注意力融合机制实现结肠癌的自动检测	首次将EfficientNet-B3的局部纹理提取能力与Vision Transformer的全局上下文建模能力相结合，并引入多头注意力融合模块进行特征协调	存在轻微的过拟合倾向	开发自动化的结肠癌检测模型以辅助临床诊断	结肠内窥镜图像	计算机视觉	结肠癌	内窥镜成像	CNN, Transformer	图像	Kvasir内窥镜数据集中的八类图像	NA	EfficientNet-B3, Vision Transformer	准确率, F1分数, 马修斯相关系数, Brier分数	NA
3606	2026-01-03	CBN cutting tool's surface roughness and tool wear prediction using JOA-optimized CNN-LSTM 2025-Nov-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29658-z PMID:41315655	研究论文	本研究提出了一种基于JOA优化的CNN-LSTM混合深度学习模型，用于预测CBN刀具在加工Inconel 718时的表面粗糙度和刀具磨损	首次将Jellyfish Optimization Algorithm (JOA) 用于优化CNN-LSTM混合模型参数，实现了对加工参数与响应之间复杂非线性关系的高精度建模，并通过MATLAB/Simulink集成实现了实时预测能力	研究仅基于27组全因子加工试验数据，样本量相对有限；模型验证集中在特定材料(Inconel 718)和加工条件(MQL)下	开发高精度的预测模型以解决难加工材料(镍基高温合金)加工过程中的刀具磨损和表面质量问题	CBN刀具在加工Inconel 718材料时的表面粗糙度和后刀面磨损	机器学习	NA	深度学习建模	CNN, LSTM	加工参数数据(切削速度、进给率、切削深度)及对应的响应数据	27组全因子加工试验数据	MATLAB/Simulink	CNN-LSTM混合架构	相关系数(R), 均方根误差(RMSE), 平均绝对百分比误差(MAPE)	未明确说明，但提及MATLAB/Simulink环境
3607	2026-01-03	AI powered multi feature fusion framework for retrieving images using color, texture and shape descriptors 2025-Nov-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29719-3 PMID:41315670	研究论文	本文提出了一种基于AI的多特征融合框架，用于通过颜色、纹理和形状描述符检索图像	提出了一种结合深度特征融合与注意力引导加权的新框架，通过融合颜色矩、GLCM纹理分析、傅里叶矩和Hu矩等多种特征，并使用SVM和CNN构建学习相似性空间，以改善语义匹配和检索精度	未明确说明框架的计算复杂度、实时性表现以及在更大规模数据集上的泛化能力	提升基于内容的图像检索（CBIR）系统的语义匹配能力和检索准确性	数字图像	计算机视觉	NA	NA	CNN, SVM	图像	Corel-1K和Caltech-101基准数据集	NA	NA	准确率, 召回率, mAP	NA
3608	2026-01-03	Deep learning for microbial life detection in deep subseafloor samples: objective cell recognition 2025-Nov-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29239-0 PMID:41315727	研究论文	本研究开发了一种基于深度学习的图像识别方法，用于在深海沉积物样本中识别微生物细胞，以提高微生物检测和计数的准确性	利用深度学习技术自动识别和分类沉积物样本中的微生物细胞，减少了对专家训练的依赖，并提高了检测精度	未明确提及方法的泛化能力或在不同类型沉积物样本中的性能	提高在富含颗粒的环境样本中微生物细胞的检测和计数准确性	深海沉积物样本中的微生物细胞	计算机视觉	NA	荧光染色	深度学习分类器	显微图像	未明确指定样本数量	未指定	未指定	准确率	未指定
3609	2026-01-03	Advances in Image-Based Diagnosis of Diabetic Foot Ulcers Using Deep Learning and Machine Learning: A Systematic Review 2025-Nov-28, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines13122928 PMID:41462941	综述	本文系统评估了基于机器学习和深度学习的图像方法在糖尿病足溃疡诊断中的应用，重点关注检测、分割和分类任务	对2010年至2025年间的研究进行了全面系统的回顾，揭示了热红外成像等新兴诊断技术的应用趋势，并量化了当前公开数据集的可用性问题	仅45%的分割数据集和67.3%的分类数据集公开可用，这限制了研究的可重复性和进一步发展	系统评估机器学习和深度学习在糖尿病足溃疡图像诊断中的应用趋势、挑战和质量评估	糖尿病足溃疡的诊断图像	计算机视觉	糖尿病足溃疡	热红外成像	SVM, CNN	图像	从4653篇初筛文章中筛选出102篇符合纳入标准的研究	NA	U-Net, 全卷积神经网络	准确率, 特异性, 灵敏度	NA
3610	2026-01-03	Host-Microbe Interactions: Prospects of Machine Learning and Deep Learning Technologies in Animal Viral Disease Management 2025-Nov-27, Veterinary sciences IF:2.0Q2 DOI:10.3390/vetsci12121129 PMID:41472108	综述	本文综述了机器学习和深度学习技术在动物病毒性疾病研究与管理中的应用进展	整合ML和DL框架以更精确建模复杂生物过程，为数据驱动的兽医学提供新工具，并探讨强化学习优化疫苗接种策略和无监督学习检测新发病原体的潜力	数据集不平衡、病毒结构和进化复杂性高、预测模型跨物种可转移性差	促进动物病毒性疾病的预防策略开发，支持动物健康和可持续畜牧业发展	动物病毒性疾病，重点关注肠道、呼吸道和生殖系统的病毒攻击	机器学习	动物病毒性疾病	NA	机器学习, 深度学习	多变量时间序列数据	NA	NA	NA	NA	NA
3611	2026-01-03	Artificial Intelligence Driven Innovation: Advancing Mesenchymal Stem Cell Therapies and Intelligent Biomaterials for Regenerative Medicine 2025-Nov-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121302 PMID:41463599	综述	本文综述了人工智能在再生医学中推动间充质干细胞疗法和智能生物材料创新的作用	强调了AI在从生物学层面预测干细胞分化与功能，以及在工程层面通过数据驱动和生成式AI设计新型生物材料方面的创新应用	当前发展受限于研究证据的碎片化、模型预测在独立队列中可重复性不足，以及从计算预测到体内验证的显著转化鸿沟	探讨人工智能如何革新再生医学，特别是在间充质干细胞疗法和智能生物材料领域	间充质干细胞和智能生物材料	机器学习	NA	多组学分析、成像数据、深度学习	深度学习、机器学习、生成式AI	多组学数据、成像数据	NA	NA	NA	NA	NA
3612	2026-01-03	Integrating WGCNA, TCN, and Alternative Splicing to Map Early Caste Programs in Day-2 Honeybee Larvae 2025-Nov-26, Genes IF:2.8Q2 DOI:10.3390/genes16121409 PMID:41465082	研究论文	本研究整合RNA-seq、WGCNA和选择性剪接分析，探索了2日龄工蜂、雄蜂和蜂王幼虫间的基因表达差异，并利用深度学习TCN模型进行高精度分类	首次将WGCNA、TCN深度学习模型与选择性剪接分析相结合，系统性地揭示了蜜蜂早期幼虫阶段种姓和性别分化的关键基因与分子机制	研究仅针对2日龄幼虫阶段，未覆盖更广泛的发育时期；样本量可能有限，且模型在更广泛物种中的普适性未验证	探究蜜蜂幼虫阶段种姓和性别分化的分子机制	2日龄的工蜂、雄蜂和蜂王幼虫	机器学习	NA	RNA-seq, WGCNA, 选择性剪接分析	TCN	基因表达数据	2日龄工蜂、雄蜂和蜂王幼虫的RNA-seq样本	NA	TCN	分类准确率	NA
3613	2026-01-03	Deep Learning for CT Synthesis in Radiotherapy 2025-Nov-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121297 PMID:41463594	综述	本文全面回顾了基于深度学习的合成CT图像生成在放射治疗中的研究进展，包括从CBCT、MRI和诊断CT等多模态成像中生成sCT，并探讨了其在CBCT在线自适应放疗、MRI引导放疗和无模拟工作流中的临床应用	系统总结了深度学习在放射治疗中合成CT图像生成的最新研究，涵盖了多种成像模态和临床场景，并讨论了模型架构、训练策略及临床转化挑战	作为综述文章，未提出新的算法或模型，主要基于现有研究进行总结，未涉及具体实验验证	综述深度学习在放射治疗中合成CT图像生成的研究进展、临床应用及未来方向	基于深度学习的合成CT图像生成方法及其在放射治疗中的应用	数字病理学	NA	深度学习	CNN, GAN	图像	NA	NA	卷积神经网络, 生成对抗网络	NA	NA
3614	2026-01-03	MACNeXt-Based Bacteria Species Detection 2025-Nov-25, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms13122689 PMID:41471893	研究论文	本研究提出了一种名为MACNeXt的新型紧凑卷积神经网络，用于细菌物种的显微图像分类	提出了一种结合GELU和ReLU两种激活函数的多分支设计CNN架构，旨在实现高精度与低计算成本的平衡	NA	开发一种适用于常规临床使用的、高精度且计算成本低的细菌物种分类深度学习模型	24种细菌物种的显微图像	计算机视觉	NA	显微成像	CNN	图像	18,221张显微图像	NA	MACNeXt	准确率, 精确率, 召回率, F1分数	NA
3615	2026-01-03	Utilization of a Deep Learning Algorithm for Automated Segmentation of Median Nerve from Ultrasound Obtained from the Distal Forearm and Wrist 2025-Nov-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121289 PMID:41463586	研究论文	本研究评估了一种四层U-Net深度学习算法，用于在手腕褶皱和远端前臂两个临床相关部位自动分割正中神经并估计其横截面积	通过针对性的基于强度的数据增强（如CLAHE、伽马校正、斑点噪声）显著提升了模型在新图像上的泛化能力，实现了稳健、可重复且与扫描站点无关的正中神经分割	模型在未增强的新静态图像上初始泛化性能较差（前臂IoU/Dice: 0.185/0.254；手腕IoU/Dice: 0.137/0.188），增强后虽有提升但仍未达到在原始数据集上的性能水平	提高超声图像中正中神经自动分割的鲁棒性，以实现一致且与扫描站点无关的横截面积评估，支持可扩展的腕管综合征超声评估	腕管综合征患者的正中神经超声图像	计算机视觉	腕管综合征	超声成像	CNN	图像	主要数据集：每个部位（手腕褶皱和远端前臂）500张图像；第二个泛化测试数据集：35张手腕静态图像和26张前臂静态图像	NA	U-Net	Dice系数, IoU, 横截面积测量与手动描绘的相关性	NA
3616	2026-01-03	High-Fidelity Transcriptome Reconstruction of Degraded RNA-Seq Samples Using Denoising Diffusion Models 2025-Nov-23, Biology DOI:10.3390/biology14121652 PMID:41463426	研究论文	本文提出了一种名为DiffRepairer的深度学习模型，用于修复降解RNA-seq样本的转录组数据	结合Transformer架构与条件扩散模型框架，通过一步修复映射来逆转RNA降解效应	NA	开发计算方法来高保真地修复临床存档样本中因RNA降解而受损的转录组数据	降解的RNA-seq样本	生物信息学	NA	RNA-seq	Transformer, 条件扩散模型	RNA-seq数据	NA	NA	Transformer	技术和生物学指标	NA
3617	2026-01-03	Construction and effectiveness test of multimodal data fusion prediction model for intracranial infection after severe craniocerebral injury in children based on deep learning 2025-Nov-22, BMC neurology IF:2.2Q3 DOI:10.1186/s12883-025-04502-z PMID:41272576	研究论文	本研究基于深度学习构建并验证了一种用于儿童重型颅脑损伤术后颅内感染早期识别的多模态数据融合预测模型	首次将深度学习特征、影像组学特征与临床数据融合，构建了针对儿童重型颅脑损伤术后颅内感染的预测模型，并证实其优于单一模态模型	研究为单中心回顾性研究，样本量有限，且外部验证队列为时间验证队列，需多中心前瞻性研究进一步验证	开发并验证一种基于深度学习的多模态数据融合模型，用于儿童重型颅脑损伤术后颅内感染的早期识别	浙江大学医学院附属儿童医院接受手术的儿童重型颅脑损伤患者	数字病理学	颅脑损伤	影像组学特征提取，深度学习特征提取	深度学习模型	临床数据，影像数据	内部验证队列203例（感染组46例，非感染组157例），时间验证队列101例（感染组25例，非感染组76例）	NA	NA	受试者工作特征曲线，临床决策曲线分析，校准曲线	NA
3618	2026-01-03	Combination Ensemble and Explainable Deep Learning Framework for High-Accuracy Classification of Wild Edible Macrofungi 2025-Nov-22, Biology DOI:10.3390/biology14121644 PMID:41463418	研究论文	本研究提出了一种结合集成学习和可解释深度学习的框架，用于高精度分类野生食用大型真菌	提出了一种结合EfficientNetB0、ResNet50和RegNetY的分层投票策略组合模型，并集成可解释AI方法以增强模型透明度	数据集仅包含24种野生食用大型真菌物种，可能限制了模型的泛化能力	开发高精度、可解释的野生食用大型真菌分类方法，以支持生物多样性保护、食品安全和生态可持续性	24种野生食用大型真菌物种	计算机视觉	NA	NA	CNN	图像	包含24种野生食用大型真菌物种的数据集	NA	EfficientNetB0, ResNet50, RegNetY, MobileNetV3-L	准确率, AUC, MCC	NA
3619	2026-01-03	PlantSAM: An object detection-driven segmentation pipeline for herbarium specimens 2025 Nov-Dec, Applications in plant sciences IF:2.7Q2 DOI:10.1002/aps3.70034 PMID:41473394	研究论文	本文提出了一种名为PlantSAM的自动化分割流程，用于去除植物标本图像的背景噪声，以提高深度学习分类的准确性	结合YOLOv10进行植物区域检测和Segment Anything Model (SAM2)进行分割，通过边界框提示引导SAM2，实现了在植物标本图像上的最先进分割性能	NA	提升植物标本图像的深度学习分类性能，通过背景去除减少噪声和伪影的干扰	植物标本图像	计算机视觉	NA	NA	CNN, Transformer	图像	NA	NA	YOLOv10, Segment Anything Model (SAM2)	IoU, Sørensen-Dice系数, 准确率, F1分数	NA
3620	2026-01-03	A Practical Study of Data Requirements for Self-Supervised Learning in Medical Image Analysis 2025-Nov, Cureus DOI:10.7759/cureus.98049 PMID:41473638	研究论文	本文研究了自监督学习在医学图像分析中数据需求的实际问题，重点关注预训练和微调所需图像数量对二元分类任务性能的影响	首次全面评估了自监督学习框架中预训练和微调阶段所需图像数量的实际需求，特别是在有限数据设置下的适用性	研究仅针对二元分类任务和对比性自监督学习方法，未涵盖多类分类或其他自监督学习技术	优化医学图像分析中基于自监督学习的流程，特别是在罕见疾病或数据极度稀缺场景下的应用	医学图像数据，特别是用于二元分类任务的图像	计算机视觉	NA	自监督学习	对比性自监督学习模型	图像	从仅4张训练图像到至少10,000张预训练图像不等	NA	Simple Siamese Representation Learning (SimSiam)	准确率	NA