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
3641	2026-01-03	Explainable Deep Learning Approaches for Risk Screening of Periodontitis 2025-Jan, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345241286488 PMID:39563207	研究论文	本研究利用可解释人工智能技术，基于NHANES数据开发深度学习模型，用于牙周炎的早期风险筛查和诊断分析	首次将可解释人工智能技术应用于牙周炎的早期筛查，通过LIME方法提供个体化风险评估并识别关键关联因素	研究数据来源于NHANES调查，可能存在选择偏倚；预处理后样本量减少可能影响模型泛化能力	开发基于可解释人工智能的牙周炎早期筛查工具	NHANES调查中的30,465名参与者数据	机器学习	牙周炎	深度学习，机器学习，可解释人工智能	深度学习模型，机器学习模型	临床特征数据	预处理后全年龄段9,632名参与者，50岁以上年龄段5,601名参与者	NA	NA	AUC	NA
3642	2026-01-03	Blip-up blip-down circular EPI (BUDA-cEPI) for distortion-free dMRI with rapid unrolled deep learning reconstruction 2025-Jan, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110277 PMID:39566835	研究论文	本文开发了一种快速重建管道BUDA-cEPI RUN-UP，用于实现无畸变的扩散磁共振成像，通过深度学习重建技术显著缩短重建时间	提出了基于机器学习的展开重建方法，结合虚拟线圈概念和U-Net正则化，以模拟S-LORAKS正则化效果，同时将重建时间大幅减少约88倍	未明确说明样本量或具体临床验证范围，可能局限于方法学开发阶段	开发快速重建管道，以促进BUDA-cEPI在常规临床和神经科学应用中的部署	扩散磁共振成像（dMRI）数据	医学影像处理	NA	扩散磁共振成像（dMRI），BUDA-cEPI序列	人工神经网络，U-Net	磁共振图像	NA	NA	U-Net	归一化均方根误差	NA
3643	2026-01-03	Large-scale multi-center CT and MRI segmentation of pancreas with deep learning 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103382 PMID:39541706	研究论文	本研究提出了一种名为PanSegNet的新型深度学习方法，用于在CT和MRI图像上实现大规模、多中心的胰腺自动体积分割	结合了nnUNet和Transformer网络的优势，并引入了一种新的线性注意力模块以实现体积计算，同时构建了首个大规模多中心胰腺MRI分割数据集	研究为回顾性设计，且MRI数据主要来自T1加权和T2加权序列，未涵盖所有MRI成像协议	开发一种准确、鲁棒的自动化胰腺分割方法，以支持胰腺疾病的诊断和随访	胰腺	数字病理	胰腺疾病	CT扫描, MRI扫描（T1加权和T2加权）	CNN, Transformer	图像	总计2,117次扫描（767次MRI来自499名参与者，1,350次CT来自公开数据集）	PyTorch	nnUNet, Transformer	Dice系数, Hausdorff距离（HD95）, Cohen's kappa, R值（相关系数）	NA
3644	2026-01-03	Acceleration of Simultaneous Multislice Magnetic Resonance Fingerprinting With Spatiotemporal Convolutional Neural Network 2025-Jan, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5302 PMID:39631961	研究论文	本文提出了一种基于时空卷积神经网络的新深度学习方法来加速同时多切片磁共振指纹成像，以实现高多频带因子下的准确脑部T1和T2定量成像	引入了去耦的时空特征学习策略来处理同时多切片磁共振指纹成像中的严重混叠伪影，并探索了使用采集数据或模拟数据进行训练的有效性	未明确说明方法在其他器官或疾病类型中的泛化能力，且高多频带因子可能仍受限于特定成像条件	加速同时多切片磁共振指纹成像以实现快速、准确的脑部T1和T2定量映射	脑部磁共振成像数据	医学影像分析	NA	同时多切片磁共振指纹成像	卷积神经网络	磁共振图像	NA	NA	时空卷积神经网络, 残差通道注意力U-Net	T1和T2定量准确性	NA
3645	2026-01-03	MASSM: An End-to-End Deep Learning Framework for Multi-Anatomy Statistical Shape Modeling Directly From Images 2025, Shape in medical imaging : International Workshop, ShapeMI 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 6, 2024, Proceedings. ShapeMI (Workshop) (2024 : Marrakech, Morocco) DOI:10.1007/978-3-031-75291-9_12 PMID:39649703	研究论文	本文提出了一种名为MASSM的端到端深度学习框架，用于直接从图像中生成多解剖结构的统计形状模型	MASSM框架能够同时定位多个解剖结构、估计群体级统计表示，并在图像空间中直接描绘形状表示，无需手动预对齐或边界框指定	未在摘要中明确提及	开发一个端到端深度学习框架，以自动化方式从图像中生成多解剖结构的统计形状模型，减少对医学专业知识的依赖	医学图像中的多解剖结构	数字病理	NA	深度学习	多任务网络	图像	未在摘要中明确提及	未在摘要中明确提及	未在摘要中明确提及	未在摘要中明确提及	未在摘要中明确提及
3646	2026-01-03	Mapping the functional network of human cancer through machine learning and pan-cancer proteogenomics 2025-Jan, Nature cancer IF:23.5Q1 DOI:10.1038/s43018-024-00869-z PMID:39663389	研究论文	本研究通过机器学习和泛癌蛋白质组学构建了FunMap功能网络，用于解释癌症中的体细胞突变和未充分研究的蛋白质功能	利用监督机器学习在泛癌蛋白质组学和RNA测序数据上构建了高精度的功能网络FunMap，超越了传统蛋白质相互作用图，并应用图神经网络深度学习识别低频突变驱动基因	NA	解释癌症中的体细胞突变和癌症相关蛋白质的功能，以推进癌症生物学和指导治疗策略	来自11种癌症类型的1,194个个体的蛋白质组学和RNA测序数据，涵盖10,525个蛋白质编码基因	机器学习	癌症	蛋白质组学, RNA测序	监督机器学习, 图神经网络	蛋白质组学数据, RNA测序数据	1,194个个体	NA	NA	NA	NA
3647	2026-01-03	Long-term, automated stool monitoring using a novel smart toilet: A feasibility study 2025-Jan, Neurogastroenterology and motility IF:3.5Q2 DOI:10.1111/nmo.14954 PMID:39486001	研究论文	本研究评估了一种新型智能马桶在长期自动收集粪便图像数据方面的可行性，并开发了一种基于计算机视觉的分析方法来根据布里斯托大便形态量表评估大便形态	开发了一种结合深度学习分割和数学定义手工特征的新型智能马桶系统，用于长期、非侵入性的自动化大便形态监测	研究仅涉及六名健康志愿者，样本量较小，且未在临床患者群体中进行验证	评估智能马桶系统在自动化大便形态监测中的可行性和准确性，以消除患者自我报告的负担	六名健康志愿者的粪便图像数据	计算机视觉	NA	图像采集与分析	深度学习分割模型	图像	474张大便图像，来自六名健康志愿者，平均监测期为10个月	NA	NA	准确率, 灵敏度, 特异性	NA
3648	2026-01-03	SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis 2025, Machine learning in clinical neuroimaging : 7th international workshop, MLCN 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 10, 2024, proceedings. MLCN (Workshop) (7th : 2024 : Marrakesh, Morocco) DOI:10.1007/978-3-031-78761-4_5 PMID:39758707	研究论文	提出一种基于稀疏化和自监督的方法SpaRG，用于提高静息态功能磁共振成像（rs-fMRI）分析的泛化性，通过联合训练稀疏输入掩码、变分自编码器和下游分类器来识别高度信息化的功能连接	在训练过程中识别并保留一小部分高度信息化的功能连接，同时利用未标记数据优化稀疏掩码和变分自编码器，以提高模型在不同采集站点间的泛化能力	方法依赖于部分标记样本训练分类器，且仅针对相对粗糙的脑区划分（64个区域）进行了评估，可能未覆盖更精细的脑网络分析	提高rs-fMRI数据在精神病学障碍和个人特质分析中的泛化性和可解释性	静息态功能磁共振成像（rs-fMRI）数据，特别是来自公共ABIDE数据集的样本	机器学习	精神病学障碍	功能磁共振成像（fMRI）	变分自编码器（VAE），分类器	图像（fMRI数据）	来自18个站点的标记案例，以及两个额外分布外站点的部分未标记样本	NA	变分自编码器（VAE）	分类准确率	NA
3649	2026-01-03	ShaderNN: A Lightweight and Efficient Inference Engine for Real-time Applications on Mobile GPUs 2025-Jan-01, Neurocomputing IF:5.5Q1 DOI:10.1016/j.neucom.2024.128628 PMID:39802630	研究论文	本文提出了一种基于OpenGL的轻量级高效推理引擎ShaderNN，专为移动设备GPU设计，以优化实时应用中的深度学习推理性能	首次在神经网络推理算子中利用基于OpenGL后端的片段着色器，提出纹理输入/输出实现零拷贝集成，并采用计算着色器与片段着色器的混合实现进行层级别着色器选择	主要针对参数较小的神经网络模型部署，可能不适用于大规模复杂模型	开发适用于移动设备GPU的轻量级高效深度学习推理框架，以解决计算能力有限、功耗预算低及数据移动最小化等挑战	移动设备GPU上的深度学习推理引擎	机器学习	NA	NA	NA	图像	NA	OpenGL	NA	NA	搭载高通和联发科芯片的最新移动设备
3650	2026-01-03	Zero-Shot Adaptation for Approximate Posterior Sampling of Diffusion Models in Inverse Problems 2025, Computer vision - ECCV ... : ... European Conference on Computer Vision : proceedings. European Conference on Computer Vision DOI:10.1007/978-3-031-73010-8_26 PMID:39831070	研究论文	本文提出了一种零样本近似后验采样方法（ZAPS），用于加速扩散模型在逆问题中的推理过程	提出ZAPS方法，通过零样本训练学习不规则时间步的对数似然权重，并采用可学习的对角化Hessian近似提高计算效率	未明确说明方法在更复杂逆问题或更大规模数据集上的泛化能力	解决扩散模型在逆问题中推理速度慢的问题	扩散模型在逆问题中的应用	计算机视觉	NA	扩散模型，零样本学习	扩散模型	图像	NA	NA	扩散后验采样	重建质量，推理时间	NA
3651	2026-01-03	Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT 2025-Jan, Radiology IF:12.1Q1 DOI:10.1148/radiol.233029 PMID:39835976	研究论文	本研究开发并评估了一种基于集成深度学习的模型，用于自动化检测和分割CT扫描中的肺部肿瘤	采用基于3D U-Net的图像多分辨率集成模型，平衡了体积上下文与分辨率，实现了稳健的肿瘤检测与分割，并能泛化到外部站点	研究为回顾性研究，可能受限于数据收集的偏差；模型性能在特定子集上（如单个肿瘤）表现良好，但在更复杂情况（如多发性转移）的泛化能力未详细评估	开发自动化工具以辅助肺部肿瘤的检测和分割，减少人工勾画的劳动强度和医生间差异	CT模拟扫描图像及临床肺部肿瘤分割标注	计算机视觉	肺癌	CT扫描	深度学习	3D医学图像	训练集：1,504个CT扫描；测试集：150个CT扫描（包括内部和外部数据集）	NA	3D U-Net	灵敏度, 特异性, 假阳性率, Dice相似系数	NA
3652	2026-01-03	Multi-Source Data and Knowledge Fusion via Deep Learning for Dynamical Systems: Applications to Spatiotemporal Cardiac Modeling 2025, IISE transactions on healthcare systems engineering IF:1.5Q3 DOI:10.1080/24725579.2024.2398592 PMID:40248641	研究论文	本文提出了一种基于深度学习的多源数据与知识融合框架，用于时空动态系统，特别应用于心脏电动力学建模	该框架通过捕捉基于物理的信息流实现有效数据融合，并利用图拉普拉斯算子整合3D系统的几何信息，以增强时空预测建模的鲁棒性	NA	开发一个融合多源传感数据和基础物理知识的可靠预测建模框架，用于时空动态系统	心脏电动力学系统，包括健康和疾病状态下的心脏条件	机器学习	心血管疾病	NA	深度学习	多源传感数据，时空数据	NA	NA	NA	NA	NA
3653	2026-01-03	Leveraging deep learning models to increase the representation of nomadic pastoralists in health campaigns and demographic surveillance 2025, PLOS global public health DOI:10.1371/journal.pgph.0004018 PMID:40273062	研究论文	本文提出了一种基于计算机视觉的方法，利用深度学习模型自动从卫星图像中定位游牧牧民定居点，以提高健康服务和人口监测中的代表性	开发了一种结合公共道路和水基础设施数据的新型训练策略，以弥补标记定居点数据不足带来的性能差距	依赖于卫星图像数据，可能受图像分辨率和覆盖范围限制，且模型在未训练区域泛化能力未明确评估	提高游牧牧民在健康服务和人口监测中的代表性，通过自动化方法定位其定居点	埃塞俄比亚奥莫河谷和肯尼亚桑布鲁县的游牧牧民定居点	计算机视觉	NA	卫星遥感	深度学习模型	卫星图像	约1,000个历史活跃定居点的标记卫星图像数据集	NA	NA	NA	NA
3654	2026-01-03	Neurocognitive Latent Space Regularization for Multi-Label Diagnosis from MRI 2025, Predictive Intelligence in Medicine. PRIME (Workshop) DOI:10.1007/978-3-031-74561-4_16 PMID:40365134	研究论文	本文提出了一种通过潜在空间正则化提升MRI脑部多标签诊断模型可解释性的方法	引入基于成对解缠的潜在空间正则化技术，使潜在空间中的表示差异与神经心理学测试分数差异对齐	样本规模相对有限（共519例），且仅针对特定认知障碍疾病进行评估	提升基于深度学习的MRI脑部多标签诊断模型的可解释性	脑部MRI图像及对应的认知障碍诊断标签	计算机视觉	认知障碍疾病	MRI成像	多标签分类器	图像	519例（156例对照、165例轻度认知障碍、166例HIV相关认知障碍、32例HIV无认知障碍）	NA	NA	平衡准确率	NA
3655	2026-01-03	Time Scale Network: An Efficient Shallow Neural Network For Time Series Data in Biomedical Applications 2025-Jan, IEEE journal of selected topics in signal processing IF:8.7Q1 DOI:10.1109/JSTSP.2024.3443659 PMID:40370581	研究论文	提出了一种用于生物医学时间序列数据的高效浅层神经网络——时间尺度网络	将离散小波变换的平移和膨胀序列与传统卷积神经网络结合，以极少的参数和计算量同时学习多个时间尺度的特征	未明确说明网络对特定信号类型或噪声水平的鲁棒性	开发适用于计算或数据受限环境的实时处理和边缘设备应用的高效时间序列分类方法	生物医学时间序列数据（ECG和EEG信号）	机器学习	心血管疾病	ECG信号分析, EEG信号分析	CNN	时间序列数据	NA	NA	时间尺度网络	准确率, 准确率-参数比, 准确率-操作比	NA
3656	2026-01-03	Interactive Segmentation Model for Placenta Segmentation from 3D Ultrasound images 2025, Simplifying medical ultrasound : 5th international workshop, ASMUS 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 6, 2024, proceedings. ASMUS (Workshop) (5th : 2024 : Marrakech, Morocco) DOI:10.1007/978-3-031-73647-6_13 PMID:40463734	研究论文	本文评估了基于人机交互的3D交互式分割模型在胎盘分割任务中的性能，并与现有公开模型进行对比	首次将人机交互模型应用于3D超声图像的胎盘分割任务，并评估其效率和效果	未提及模型在更大规模或多样化数据集上的泛化能力	开发一种高效且准确的交互式胎盘分割方法，以替代耗时的手动标注	3D超声图像中的胎盘	医学影像	妊娠相关疾病	3D超声成像	深度学习交互式分割模型	3D图像	NA	NA	Segment Anything Model (SAM) 启发模型	Dice分数, 归一化表面Dice, 平均对称表面距离, 95百分位Hausdorff距离	NA
3657	2026-01-03	Prediction of urban heat island intensity based on multiple linear regression and deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339782 PMID:41460956	研究论文	本研究构建了CNN-LSTM-Attention模型预测遥感光谱指数，并结合CA-Markov模型预测土地利用变化，以预测和分析城市热岛强度及其未来分布	结合了深度学习模型（CNN-LSTM-Attention）与CA-Markov模型来预测土地利用变化和城市热岛强度，并利用多元线性回归分析了多种光谱指数与热岛强度的关系	未明确说明模型在不同城市或气候条件下的泛化能力，也未详细讨论预测结果的不确定性	预测和分析城市热岛强度及其未来分布，为城市规划和环境政策制定提供依据	城市热岛效应、土地利用变化、遥感光谱指数	机器学习和环境科学交叉领域	NA	遥感光谱分析、土地利用变化预测	CNN, LSTM, Attention机制, CA-Markov模型, 多元线性回归	遥感数据、光谱指数数据、土地利用数据	NA	NA	CNN-LSTM-Attention, CA-Markov	R², RMSE	NA
3658	2026-01-03	Real-world evaluation of deep learning decoders for motor imagery EEG-based BCIs 2025, Frontiers in systems neuroscience IF:3.1Q2 DOI:10.3389/fnsys.2025.1718390 PMID:41472918	研究论文	本研究评估了10种深度学习解码器在基于运动想象脑电图的脑机接口中的实时应用性能	首次在软实时协议下系统评估多种深度学习解码器在短时间窗口（2秒）内的表现，并揭示了离线与在线设置间的性能排名变化	注意力机制和Transformer架构在跨被试和会话中表现不稳定，可能受限于样本量和个体差异	评估深度学习解码器在实时脑机接口中的适用性，为在线优先的脑电图解码器设计提供指导	运动想象脑电图信号	机器学习	NA	脑电图	CNN, TCN, Transformer	脑电图信号	NA	NA	FBLight ConvNet, EEG-TCNet, 卷积神经网络, 时间卷积网络, Transformer	准确率, 灵敏度, 精确率, 误中率, 误报率, 信息传输率, 工作量	NA
3659	2026-01-03	Automated weed monitoring and control: enhancing detection accuracy using a YOLOv7-AlexNet fusion network 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1664650 PMID:41473147	研究论文	本研究提出了一种结合YOLOv7和AlexNet的混合深度学习系统，用于农业场景中的杂草自动监测、检测和物种分类	提出了一种新颖的YOLOv7-AlexNet混合网络，利用YOLOv7进行快速杂草检测，并利用AlexNet提高杂草物种分类的特异性，从而在密集环境中实现更精细的识别	数据集需要扩展以涵盖更多杂草物种和环境条件，且模型尚未在田间计算机上部署验证其实际应用效果	提高农业杂草监测的检测精度和分类能力，实现高效、鲁棒的实时杂草检测与分类	农业场景中的杂草	计算机视觉	NA	深度学习	CNN	图像	未明确说明	未明确说明	YOLOv7, AlexNet	精确率, 召回率, F1分数, mAP@0.50, mAP@0.5:0.95	未明确说明
3660	2026-01-03	An intelligent MRI data fusion framework for optimized diagnosis of spinal tumors 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1606570 PMID:41473174	研究论文	提出了一种名为TSJNet的新型多模态图像融合框架，用于优化脊柱肿瘤的诊断	提出了一种新颖的目标与语义联合驱动网络（TSJNet），通过融合模块与检测、分割子网络的集成，以及具有双分支设计的局部显著特征提取（LSFE）模块，增强了细粒度的跨模态特征交互	NA	开发一种多模态图像融合框架，以支持下游视觉任务，特别是优化脊柱肿瘤的诊断	多模态医学图像（MRI）	计算机视觉	脊柱肿瘤	多模态图像融合	深度学习	图像	在四个公共数据集（MSRS, M3FD, RoadScene, LLVIP）上进行了评估	NA	TSJNet	mAP@0.5, mIoU	NA