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
3761	2025-11-15	A longitudinal observational study with ecological momentary assessment and deep learning to predict non-prescribed opioid use, treatment retention, and medication nonadherence among persons receiving medication treatment for opioid use disorder 2025-Jun, Journal of substance use and addiction treatment DOI:10.1016/j.josat.2025.209685 PMID:40127869	研究论文	使用生态瞬时评估和深度学习预测阿片类药物使用障碍患者在治疗期间的非法阿片使用、治疗保留和药物不依从行为	结合生态瞬时评估的实时情境数据与递归深度学习模型，采用7天滑动窗口预测次日临床结局	样本量较小（62名参与者），模型性能在不同结局指标间存在较大波动（AUC 0.58-0.97）	预测接受药物治疗的阿片类药物使用障碍患者的关键临床结局	接受药物治疗的阿片类药物使用障碍成年患者	机器学习	阿片类药物使用障碍	生态瞬时评估，电子健康记录分析	递归深度学习模型	时间序列数据，情境评估数据，电子健康记录	62名成年人，14,322次观察记录	NA	NA	AUC	NA
3762	2025-11-15	Integrating Alternative Fragmentation Techniques into Standard LC-MS Workflows Using a Single Deep Learning Model Enhances Proteome Coverage 2025-Jun-01, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.28.656555 PMID:40501536	研究论文	开发了一种能够整合多种碎片化技术的质谱仪，并构建了统一的深度学习模型来预测碎片离子强度，显著提高了蛋白质组覆盖度	首次构建了能够自动执行多种碎片化技术的质谱仪，并开发了覆盖所有技术的单一深度学习模型	NA	增强蛋白质组学实验中蛋白质鉴定的覆盖度和效率	蛋白质组学数据	机器学习	NA	LC-MS, CID, UVPD, EID, ECD, DDA, DIA	深度学习	质谱数据	NA	Prosit	深度学习模型	蛋白质鉴定数量增加百分比	NA
3763	2025-11-15	Deep Learning-Based Event Counting for Apnea-Hypopnea Index Estimation Using Recursive Spiking Neural Networks 2025-04, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2024.3498097 PMID:40030371	研究论文	提出一种基于递归脉冲神经网络的深度学习事件计数方法，用于家庭环境中睡眠呼吸暂停的筛查和呼吸暂停低通气指数估计	首次将递归脉冲神经网络应用于呼吸事件计数，无需精确定位事件时间点即可实现准确的AHI估计	样本量较小（N=33），需要在更大数据集上验证性能	开发改进的家庭睡眠呼吸暂停筛查方法	睡眠呼吸暂停患者	机器学习	睡眠呼吸暂停	音频记录，血氧饱和度记录	SNN	音频信号，SpO2信号	33例整夜录音数据	NA	递归脉冲神经网络	平均绝对误差	NA
3764	2025-11-15	Current Advancements in Digital Neuropathology and Machine Learning for the Study of Neurodegenerative Diseases 2025-Feb-13, The American journal of pathology DOI:10.1016/j.ajpath.2024.12.018 PMID:39954963	综述	本文综述了数字神经病理学与机器学习在神经退行性疾病研究中的最新进展与应用潜力	整合全切片图像与先进机器学习技术，探索无监督学习在未标注数据中的模式识别能力，开发可解释AI模型	面临专家标注有限、切片扫描可及性差、机构间差异大、大尺寸WSI数据集共享复杂等挑战	通过计算神经退行性神经病理学方法提升神经病理评估、诊断和研究水平	神经退行性疾病的神经病理学数据	数字病理学	神经退行性疾病	全切片图像分析	深度学习, 无监督学习	医学图像	NA	NA	NA	准确性, 效率	NA
3765	2025-11-15	The Current Research Landscape on the Machine Learning Application in Autism Spectrum Disorder: A Bibliometric Analysis From 1999 to 2023 2025, Current neuropharmacology IF:4.8Q1 DOI:10.2174/011570159X332833241222191422 PMID:40143686	文献计量分析	通过文献计量分析方法研究1999-2023年间机器学习在自闭症谱系障碍领域应用的研究现状和热点趋势	首次系统分析机器学习在自闭症谱系障碍领域应用的文献计量特征和发展轨迹	仅基于Web of Science数据库，可能存在文献收录不全的局限性	探索机器学习在自闭症谱系障碍领域的研究趋势、热点主题和未来发展方向	1999-2023年间发表的1357篇相关学术文献	机器学习	自闭症谱系障碍	文献计量分析，神经影像技术，脑电图	NA	文献元数据	1357篇论文	Microsoft Excel, VOSviewer, CiteSpace	NA	NA	NA
3766	2025-11-15	Advancements in Image-Based Analyses for Morphology and Staging of Colon Cancer: A Comprehensive Review 2025, BioMed research international IF:2.6Q3 DOI:10.1155/bmri/9214337 PMID:41031243	综述	本文系统回顾了基于图像的结肠癌形态学分析和分期技术的最新进展	全面整合了多种影像模态与人工智能技术的临床应用，特别关注AI在诊断准确性和预后预测中的突破性表现	存在观察者间变异性、数据集偏差、监管问题以及缺乏标准化AI验证协议等挑战	评估影像学技术和人工智能在结肠癌检测、分期和治疗规划中的应用效果	结肠癌的影像学特征和分期标准	数字病理	结肠癌	结肠镜检查、计算机断层扫描(CT)、磁共振成像(MRI)、内镜超声(EUS)、组织病理学分析	深度学习	医学影像	基于过去十年PubMed、Scopus和IEEE Xplore数据库的同行评审研究	NA	NA	敏感性、分期准确性、5年生存预测准确率	NA
3767	2025-11-15	An explainable hybrid deep learning framework for precise skin lesion segmentation and multi-class classification 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1681542 PMID:41158448	研究论文	提出一种可解释的混合深度学习框架，用于皮肤病变的精确分割和多分类	集成U-Net分割网络和EfficientNet-B0分类模块的双任务架构，并引入Grad-CAM增强模型可解释性	存在类别不平衡问题，对代表性不足的类别处理有待改进，需要在实际场景中进一步验证	开发用于皮肤病变分割和分类的可靠AI诊断工具	皮肤病变的dermoscopic图像	计算机视觉	皮肤癌	dermoscopic成像	深度学习,CNN	图像	HAM10000数据集	NA	U-Net,EfficientNet-B0	Dice系数,准确率	NA
3768	2025-11-15	Detection and classification of venous thromboembolism through image test reports analysis using active learning and deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0335262 PMID:41212856	研究论文	本研究通过主动学习和深度学习模型分析影像检查报告，实现静脉血栓栓塞症的检测与分类	结合主动学习策略与深度学习模型，在样本量有限和类别不平衡的真实临床数据中实现高效分类	存在ICD-10编码欠文档化问题，且在某些分类任务中模型性能会下降	评估主动学习在静脉血栓栓塞症报告分类中的效率，比较深度学习与传统机器学习模型的性能	5,839份影像检查报告，其中1,088份(18.6%)为VTE阳性	自然语言处理	静脉血栓栓塞症	影像报告分析	LSTM, 1D-CNN, BERT, RF, SVM, GBM	文本	5,839份影像报告	NA	LSTM, multi-kernel 1D-CNN with GloVe, BERT, BioBERT	F1分数	NA
3769	2025-11-15	Railway fastener defect detection using RFD-DETR: A lightweight real-time transformer-based approach 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0331513 PMID:41212928	研究论文	提出一种基于Transformer的轻量级实时铁路扣件缺陷检测方法RFD-DETR	引入三个创新模块：小波变换卷积模块(WTConv)增强多尺度特征提取并减少计算量，跨尺度特征融合模块(CSPPDC)结合通道门控注意力下采样优化缺陷检测，小波变换特征提升(WFU)模块改善特征融合效果	NA	开发高效的铁路扣件缺陷自动检测方法	铁路轨道扣件	计算机视觉	NA	深度学习	Transformer, DETR	图像	扩展后的铁路扣件数据集	NA	RFD-DETR, DETR	mAP, IoU	NA
3770	2025-11-15	GAM-enhanced deepLabv3+ for accurate burn scar extraction in karst regions from remote sensing images 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0336384 PMID:41218024	研究论文	提出一种结合全局注意力机制的DeepLabv3+模型，用于喀斯特地区遥感图像中火烧迹地的精确提取	通过优化ASPP模块的扩张率(1,3,5)避免网格伪影，并在解码器后引入全局注意力模块(GAM)动态重校准通道-空间依赖关系	在参数量和推理速度方面仍有优化空间	解决喀斯特地区地形破碎和植被模式复杂等挑战，实现火烧迹地的精确语义分割	喀斯特地区森林火烧迹地	计算机视觉	NA	遥感技术	语义分割	遥感图像	贵州省贵阳市花溪区2024年典型火灾事件构建的单区域数据集	NA	DeepLabv3+, ResNet50	mIoU, mAcc	NA
3771	2025-11-15	Hybrid deep learning framework for real-time fault detection in squirrel-cage induction motors 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0336323 PMID:41218031	研究论文	提出一种基于混合深度学习的实时故障检测框架，用于鼠笼式感应电机的故障诊断	开发了结合CNN和GRU/LSTM的混合深度学习架构，能同时捕捉时空特征，在实时故障检测中实现高精度和计算效率	需要大量计算资源和标注数据集，未与最先进方法直接对比，缺乏真实工业噪声数据的验证	开发智能可靠的预测性维护系统，实现鼠笼式感应电机的实时故障检测	鼠笼式感应电机(SCIMs)	机器学习	NA	传感器数据分析	CNN, GRU, LSTM, BiLSTM, ANN	传感器时序数据	100万样本(健康与故障状态各半)	MATLAB Simulink	CNN-GRU, CNN-LSTM, LSTM, BiLSTM, Stacked LSTM, GRU, CNN, ANN	准确率, 精确率, 召回率, F1分数, 推理时间, 延迟, 吞吐量	需要大量计算资源(具体型号未指定)
3772	2025-11-15	Enhancing museum visitor forecasting using deep learning and sentiment analysis: A transformer-based approach for sustainable management 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0335623 PMID:41218039	研究论文	本研究开发了一种结合结构化数据和情感分析的博物馆访客预测模型，采用Transformer架构提升预测精度	首次将博物馆相关新闻和用户评论的情感分析融入访客预测，通过比较七种算法证明Transformer模型的优越性	未明确说明数据来源的具体时间跨度和地理范围，模型在极端事件下的适应性有待验证	建立融合多源数据的博物馆访客预测框架以支持可持续管理决策	博物馆年度访客量及相关结构化数据、新闻文章和用户评论的情感数据	自然语言处理,机器学习	NA	情感分析,深度学习	Transformer,RNN,GAN,CNN,LSTM	结构化数据,文本数据	NA	NA	Transformer	RMSE,MSLE,MAPE	NA
3773	2025-11-15	SH-DETR: Enhancing steel surface defect detection and classification with an improved transformer architecture 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334048 PMID:41218093	研究论文	提出一种改进的Transformer架构SH-DETR，用于增强钢铁表面缺陷检测与分类性能	结合多通道随机编码与多尺度特征融合模块，引入多通道混洗编码模块和参数无关的UPC-SimAM注意力模块	NA	解决传统模型在钢铁表面缺陷检测中识别精度低和分类能力不足的问题	钢铁表面缺陷	计算机视觉	NA	深度学习	Transformer, CNN	图像	NEU-DET和GC10-DE数据集	NA	ResNet18, Transformer, UPC-SimAM	分类准确率, mAP@0.5, mAP@0.5:0.95	NA
3774	2025-11-15	Computational models for pan-cancer classification based on multi-omics data 2025, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2025.1667325 PMID:41220429	综述	本文综述了基于多组学数据的泛癌分类计算模型，总结了现有方法并探讨了未来研究方向	系统梳理了泛癌分类的计算模型方法，并对不同方法的优劣进行了比较分析	现有框架难以整合肿瘤内部的动态时间变化和空间异质性，限制了实时临床应用	研究泛癌分类方法以解决肿瘤异质性带来的诊断和治疗挑战	多组学数据（基因组学、转录组学、蛋白质组学）和泛癌图谱	机器学习	泛癌（多种癌症）	多组学数据整合分析	机器学习,深度学习	多组学数据	NA	NA	NA	NA	NA
3775	2025-11-15	A rapid approach for discriminating Ganoderma species using attenuated total reflectance-Fourier transform infrared (ATR-FTIR) spectroscopy integrated with chemometric analysis and convolutional neural network (CNN) 2025, Frontiers in chemistry IF:3.8Q2 DOI:10.3389/fchem.2025.1655760 PMID:41220432	研究论文	本研究开发了一种结合化学计量学分析和卷积神经网络的ATR-FTIR光谱快速鉴别灵芝物种的方法	首次将ATR-FTIR光谱与化学计量学分析和深度学习CNN相结合，建立了一个新颖的灵芝物种鉴别框架	仅针对三种灵芝物种进行研究，未来需要扩展到更多药用植物验证	解决灵芝物种掺假和错误分类问题，开发快速准确的物种鉴别方法	三种灵芝物种（具体物种名称在原文中未明确列出）	化学计量学, 深度学习	NA	衰减全反射-傅里叶变换红外光谱(ATR-FTIR)	CNN, OPLS-DA	光谱数据	NA	NA	卷积神经网络	准确率, 灵敏度, 特异性, RMSEE, RMSEP, RMSECV, 精确率, 召回率, F1分数	NA
3776	2025-11-15	DeepTDM: Deep Learning-Based Prediction of Sequential Therapeutic Drug Monitoring Levels of Vancomycin 2025, IEEE journal of translational engineering in health and medicine IF:3.7Q2 DOI:10.1109/JTEHM.2025.3623605 PMID:41220794	研究论文	开发基于深度学习的DeepTDM系统，用于预测重症患者万古霉素序列治疗药物监测水平	提出GRU集成联合多层感知器网络(GointMLP)模型，结合回归和分类预测提供双重验证机制	NA	优化重症患者万古霉素剂量管理，提高治疗药物监测的准确性	重症监护病房患者	医疗人工智能	重症感染	治疗药物监测	GRU, MLP	临床监测数据	NA	NA	GointMLP	准确性	NA
3777	2025-11-15	Diagnosis and Severity Rating of Parkinson's Disease Based on Multimodal Gait Signal Analysis With GLRT and ST-CNN-Transformer Networks 2025, IEEE journal of translational engineering in health and medicine IF:3.7Q2 DOI:10.1109/JTEHM.2025.3611498 PMID:41220792	研究论文	基于多模态步态信号分析和GLRT与ST-CNN-Transformer网络的帕金森病诊断与严重程度评级	提出结合广义似然比检验(GLRT)和时空卷积神经网络-Transformer(ST-CNN-Transformer)的多模态步态分析框架，用于帕金森病严重程度的自动化分类	样本量较小（10名健康对照和30名帕金森病患者），需要更大规模验证	开发自动化的帕金森病严重程度分类方法	帕金森病患者和健康对照者的步态数据	医疗人工智能	帕金森病	多模态步态信号分析，惯性测量单元数据采集	ST-CNN-Transformer	多模态步态信号（足部加速度、角速度、垂直地面反作用力）	10名健康对照者和30名帕金森病患者	NA	ST-CNN-Transformer	准确率	NA
3778	2025-11-15	Two-step pipeline for oral diseases detection and classification: a deep learning approach 2025, Frontiers in oral health IF:3.0Q1 DOI:10.3389/froh.2025.1659323 PMID:41221302	研究论文	开发并评估结合目标检测和分类模型的两步人工智能流程，用于口腔疾病的早期识别和区分	提出结合YOLOv11目标检测和MobileNetV2分类的两步深度学习流程，专门针对口腔潜在恶性病变和口腔鳞状细胞癌的检测与分类	YOLO检测阶段遗漏的图像（17.4%）被排除在分类阶段之外，可能影响报告的性能指标	开发人工智能辅助口腔疾病早期诊断系统	口腔潜在恶性病变和口腔鳞状细胞癌的临床图像	计算机视觉	口腔癌	深度学习	CNN	图像	基线数据集773张图像（FOP-UNICAMP），外部验证数据集132张图像（UFPB）	NA	YOLOv11, MobileNetV2	mAP50, 准确率, 精确率, 召回率, F1分数, AUC-ROC	NA
3779	2025-11-15	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	利用人工智能通过声学生物标志物检测冠状动脉阻塞，并比较支架植入前后的变化	首次将DeepSets架构应用于学习患者特异性声学生物标志物，能够识别支架植入前后心脏声音的差异	样本量较小（仅12名患者），属于初步研究	开发基于人工智能的非侵入性冠状动脉疾病监测方法	人类患者的心脏声音信号	机器学习	心血管疾病	匹配追踪信号分解，深度学习	DeepSets	音频信号	12名人类患者	NA	DeepSets	准确率	NA
3780	2025-11-15	Discriminating Between Marijuana and Alcohol Gait Impairments Using Tile CNN With TICA Pooling 2025, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2025.3607556 PMID:41221437	研究论文	本研究开发了一种基于智能手机传感器数据和深度学习的方法，通过步态分析区分酒精和大麻损伤	首次使用受损步态数据集，提出结合TICA池化的平铺CNN架构，将时间序列传感器数据转换为GAF图像进行分类	阳性标记的酒精和大麻实例数据不足，需要借助更丰富的清醒步态样本进行预训练	研究机器学习分析智能手机传感器数据是否能从步态中区分酒精和大麻消费	受试者的步态数据	机器学习	NA	智能手机加速度计和陀螺仪传感器数据采集	CNN	时间序列传感器数据，图像	NA	NA	平铺CNN with TICA池化	准确率，F1分数，ROC AUC分数	NA