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
3981	2025-12-29	AI-driven advances in plant biotechnology: sharpening the edge of plant tissue culture and genome editing 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1718810 PMID:41451278	综述	本文综述了人工智能（AI）在植物组织培养和基因组编辑领域的应用进展与潜力	系统性地汇编了多种AI模型在CRISPR/Cas基因组编辑中的应用研究，并首次明确概述了AI如何变革植物组织培养和基因组编辑领域	AI在植物CRISPR建模中的应用尚未得到充分探索，且本文为综述性文章，未提出新的原创模型或实验数据	探讨AI技术如何推动植物生物技术，特别是植物组织培养和基因组编辑领域的进步	植物组织培养协议、CRISPR/Cas9基因组编辑系统、各种生物体中的编辑模型	机器学习	NA	CRISPR/Cas9基因组编辑	机器学习（ML）、人工神经网络（ANN）、深度学习（DL）	NA	NA	NA	NA	NA	NA
3982	2025-12-29	Impact of retraining and data partitions on the generalizability of a deep learning model in the task of COVID-19 classification on chest radiographs 2024-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.6.064503 PMID:39734609	研究论文	本研究探讨了在标准胸部X光片上进行COVID-19分类任务时，不同模型再训练方案和数据划分对模型性能及泛化能力的影响	通过比较四种再训练策略（包括在Set B上重新训练、微调、L2正则化以及200次重新划分Set A训练集），深入分析了数据划分对深度学习模型泛化性能的影响，揭示了模型性能差异的原因	研究仅使用来自同一机构的数据集，可能限制了结果的广泛适用性；未涉及外部验证集，泛化能力评估可能不全面	评估不同再训练方案和数据划分对深度学习模型在COVID-19胸部X光分类任务中泛化性能的影响	标准胸部X光片（CXRs）	计算机视觉	COVID-19	深度学习	深度学习模型	图像	Set A：9860名患者（2020年2月20日至2021年2月3日）；Set B：5893名患者（2020年3月15日至2022年1月1日）	NA	NA	AUC（曲线下面积）	NA
3983	2025-12-29	MRI-based prostate cancer classification using 3D efficient capsule network 2024-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.16975 PMID:38346111	研究论文	本研究提出了一种基于T2加权MRI的3D高效胶囊网络，用于前列腺癌风险分层	开发了3D高效胶囊网络，结合全连接胶囊层构建更深层次结构，并引入动态加权边缘损失以处理数据不平衡问题	未明确说明模型对图像翻转、缩放或旋转等变化的鲁棒性具体提升程度，且低风险与中风险分类性能相对较低（AUC 0.59）	通过计算机辅助诊断实现前列腺癌Gleason评分的非侵入性预测	前列腺癌患者	数字病理	前列腺癌	MRI	胶囊网络	图像	976名患者	NA	3D Efficient CapsNet	AUC, F1-score, 加权Cohen's Kappa	NA
3984	2025-12-28	Machine learning (ML) and deep learning (DL) in vaccine target selection, design, development and characterization 2026-Jan-25, Vaccine IF:4.5Q2 DOI:10.1016/j.vaccine.2025.128051 PMID:41371096	综述	本文综述了机器学习和深度学习在疫苗靶点选择、设计、开发和表征中的应用	系统性地阐述了AI技术，特别是ML和DL，在理性疫苗设计中的关键作用，包括从靶点选择到临床前试验的全流程应用	数据可用性存在限制	描述ML和DL如何辅助理性疫苗设计，以应对传染病挑战	疫苗开发过程，包括靶点选择、设计、开发和表征	机器学习	传染病	NA	机器学习,深度学习	NA	NA	NA	NA	NA	NA
3985	2025-12-28	SpatialFusion: A Unified Model for Integrating Spatial Transcriptomics to Unveil Cell-type Distribution, Interaction, and Functional Heterogeneity in Tissue Microenvironments 2026-Jan-15, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2025.169535 PMID:41237948	研究论文	本文介绍了一种名为SpatialFusion的创新深度学习模型，旨在通过整合基因表达和空间坐标来改进空间域识别和细胞类型反卷积	SpatialFusion模型的核心创新在于利用图神经网络和注意力机制，通过空间数据的多维嵌入捕获复杂的空间关系，并采用双编码策略和自监督对比学习，显著提高了准确性和鲁棒性	NA	解决现有空间域识别和细胞类型反卷积方法在准确性、鲁棒性和计算效率方面面临的挑战	空间转录组学数据，特别是人类DLPFC数据集和乳腺癌肿瘤微环境	空间转录组学	乳腺癌	空间转录组学	GNN, 注意力机制	基因表达数据, 空间坐标	NA	NA	图神经网络, 注意力机制	准确性, 分辨率	NA
3986	2025-12-28	Diffuse optical imaging with channel attention fusion network 2026-Jan, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.31.1.016001 PMID:41445764	研究论文	本文提出了一种用于漫射光学成像的端到端深度学习框架CAFNet，旨在克服传统重建技术中的伪影、噪声放大和深度敏感性限制	首次将通道注意力机制与AUTOMAP结合，通过多尺度特征学习和特征优先级处理，显著提升了光学属性重建的精度和鲁棒性	研究主要基于模拟和实验体模数据，未在真实临床患者数据上进行验证，可能限制了其直接医学应用的普适性	开发一种能够有效重建漫射光学图像中光学属性的深度学习模型，以改善肿瘤等深层异常检测的准确性	模拟数据集和实验体模中的光学属性图像	医学影像	肿瘤	漫射光学成像	深度学习	图像	模拟和实验数据集，具体样本数量未明确说明	未明确指定，但涉及深度学习框架	CAFNet, AUTOMAP	均方误差, 峰值信噪比, 结构相似性指数	NA
3987	2025-12-28	From lesion detection to outcome prediction: artificial intelligence and deep learning applications in multiple sclerosis 2025-Dec-27, Neurological sciences : official journal of the Italian Neurological Society and of the Italian Society of Clinical Neurophysiology IF:2.7Q3 DOI:10.1007/s10072-025-08661-2 PMID:41454173	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3988	2025-12-28	Medical Microwave Imaging Using Physics-Guided Deep Learning Part 1: The Forward Solver 2025-Dec-26, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3648756 PMID:41452684	研究论文	本文提出了一种用于医学微波成像的快速、自监督深度学习前向求解器，通过物理引导的混合损失函数确保计算结果的物理正确性	提出了一种基于物理框架的深度学习前向求解器，将计算域分为内部散射体区域和外部背景介质区域，采用结合麦克斯韦旋度方程与积分方程的混合损失函数，在保证全局和局部精度的同时比传统求解器快97%	未明确说明训练数据的具体规模和多样性限制，也未讨论在更复杂生物组织模型中的泛化能力	开发用于医学微波成像的快速准确前向求解器，为深度学习逆问题求解器提供高效训练基础	电磁散射问题中的散射场和介质特性计算	机器学习	NA	微波成像	深度神经网络	电磁场数据	未明确具体样本数量，但提及在随机物体上训练并在真实模型上测试	NA	NA	均方根误差	NA
3989	2025-12-28	Learning Deep Tree-Based Retriever for Efficient Recommendation: Theory and Method 2025-Dec-26, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3648453 PMID:41452694	研究论文	本文提出了一种基于深度树的高效推荐检索器，通过改进训练目标和采样方法，以更好地满足最大堆假设并提升推荐效率与准确性	提出了一种基于softmax的多类别分类训练框架，在树的同一层级节点间引入显式横向竞争，以模拟训练期间的束搜索行为；并提出了损失函数的校正方法和基于树的采样方法，以更好地满足最大堆假设并减少采样偏差	未明确提及	提高大规模候选物品场景下深度推荐模型的推荐效率，同时保证推荐准确性	基于树的深度推荐模型	机器学习	NA	NA	深度学习模型	推荐系统数据	四个真实世界数据集	NA	基于树的深度检索器	推荐准确性，推荐效率	NA
3990	2025-12-28	Efficient quality classification of pretreated and dehydrated carrots using feature selection and intelligent models 2025-Dec-26, Journal of the science of food and agriculture IF:3.3Q2 DOI:10.1002/jsfa.70413 PMID:41454427	研究论文	本研究利用可见近红外反射光谱和人工智能技术，对经过不同预处理和脱水处理的胡萝卜片进行质量分类	采用递归特征消除结合极端梯度提升进行特征选择，识别出50个关键波长，并比较了19种人工智能模型在分类任务中的性能	未明确提及研究局限性	实现预处理和脱水胡萝卜产品的非破坏性质量分类，以支持质量控制、能源效率和消费者信心	经过超声波、蔗糖、阿拉伯胶和微波预处理，并在不同微波功率和真空压力下脱水的胡萝卜切片	机器学习	NA	可见近红外反射光谱	多层感知机, 支持向量机, 卷积神经网络	光谱数据	未明确提及具体样本数量	NA	NA	分类测试准确率, 测试时间	NA
3991	2025-12-28	STAR: Soil texture analysis recognizer integrating domain-adaptive transfer learning with NIR spectroscopy 2025-Dec-25, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.128378 PMID:41453259	研究论文	本文提出了一种名为STAR的智能近红外光谱设备，用于精确的土壤质地分类，通过结合领域自适应迁移学习来解决模型泛化、标注数据依赖和跨域不一致性问题	提出了两种新颖的算法组件：面向迁移学习的光谱预处理方法TMSC以减少光谱分布偏移，以及SETAB框架来增强模型在跨区域和跨域不平衡条件下的适应性	研究主要基于四川省的局部土壤样本进行验证，未明确说明模型在其他地理区域或更广泛土壤类型上的泛化性能	开发一种用于精确土壤质地分类的智能近红外光谱设备，并解决光谱建模在实际部署中的泛化和跨域适应性问题	土壤样本	机器学习	NA	近红外光谱	深度学习	光谱数据	四川省的局部土壤样本（具体数量未明确说明）	NA	NA	准确率, Kappa系数	NA
3992	2025-12-28	Enhanced classification prostate cancer based on generative adversarial networks and integrated deep learning with vision transformer models 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31623-9 PMID:41444330	研究论文	本文提出了一种结合生成对抗网络、集成深度学习与视觉Transformer模型的增强型前列腺癌分类方法	提出了一种无需修改源图像的安全隐写术，并首次将ViT与GAN、SVM及多种深度学习模型（EfficientNet-B4、DenseNet121、ResNet-18）集成用于前列腺癌诊断	方法仅在DWI前列腺癌数据集上验证，未在其他模态或疾病数据集上测试泛化能力	开发一种安全且高精度的前列腺癌医学图像分类与诊断系统	扩散加权成像（DWI）前列腺癌数据集	计算机视觉	前列腺癌	扩散加权成像（DWI）	GAN, SVM, CNN, Transformer	医学图像	NA	NA	Vision Transformer (ViT), EfficientNet-B4, DenseNet121, ResNet-18	准确率, 敏感度, 精确率, F1分数, PSNR, SSIM	NA
3993	2025-12-28	Detection of cystoid macular edema in patients with retinitis pigmentosa based on deep learning 2025-Dec-24, International journal of retina and vitreous IF:1.9Q2 DOI:10.1186/s40942-025-00762-6 PMID:41444668	研究论文	本研究首次应用深度学习算法基于光学相干断层扫描图像自动检测视网膜色素变性患者的黄斑囊样水肿	首次将深度学习算法应用于视网膜色素变性患者黄斑囊样水肿的诊断与管理	NA	利用深度学习模型基于光学相干断层扫描图像检测视网膜色素变性患者的黄斑囊样水肿	视网膜色素变性患者的黄斑囊样水肿	计算机视觉	视网膜色素变性	光谱域光学相干断层扫描	CNN	图像	1,318张光学相干断层扫描图像，来自296只眼睛	Scikit-learn	ResNet-34, ResNet-18	准确率, F1分数, ROC	NA
3994	2025-12-28	Enhancing groundwater level prediction with a hybrid deep learning model in Jinan City, China 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28200-5 PMID:41444734	研究论文	本研究构建了一种新颖的混合深度学习模型STGPM，用于预测中国济南市的地下水水位，该模型结合了图神经网络和循环神经网络以捕捉时空模式	提出了一种新颖的混合深度学习模型STGPM，该模型独特地结合了图神经网络和循环神经网络，能够同时捕捉监测井之间的水文连通性和多尺度时间依赖性，克服了传统时间序列模型的关键局限性	NA	为可持续利用和科学管理地下水资源提供准确的地下水水位预测工具	中国济南市的地下水水位	机器学习	NA	NA	图神经网络, 循环神经网络	时间序列数据	NA	NA	Spatio-Temporal Graph Prediction Model (STGPM)	MAE, RMSE, R	NA
3995	2025-12-28	End-to-end vs. human-defined feature extraction: comparing deep learning approaches for age classification using mandibular third molars 2025-Dec-24, The Journal of forensic odonto-stomatology DOI:10.5281/zenodo.17776415 PMID:41452801	研究论文	本研究比较了基于下颌第三磨牙X光片的三种年龄分类方法，以评估其在泰国人群中的性能	首次系统比较了传统人工方法、端到端深度学习模型和基于人工定义特征提取的深度学习方法在年龄分类任务中的表现	研究仅针对泰国人群，样本年龄范围有限（14-23岁），且未考虑种族多样性对模型泛化能力的影响	评估不同方法在基于下颌第三磨牙X光片进行年龄分类（是否超过18岁）中的准确性和实用性	下颌第三磨牙X光片图像	计算机视觉	NA	X光成像	CNN	图像	3,407张图像，来自14-23岁的个体	NA	NA	特异性, 敏感性, 贝叶斯后验概率, 准确率	NA
3996	2025-12-28	Cardiac Function Assessment with Deep-Learning-Based Automatic Segmentation of Free-Running 4D Whole-Heart CMR 2025-Dec-24, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.102677 PMID:41453741	研究论文	本研究开发并验证了一种基于深度学习的自动分割框架，用于自由运行4D全心心脏磁共振成像，以实现快速、准确且具有临床意义的解剖和功能分析	首次针对各向同性3D+心动周期的自由运行心脏MRI数据，开发了深度学习分割框架，能够利用其独特的时空丰富性，克服现有方法仅适用于2D电影或静态3D采集的局限性	右心室指标的临床一致性范围较宽，表明在右心室分割精度上仍有提升空间	开发并验证一种深度学习分割框架，以促进自由运行心脏MRI的临床整合，实现准确、快速的心脏解剖和功能分析	自由运行心脏MRI数据中的左心室血池、右心室血池和左心室心肌	医学影像分析	心血管疾病	自由运行心脏MRI，包括1.5T bSSFP和3T对比增强GRE采集	CNN	4D心脏MRI图像	NA	NA	3D nnU-Net	Dice相似系数, 相对体积差异, 组内相关系数, 偏差, 左心室-右心室每搏输出量一致性, 收缩期-舒张期左心室心肌体积不匹配	NA
3997	2025-12-28	Deep learning-based 3D automatic segmentation of impacted canines in CBCT scans 2025-Dec-23, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07117-5 PMID:41437345	研究论文	本研究开发了一种基于nnU-Net v2的深度学习模型，用于自动分割CBCT扫描中的阻生尖牙	首次将nnU-Net v2架构应用于阻生尖牙的3D自动分割，实现了高精度的检测与分割性能	研究样本量有限（仅159例CBCT扫描），且为回顾性数据，可能存在选择偏倚	开发自动分割阻生尖牙的深度学习模型，以提升牙颌面放射学诊断效率	CBCT扫描中的阻生尖牙	计算机视觉	牙科疾病	CBCT成像	CNN	3D医学图像	159例CBCT扫描	nnU-Net v2	nnU-Net	召回率, 精确率, Dice相似系数, 95% Hausdorff距离, 交并比	NA
3998	2025-12-28	Fuzzy logic and deep learning approach for automated white blood cell detection and classification via multi-CNN feature fusion 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28354-2 PMID:41430086	研究论文	本文提出了一种结合多CNN特征融合与模糊逻辑EDAS评估的新框架，用于自动检测和分类白细胞	整合了DenseNet121、MobileNetV2和ResNet101的多CNN特征融合，并采用模糊EDAS模型进行特征优先级排序，提高了分类的鲁棒性和可解释性	未在实时场景中验证，且需要更多样化的数据集以确保泛化能力	开发自动白细胞检测与分类方法以辅助血液疾病诊断	白细胞（中性粒细胞、嗜酸性粒细胞、单核细胞、淋巴细胞）	计算机视觉	白血病	NA	CNN	图像	8013张图像	NA	DenseNet121, MobileNetV2, ResNet101	准确率, 精确率, 灵敏度, F1分数	NA
3999	2025-12-28	Advanced deep-learning model for temporal-dependent prediction of dynamic behavior of AC losses in superconducting propulsion motors for hydrogen-powered cryo-electric aircraft 2025-Dec-17, Communications engineering DOI:10.1038/s44172-025-00554-8 PMID:41407868	研究论文	本文提出了一种先进的深度学习模型，用于预测氢动力低温电动飞机中超导推进电机动态交流损耗的时变行为	开发了首个能够预测超导推进电机动态交流损耗（包括周期平均和瞬时波形形态）的AI模型，并推广至未见设计，相比传统方法（如有限元分析、解析模型或早期智能模型）在速度和准确性上具有显著优势	NA	优化氢动力低温电动飞机中超导推进电机的效率、最小化低温热负荷并最大化比功率密度，通过快速准确的动态交流损耗预测支持系统级建模设计	氢动力低温电动飞机中的超导推进电机	机器学习	NA	深度学习	深度学习模型	电机配置数据集	大型电机配置数据集	NA	NA	准确性（R），预测时间	NA
4000	2025-12-28	Predicting and Synchronising Co-Speech Gestures for Enhancing Human-Robot Interactions Using Deep Learning Models 2025-Dec-13, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics10120835 PMID:41439904	研究论文	本文提出了一种基于深度学习的系统，用于预测并同步机器人的伴随语音手势，以增强人机交互的生动性	结合深度学习模型预测手势类型，并通过规则模块实现手势与语音的精确同步，满足实时交互的时间约束	NA	提升机器人在人机交互中的表现力和自然度，使其能够通过多模态动作有效传达信息	机器人的语音和伴随手势	自然语言处理	NA	深度学习	RNN, 条件随机场, Transformer	语音文本	NA	NA	NA	NA	NA