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
401	2025-12-31	Clair3-RNA: A deep learning-based small variant caller for long-read RNA sequencing data 2025-Jan-03, bioRxiv : the preprint server for biology DOI:10.1101/2024.11.17.624050 PMID:39803537	研究论文	本文提出了一种基于深度学习的、专为长读长RNA测序数据设计的小变异检测工具Clair3-RNA	首个针对长读长RNA测序数据的深度学习变异检测工具，整合了覆盖度归一化、训练材料优化、编辑位点发现和单倍型定相等技术	NA	开发一个高性能的变异检测工具，以应对长读长RNA测序数据中较高的错误率和转录本多样性等挑战	长读长RNA测序数据中的小变异	生物信息学	NA	长读长RNA测序，包括PacBio和ONT平台的cDNA测序及直接RNA测序	深度学习	RNA测序数据	多个GIAB样本	NA	NA	SNP F1分数	NA
402	2025-12-31	Bayesian Multifractal Image Segmentation 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3644793 PMID:41428918	研究论文	本文提出了一种无监督的贝叶斯多重分形分割方法，用于在像素级别对图像中的多重分形纹理进行建模和分割	首次开发了针对小波导数的计算和统计高效的多重分形参数估计模型，并引入了多尺度Potts马尔可夫随机场作为先验来建模小波导数标签之间的空间和尺度相关性	实验主要在合成的多重分形图像上进行评估，在真实自然图像上的性能有待进一步验证	开发一种无监督的图像分割方法，用于处理包含多种纹理的自然图像	具有多重分形纹理的图像	计算机视觉	NA	多重分形分析，小波变换	贝叶斯模型，马尔可夫随机场	图像	NA	NA	多尺度Potts马尔可夫随机场	NA	NA
403	2025-12-31	Cross-Frequency Attention and Color Contrast Constraint for Remote Sensing Dehazing 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3644167 PMID:41428925	研究论文	本文提出了一种结合跨频注意力与颜色对比约束的遥感图像去雾方法	开发了全方向高频特征修复机制以建模全局长程纹理依赖，设计了高频提示注意力模块以增强局部高频表示，并提出了基于HSV颜色空间的颜色对比损失函数以改善颜色恢复	NA	解决遥感图像去雾中纹理细节保留与颜色准确恢复的难题	遥感图像	计算机视觉	NA	小波变换	深度学习	图像	NA	NA	NA	NA	NA
404	2025-12-31	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，结合CA-Markov模型预测土地利用变化，并利用多元线性回归模型分析光谱指数与城市热岛强度的关系，进而预测2025年的城市热岛强度与分布	结合了深度学习的CNN-LSTM-Attention模型与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建立了光谱指数与热岛强度的定量关系	未明确说明模型在其他城市或不同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	预测城市热岛强度及其未来分布，为城市规划提供科学依据以改善城市宜居性	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	NA	遥感光谱分析、土地利用变化预测	CNN, LSTM, Attention机制, 多元线性回归, CA-Markov模型	遥感数据、土地利用数据	NA	NA	CNN-LSTM-Attention	R², RMSE	NA
405	2025-12-31	AI-based diagnostic tools for oral cancer: A systematic review 2025, Bioinformation DOI:10.6026/973206300213324 PMID:41466634	综述	本文系统回顾了基于人工智能的口腔癌诊断工具，探讨了其在早期检测和诊断中的应用与挑战	系统性地总结了AI在口腔癌诊断中的最新进展，特别是深度学习与卷积神经网络在临床、组织病理学和光学成像数据上的高诊断准确性	数据集存在变异性，临床实践中外部验证有限，且AI模型的可解释性不足	评估人工智能作为辅助工具在口腔癌早期检测和诊断中的潜力与可行性	口腔癌的诊断工具，特别是基于AI的模型	数字病理学	口腔癌	NA	深度学习, 卷积神经网络	临床数据, 组织病理学图像, 光学成像数据	NA	NA	NA	诊断准确性	NA
406	2025-12-31	refineDLC: An advanced post-processing pipeline for DeepLabCut outputs 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf084 PMID:41467036	研究论文	本文介绍了一个名为refineDLC的高级后处理流程，用于优化DeepLabCut输出的姿态估计数据，以提高运动学分析的准确性和可靠性	开发了一个全面的后处理流程，整合了坐标转换、噪声过滤、缺失值插值等步骤，将嘈杂的DeepLabCut输出转化为可靠的、可直接用于分析的运动学数据	未来可能需要集成自适应过滤算法和实时质量评估以进一步优化性能和自动化水平	旨在简化从原始DeepLabCut输出到有意义运动学洞察的转换过程，扩大研究人员的可及性，特别是那些编程专业知识有限的研究者	牛的控制性运动和野外记录的马匹小跑数据集	计算机视觉	NA	深度学习	NA	视频	两个数据集：牛的控制性运动和野外记录的马匹小跑	NA	NA	数据质量、可解释性、变异性减少、错误标记消除	NA
407	2025-12-31	A systematic review of the application of computational grounded theory method in healthcare research 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf088 PMID:41467037	综述	本文对计算扎根理论方法在医疗健康研究中的应用进行了系统性综述	首次系统性评估了计算扎根理论在医疗健康领域的应用现状、效用与挑战，整合了传统定性研究的解释深度与机器学习、自然语言处理等计算技术	纳入的研究样本量较小（8篇/892篇筛选文章），反映了该方法在医疗健康领域尚处于早期应用阶段，限制了结论的普适性	评估计算扎根理论在医疗健康研究中的应用范围、方法效用及面临的挑战	应用计算扎根理论的医疗健康研究论文	自然语言处理	NA	潜在狄利克雷分配、情感分析、词嵌入、深度学习算法	NA	文本	8篇研究论文（涉及超过10万份文档的大规模文本数据）	NA	NA	NA	NA
408	2025-12-31	Transformer technology in molecular science 2024 Jul-Aug, Wiley interdisciplinary reviews. Computational molecular science DOI:10.1002/wcms.1725 PMID:41451391	综述	本文深入探讨了Transformer技术在分子科学领域的技术细节和应用算法	聚焦于分子科学领域，对多种Transformer模型（如GPT、BERT、ViT等）的内部工作机制进行系统性梳理，并探讨其在处理复杂分子数据方面的技术能力和跨学科研究潜力	由于Transformer在分子科学中的应用非常广泛，本文仅聚焦于分子领域的技术层面，未涵盖所有应用场景	阐明Transformer架构的创新如何促进其在处理复杂分子数据方面的有效性，并讨论其在分子科学中的发展趋势	分子科学领域的Transformer模型算法	自然语言处理, 机器学习	NA	NA	Transformer	序列数据	NA	NA	GPT, BART, BERT, Graph Transformer, Transformer-XL, Text-to-Text Transfer Transformer, ViT, DETR, Conformer, CLIP, Sparse Transformers, Mobile and Efficient Transformers	NA	NA
409	2025-12-31	Self-supervised deep representation learning of a foundation transformer model enabling efficient ECG-based assessment of cardiac and coronary function with limited labels 2024-May-21, medRxiv : the preprint server for health sciences DOI:10.1101/2023.10.25.23297552 PMID:37961713	研究论文	本研究开发了一种基于自监督学习的视觉Transformer基础模型，用于从心电图数据中识别心肌血流储备受损和左心室射血分数降低的患者，并在有限标注数据下实现了高诊断准确性和预后预测能力	首次将自监督预训练的视觉Transformer基础模型应用于心电图分析，以解决心脏微血管和血管舒缩功能障碍等难以通过标准临床方法识别的关键问题，在标签稀缺的情况下显著提升了模型性能	研究依赖于特定数据库的心电图波形，且金标准PET数据仅在有限中心可用，可能影响模型的泛化能力；自监督预训练需要大量未标注数据	开发一种能够利用有限标注数据，从静息和负荷心电图中有效识别心肌血流储备受损和左心室功能异常的人工智能方法	接受正电子发射断层扫描心肌灌注成像或单光子发射计算机断层扫描心肌灌注成像的患者	机器学习	心血管疾病	心电图，正电子发射断层扫描心肌灌注成像，单光子发射计算机断层扫描心肌灌注成像	Transformer	心电图波形	自监督预训练使用800,035例未标注心电图；微调使用4,167例带有PET标注的数据；测试集包含1,031例PET患者和6,635例SPECT患者	NA	视觉Transformer	AUROC, 灵敏度, 特异性, 风险比	NA
410	2025-12-31	Machine learning identification of Pseudomonas aeruginosa strains from colony image data 2023-12, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011699 PMID:38091365	研究论文	本研究利用机器学习和图像处理技术，基于菌落图像数据对铜绿假单胞菌菌株进行分类识别	在种内尺度上应用深度卷积神经网络结合数据增强和迁移学习，克服生物深度学习中的数据匮乏问题，实现菌株的视觉指纹分类	样本量相对较小（69个菌株），且仅针对铜绿假单胞菌，未广泛验证其他细菌物种	探索菌落形态作为细菌菌株分类的基础，并开发基于图像的病原菌分类方法	69个环境和临床来源的铜绿假单胞菌菌株	计算机视觉	NA	菌落图像采集	CNN	图像	69个铜绿假单胞菌菌株	NA	深度卷积神经网络	准确率	NA
411	2025-12-31	Application of error level analysis in image spam classification using deep learning model 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0291037 PMID:38096218	研究论文	本文提出了一种利用误差水平分析（ELA）作为预处理步骤来提升卷积神经网络（CNN）在图像垃圾邮件分类中性能的方法	将误差水平分析（ELA）技术作为预处理步骤引入图像垃圾邮件分类，以增强CNN模型对挑战性数据集的鲁棒性和分类准确率	未明确说明模型对新型对抗攻击的泛化能力，且可能依赖于特定数据集	提升图像垃圾邮件分类的准确性和鲁棒性，特别是在对抗性设计的数据集上	图像垃圾邮件（包含文本信息的图像文件）	计算机视觉	NA	误差水平分析（ELA）	CNN	图像	NA	NA	NA	准确率	NA
412	2025-12-31	RVCNet: A hybrid deep neural network framework for the diagnosis of lung diseases 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293125 PMID:38153925	研究论文	本文提出了一种名为RVCNet的混合深度神经网络框架，用于从多类别X射线数据集中预测肺部疾病	结合ResNet101V2、VGG19和基础CNN三种深度学习技术，构建新型混合架构，并在特征提取阶段采用超参数微调，分类阶段加入批量归一化、dropout和密集层等额外层	NA	开发计算机辅助诊断系统，以帮助放射科医生更精确地诊断肺部疾病并减少误判	COVID-19、非COVID肺部感染、病毒性肺炎和正常患者的X射线图像	计算机视觉	肺部疾病	X射线成像	CNN	图像	2262张训练图像和252张测试图像	NA	ResNet101V2, VGG19, CNN	准确率, AUC, 精确率, 召回率, F1分数	NA
413	2025-12-30	C2DGCN: cross-connected distributive learning-enabled graph convolutional network for human emotion recognition using electroencephalography signal 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10399-8 PMID:41458473	研究论文	提出了一种基于交叉连接分布式学习的图卷积网络（C2DGCN），用于从脑电图信号中有效识别人类情绪	引入了交叉连接分布式学习机制，实现了广泛的特征共享与整合，降低了计算复杂度并提高了准确性；应用统计时频信号描述符提取复杂特征，缓解了过拟合问题	NA	开发一种高效的人类情绪识别方法	人类情绪状态	机器学习	NA	脑电图信号分析	图卷积网络	脑电图信号	使用了SEED-IV和DEAP两个数据集，具体样本数量未在摘要中说明	NA	C2DGCN	准确率, 灵敏度, 特异性, 精确率	NA
414	2025-12-30	Deep learning diagnosis model of spinal tuberculosis based on CT bone window gradient attention mechanism: multi-center study 2026-Dec, Computer assisted surgery (Abingdon, England) DOI:10.1080/24699322.2025.2599329 PMID:41459642	研究论文	本研究开发了一种基于CT骨窗图像和梯度注意力机制的深度学习模型，用于提高脊柱结核的早期诊断准确性	结合CT骨窗梯度注意力机制，改进了ResNet50网络，构建端到端深度学习诊断模型，有效提取骨小梁微骨折和钙化轮廓梯度相关特征	NA	提高脊柱结核的早期诊断准确性	脊柱结核患者	计算机视觉	脊柱结核	CT成像	CNN	图像	1027例多中心回顾性数据	NA	U-Net, ResNet50	AUC, 准确率, 灵敏度	NA
415	2025-12-30	Real-Time Phase-Contrast Cardiovascular MRI Using a Deep Learning Reconstruction Network With Combined Dictionary Learning and CNN 2026-Mar, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70142 PMID:41108209	研究论文	本研究开发了一种结合字典学习和CNN的深度学习重建网络DLCNet，用于实现低延迟的实时相位对比心血管MRI成像	提出了一种名为DLCNet的新型深度学习重建网络，该网络结合了字典学习和CNN，能够同时捕获空间和时间特征，用于实时相位对比心血管MRI成像	研究仅使用了15名正常受试者的数据集进行训练和测试，样本量较小，且未在患者群体中进行验证	开发低延迟的实时相位对比心血管MRI成像技术	心血管系统，特别是升主动脉的血流测量	医学影像分析	心血管疾病	相位对比心血管MRI，金角径向序列	CNN	MRI图像	15名正常受试者	NA	DLCNet（结合字典学习和CNN的深度学习重建网络）	图像重建质量，血流测量准确性，成像速度（14.6帧/秒），图像显示延迟（<60毫秒）	Gadgetron平台，扫描仪
416	2025-12-30	Solution to data imbalance and complex interactions in traffic conflict modeling: a hypergraph and generative AI approach 2026-Mar, Accident; analysis and prevention DOI:10.1016/j.aap.2025.108338 PMID:41365277	研究论文	本研究提出了一种结合超图和生成式AI的方法，以解决交通冲突建模中的数据不平衡和复杂交互问题	采用增强的二维碰撞时间（2D-TTC）指标结合车辆交互关系来预测多种模式的交通冲突，并利用带自注意力层的生成对抗网络（GAN）改进过采样方法，显著提升了模型性能	未明确说明模型在极端或未见过交通场景中的泛化能力，以及计算资源需求可能较高	解决交通冲突建模中数据不平衡和复杂动态交互的挑战，提升模型预测准确性和实用性	交通冲突事件，包括冲突和非冲突样本，涉及车辆速度、车辆数量、交通流特征等	机器学习	NA	二维碰撞时间（2D-TTC）指标，生成对抗网络（GAN），自注意力机制	生成对抗网络（GAN），超图注意力网络（HGAT），机器学习模型（未指定具体类型）	交通数据（包括车辆速度、距离、时间等指标）	NA	NA	超图注意力网络（HGAT），生成对抗网络（GAN）	F1分数，准确率	NA
417	2025-12-30	Rapid flow-artifact-free high-resolution T2 mapping via multi-shot multiple overlapping-echo detachment imaging 2026-Mar, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70119 PMID:41063418	研究论文	本文提出并验证了一种具有亚毫米空间分辨率和高临床实用性的T2映射方法，通过多激发多重叠回波分离成像技术实现快速无流动伪影的高分辨率T2映射	将多激发采集方案集成到多重叠回波分离成像中，以减轻单激发MOLED的缺陷，并利用深度学习校正不连续相位跳跃，无需自校准核、导航器、门控设备或耗时后处理	未明确提及方法在更广泛临床场景或不同疾病类型中的验证情况	开发一种具有亚毫米空间分辨率、约1分钟采集时间、大体积覆盖且无需额外控制台或线圈负担的T2映射方法，并校正由脉动脑脊液引起的激发间相位变化	模型（在3T和7T下）和人类（在3T下）	医学影像	NA	多激发多重叠回波分离成像，深度学习	深度学习	磁共振图像	模型和人类数据（具体数量未明确）	NA	NA	平均绝对误差，线性回归斜率，R²值	NA
418	2025-12-30	Balancing Bias and Variance in Deep Learning-Based Tumor Microstructural Parameter Mapping 2026-Mar, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70154 PMID:41126537	研究论文	本研究提出了一种名为B2V-Net的监督学习方法，通过可调节偏置-方差权重的损失函数，在肿瘤微结构参数映射中平衡偏置与方差，改进了现有非线性最小二乘拟合和均方误差损失网络的性能	在贝叶斯框架下重新表述了NLLS和MSE-Net，揭示了其偏置-方差行为，并提出了B2V-Net，这是一种使用可调节偏置-方差权重损失函数的监督学习方法，能够控制偏置-方差权衡	研究主要基于随机游走障碍模型作为代表性生物物理模型，可能未涵盖所有肿瘤微结构模型；在体评估仅限于头颈癌患者，需要进一步验证于其他癌症类型	研究深度学习在肿瘤微结构参数映射中的偏置-方差特性，并提出一种方法来控制拟合偏置和方差	肿瘤微结构参数映射，特别是通过时间依赖性扩散MRI进行量化	医学影像分析	头颈癌	时间依赖性扩散MRI	深度学习	MRI图像	NA	NA	B2V-Net	偏置, 方差, 标准偏差	NA
419	2025-12-30	Rapid and robust quantitative cartilage assessment for the clinical setting: deep learning-enhanced accelerated T2 mapping 2026-Feb, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-025-05034-w PMID:40968299	研究论文	本研究开发了一种基于深度学习的加速软骨T2映射序列（DL CartiGram），旨在提高临床环境中软骨定量评估的速度和鲁棒性	结合并行成像和深度学习图像重建技术，显著缩短了扫描时间，同时保持了优异的重复性和再现性	研究中站点间存在的微小偏差可能由温度效应引起，且样本量相对有限	开发并验证一种快速、鲁棒的软骨T2映射方法，以促进其在临床环境中的应用	软骨组织，具体包括43名患者的52个髌骨和股骨软骨分区	医学影像分析	骨关节炎	T2映射，并行成像，深度学习图像重建	深度学习	磁共振图像	43名患者（52个软骨分区）	NA	NA	变异系数，Bland-Altman分析，一致性相关系数，Wilcoxon符号秩检验，配对t检验	NA
420	2025-12-30	Mathematical and Artificial Intelligence Techniques in Modern Drug Discovery: A Review 2026-Feb, Drug development research IF:3.5Q2 DOI:10.1002/ddr.70212 PMID:41431184	综述	本文综述了数学建模和人工智能技术在现代药物发现各个阶段的应用，旨在加速研发过程并降低临床试验的风险和成本	系统性地整合了线性代数、优化、统计建模、图论和微分方程等数学框架与机器学习、深度学习、强化学习、自然语言处理和迁移学习等人工智能技术，探讨了二者在药物研发中的协同应用	NA	探讨人工智能和数学技术如何加速药物发现过程，降低研发成本和风险	药物发现与开发过程	自然语言处理, 机器学习	NA	NA	机器学习, 深度学习, 强化学习, 自然语言处理, 迁移学习	NA	NA	NA	NA	NA	NA