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
4541	2025-12-22	Deep Learning Enables Fast and Accurate Quantification of MRI-Guided Near-Infrared Spectral Tomography for Breast Cancer Diagnosis 2025-Nov, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3574727 PMID:40440147	研究论文	本文开发了一种基于深度学习的MRI引导近红外光谱断层扫描图像重建方法，用于乳腺癌诊断	提出了一种深度学习驱动的MR引导3D NIRST图像重建系统，显著提高了重建速度和诊断准确性	研究基于合成数据训练的网络，并在38例临床检查中验证，样本量相对有限	提高乳腺癌诊断的特异性和敏感性	乳腺异常患者的临床成像数据	医学影像分析	乳腺癌	MRI引导的近红外光谱断层扫描	深度学习模型	合成数据及临床MRI与NIRST数据	38例临床成像检查	NA	NA	敏感性, 特异性, 诊断准确率, ROC曲线下面积	NA
4542	2025-12-22	Next-generation antiviral peptides: AI-driven design, translational delivery platforms, and future therapeutic directions 2025-Nov, Virus research IF:2.5Q3 DOI:10.1016/j.virusres.2025.199642 PMID:41106780	综述	本文综述了抗病毒肽作为下一代治疗药物的研究进展，重点关注AI驱动的设计、新型递送策略及临床转化应用	整合了AI驱动的抗病毒肽从头设计、新型递送平台（如纳米颗粒、水凝胶）以及未来方向（如CRISPR/mRNA递送）的全面视角	NA	提供抗病毒肽研究的综合视角，强调AI驱动发现、递送策略和转化应用	抗病毒肽	自然语言处理, 机器学习	NA	NA	机器学习, 深度学习, GANs, 大语言模型, 强化学习	NA	NA	NA	NA	NA	NA
4543	2025-12-22	AI in Prostate MRI: A Task-Based Review 2025-Nov, Journal of the Korean Society of Radiology DOI:10.3348/jksr.2025.0062 PMID:41415644	综述	本文基于任务对前列腺MRI中的人工智能应用进行了全面回顾	以任务为导向系统梳理了AI在前列腺MRI中的临床应用，涵盖了从分割到监测的多个关键环节	目前仅有少数AI工具商业化可用，且综述未深入讨论具体算法的技术细节	概述AI在前列腺MRI中的临床应用现状与潜力	前列腺MRI图像及相关AI算法	数字病理学	前列腺癌	MRI	深度学习	图像	NA	NA	NA	NA	NA
4544	2025-12-22	Field phenotyping for soybean density tolerance using time-series prediction and dynamic modeling 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100083 PMID:41416187	研究论文	本研究提出了一种结合时空深度学习与动态建模的创新方法，利用无人机高通量表型技术量化冠层参数的动态变化，以揭示大豆耐密植性状的关键调控机制	首次将时空深度学习与动态性状建模相结合，显著提高了叶面积指数估计的时间连续性和稳定性，相比传统单时间点预测方法，能更精确地量化不同生长阶段的冠层发育速率	研究基于中国东北特定黑土区域的两年田间试验，其结论在其他土壤类型或气候区域的普适性有待验证	开发一种高精度、可解释的表型分析框架，用于有效筛选耐密植的大豆品种，以实现高产稳产	208个大豆品种在高低两种种植密度（50万株/公顷和30万株/公顷）下的冠层动态性状	计算机视觉，机器学习	NA	无人机高通量表型技术，多光谱无人机影像	时空残差网络（ST-ResNet），长短期记忆网络（LSTM），随机森林（RF）	多光谱图像，地面真实数据	208个大豆品种，在2022-2023年进行两年田间试验，每个生长季采集15-18次无人机影像	NA	ST-ResNet, LSTM, RF	决定系数（R²），均方根误差（RMSE），相关系数（r）	NA
4545	2025-12-22	FSEA: Incorporating domain-specific prior knowledge for few-shot weed detection 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100086 PMID:41416189	研究论文	本研究提出了一种结合领域先验知识的少样本杂草检测框架FSEA，旨在解决田间条件下难以收集大规模平衡训练数据的问题	提出了少样本增强注意力网络，通过通道注意力特征融合模块、特征增强模块和针对植物遮挡优化的损失函数，将植物检测的领域特定先验知识融入少样本学习	研究仅针对特定作物和杂草物种进行验证，可能未涵盖所有田间环境下的多样性	开发一种能够快速适应新杂草物种的少样本学习框架，以提升精准杂草控制的实用性	常见作物和杂草物种（如甜菜、甘蔗、稗草等）以及较少见的杂草物种（如马齿苋、亚洲铜叶草等）	计算机视觉	NA	深度学习	Faster R-CNN	图像	每个物种仅使用30个样本进行训练，共涉及10个物种	PyTorch	Faster R-CNN	mAP	NA
4546	2025-12-22	Volumetric Deep Learning-Based Precision Phenotyping of Gene-Edited Tomato for Vertical Farming 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100095 PMID:41416190	研究论文	本研究利用CRISPR-Cas9系统开发了适用于垂直农业的番茄新品种，并提出了一种基于体积深度学习的表型分析方法，通过叶绿素荧光成像数据自动识别基因编辑突变体	首次将三维深度学习框架应用于叶绿素荧光成像数据的自动特征提取，结合时间特性分析，实现了对垂直农业定制番茄植株的高精度分类，超越了传统机器学习方法	未明确说明模型在其他作物或性状上的泛化能力验证情况，且样本规模可能有限	开发适用于垂直农业系统的番茄基因编辑品种，并建立高效的非破坏性表型分析技术	通过CRISPR-Cas9编辑SP基因的番茄植株	计算机视觉	NA	CRISPR-Cas9基因编辑，叶绿素荧光成像	深度学习，CNN	三维叶绿素荧光成像数据	未明确说明具体样本数量，涉及三倍决定性突变体和SP基因编辑植物	未明确说明	未明确指定具体架构，但提及了1D-CNN作为对比方法	分类准确率	NA
4547	2025-12-22	Analysis of Wheat Spike Morphological Traits by 2D Imaging 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100096 PMID:41416197	研究论文	本研究开发了一个名为Speakerphone的深度学习流程，用于通过2D成像精确获取小麦穗部表型性状，并分析其与产量的关系	开发了深度学习流程Speakerphone，实现了高精度的小麦穗部分割（mIoU达0.948），并首次系统提取了45个穗部表型，揭示了穗形态与千粒重及产量的相关性	研究仅基于中国河北赵县的221个小麦品种，样本地理来源相对有限，且依赖于2D成像，可能无法完全捕捉三维形态特征	开发高精度小麦穗部表型获取方法，并分析穗形态性状与产量性状（如千粒重和穗产量）的相关性	小麦穗部形态	计算机视觉	NA	2D成像	深度学习	图像	来自中国河北赵县不同地区的221个小麦品种	NA	NA	平均交并比（mIoU）, 皮尔逊相关系数	NA
4548	2025-12-22	RsegNet: An Advanced Methodology for Individual Rubber Tree Segmentation and Structural Parameter Extraction from UAV LiDAR Point Clouds 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100090 PMID:41416207	研究论文	本文提出了一种名为RsegNet的优化方法，用于从无人机LiDAR点云中分割单个橡胶树并提取其结构参数	提出了优化的双通道聚类方法（RsegNet），设计了CosineU-Net网络通过计算空间和位置特征的余弦相似度来解决枝叶重叠问题，并集成了多类关联和背景分类以处理背景干扰	NA	改进橡胶树点云分割和结构参数提取，以支持精准农业和精细化种植园管理	橡胶树	计算机视觉	NA	无人机LiDAR点云	深度学习网络	点云数据	自建数据集及FOR-instance森林数据集的五个区域	NA	CosineU-Net, RsegNet	F-score	NA
4549	2025-12-22	ChatLeafDisease: a chain-of-thought prompting approach for crop disease classification using large language models 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100094 PMID:41416205	研究论文	本研究开发了一个基于GPT-4o和思维链提示的训练免费框架ChatLeafDisease，用于作物病害分类	提出了一个无需训练的LLM框架，结合思维链提示和病害描述数据库，实现了高准确率的作物病害分类	研究仅针对六种番茄病害进行测试，未涉及更广泛的作物种类或病害类型	探索利用大型语言模型进行作物病害分类的方法	番茄叶片病害	自然语言处理	作物病害	思维链提示	GPT-4o, Gemini, CLIP	文本描述	六种番茄病害	NA	GPT-4o, Gemini, CLIP	分类准确率	NA
4550	2025-12-22	Panoptic segmentation for complete labeling of fruit microstructure in 3D micro-CT images with deep learning 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100087 PMID:41416198	研究论文	本文开发了一种基于深度学习的3D全景分割模型，用于在X射线微CT图像中自动标记苹果和梨果实组织的微观结构	首次将3D全景分割（结合语义和实例分割）应用于植物果实组织的微观结构分析，无需复杂的样本制备，显著提升了自动化标记的完整性	尽管评估了多种增强方法，但未能在标准数据集训练模型的基础上进一步提升测试性能；苹果组织中的薄壁血管分割仍具挑战性	加速和改进苹果和梨果实组织在X射线微CT图像中的微观结构表征	苹果和梨果实的微观组织结构，包括薄壁细胞、孔隙、维管束和石细胞簇等特征	计算机视觉	NA	X射线微计算机断层扫描	深度学习模型	3D图像	苹果和梨果实组织样本（具体数量未明确说明）	NA	3D全景分割模型	聚合Jaccard指数, Dice相似系数	NA
4551	2025-12-22	Soybean yield estimation and lodging discrimination based on lightweight UAV and point cloud deep learning 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100028 PMID:41415158	研究论文	本研究利用轻量级无人机和点云深度学习模型，结合空间结构与颜色信息融合，实现了大豆产量估算和倒伏等级判别	提出了新的点云深度学习模型SoyNet和SoyNet-Res，并引入了两种数据级融合方法，有效整合了空间结构和颜色信息，克服了传统统计特征忽略结构信息的局限	NA	优化大豆育种表型研究，通过深度学习模型同时进行产量估算和倒伏等级判别	大豆冠层	计算机视觉	NA	无人机平台、交叉环绕倾斜路线摄影、运动结构恢复与多视图立体视觉技术	深度学习	点云数据	NA	NA	SoyNet, SoyNet-Res	均方根误差, F1分数, 准确率top-2, 准确率top-3	NA
4552	2025-12-22	A scalable and efficient UAV-based pipeline and deep learning framework for phenotyping sorghum panicle morphology from point clouds 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100050 PMID:41415167	研究论文	本文提出了一种基于无人机和深度学习的高粱穗形态表型分析框架，包括3D重建、模拟数据集生成和新型多任务模型SegVoteNet	开发了结合无人机视频采集与NeRF的3D点云重建流程，并提出了SegVoteNet模型，通过分割结果优化目标检测，无需微调即可在真实数据上实现高性能	未明确说明模型在极端环境条件下的泛化能力，且实际应用中可能受无人机飞行条件和数据采集质量限制	开发可扩展的高粱穗形态表型分析方法，以支持育种和商业应用	高粱冠层和穗部形态	计算机视觉	NA	无人机视频采集, Neural Radiance Fields (NeRF), 3D模拟	深度学习, 语义分割, 3D检测	点云数据	NA	PyTorch	SegVoteNet, VoteNet, PointNet++	Mean Average Precision (mAP) @ 0.5 Intersection Over Union (IOU)	NA
4553	2025-12-22	Spotibot: Rapid scoring of B otrytis lesions on rose petals using deep learning and mobile computing 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100029 PMID:41415171	研究论文	本研究开发了Spotibot软件，利用深度学习和移动计算技术，自动检测玫瑰花瓣上的灰霉病病变，以快速、客观地评估抗病性	首次开发了结合深度学习和移动计算的快速、用户友好的应用程序，用于玫瑰花瓣图像分析，以筛选灰霉病抗性和易感性	NA	开发一种准确、快速、客观的表型分析工具，用于玫瑰育种选择和发现新的抗性或易感基因	玫瑰花瓣上的灰霉病病变	计算机视觉	灰霉病	NA	实例分割模型	图像	NA	NA	NA	F1分数, Spearman Rank相关系数	移动计算
4554	2025-12-22	Automated 3D Segmentation of Plant Organs via the Plant-MAE: A Self-Supervised Learning Framework 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100049 PMID:41415170	研究论文	本研究开发了一种基于自监督学习的点云分割框架Plant-MAE，用于自动化三维植物器官分割，以支持作物表型参数估计	创新性地将自监督学习范式应用于植物表型领域，并引入了基于核的点卷积嵌入模块和基于注意力机制的多角度特征提取块（MAFEB）	未明确提及具体局限性，但暗示了现有方法在点云数据标注方面的挑战	实现可靠且自动化的三维植物器官分割，以提取器官水平的表型性状	植物器官的点云数据	计算机视觉	NA	自监督学习	自监督学习框架	点云数据	多个点云数据集，具体数量未明确说明	NA	Plant-MAE, PointNet++, point transformer, Point-M2AE	精确率, 召回率, F1分数, IoU	NA
4555	2025-12-22	FreezeNet: A Lightweight Model for Enhancing Freeze Tolerance Assessment and Genetic Analysis in Wheat 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100061 PMID:41415164	研究论文	本研究开发了一种名为FreezeNet的轻量级深度学习模型，用于基于图像的表型分析准确量化小麦冻害，并识别与耐冻性相关的遗传位点	开发了轻量级深度学习模型FreezeNet，首次将图像表型分析与GWAS结合，识别出8个新的耐冻性QTL，并通过基因渗入验证了其功能	研究仅基于220份小麦种质，样本规模相对有限；模型在更广泛环境或品种中的泛化能力未充分验证	开发准确评估小麦耐冻性的方法并识别关键遗传因子，以指导耐冻小麦品种选育	小麦幼苗期的冻害表型及220份小麦种质	计算机视觉	NA	图像表型分析，全基因组关联分析	CNN	图像	220份小麦种质	NA	FreezeNet	与传统目测评分相关性，遗传力	NA
4556	2025-12-22	XFruitSeg-A general plant fruit segmentation model based on CT imaging 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100055 PMID:41415184	研究论文	本研究提出了一种基于CT成像的通用植物果实分割深度学习模型XFruitSeg，用于精确分割果实内部组织	提出了首个针对植物果实CT图像的通用深度学习分割模型，集成了大卷积核网络RepLKNet、多尺度跳跃连接、深度监督机制、轮廓特征学习分支以及优化的复合损失函数	模型仅在橙子、山竹和榴莲三种果实上进行了评估，尚未在所有12个品种上全面验证	开发一种高精度的植物果实内部组织分割方法，以支持表型分析	植物果实的CT图像	计算机视觉	NA	CT成像	深度学习	图像	包含12种植物果实品种的高分辨率图像数据集，其中橙子、山竹和榴莲有精确标注用于评估	NA	U-Net, RepLKNet	Dice系数, mIoU	NA
4557	2025-12-22	Dynamic maize true leaf area index retrieval with KGCNN and TL and integrated 3D radiative transfer modeling for crop phenotyping 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100004 PMID:41415943	研究论文	本研究提出了一种结合三维辐射传输模型和知识引导深度学习的新方法，用于动态反演玉米真实叶面积指数，以提升作物表型分析的准确性	开发了结合三维冠层结构物理的知识引导卷积神经网络架构，并利用迁移学习技术进行跨时间适应，显著提高了叶面积指数反演的精度和稳定性	方法依赖于合成数据集进行预训练，可能受限于模拟数据与真实田间条件之间的差异，且跨年验证仅覆盖两年数据，长期普适性有待进一步验证	通过集成三维辐射传输建模和深度学习，提高玉米真实叶面积指数的动态反演精度，以支持作物生长状态评估和产量预测	玉米作物	计算机视觉	NA	三维辐射传输建模, 遥感散射模型	CNN, LSTM, RNN	合成数据集, 田间测量数据	2021年田间测量数据用于微调, 2022-2023年数据集用于跨年验证	NA	知识引导卷积神经网络, PROSAIL, 随机森林	R, RMSE	NA
4558	2025-12-22	A deep learning-based micro-CT image analysis pipeline for nondestructive quantification of the maize kernel internal structure 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100022 PMID:41415948	研究论文	本文提出了一种基于深度学习的微CT图像分析流程，用于无损量化玉米籽粒的内部结构	提出了名为CSFTU-Net的改进U-Net架构，集成了CBAM和SE注意力机制，并使用focal-Tversky损失函数及边界平滑项，显著提高了玻璃质与粉质胚乳的分割能力	未明确说明模型在不同玉米品种或成像条件下的泛化能力，也未讨论计算效率或处理大规模数据的可行性	开发一种无损、自动化的方法来量化玉米籽粒的内部结构，以支持玉米育种和加工研究	玉米籽粒的微CT图像	计算机视觉	NA	微CT扫描	CNN	图像	未明确说明	未明确说明	U-Net, CSFTU-Net	分割准确性	未明确说明
4559	2025-12-22	CVRP: A rice image dataset with high-quality annotations for image segmentation and plant phenomics research 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100025 PMID:41415951	研究论文	本文介绍了一个名为CVRP的高质量水稻图像数据集，用于图像分割和植物表型组学研究	创建了一个包含多品种、多视角、高标注质量的水稻图像公开数据集，并设计了半自动标注流程	未明确说明数据集的样本数量及标注的具体耗时	为作物图像分析和植物表型组学研究提供高质量标注数据集，促进精准农业和育种模型发展	水稻植株图像，包括231个地方品种和50个现代栽培品种	计算机视觉	NA	深度学习模型辅助的半自动标注	语义分割模型	图像	来自281个水稻品种（231个地方品种 + 50个现代栽培品种）的图像	未明确说明	未明确指定具体架构，但评估了四种SOTA语义分割模型	未明确说明	未明确说明
4560	2025-12-22	Segmenting vegetation from UAV images via spectral reconstruction in complex field environments 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100021 PMID:41415944	研究论文	提出一种基于光谱重建的弱监督方法，用于复杂田间环境下的植被分割	通过光谱重建技术降低数据采集成本，并结合植被指数理论增强植被信息，实现无需人工标注的弱监督分割	未明确说明方法在极端光照或天气条件下的鲁棒性，且数据集规模相对有限	开发一种低成本、高效的田间植被分割方法，以应对复杂环境挑战	无人机采集的田间植被遥感图像	计算机视觉	NA	光谱重建，植被指数	CNN, 注意力机制	图像	2358对无人机RGB-多光谱图像样本	未明确指定，但开源代码暗示可能基于PyTorch或TensorFlow	SRCNet, SRANet	平均交并比	NA