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
4941	2025-12-17	Predicting Radiation Pneumonitis Integrating Clinical Information, Medical Text, and 2.5D Deep Learning Features in Lung Cancer 2026-Jan-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.07.1437 PMID:40844448	研究论文	本文构建了一个基于临床信息、医学文本和2.5D深度学习特征的肺癌患者放射性肺炎预测模型	提出了一种结合临床信息、医学文本和2.5D多实例学习特征的放射性肺炎预测模型，为预测放疗副作用提供了新思路	模型在不同测试队列中的最优模型类型存在差异，可能影响泛化能力	构建放射性肺炎的预测模型以评估放疗副作用	肺癌患者	数字病理学	肺癌	CT成像, 放射治疗剂量切片	深度学习模型	图像, 文本	594名患者（356名来自一个中心，238名来自三个其他中心）	NA	DenseNet121, DenseNet201, Twins-SVT	AUC	NA
4942	2025-12-17	An Explainable 3D-Deep Learning Model for EEG Decoding in Brain-Computer Interface Applications 2025-Dec-30, International journal of neural systems IF:6.6Q1 DOI:10.1142/S012906572550073X PMID:41109958	研究论文	本文提出了一种用于脑机接口应用中EEG解码的多维可解释深度学习框架	提出了一种基于三维卷积神经网络的可解释深度学习模型，通过全局到特定用户的微调策略减少校准时间，并引入三维遮挡敏感性分析增强模型透明度	模型在跨用户泛化方面可能存在限制，需要进一步验证在不同EEG数据集上的性能	开发一种快速、可解释的EEG解码方法，以降低脑机接口系统的用户特定校准时间	运动脑机接口实验中的EEG信号，特别是手部张开和手部闭合运动规划与静息状态的区分	机器学习	NA	EEG信号处理	CNN	EEG信号	NA	NA	3D Convolutional Neural Network	准确率	NA
4943	2025-12-17	Usefulness of Data Simulation for Training Deep Learning Denoising Algorithms in Infrared Spectral Histology 2025-Dec-16, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c02174 PMID:41337468	研究论文	本研究探讨了使用模拟数据训练深度学习模型，以去噪临床应用中石蜡包埋组织切片的红外光谱图像	提出了一种基于模拟线性生成模型的方法，结合不同谱带形状（Voigt、高斯和洛伦兹）和噪声类型（加性和乘性高斯噪声以及泊松噪声），以增强训练数据的多样性并提高模型泛化能力	模拟光谱的具体配置显著影响模型性能，且模拟数据的特性导致不同程度的成功	开发用于红外光谱图像去噪的深度学习技术，以减少扫描时间并促进临床部署	石蜡包埋组织切片的红外光谱图像	数字病理学	NA	傅里叶变换红外光谱	CNN	图像	NA	NA	ResUNet-1D-CNN	NA	NA
4944	2025-12-17	BayesOpGAN: A Bayesian-Optimized GAN Framework with Fourier-Based Evaluation for Quality-Controlled Raman Spectral Data Augmentation 2025-Dec-16, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c04540 PMID:41344223	研究论文	本文提出了一种名为BayesOpGAN的生成对抗网络框架，用于从小样本（少于30个）中生成高质量的拉曼光谱数据，以解决深度学习模型在小数据集上过拟合和泛化能力差的问题	创新点包括引入了贝叶斯优化的损失函数（BayesOpLoss）和平滑上采样模块，并采用傅里叶距离这一频域度量来定量评估生成的一维光谱质量	生成数据存在最优增强范围，过量的生成数据会降低分类器性能	研究目的是开发一种可靠且可扩展的小样本光谱数据增强方法，以提升拉曼光谱分类模型的性能	研究对象为拉曼光谱数据，具体来自RRUFF拉曼数据库的混合质量数据集	机器学习	NA	拉曼光谱	GAN	光谱数据（一维信号）	少于30个样本	NA	GAN, ResNet-50	准确率, 傅里叶距离	NA
4945	2025-12-17	Deep Learning-Driven Innovations in Echocardiography: Taxonomy, Clinical Impact, Challenges, and Opportunities 2025-Dec-16, Annals of biomedical engineering IF:3.0Q3 DOI:10.1007/s10439-025-03944-3 PMID:41400904	综述	本文全面分析了深度学习在超声心动图领域的应用，重点关注其临床影响、挑战和发展机遇	提供了深度学习在超声心动图中应用的系统分类，并强调了其在心血管疾病自动诊断和监测中的变革性影响，同时指出了未充分探索的挑战和潜在解决方案	作为综述文章，未提出新的实验数据或模型，主要基于现有文献进行分析	分析深度学习如何重塑超声心动图领域，并探讨其临床影响、挑战和未来机会	超声心动图图像数据及相关深度学习研究	计算机视觉	心血管疾病	NA	深度学习	图像	NA	NA	NA	NA	NA
4946	2025-12-17	Deep learning predicts microsatellite instability status in colorectal carcinoma in an ethnically heterogeneous population in South Africa 2025-Dec-15, Journal of clinical pathology IF:2.5Q2 DOI:10.1136/jcp-2025-210053 PMID:40393786	研究论文	本研究评估了基于深度学习的模型在南非多民族结直肠癌患者队列中预测微卫星不稳定状态的性能	首次在非洲多民族人群中验证了基于Transformer的深度学习模型对结直肠癌错配修复缺陷的预测能力，并进行了区域特异性校准	样本量相对较小（197例），且假阴性病例主要位于左侧结肠，缺乏典型的dMMR/MSI-H组织学表型	评估深度学习模型在资源有限环境中作为结直肠癌错配修复缺陷预筛查工具的可行性和准确性	南非多民族结直肠癌患者的切除标本	数字病理学	结直肠癌	全玻片图像扫描	深度学习	图像	197例结直肠癌切除标本	未明确说明	Transformer	AUROC, 敏感性, 特异性, Youden's J指数	NA
4947	2025-12-17	Towards Robust Assessment of Pathological Voices via Combined Low-Level Descriptors and Foundation Model Representations 2025-Dec-15, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3644692 PMID:41396745	研究论文	本研究提出了一种结合低层声学特征与语音基础模型表示的新型深度学习框架VOQANet及VOQANet+，用于客观、鲁棒地评估病理嗓音	首次将自监督语音基础模型嵌入与低层声学描述符（抖动、振幅微扰、谐噪比）相结合，并在句子级别语音上进行评估，增强了模型在真实场景和远程医疗应用中的鲁棒性	未明确说明模型在跨语言或不同病理类型间的泛化能力，也未详细讨论计算复杂度	开发一种客观、准确的病理嗓音质量评估方法，以减少传统主观评估方法中评估者间的变异性	病理嗓音（声音障碍）	自然语言处理	NA	语音信号处理，深度学习	深度学习框架（基于注意力机制）	语音数据（元音级别和句子级别）	NA	NA	VOQANet, VOQANet+	均方根误差, 皮尔逊相关系数	NA
4948	2025-12-17	Memory-Efficient Intrinsic Gating Adaptation for Enhanced On-Device Epilepsy Diagnosis 2025-Dec-15, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3643602 PMID:41396749	研究论文	本文提出了一种用于资源受限边缘设备上癫痫诊断的内存高效内在门控适应框架（MEIGA）	提出MEIGA框架，通过轻量级适配器网络和直接反馈对齐（DFA）技术，在低内存和计算开销下有效适应患者特异性生物标志物的会话间变异性	未明确说明模型在不同癫痫亚型或更广泛临床环境中的泛化能力，以及长期部署的稳定性验证	增强资源受限边缘设备上癫痫诊断的实用性和适应性	癫痫患者的脑电图（EEG）数据	机器学习	癫痫	脑电图（EEG）	Vision Transformer, 适配器网络	时序信号（EEG）	CHB-MIT癫痫数据集和AES数据集（具体样本数未在摘要中提供）	未明确指定	Vision Transformer	准确率	边缘设备（资源受限环境）
4949	2025-12-17	A Comparative Study on Signal Decomposition Techniques for Stimulated Raman Photoacoustic Microscopy 2025-Dec-15, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202500388 PMID:41397816	研究论文	本文比较了基于受激拉曼光谱的多光谱光声显微镜系统中四种信号分解技术的性能	首次在受激拉曼光声显微镜系统中系统比较了包括深度学习在内的多种信号分解方法	方法性能在较长时延下表现出较大变异性，且仅在小鼠脑部数据上测试	评估不同信号分解技术在光声显微镜中的效果，以优化氧饱和度估计	小鼠脑部产生的光声信号	生物医学成像	NA	受激拉曼光谱，多光谱光声显微镜	CNN, 自编码器	光声信号	从小鼠脑部获取的数据	NA	卷积神经网络与自编码器结合架构	准确度	NA
4950	2025-12-17	Comparative Analysis of AI-based Quantification vs. Visual Rating of Enlarged Perivascular Spaces in the MESA Cohort 2025-Dec-15, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9129 PMID:41397892	研究论文	本研究比较了视觉评分与基于AI的量化方法在评估脑部MRI中扩大的血管周围空间（PVS）与血管风险因素及认知表现关联性的效果	首次在MESA队列中系统比较了传统视觉评分与全自动深度学习算法在PVS量化上的差异，并发现AI方法能检测出更多与血管风险因素和认知功能的关联	横断面研究设计无法确定因果关系，样本量相对有限（235名参与者），且仅基于单一队列数据	比较AI量化与视觉评分在识别PVS与血管风险因素及认知表现关联性方面的差异	235名来自多民族动脉粥样硬化研究（MESA）的参与者，均接受了脑部MRI检查	数字病理学	心血管疾病	脑部MRI，流体衰减反转恢复序列	深度学习算法	图像	235名参与者	NA	NA	β系数，置信区间	NA
4951	2025-12-17	Deep learning accelerates discovery of complex nanomaterials 2025-Dec-15, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00918-2 PMID:41398083	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4952	2025-12-17	Development and validation of a deep learning-based automatic segmentation and classification of cerebral white matter hyperintensities 2025-Dec-15, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12174-z PMID:41398110	研究论文	本研究开发并验证了一种基于深度学习的、用于认知障碍患者脑白质高信号自动分割与分类的模型	采用多任务多实例学习框架，实现了脑白质高信号的同时自动分割与分类，并利用Fazekas量表进行严重程度评估	模型在外部数据集上的分类准确率（0.68-0.75）低于内部数据集，表明可能存在泛化性挑战；研究为回顾性设计	开发并验证一种能够自动分割和分类脑白质高信号的深度学习模型，以支持脑小血管病的量化评估	认知障碍患者的脑部磁共振图像	医学影像分析	脑小血管病	磁共振成像	深度学习	图像	内部数据集：分割模型训练448例、调优149例、测试149例；分类模型训练1186例、调优394例、测试394例；外部测试集100例	NA	UNet with Resnet-34 encoder	Dice分数, 准确率	NA
4953	2025-12-17	"Enhancing early detection of oral cancer: a comparative study of artificial intelligence models and clinical specialist in lesion classification" 2025-Dec-15, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15334-y PMID:41398657	研究论文	本研究通过比较人工智能模型与临床专家在口腔病变分类中的表现，探索AI在口腔癌早期检测中的应用	首次系统比较了多种预训练深度学习模型在口腔癌病变分类中的性能，并证明AI模型可超越经验丰富的口腔专家诊断准确率	研究样本量相对有限（518张图像），且数据来源于单一医疗机构，可能影响模型的泛化能力	评估人工智能模型在口腔癌早期检测中的效能，并比较其与临床专家的诊断准确性	口腔内临床图像中的恶性与良性病变	计算机视觉	口腔癌	深度学习图像分析	CNN	图像	518张口腔内临床图像（104张恶性病变，414张良性或正常组织）	NA	DenseNet-121, EfficientNet-B0, ResNet-50	准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, F1分数, AUC	NA
4954	2025-12-17	Enhancing breast cancer diagnosis: non-invasive prediction of MKI-67 (Ki67) expression using ultrasound images 2025-Dec-15, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15443-8 PMID:41398654	研究论文	本研究探索利用术前超声图像异质性非侵入性预测乳腺癌中MKI-67 (Ki67)表达状态	通过结合栖息地亚区、全局肿瘤、实验室和深度学习特征，综合多维度信息预测Ki67表达状态	复合模型在与某些组合模型比较时未显示出显著优势	非侵入性预测乳腺癌Ki67表达状态	乳腺癌患者	数字病理学	乳腺癌	超声成像	CNN, 机器学习	图像, 实验室数据	432名患者（训练集）和109名患者（测试集）	PyTorch, Scikit-learn	Swin-unet, ResNet-101	准确率, AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值	NA
4955	2025-12-17	Biparametric MRI-Based Habitat Analysis Integrated With Deep Learning for Predicting Clinically Significant Prostate Cancer in PI-RADS Category 3 Lesions 2025-Dec-15, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70205 PMID:41398999	研究论文	本研究开发并验证了一种基于双参数MRI的栖息地分析模型，结合深度学习特征，用于预测PI-RADS 3类别病变中的临床显著性前列腺癌	整合了双参数MRI的栖息地分析与深度学习特征，构建了栖息地全肿瘤模型和组合模型，提高了对PI-RADS 3病变中临床显著性前列腺癌的预测准确性	研究为回顾性设计，样本来自两个中心，可能存在选择偏倚，且模型性能需在前瞻性研究中进一步验证	预测PI-RADS 3类别前列腺病变中的临床显著性前列腺癌	551名经MRI识别为PI-RADS 3类别病变并经组织病理学确认的患者	数字病理学	前列腺癌	双参数MRI（T2加权成像和扩散加权成像序列）	深度学习	MRI图像	551名患者（中心1：439名，中心2：112名）	NA	NA	AUC（曲线下面积）	NA
4956	2025-12-17	AI learning for pediatric right ventricular assessment: development and validation across multiple centers 2025-Dec-09, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02123-x PMID:41366000	研究论文	开发并验证了一个基于视频的深度学习框架，用于儿童右心室功能的自动评估	开发了一个跨多中心验证的视频深度学习框架，首次实现了对儿童右心室的自动分割、功能评估（FAC）、疾病分类及左心室射血分数的探索性预测	研究依赖于特定超声心动图视图（A4C, PSAX），模型在更广泛的形态变异或图像质量不佳情况下的泛化能力未完全验证	开发一个自动化、准确的工具来评估儿童右心室功能，以改善先天性或获得性心脏病患儿的诊断和管理	患有先天性心脏病、肺动脉高压、早产等相关疾病的儿童患者	数字病理学	心血管疾病	超声心动图	深度学习	视频	来自北美和亚洲四个三级医疗中心的3993名儿童的24,984份超声心动图	NA	U²-Net	Dice系数, AUC	NA
4957	2025-12-17	Deep learning reveals endogenous sterols as allosteric modulators of the GPCR-Gα interface 2025-Dec-08, eLife IF:6.4Q1 DOI:10.7554/eLife.106397 PMID:41359750	研究论文	本文开发了AI驱动的计算工具Gcoupler，用于预测GPCR-Gα界面的内源性变构调节剂，并通过实验验证发现甾醇等疏水代谢物作为直接细胞内调节剂	开发了首个整合从头配体设计、图神经网络和生物活性优先排序的通用计算工具Gcoupler，用于无偏地识别GPCR内源性变构调节剂，并首次发现甾醇作为GPCR-Gα界面的直接细胞内调节剂	研究主要基于酵母模型Ste2p-Gpa1p，在人类系统中的普适性需进一步验证；计算方法的泛化能力有待更多GPCR靶点测试	探索GPCR的内源性细胞内变构调节剂及其分子机制	GPCR-Gα界面（以酵母Ste2p-Gpa1p和人类/新生大鼠心脏肥大模型为例）	计算生物学	心血管疾病	计算模拟、遗传筛选、多组学分析、定点诱变、生化检测	图神经网络	分子结构数据、多组学数据、生化实验数据	未明确样本数量，但涉及酵母、人类和新生大鼠模型	未明确指定，但提及统计方法和图神经网络	未明确指定具体架构	未明确指定性能指标	未明确指定计算资源
4958	2025-12-17	Deep learning-based detection of incisal translucency patterns 2025-Dec, The Journal of prosthetic dentistry IF:4.3Q1 DOI:10.1016/j.prosdent.2024.11.018 PMID:39837680	研究论文	本研究评估了深度学习模型在预测前牙切端半透明模式中的准确性	结合YOLOv5进行检测、Vision Transformers进行分类和U-Net进行分割，提供了一种全面的方法来分类切端半透明模式	研究样本量较小（约240张图像），且数据仅来自智能手机拍摄，可能影响模型的泛化能力	评估深度学习模型在预测前牙切端半透明模式中的准确性，以辅助牙科修复实践	前牙图像，特别是切端半透明模式	计算机视觉	NA	智能手机图像采集，图像增强技术	YOLOv5, Vision Transformers, U-Net	图像	约240张前牙JPEG图像，来自18岁以上参与者	NA	YOLOv5, Vision Transformer, U-Net	准确率, 精确率, 召回率, F1分数, 混淆矩阵, Dice系数	NA
4959	2025-12-17	Non-enhanced CT deep learning model for differentiating lung adenocarcinoma from tuberculoma: a multicenter diagnostic study 2025-Dec, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11721-y PMID:40500528	研究论文	本研究开发并验证了一种基于三维特征的深度学习模型，用于区分肺腺癌和结核球	首次提出基于三维特征和视觉Transformer网络的深度学习模型，在非增强CT图像上区分肺腺癌与结核球，其性能优于二维特征模型、影像组学模型及六名放射科医生	研究样本主要来自三家医院，可能存在选择偏倚；未考虑其他肺部病变的鉴别诊断	开发并验证一种深度学习模型，用于在非增强CT图像上区分肺腺癌和结核球	肺腺癌和结核球患者	计算机视觉	肺癌	非增强CT成像	深度学习	CT图像	1160名患者（训练集840人，验证集210人，外部测试集110人）	NA	Vision Transformer	AUC	NA
4960	2025-12-17	CT-based deep learning model for improved disease-free survival prediction in clinical stage I lung cancer: a real-world multicenter study 2025-Dec, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11682-2 PMID:40506642	研究论文	本研究开发了一种基于CT图像的深度学习模型，用于预测临床I期肺癌患者的无病生存期，并在手术和立体定向体部放疗患者中进行了验证	首次利用三维卷积神经网络从CT图像中提取肿瘤特征，构建深度学习模型以改进临床I期肺癌患者的无病生存期预测，并在多中心真实世界数据中验证其有效性	研究为回顾性设计，可能存在选择偏倚；模型在SBRT队列中的样本量相对较小，需要进一步前瞻性验证	开发并验证基于CT图像的深度学习模型，以更准确地预测临床I期肺癌患者的无病生存期，辅助临床决策	临床I期非小细胞肺癌患者，包括接受手术切除和立体定向体部放疗的患者	数字病理学	肺癌	CT成像	CNN	图像	手术队列2489例患者，SBRT队列248例患者	NA	三维卷积神经网络	Harrell's concordance index (C-index)	NA