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
5541	2025-12-25	Deep learning versus manual measurement of hallux valgus angle and intermetatarsal angle on Weight-Bearing X-rays in hallux valgus 2025-Dec-23, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-025-09420-2 PMID:41437347	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5542	2026-01-30	Artificial Intelligence and Machine Learning in the Diagnosis and Management of Osteoporosis: A Comprehensive Review 2025-Dec-23, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62010027 PMID:41597313	综述	本文全面回顾并批判性评估了人工智能和机器学习在骨质疏松症诊断与管理中的应用现状、关键主题、方法学途径及临床意义	系统性地总结了AI/ML在骨质疏松症诊疗中的最新进展，包括利用常规X光片进行骨密度评估、基于临床数据构建优于传统工具的骨折风险预测模型，以及通过可穿戴设备和移动应用实现个性化治疗优化	现有证据异质性高，普遍缺乏稳健的外部验证和定量综合；模型在不同人群中的鲁棒性评估不足，对负面或矛盾结果的讨论较少，且对当前AI证据固有的局限性缺乏全面评估	总结和评估人工智能与机器学习在骨质疏松症诊断和管理中的应用，以期为临床实践提供参考	骨质疏松症及其相关的诊断、风险预测和个性化管理策略	机器学习	骨质疏松症	NA	深度学习, 卷积神经网络	图像, 临床数据, 人口统计数据	NA	NA	NA	NA	NA
5543	2026-01-30	Age Estimation of the Cervical Vertebrae Region Using Deep Learning 2025-Dec-22, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13010007 PMID:41595939	研究论文	本研究利用深度学习技术，基于侧位头颅X光片中的颈椎区域进行年龄估计	系统比较了四种不同的颈椎表示输入模式（轮廓、掩码、颈椎、颈椎区域）对年龄估计的贡献，并发现结合周围软组织和完整椎体上下文能显著提高准确性	研究样本年龄范围限于4-40岁，且未在更广泛年龄组或不同成像设备上进行验证	探究不同颈椎表示在基于医学图像的年龄估计任务中的有效性	侧位头颅X光片中的颈椎区域	计算机视觉	NA	侧位头颅X光片成像	深度学习模型	医学图像	20,174名年龄在4-40岁的受试者，按5岁间隔分组	NA	NA	平均绝对误差	NA
5544	2026-01-30	Subclass-Aware Contrastive Semi-Supervised Learning for Inflammatory Bowel Disease Classification from Colonoscopy Images 2025-Dec-22, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13010008 PMID:41595940	研究论文	本文提出了一种用于结肠镜图像炎症性肠病分类的子类感知对比半监督学习方法	提出了一种名为SACSSL的新方法，通过将子类感知对比模块集成到基于伪标签的半监督框架中，有效缓解了确认偏差并捕获了类内异质性	未明确说明方法在更广泛数据集上的泛化能力，也未讨论计算复杂度	开发一种半监督学习方法，以在标记数据有限的情况下，准确分类炎症性肠病	结肠镜图像	计算机视觉	炎症性肠病	NA	深度学习	图像	两个数据集：内部收集的Daping数据集和公开可用的LIMUC数据集	NA	基于FixMatch框架	准确率, F1分数	NA
5545	2026-01-30	Integrating protein language and geometric deep learning models for enhanced vaccine antigen prediction 2025-Dec-21, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67778-2 PMID:41423641	研究论文	本研究开发了一个名为PLGDL的框架，通过整合蛋白质语言模型和几何深度学习模型来预测保护性疫苗抗原	首次将蛋白质语言模型与几何深度学习模型相结合，同时利用蛋白质的一级序列特征和三维结构特征，减少人工特征提取的偏差	未在论文摘要中明确说明	开发高性能的疫苗保护性抗原预测工具，以加速疫苗研发	病毒、细菌和真核病原体产生的蛋白质抗原	机器学习	传染病	蛋白质语言模型，几何深度学习	深度学习模型	蛋白质序列数据，蛋白质三维结构数据	未在摘要中明确说明具体样本数量	未在摘要中明确说明	PLGDL（蛋白质语言与几何深度学习集成框架）	未在摘要中明确说明	未在摘要中明确说明
5546	2026-01-30	Spectral image classification of asymptomatic peanut leaf diseases based on deep learning algorithms 2025-Dec-21, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01485-3 PMID:41423650	研究论文	本研究开发了一种基于深度学习的多光谱成像系统，用于对无症状花生叶部病害进行早期高精度分类	结合多光谱反射与荧光成像硬件系统，并引入自适应通道注意力机制和稀疏二阶注意力机制驱动网络，增强了深度特征信息的判别能力	NA	实现花生叶部病害的及时、快速、准确早期诊断与控制，以确保花生产量与质量	无症状花生叶部病害（疮痂病、焦斑病、炭疽病）	计算机视觉	植物病害	多光谱成像	CNN	多光谱图像（反射与荧光图像）	NA	NA	结合自适应通道注意力机制与稀疏二阶注意力机制的卷积神经网络	分类准确率	NA
5547	2026-01-30	Obesity prediction using an explainable deep learning framework based on LSTM-LIME with integrated visualization 2025-Dec-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33336-5 PMID:41423660	研究论文	本研究提出了一种基于LSTM-LIME的可解释深度学习框架，用于多类别肥胖预测，并集成了交互式可视化界面	开发了首个针对沙特文化的多类别肥胖数据集，并将LSTM网络与LIME解释方法结合在交互式界面中，实现了预测准确性和风险因素的可视化	NA	开发一种准确且可解释的肥胖风险评估模型，以支持早期检测和预防策略	沙特特定数据集，包含人体测量、生活方式和饮食因素	机器学习	肥胖	NA	LSTM, Bidirectional LSTM, RNN, DNN (MLP), TabNet, Autoencoder	表格数据	NA	NA	LSTM, Bi-LSTM, RNN, MLP, TabNet, Autoencoder	准确率, 宏召回率, 宏F1分数, MAE, RMSE, 决定系数	NA
5548	2026-01-30	Explainable Computational Imaging for Precision Oncology: An Interpretable Deep Learning Framework for Bladder Cancer Histopathology Diagnosis 2025-Dec-21, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13010004 PMID:41595937	研究论文	本研究提出了一种基于YOLOv11架构的可解释深度学习框架，用于膀胱癌组织病理学诊断	将YOLOv11模型应用于膀胱癌组织病理学诊断，并引入C3k2块和C2PSA空间注意力模块等先进架构特征以提高性能，同时强调模型的可解释性和透明度	模型在炎症和无效组织样本之间存在少量误分类，表明可能存在形态学重叠	开发一种可靠、透明且可扩展的AI辅助膀胱癌诊断系统	苏木精和伊红染色的组织病理学切片，包含炎症、尿路上皮细胞癌和无效组织类别	数字病理学	膀胱癌	组织病理学染色	CNN	图像	NA	NA	YOLOv11-nano, YOLOv11-small, YOLOv11-medium, YOLOv11-large, YOLOv11-extra large	准确率, 精确率, 召回率, 平衡准确率, AUPRC, ROC-AUC, 风险覆盖分析AUC, 预期校准误差	NA
5549	2026-01-30	Predicting the incidence of common intestinal infectious diseases in Changzhou, China based on environmental factors and deep learning 2025-Dec-20, BMC public health IF:3.5Q1 DOI:10.1186/s12889-025-25998-7 PMID:41421987	研究论文	本研究基于环境因素和深度学习模型，构建了常州市常见肠道传染病的短期发病率预测模型	提出了一种结合季节性趋势分解（STL）、Transformer和LSTM的先进混合模型（STL-T-L），用于预测肠道传染病发病率，并整合了历史发病率、多种环境因素及工程化的时间特征	研究局限于中国常州市的数据，模型在其他地区的泛化能力有待验证	构建常州市常见肠道传染病的短期日发病率预测模型	手足口病和其他感染性腹泻的日发病率数据	机器学习	肠道传染病	NA	LSTM, Transformer, 混合模型	时间序列数据（发病率、气象、空气污染物）	2014年5月13日至2024年12月31日期间常州市的日发病率、气象及空气污染物数据	NA	LSTM, Transformer, STL-T-L（季节性趋势分解-Loess、Transformer、LSTM混合架构）	RMSE, MAE, MAPE, MASE	NA
5550	2026-01-30	Examination of new clinical dental caries in school children using real intra oral photos with artificial intelligence model YOLO-V8x 2025-Dec-20, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07486-x PMID:41422004	研究论文	本研究评估了基于YOLOv8x模型的HI Bogi应用在印度尼西亚小学生中检测龋齿的有效性	首次将YOLOv8x模型应用于真实口腔照片的龋齿检测，并与牙医诊断进行对比验证	模型在特定类别上的精度存在差异，需要进一步优化以提高罕见病变类别的检测率	评估人工智能模型在龋齿诊断中的性能，以替代传统耗时的人工诊断方法	印度尼西亚Cimahi地区小学生的口腔照片	计算机视觉	龋齿	人工智能图像分析	YOLO	图像	3221张JPG格式的口腔照片	YOLOv8	YOLOv8x	mAP, IoU, 精确率, 召回率, 灵敏度, 特异度	NA
5551	2026-01-30	Deep multimodal fusion of patho-radiomic and clinical data for enhanced survival prediction for colorectal cancer patients 2025-Dec-05, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02210-z PMID:41350716	研究论文	本研究提出了PRISM-CRC，一种新颖的深度学习框架，通过整合组织病理学、放射学、内窥镜和临床数据，旨在改善结直肠癌的诊断和预后	提出了一种多模态融合的深度学习框架，显著超越了单一数据类型的模型，并提供了比传统TNM分期更精细的风险分层	存在因'领域偏移'导致的性能轻微下降，以及在形态学模糊病例中的分类错误，需要未来前瞻性试验验证临床效用	改善结直肠癌的诊断和预后，实现个性化治疗	结直肠癌患者	数字病理学	结直肠癌	深度学习	深度学习框架	组织病理学图像, 放射学图像, 内窥镜图像, 临床数据	未明确	未明确	PRISM-CRC	一致性指数, AUC	未明确
5552	2026-01-30	Impact of Combined Deep Learning Image Reconstruction and Metal Artifact Reduction Algorithm on CT Image Quality in Different Scanning Conditions for Maxillofacial Region with Metal Implants: A Phantom Study 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01287-4 PMID:39953255	研究论文	本研究探讨了结合深度学习图像重建（DLIR）与金属伪影减少（MAR）算法在不同扫描条件下对带有金属植入物的CT图像质量的影响	首次在猪颌面区域模型中，结合DLIR与MAR算法，并评估了在不同剂量水平和重建方法下的图像质量	研究基于猪模型（幻影），未涉及人体临床数据，样本量较小（四个幻影）	评估DLIR与MAR算法结合对CT图像质量的影响，特别是在减少金属伪影方面	猪颌面区域模型（幻影）	医学影像	NA	CT扫描	深度学习图像重建（DLIR）	CT图像	四个猪颌面区域幻影	NA	NA	标准偏差（SD）、信噪比（SNR）、对比噪声比（CNR）、金属伪影指数（MAI）、主观图像质量评分（5点Likert量表）	NA
5553	2026-01-30	Artificial Intelligence in Veterinary Clinical Pathology-An Introduction and Review 2025-Dec, Veterinary clinical pathology IF:1.2Q3 DOI:10.1111/vcp.70012 PMID:40462415	综述	本文介绍了人工智能在兽医临床病理学中的应用，并探讨了其资格认证与整合方法	以非技术性方式介绍AI基本概念，并强调兽医临床病理学家在AI方法设计、资格认证及负责任应用中的主动角色	NA	探索人工智能在兽医临床病理学工作流程中的增强机会	兽医临床病理学领域	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
5554	2026-01-30	Deep Learning-Based Segmentation of Coronary Arteries and Stenosis Detection in X-Ray Coronary Angiography 2025-Dec, JACC. Advances DOI:10.1016/j.jacadv.2025.102360 PMID:41447280	研究论文	本文利用深度学习模型对X射线冠状动脉造影图像进行冠状动脉分割和狭窄检测，并进行外部验证与专家变异性比较	开发了基于深度学习的冠状动脉分割和狭窄检测模型，首次在多中心数据上进行训练和验证，并证明其性能与专家水平相当	研究仅基于两个医疗中心的数据，可能无法完全代表所有临床场景；狭窄检测率仍有提升空间	训练深度学习模型用于自动分割冠状动脉并检测显著狭窄，以辅助临床诊断	X射线冠状动脉造影图像	计算机视觉	心血管疾病	X射线冠状动脉造影	深度学习模型	图像	10,573张ICA图像用于训练（中心1: 9,065张，中心2: 1,508张），验证集309张图像	NA	NA	Dice系数, 检测率, 置信区间	NA
5555	2026-01-30	Artificial Intelligence and Augmented Reality in Orthopedic Surgery: A Narrative Review of Current Applications and Future Directions 2025-Dec, Cureus DOI:10.7759/cureus.100177 PMID:41602239	综述	本文综述了人工智能和增强现实在骨科手术中的当前应用与未来发展方向	系统性地总结了AI和AR技术在骨科手术全流程（从术前规划到术后评估及教育）中的整合应用现状，并指出了未来实现广泛临床转化所需的关键研究方向	现有研究多为单中心小样本队列，结局指标异质性大，AI模型缺乏外部验证，AR系统在人体工学、工作流整合、配准精度和设备可用性方面仍面临实际挑战	探讨人工智能和增强现实技术在骨科手术领域的应用潜力与临床转化路径	骨科手术流程，包括影像解读、术前规划、术中导航、术后评估及外科教育	计算机视觉, 机器学习	骨科疾病	机器学习, 深度学习, 计算机视觉, 增强现实, 混合现实	NA	影像数据, 手术导航数据	NA	NA	NA	放置精度（度/毫米）, 透视使用减少量	NA
5556	2026-01-30	Detection of blueberry based on hyperspectral imaging and deep learning 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117141 PMID:41606917	研究论文	本研究结合高光谱成像与深度学习技术，开发了一种用于复杂场景下不同品种和成熟度蓝莓糖含量快速检测的方法	提出了结合分数阶导数（FOD）和改进拉普拉斯特征映射（ILE）的预处理与特征波段选择方法，并构建了轻量化的定制CNN模型，显著提升了复杂场景下蓝莓糖含量预测的精度和鲁棒性	研究仅针对三个蓝莓品种（F6、L11、L25）和三种成熟度（成熟、半熟、未熟）进行分类，模型在其他品种或更细粒度成熟度分级上的泛化能力有待验证	探索高光谱成像技术结合深度学习模型检测不同品种和成熟度蓝莓糖含量的能力，以满足蓝莓大规模生产中对糖含量快速检测的需求	三个不同品种（F6、L11、L25）且处于三种成熟度（成熟、半熟、未熟）的蓝莓	计算机视觉	NA	高光谱成像	CNN	高光谱图像	未明确说明具体样本数量，但涉及三个蓝莓品种的三种成熟度类别	未明确说明，可能为TensorFlow或PyTorch	定制的浅层卷积神经网络	决定系数（Rp）、均方根误差（RMSEP）、相对预测偏差（RPDP）	NA
5557	2026-01-30	AI-based smart pretreatment of fresh fruits and vegetables before processing: Research progress and application prospects 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117175 PMID:41606923	综述	本文综述了人工智能在果蔬预处理中的研究进展与应用前景，包括机器学习、深度学习等技术在分选、分级、清洗等环节的应用	系统整合了多种AI技术（如机器学习、深度学习、人工神经网络）在果蔬预处理中的应用，并展望了多学科融合下的自动化控制前景	NA	探讨人工智能技术在果蔬加工预处理环节的应用潜力与发展方向	果蔬（水果和蔬菜）的预处理过程，包括分选、分级、清洗、去皮、切割、护色、烫漂等	计算机视觉, 机器学习	NA	NA	机器学习, 深度学习, 人工神经网络	图像, 传感器数据（如电子鼻）	NA	NA	NA	NA	NA
5558	2026-01-30	Seasonal changes driving shifts in core microbes of Nongxiangxing Daqu: a integrated multi-omics analysis and deep learning 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117216 PMID:41606940	研究论文	本研究通过整合多组学分析和深度学习，揭示了浓香型大曲在不同季节和压制模式下的风味动态、微生物演替，并识别了核心微生物及其群落组装过程	结合高通量测序与深度学习，首次应用数据驱动的关键物种识别（DKI）框架揭示大曲核心微生物，并分析季节性变化下的群落组装以随机漂移为主导	研究样本仅基于120个大曲样本，可能无法完全代表所有生产条件下的变异，且深度学习模型的泛化能力未在外部数据集中验证	识别和调控浓香型大曲的核心微生物，以优化其生产质量	浓香型大曲（发酵启动剂）及其微生物群落	机器学习	NA	高通量测序，多组学分析（包括理化性质和风味化合物分析）	深度学习	微生物序列数据，理化数据，风味化合物数据	120个大曲样本	NA	NA	NA	NA
5559	2026-01-30	A predicted structural interactome reveals binding interference from intrinsically disordered regions 2025-Nov-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.15.670535 PMID:40894573	研究论文	本研究利用AlphaFold2多聚体模型预测并分析了蛋白质-蛋白质相互作用，特别关注了内在无序区域在相互作用中的重要性	首次结合物理和功能数据集，系统性地预测了非哺乳动物物种的蛋白质相互作用网络，并揭示了内在无序区域在结合干扰中的关键作用	研究主要基于计算预测，缺乏实验验证；且专注于特定非哺乳动物物种，可能限制了结果的普适性	预测和分析蛋白质-蛋白质相互作用的结构网络，特别关注内在无序区域的功能	非哺乳动物物种的蛋白质	机器学习	NA	深度学习，结构预测	AlphaFold2	蛋白质序列和结构数据	NA	AlphaFold2	AlphaFold2多聚体模型	高置信度预测	NA
5560	2026-01-30	Identification of Camellia Oil Adulteration With Excitation-Emission Matrix Fluorescence Spectra and Deep Learning 2025-Oct, Journal of fluorescence IF:2.6Q3 DOI:10.1007/s10895-025-04229-7 PMID:40063235	研究论文	本研究提出了一种结合激发-发射矩阵荧光光谱与深度学习模型ResTransformer的快速、无损方法，用于识别山茶油的掺假类型和浓度	首次提出结合残差模块与Transformer架构的ResTransformer模型，从局部和全局视角同时进行掺假类型的定性检测和掺假浓度的定量检测	研究仅模拟了代表性的掺假场景，未涵盖所有可能的真实掺假情况；模型性能在更广泛的实际样本中需进一步验证	开发一种准确、无损的山茶油掺假检测方法，以保障公众健康和市场秩序	山茶油及其掺假样品	机器学习	NA	激发-发射矩阵荧光光谱，平行因子分析	Transformer, 残差网络	光谱数据	NA	NA	ResTransformer	准确率, 验证集决定系数, 验证集均方根误差, 性能偏差比	NA