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
5861	2026-01-24	Advanced Imaging Techniques for the Detection and Follow-up of Brain Metastases 2026 Jan-Feb 01, Cancer journal (Sudbury, Mass.) DOI:10.1097/PPO.0000000000000805 PMID:41574989	综述	本文综述了脑转移瘤检测与随访中先进成像技术（如高级MRI和PET）及人工智能模型的应用与局限性	总结了高级MRI技术（如灌注MRI、扩散加权MRI、MR光谱学和CEST）及氨基酸示踪剂PET在区分治疗相关效应与肿瘤进展中的高诊断准确性，并探讨了人工智能模型（包括放射组学和深度学习方法）在提升诊断性能和简化工作流程方面的潜力	人工智能模型的临床效用受到研究间异质性大、缺乏标准化以及大规模外部验证不足的限制	综述脑转移瘤诊断和反应评估中先进成像技术的最新文献	脑转移瘤患者	数字病理学	脑转移瘤	对比增强MRI、灌注MRI、扩散加权MRI、MR光谱学、化学交换饱和转移（CEST）、PET（使用氨基酸示踪剂）	深度学习	图像	NA	NA	NA	诊断准确性	NA
5862	2026-01-24	Morphometry-based detection of deep learning faults in glomerular segmentation 2025-Dec-25, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.23.696291 PMID:41509371	研究论文	本研究探讨了利用形态测量学自动评估深度学习肾小球分割结果的方法，旨在高效识别和纠正分割错误	首次系统性地将形态分析应用于肾小球分割错误的自动检测，提出了能够区分三种不同类型分割不一致性的形状描述符组合	研究主要基于特定数据集和分割模型，方法的普适性在不同病理图像类型和分割算法中仍需进一步验证	开发自动检测和纠正肾小球深度学习分割错误的策略，减少病理学家手动验证的工作量	肾活检图像中的肾小球分割结果	数字病理学	肾脏疾病	深度学习分割	NA	医学图像	超过168000个肾小球预测	NA	NA	错误富集效率	NA
5863	2026-01-24	Application of deep learning for transformation of Chinese traditional cultural narrative patterns and enhancement of cultural identity empowered by AIGC 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32302-5 PMID:41444384	研究论文	本研究应用深度学习技术，基于Stable Diffusion v2.1和CLIP模型构建了一个文本-图像-风格的三模态生成框架，旨在实现中国传统文化的可控叙事内容生成并增强文化认同	提出了基于LoRA机制的轻量化传统文化风格特征嵌入方法，提升了小样本条件下的模型风格适应性，并构建了包含生成质量、语义一致性和文化认同的三级评价体系	NA	实现中国传统文化的可控叙事内容生成并增强文化认同	中国传统文化叙事内容	自然语言处理,计算机视觉	NA	深度学习	扩散模型,对比学习模型	文本,图像	NA	PyTorch	Stable Diffusion v2.1,CLIP	Fréchet Inception Distance,Learned Perceptual Image Patch Similarity,风格识别准确率,BLEU分数,CLIP文本-图像相似度,叙事风格匹配度,用户叙事共鸣评分,意象准确度评分,问答任务通过率	NA
5864	2026-01-24	Deep learning-based model for analyzing student engagement in activities 2025-Dec-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32521-w PMID:41436535	研究论文	本研究提出了一种名为IC-BiSGRU-Net的深度学习模型，用于分析学生在学习活动中的参与度	提出IC-BiSGRU-Net框架，结合Bi-LSTM的时间建模能力和SGRU的计算效率，有效整合多模态行为线索进行学生参与度分析	未明确说明模型在跨文化或不同教育环境中的泛化能力，以及数据隐私和伦理考量	开发一个鲁棒的自动化模型，以准确分析学生在多样化学习活动中的参与度	学生在学习活动中的参与度	机器学习	NA	深度学习	CNN, Bi-LSTM, SGRU	视频、音频、数字活动日志	未明确指定样本数量，但使用了基准学生参与度数据集	未明确指定，但涉及深度学习框架	IC-BiSGRU-Net（基于CNN编码器、Bi-LSTM和SGRU）	准确率、召回率、精确率、F1分数	NA
5865	2025-12-23	Smartphone-based video deep learning enables rapid and accurate lateral flow diagnostics 2025-Dec-22, Mikrochimica acta DOI:10.1007/s00604-025-07756-z PMID:41423536	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5866	2026-01-24	A dual-branch multi-modal deep learning framework for non-destructive evaluation of intramuscular fat in sheep 2025-Dec-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32208-2 PMID:41413180	研究论文	本文提出了一种用于无损评估绵羊肌内脂肪含量的双分支多模态深度学习框架	构建并发布了首个大规模多模态绵羊数据集，并提出了一种结合CNN和Transformer分支、并采用KAN-Based回归头进行特征融合的新型双分支回归网络DB-KAN	研究主要针对绵羊，缺乏与其他物种的对比验证；数据集规模虽大但来源单一	开发一种非破坏性方法来准确预测绵羊的肌内脂肪含量，以评估其肉质品质	绵羊的肌内脂肪含量	计算机视觉	NA	B型超声成像	CNN, Transformer	图像, 结构化属性数据	1728个样本（包含超声图像、对应属性数据和真实IMF值）	NA	DB-KAN（自定义双分支网络）	NA	NA
5867	2025-12-18	Deep learning-based seed variety classification: a case study in maize 2025-Dec-17, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-025-07919-3 PMID:41402752	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5868	2026-01-24	Progressive curriculum learning with Scale-Enhanced U-Net for continuous airway segmentation 2025-Dec-17, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02066-5 PMID:41408195	研究论文	本文提出了一种渐进式课程学习框架和尺度增强U-Net，用于提升胸部CT图像中气道的连续分割精度	提出了渐进式课程学习管道、尺度增强U-Net（SE-UNet）、通用联合损失（GUL）和自适应拓扑响应损失（ATRL），通过裁剪采样策略和多尺度输入有效解决了大小气道分支间的类内不平衡问题	未明确说明模型在更广泛数据集上的泛化能力以及计算效率的具体分析	提升胸部CT图像中气道分割的连续性和准确性，以支持术前规划和实时支气管镜导航	胸部CT图像中的气道树	医学图像分割	呼吸系统疾病	CT成像	CNN	图像	ATM'22挑战数据集和内部数据集（具体数量未提供）	未明确指定	U-Net, Scale-Enhanced U-Net (SE-UNet)	树长检测率（TD）, 分支检测率（BD）	NA
5869	2026-01-24	A novel statistical feature selection framework for biomarker discovery and cancer classification via multiomics integration 2025-Dec-17, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-025-02713-z PMID:41408184	研究论文	本文提出了一种名为sDCFE的新型统计特征选择框架，用于通过多组学整合进行生物标志物发现和癌症分类	开发了sDCFE方法，通过扩展类Fisher方差分析，引入中位数绝对偏差正则化项和聚类分离组件，增强了鲁棒性和可解释性	未明确提及具体限制，但可能涉及数据集的泛化性、计算复杂性或特定癌症类型的适用性	早期癌症诊断、生物标志物发现以及跨癌症类型和分期的可靠分类	癌症生物标志物、多组学数据（RNA-seq和甲基化数据）、癌症分类和分期	机器学习	肺癌	RNA-seq, 甲基化测序	XGBoost, CNN	多组学数据	涉及TCGA和PCAWG数据集，具体样本数量未明确说明	NA	NA	准确率, MCC, AUC	NA
5870	2026-01-24	Screening for lung fibrosis using serum surfactant protein-D, KL-6, and a deep learning algorithm on chest radiographs: a prospective observational study 2025-Dec-17, BMC pulmonary medicine IF:2.6Q2 DOI:10.1186/s12890-025-04062-5 PMID:41408239	研究论文	本研究探讨了血清生物标志物SP-D、KL-6和深度学习算法BMAX在健康检查中筛查肺纤维化的应用	首次在健康检查环境中评估了血清生物标志物SP-D、KL-6与深度学习算法BMAX联合用于肺纤维化早期检测的潜力	样本量有限，仅81人接受了CT扫描，且肺纤维化病例较少（8例），可能影响统计效力	评估血清生物标志物和深度学习算法在健康人群中筛查肺纤维化的有效性和可行性	接受常规健康检查的个体	数字病理学	肺纤维化	血清生物标志物检测、胸部X光摄影、胸部计算机断层扫描	深度学习	胸部X光图像、血清生物标志物数据	2751名个体，其中81人接受了CT扫描	NA	BMAX	灵敏度、特异性	NA
5871	2026-01-24	DeepPNCC: reconstructing pseudo-spatial cell-cell interaction landscapes from single-cell data to decipher breast cancer pathogenesis 2025-Dec-17, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-07578-w PMID:41408299	研究论文	本文提出了一种名为DeepPNCC的新型深度学习框架，用于从单细胞RNA测序数据中重建伪空间细胞间相互作用网络，以解析乳腺癌的发病机制	DeepPNCC是一种基于变分图自编码器并结合对抗正则化的深度学习框架，它能够利用未解离细胞聚集体中保留的潜在空间线索，无需依赖配体-受体对等先验知识，从单细胞数据中推断全局的、具有空间信息的相互作用景观	该方法依赖于从多重体数据中推导的局部邻接矩阵，可能在某些数据集或细胞类型中受到限制，且未明确讨论其在其他癌症类型或组织中的泛化能力	开发一种能够从缺乏显式空间信息的单细胞RNA测序数据中提取空间相关细胞间相互作用信息的方法，以阐明疾病（特别是癌症）发生和发展的机制	小鼠大脑和乳腺癌（特别是三阴性乳腺癌）的单细胞RNA测序数据	计算生物学, 单细胞分析	乳腺癌	单细胞RNA测序, 空间转录组学	变分图自编码器, 对抗正则化	单细胞RNA测序数据, 空间转录组学数据	NA	Python	变分图自编码器	与空间转录组学对齐的相互作用恢复能力	NA
5872	2026-01-24	Deep learning-enhanced digital-BGO versus TOF PET/CT: comparative assessment of detection, quantitation, and overall image quality 2025-Dec-16, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-025-00814-8 PMID:41400899	研究论文	本研究评估了采用深度学习算法的数字BGO PET/CT（OMNI6R）与配备飞行时间技术的PET/CT（DMI5R）在病灶检测灵敏度、定量分析和整体图像质量方面的性能对比	首次将基于深度学习的Precision Deep Learning算法应用于数字BGO PET/CT系统，模拟飞行时间增强效果，并在减少采集时间和活度衰减的条件下实现非劣效性能	样本量较小（30例患者），未明确说明深度学习算法的具体架构细节，且研究仅针对特定PET/CT设备型号	比较深度学习增强的数字BGO PET/CT与传统飞行时间PET/CT在临床影像诊断中的性能差异	PET/CT影像数据、人工插入的合成病灶（150个）、临床患者图像	医学影像分析	NA	PET/CT成像、深度学习图像重建	深度学习算法	医学影像（PET/CT图像）	30例患者，150个插入的合成病灶	NA	Precision Deep Learning (PDL)	真阳性率、恢复系数（SUVmean, SUVmax）、图像质量评分（5点李克特量表）	NA
5873	2026-01-24	SLEEPYLAND: trust begins with fair evaluation of automatic sleep staging models 2025-Dec-16, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02237-2 PMID:41402410	研究论文	介绍SLEEPYLAND框架，一个用于自动睡眠分期模型公平评估的开源平台，包含大量多中心PSG数据，并提出了集成模型SOMNUS以提升性能	提出了首个大规模、多领域、开源的自动睡眠分期评估框架SLEEPYLAND，并开发了集成模型SOMNUS，通过软投票集成在24个数据集上实现鲁棒性能，超越现有最佳模型，且能预测评分者歧义	尽管SOMNUS提升了泛化能力，但未发现任何模型架构能一致性地最小化人口统计学/临床偏倚	推动自动睡眠分期模型的公平评估与临床采用，解决泛化性、模型偏倚和评估不一致性问题	多中心、多年龄、多疾病、多硬件配置的PSG记录数据，以及基于这些数据的自动睡眠分期模型	机器学习	睡眠障碍	多导睡眠图（PSG）记录	深度学习模型，集成模型	脑电图（EEG）/眼电图（EOG）信号数据	约220,000小时域内数据和约84,000小时域外数据，涉及24个数据集，包括Bern-Sleep-Wake-Registry（N=6633）	未明确指定，但提及开源框架，可能涉及TensorFlow, PyTorch等	未明确指定具体架构，但提及集成模型SOMNUS	macro-F1分数，ROC-AUC	未明确指定
5874	2026-01-24	A hybrid machine vision and handcrafted features fusion based approach for fine-grained millet classification 2025-Dec-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32311-4 PMID:41402508	研究论文	本文提出了两种新颖的混合框架，结合手工特征和深度学习，用于细粒度小米品种分类	提出了两种混合框架，结合手工特征提取与深度学习，包括堆叠集成机器学习方法和双向深度学习架构，有效融合了传统机器学习与深度学习的优势	未明确提及，可能包括数据集有限或模型泛化能力	解决小米品种准确识别和分类的挑战，提升分类精度	小米品种，如稗子小米、小小米和黍子小米	计算机视觉	NA	NA	SVM, RF, KNN, CNN	图像	NA	NA	VGG19	准确率, F1分数, ROC-AUC	NA
5875	2026-01-24	Understanding machine learning weather prediction by designing a cost-efficient model with knowledge-oriented modules 2025-Dec-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32366-3 PMID:41392318	研究论文	本文提出了一种名为KARINA的新型数据驱动模型，通过结合Geocyclic Padding和SENet模块与ConvNeXt骨干网络，以较低的训练成本实现了具有竞争力的全球天气预报性能	设计了结合Geocyclic Padding和SENet模块的轻量级模型KARINA，在显著降低训练成本的同时达到与先进模型相当的预测精度，并首次系统分析了各模块对特定天气过程（水平平流和大气对流）的建模贡献	模型在10天以上的预报时效性能未充分验证，且未与其他更多类型的机器学习天气预测模型进行广泛对比	开发计算高效的机器学习天气预测模型，并深入理解模型组件对特定天气现象的预测能力	全球天气数据	机器学习	NA	数据驱动建模	CNN	气象数据	NA	NA	ConvNeXt, SENet	预报准确率	NA
5876	2026-01-24	Temporal-aware transformer networks for state of charge multi-output prediction in unmanned aerial vehicle lithium-ion batteries 2025-Dec-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32347-6 PMID:41388014	研究论文	本文提出了一种用于无人机锂离子电池荷电状态多步预测的时序感知Transformer网络框架	结合局部时空特征提取与长程依赖建模，通过时序编码器和基于滑动窗口的多输出机制，提升了动态环境下预测的准确性和适应性	未明确提及模型在极端工况或电池老化条件下的泛化能力	提高无人机锂离子电池荷电状态（SOC）的预测精度，以保障飞行安全和能量管理	无人机（UAV）锂离子电池的荷电状态（SOC）	机器学习	NA	深度学习	Transformer, CNN, LSTM, RNN	时序数据	大规模数据集（具体数量未提及）	NA	Temporal-aware Transformer Networks (TATNS)	平均绝对百分比误差（MAPE）	NA
5877	2026-01-24	Mucin phenotype-based deep learning framework for intestinal metaplasia-carcinogenesis progression prediction 2025-Dec-12, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01224-w PMID:41388069	研究论文	本研究开发了一个基于黏液表型的深度学习框架，用于预测胃黏膜肠上皮化生向胃癌的进展过程	揭示了胃黏膜癌变过程中黏液时空动态变化规律，并开发了MPMR模型，该模型能直接从H&E全切片图像预测四种黏液标志物，并通过对抗学习生成可解释的模拟染色热图	研究主要基于中国胃癌高发区的纵向队列，可能在其他人群中的泛化性有待验证	预测胃黏膜肠上皮化生向胃癌的恶性转化风险	胃黏膜组织样本，包括肠上皮化生和胃癌组织	数字病理学	胃癌	H&E染色全切片成像	Vision Transformer	图像	来自中国胃癌高发区的纵向队列样本	NA	UNI预训练的Vision Transformer	AUC	NA
5878	2025-12-12	CRLM-GAN: a feature-constrained GAN-based deep learning framework for multi-parametric MRI-based segmentation of colorectal liver metastases before and after chemotherapy 2025-Dec-10, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-025-00964-z PMID:41372955	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5879	2026-01-24	BioLACE: unifying spatial geometry and marker priors for cohesive cell-type clustering in spatial transcriptomics 2025-Dec-02, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.01.691603 PMID:41573943	研究论文	本文提出了BioLACE框架，用于在空间转录组学中整合空间几何结构和标记基因先验知识，实现一致的细胞类型聚类	提出了一个可扩展的框架，首次在共享的变分自编码器潜在空间中统一空间结构、转录组变异和标记基因信息，通过联合优化三个互补目标实现更优的聚类性能	未明确讨论计算复杂度或对大规模数据集的扩展性限制，也未提及对噪声或批次效应的鲁棒性	开发一个统一框架，提升空间转录组学中细胞类型聚类的准确性和生物学一致性	空间转录组学数据，包括MERFISH下丘脑、小鼠脊髓和Slide-seq小鼠小脑数据集	空间转录组学	NA	空间转录组学技术（MERFISH, Slide-seq）	VAE（变分自编码器）	基因表达谱和空间坐标数据	三个公开数据集（具体样本数量未明确说明）	PyTorch（基于代码仓库推断）	VAE	聚类准确性、生物学一致性边界、潜在表示可解释性	NA
5880	2026-01-24	Deep learning method for semi-automated segmentation of optic nerve head tissues in optical coherence tomography images 2025-Dec, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2025.110678 PMID:41038371	研究论文	本文提出了一种基于深度学习的半自动分割方法，用于光学相干断层扫描图像中视神经乳头组织的分割	开发了一种结合用户交互的半自动分割方法，允许用户接受或修正模型预测，并利用修正结果更新模型以提升后续图像的分割准确性	测试数据集较小（仅包含6个视神经乳头的图像体积），限制了更新模型效果评估的全面性	实现视神经乳头组织边界的半自动分割，以获取组织特异性信息	光学相干断层扫描图像中的视神经乳头组织，包括前筛板表面、布鲁赫膜和脉络膜-巩膜界面	计算机视觉	NA	光学相干断层扫描	CNN	图像	46个预处理后的视神经乳头图像体积（每个包含24个径向扫描）用于训练，6个视神经乳头的图像体积（每个24个扫描）用于测试	NA	NA	均方根误差	NA