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
41	2025-12-21	Forging Online Community Among People in Recovery From Substance Use: Natural Language Processing and Deep-Learning Analysis of The Phoenix App User-Generated Data 2025-Dec-19, JMIR mHealth and uHealth IF:5.4Q1 DOI:10.2196/68438 PMID:41418282	研究论文	本研究通过自然语言处理和深度学习方法分析The Phoenix应用程序的用户生成数据，探讨其在物质使用康复者中促进在线社区支持的核心用途和情感倾向	首次利用BERT主题建模和VADER情感分析工具，系统分析康复专用社交媒体平台The Phoenix的用户发帖内容，揭示了其独特的积极社区支持主题	研究样本量有限（17,617条帖子），且缺乏与其他康复论坛的比较分析，未来需要更大数据集和对比研究来验证结果	评估The Phoenix应用程序在物质使用康复者中的使用体验和情感氛围，探索社交媒体在健康行为改变中的作用	The Phoenix应用程序的用户生成帖子数据	自然语言处理	物质使用障碍	自然语言处理, 深度学习	BERT, VADER	文本	19,685条随机帖子样本，最终分析17,617条	NA	Bidirectional Encoder Representation from Transformers, Valence Aware Dictionary and Sentiment Reasoner	主题一致性得分（0.48）, 情感分析平均值（0.44）和标准差（0.42）	NA
42	2025-12-21	Intersection of Big Five Personality Traits and Substance Use on Social Media Discourse: AI-Powered Observational Study 2025-Dec-19, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/79454 PMID:41418319	研究论文	本研究利用人工智能技术分析社交媒体大数据，探讨大五人格特质与物质使用在线讨论之间的关联	首次在大规模数字话语数据中揭示神经质作为物质使用的保护性因素，挑战了传统的自我治疗假说	研究基于公开社交媒体帖子，可能存在选择偏差，且无法完全验证用户真实身份与行为	评估大五人格特质与物质使用在线讨论在2019-2021年间的关联变化，并分析这些特质如何预测物质使用	社交媒体平台上的数亿条公开帖子	自然语言处理	物质使用障碍	自然语言处理, 深度学习	深度学习模型	文本	数亿条社交媒体帖子	NA	NA	比值比, 置信区间, Cohen d	NA
43	2025-12-21	A novel adaptive CNN-LSTM fusion network for electrocardiogram diagnosis 2025-Dec-19, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae2f8a PMID:41418332	研究论文	本文提出了一种用于心电图诊断的自适应CNN-LSTM融合网络，通过动态调整卷积核大小以提高诊断效率和准确性	设计了一种自适应卷积核，能根据局部信号方差动态调整大小，并结合LSTM捕获时序关系，通过时空融合机制实现多分类	NA	提高心电图自动诊断的效率和准确性，为心血管疾病早期筛查提供技术支持	心电图信号	机器学习	心血管疾病	心电图分析	CNN, LSTM	信号数据	PTB-XL数据集	NA	自适应CNN-LSTM融合网络	准确率, 宏平均F1分数, 加权平均F1分数	NA
44	2025-12-21	Image-based rachis phenotyping facilitates genetic dissection of spikelet distribution in wheat 2025-Dec-19, Plant physiology IF:6.5Q1 DOI:10.1093/plphys/kiaf666 PMID:41419219	研究论文	本文开发了一种基于深度学习的表型分析流程RachisSeg，用于自动测量小麦穗轴图像中的性状，并利用该工具分析了小麦种质资源中的小穗分布模式及其与产量的关联	引入了基于穗轴节间长度的小穗分布性状，提供了对穗结构的定量见解，并开发了高精度的自动化表型分析流程RachisSeg	未明确说明数据集的规模或多样性限制，且依赖于扫描图像的质量	研究小麦穗结构中小穗分布的遗传基础及其对产量的影响	小麦（Triticum aestivum L.）的穗轴图像和小麦种质资源（包括地方品种、美国品种和中国品种）	计算机视觉	NA	深度学习	CNN	图像	未明确指定样本数量，但涉及小麦种质资源和重组自交系群体	未指定	未指定	R2	未指定
45	2025-12-21	Deep learning-driven conversion of scanning superlens microscopy to high depth-of-field SEM-like imaging 2025-Dec-19, Microsystems & nanoengineering IF:7.3Q1 DOI:10.1038/s41378-025-01060-9 PMID:41419453	研究论文	本文提出了一种基于深度学习的方法，将光学超分辨率显微镜图像转换为类似扫描电子显微镜的高分辨率图像，特别针对芯片样品进行优化	利用CycleGAN模型将无需真空或涂层的扫描超透镜显微镜图像转换为SEM-like图像，在保持纳米级分辨率的同时克服了SEM的关键限制	方法主要针对芯片样品，可能在其他类型样品上的泛化能力有限	开发一种能够替代传统SEM成像的技术，用于芯片制造和检测任务	硅晶圆芯片样品	计算机视觉	NA	扫描超透镜显微镜	GAN	图像	未明确指定，但使用了配对的OSR和SEM图像进行训练	未明确指定，但可能为PyTorch或TensorFlow	CycleGAN	峰值信噪比	NA
46	2025-12-21	Continuous-time air pollutant forecasting using multi-timescale attention neural ordinary differential equations (MA-NODE) 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27903-z PMID:41419495	研究论文	本文提出了一种新颖的多时间尺度注意力神经常微分方程框架，用于多步空气污染物预测	首次将多时间尺度分解与注意力机制结合的神经常微分方程应用于空气污染预测，减少了多步离散化误差并原生支持不规则采样	未提及模型的计算效率或在大规模数据集上的可扩展性	提高空气污染预测的准确性以支持及时干预和政策制定	PM2.5、O3、NO2、SO2、CO和PM10等空气污染物	机器学习	NA	NA	Neural ODE, LSTM	环境数据	NA	NA	MA-NODE	R², MAE, RMSE, 95%区间覆盖率	NA
47	2025-12-21	Trustworthy deep learning for malaria diagnosis using explainable artificial intelligence 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28387-7 PMID:41419508	研究论文	本研究利用可解释人工智能技术，开发了一个基于深度学习的疟疾诊断框架，旨在提高诊断的准确性、可解释性和泛化能力	结合了四种CNN模型进行实证评估，并在此基础上微调了两种先进的混合架构，同时引入了三种互补的XAI技术来增强模型决策的透明度和临床可信度	研究主要基于公开数据集，在真实临床环境中的部署和验证可能面临挑战，且对误诊样本的分析虽然深入，但样本数量有限	开发一个自动化、高精度且可解释的疟疾诊断解决方案，以应对资源有限地区的医疗需求	疟疾血涂片图像	计算机视觉	疟疾	显微镜成像	CNN	图像	Kaggle数据集27,090张图像，以及哈佛Dataverse的独立厚涂片图像数据集	未明确指定，但可能为TensorFlow或PyTorch	MobileNetV2, VGG19, InceptionV3, ResNet18, Xception, Inception-ResNetV2	F1分数, 准确率	NA
48	2025-12-21	Identifying co-occurrences of message chains and member ignoring method in android applications using static program analysis and dynamic stacking ensemble 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27817-w PMID:41419514	研究论文	本文提出了一种结合静态程序分析和动态堆叠集成学习的方法，用于检测Android应用中普遍共现的代码异味Message Chains和Member Ignoring Method	首次针对Android特定代码异味的共现问题提出检测方法，结合了静态分析与动态堆叠集成学习，并开发了自动化样本生成工具ASSD	方法主要针对两种特定代码异味的共现检测，未涵盖其他类型的代码异味共现情况	检测Android应用中普遍共现的代码异味，提升软件可维护性和稳定性	Android应用程序中的代码异味共现现象	机器学习	NA	静态程序分析，动态堆叠集成学习	传统机器学习模型，深度学习模型	代码数据	通过ASSD工具生成的标注正负样本	NA	动态堆叠集成与后向消除（DSE-BE）	F1分数，MCC	NA
49	2025-12-21	Deep learning-based high dynamic range 3D reconstruction 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30204-0 PMID:41419546	研究论文	本文提出了一种基于深度学习的高动态范围三维重建方法，用于修复条纹投影轮廓测量中的饱和条纹图像	利用U-Net的衍生网络结构（如Res-U-Net和SE-U-Net）修复饱和条纹，无需额外硬件或多组图像采集即可提升三维重建精度	未明确说明方法在极端反射率变化或复杂光照条件下的泛化能力，且未涉及大规模实际工业场景的验证	解决高动态范围环境下因物体反射率和光照变化导致的条纹图像过曝光问题，提升三维重建精度	条纹投影轮廓测量中捕获的饱和条纹图像	计算机视觉	NA	条纹投影轮廓测量	深度学习	图像	NA	NA	U-Net, Res-U-Net, SE-U-Net	NA	NA
50	2025-12-21	Firearm classification from acoustic signals using combined mel spectrogram, MFCC, LFCC, and CRNN networks 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27949-z PMID:41419548	研究论文	本研究提出了一种基于声学信号和深度学习的方法，用于从枪声信号中分类枪支类型，结合了梅尔频谱图、MFCC、LFCC和CRNN网络	提出了一种名为MLFCC的新型特征集，结合了梅尔频谱图、MFCC和LFCC，并利用CRNN网络进行实时枪支分类，平衡了准确性和计算效率	系统对极端环境条件敏感，可能影响分类性能	开发一种可靠的枪声分类系统，以提升公共安全技术	枪声的声学信号	机器学习	NA	声学信号处理	CRNN	声学信号	NA	NA	CRNN	准确性, 计算效率	NA
51	2025-12-21	Non-invasive anemia detection from conjunctiva and sclera images using vision transformer with attention map explainability 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32343-w PMID:41419564	研究论文	本文提出了一种基于Vision Transformer的非侵入性贫血检测方法，利用结膜和巩膜图像进行分类，并引入可解释性技术	首次将Vision Transformer模型应用于结膜和巩膜图像进行贫血检测，并结合注意力图提供模型决策的可视化解释	未明确提及样本来源的多样性或模型在外部验证集上的泛化能力	开发一种非侵入性方法，通过眼部图像检测贫血，以减少对传统侵入性诊断程序的依赖	结膜和巩膜图像	计算机视觉	贫血	图像分析	Vision Transformer (ViT)	图像	未明确提及具体样本数量	未明确提及	Vision Transformer (ViT)	准确率	未明确提及
52	2025-12-21	Dehaze-attention: enhancing image dehazing with a multi-scale, attention-based deep learning framework 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27959-x PMID:41419565	研究论文	本文提出了一种名为Dehaze-Attention的多尺度注意力深度学习框架，用于增强图像去雾效果	引入了注意力机制和多尺度网络结构，以动态聚焦相关特征并处理不同密度的雾霾，从而在复杂大气条件下提升去雾性能	未在真实世界复杂场景中进行广泛验证，可能依赖于合成数据集	开发一种能够处理可变雾霾密度并保持结构信息的图像去雾模型	来自UDTIRI数据集的合成雾霾图像	计算机视觉	NA	深度学习	CNN	图像	基于UDTIRI数据集合成的雾霾图像集	NA	多尺度注意力网络	PSNR, SSIM	NA
53	2025-12-21	Structural configuration of sustainable sports industry based on deep learning and genetic algorithm 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32847-5 PMID:41419589	研究论文	本文构建了一个集成深度学习与遗传算法的智能优化框架，用于解决体育产业在高质量转型中面临的结构失衡与可持续性挑战	突破传统静态描述范式，首次将一维卷积神经网络与遗传算法结合，构建了动态、多目标、可量化的产业优化框架，并实现了跨区域验证与应用	模型主要基于2010-2022年的行业统计数据及2018-2020年的省级面板数据，数据时间跨度与地域覆盖范围可能影响模型的普适性	优化体育产业结构，协同提升经济、社会与环境效益，推动产业向服务化转型	体育产业（包括产业总产出、增加值、服务化比例等）	机器学习	NA	NA	CNN, 遗传算法	高维行业数据、面板数据	2010-2022年行业统计数据，2018-2020年省级面板数据，并包含美国与德国的验证数据	NA	一维卷积神经网络	跨区域预测误差（<6%）	NA
54	2025-12-21	Enhancing deep learning telemedicine for retinopathy of prematurity: current evidence and opportunities for improvement 2025-Dec-19, Eye (London, England) DOI:10.1038/s41433-025-04188-0 PMID:41419595	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
55	2025-12-21	An AI-powered tongue image model for home-based monitoring of liver fibrosis 2025-Dec-19, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02246-1 PMID:41419633	研究论文	开发了一个名为TongVMoe的多任务深度学习模型，用于通过舌象分析非侵入性地检测肝纤维化	首次提出一个集成了肝纤维化检测与七种关键舌象特征分类的多任务深度学习模型，并将其部署到微信小程序中，实现了可解释的、移动端兼容的家庭监测工具	样本量相对有限（1601名患者），且研究在特定人群中进行，模型的普适性有待在更广泛人群中进一步验证	开发一种非侵入性、低成本的家庭监测工具，用于肝纤维化的早期检测和监测	肝纤维化患者及相关的舌象特征	数字病理学	肝纤维化	舌象诊断	深度学习模型	图像	来自1601名患者的2202张舌象图像	NA	TongVMoe	AUC, 准确率, 敏感性	NA
56	2025-12-21	Multitrait analyses identify genetic variants associated with aortic valve function and aortic stenosis risk 2025-Dec-19, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-025-02397-7 PMID:41419685	研究论文	本研究利用深度学习从磁共振成像中测量主动脉瓣功能指标，并通过多性状GWAS分析识别与主动脉瓣功能和主动脉瓣狭窄风险相关的遗传变异	首次结合深度学习测量的主动脉瓣功能指标与主动脉瓣狭窄GWAS，采用多性状分析（MTAG）方法，识别出包括PCSK9和LDLR在内的166个独特基因位点	研究主要基于UK Biobank的欧洲人群数据，可能限制了结果在其他人群中的普适性	探究正常主动脉瓣功能的遗传影响及其对主动脉瓣狭窄风险的作用	UK Biobank中的59,571名参与者	机器学习	心血管疾病	磁共振成像, 全基因组关联研究（GWAS）	深度学习	图像	59,571名参与者	NA	NA	风险比（HR）, P值	NA
57	2025-12-21	Artificial Intelligence Detection and Classification of Ventriculoperitoneal Shunt Valves Utilizing Fine-Tuning of a Detection Model 2025-Dec-19, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01794-y PMID:41419699	研究论文	本研究通过微调YOLOv8-large模型，开发了一种用于在X光片上检测和分类脑室腹腔分流阀的人工智能系统	与先前纯分类方法相比，该检测模型能明确定位每个阀门，适应多阀门患者，并为下游阀门设置判断模型奠定基础	模型对某些阀门类型的性能优于其他类型，表明存在分类性能差异	开发一种基于深度学习的自动检测与分类系统，以辅助识别脑室腹腔分流阀类型	包含11种阀门类型的2263张颅骨X光片	计算机视觉	脑积水	放射成像	CNN	图像	2263张颅骨X光片	NA	YOLOv8-large	精确度, 召回率, 平均精度均值(mAP50), mAP50-90, F1分数	NA
58	2025-12-21	Transformer-based Deep Learning Models with Shape Guidance for Predicting Breast Cancer in Mammography Images 2025-Dec-19, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01773-3 PMID:41419700	研究论文	本研究评估了在Vision Transformer模型中应用基于形状的注意力引导策略，以提升乳腺X线摄影图像中乳腺癌的预测性能	探索了在Transformer编码器的不同层阶段（浅层和深层）应用乳腺掩码进行注意力引导的最佳策略，并比较了不同层组合的效果	研究仅使用了单一公开数据集（中国乳腺X线数据库），样本量相对有限，且未在更广泛的外部数据集上进行验证	评估基于形状的注意力引导策略在Transformer模型中的有效性，以提升乳腺癌诊断的准确性	乳腺X线摄影图像	计算机视觉	乳腺癌	NA	Vision Transformer (ViT), Swin Transformer V2, ResNet	图像	2,436张公开可用的乳腺X线摄影图像	NA	Vision Transformer (ViT), Swin Transformer V2, ResNet50	AUROC, 灵敏度, 特异性	NA
59	2025-12-21	MIDAS: rapid, multiplexed molecular profiling for integrated host-pathogen analysis 2025-Dec-19, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67391-3 PMID:41419730	研究论文	本文介绍了一种名为MIDAS的概念验证平台，用于快速、多重分子分析，以整合宿主-病原体分析	MIDAS平台整合了形状编码的水凝胶颗粒、无透镜衍射成像和基于深度学习的分析，首次在单个系统中实现了细菌RNA和炎症蛋白的同时定量，优化了潜在的即时护理应用	需要进一步的临床验证	开发一种快速、多重的分子分析技术，用于复杂感染条件下的整合宿主-病原体分析	脓毒症研究中的病原体和宿主反应	数字病理学	脓毒症	形状编码的水凝胶颗粒、无透镜衍射成像、深度学习分析	深度学习	图像	来自临床相关猪脓毒症模型的样本	NA	NA	与培养、qPCR和ELISA的高度一致性	NA
60	2025-12-21	Predicting and classifying type 2 diabetes using a transparent ensemble model combining random forest, k-nearest neighbor, and neural networks 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31562-5 PMID:41419964	研究论文	本研究提出了一种结合随机森林、k近邻和神经网络的透明集成模型，用于预测和分类2型糖尿病，并通过LIME和SHAP技术提高模型可解释性	采用堆叠和投票方法结合三种机器学习算法，并利用LIME和SHAP技术增强模型透明度，识别关键特征	研究仅基于768名皮马印第安人糖尿病样本，可能缺乏对其他人群的泛化能力	开发一个准确且可解释的模型，用于2型糖尿病的早期检测和分类	皮马印第安人糖尿病数据集中的768个样本，包含年龄、BMI、血糖等8个特征	机器学习	2型糖尿病	机器学习集成方法	随机森林, k近邻, 神经网络	结构化医疗数据	768个皮马印第安人糖尿病样本	Scikit-learn	集成模型（堆叠与投票）	准确率, 精确率, 召回率, 特异性, F1分数, AUROC, Brier分数, 预期校准误差	未明确指定