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
581	2026-09-28	Machine-learning models for Alzheimer's disease diagnosis using neuroimaging data: survey, reproducibility, and generalizability evaluation 2025-Mar-21, Brain informatics DOI:10.1186/s40708-025-00252-3 PMID:40117001	综述	本文综述了用于阿尔茨海默病诊断的神经影像数据机器学习模型，并评估了其可重复性和泛化性	对开源机器学习模型进行了可重复性和泛化性评估，发现模型在不同数据队列间泛化性降低	模型在不同数据队列间泛化性降低，多数方法未应用于临床	综述用于阿尔茨海默病诊断的神经影像数据机器学习技术，并评估开源模型的可重复性和泛化性	阿尔茨海默病患者（包括稳定型MCI和进展型MCI）的神经影像数据	数字病理学	阿尔茨海默病	结构磁共振成像、功能磁共振成像、正电子发射断层扫描	传统机器学习, 深度学习	影像	NA	NA	NA	NA	NA
582	2026-09-28	Multicenter study on predicting postoperative upper limb muscle strength improvement in cervical spinal cord injury patients using radiomics and deep learning 2025-02-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-72539-0 PMID:39962172	研究论文	该研究基于常规MRI，结合影像组学与深度学习，预测颈段脊髓损伤患者术后上肢肌力改善情况	结合影像组学与深度迁移学习特征，利用多中心数据预测颈段脊髓损伤术后预后	样本量较小，仅82例，且为回顾性研究	评估基于机器学习的影像组学方法在预测脊髓损伤患者预后中的准确性	颈段脊髓损伤患者	医学影像分析	脊髓损伤	MRI影像组学，深度学习	随机森林，ResNet34	MRI图像	82例脊髓损伤患者（来自三家医院），其中预后良好组49例，预后不良组33例	NA	随机森林，ResNet34	准确率，AUC	NA
583	2026-09-28	Multimodal surface-based transformer model for early diagnosis of Alzheimer's disease 2025-02-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90115-y PMID:39962212	研究论文	该研究提出了一种基于多模态皮层表面特征的Transformer模型，用于阿尔茨海默病的早期诊断，通过交叉注意力机制融合MRI和PET数据	首次利用多模态轻量级皮层表面特征（而非计算密集的三维体积特征）进行AD诊断，并采用中间融合策略结合交叉注意力机制高效整合不同模态特征	未明确说明样本量以外的具体局限性，但依赖于ADNI数据集，可能缺乏外部验证	利用多模态轻量级皮层表面特征实现阿尔茨海默病的早期诊断，提供一种比传统三维体积特征方法更高效且准确的替代方案	阿尔茨海默病患者及ADNI数据集中的受试者	医学图像分析、计算机视觉	阿尔茨海默病	T1加权MRI、FDG PET、Aβ PET、Tau PET	Transformer	图像	ADNI系列数据集（具体样本量未在摘要中说明）	NA	Transformer	早期AD诊断准确率、计算效率	NA
584	2026-09-28	A unified framework harnessing multi-scale feature ensemble and attention mechanism for gastric polyp and protrusion identification in gastroscope imaging 2025-02-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90034-y PMID:39962226	研究论文	本研究提出了一种名为MultiAttentiveScopeNet的深度学习模型，结合多层特征集成和注意力机制，用于胃镜图像中胃息肉与胃突出的识别	提出了MultiAttentiveScopeNet模型，该模型集成了多层特征集成和注意力机制，并采用弱监督标注策略构建了大型多类胃镜图像数据集	未明确提及研究的局限性	解决胃息肉与胃突出鉴别诊断中的挑战，提高诊断准确性和成本效益	胃镜图像中的胃息肉和胃突出	计算机视觉	胃癌	胃镜成像	CNN	图像	大型多类胃镜图像数据集	NA	MultiAttentiveScopeNet	准确率, 微精确率, 宏精确率, 微召回率, 宏召回率, 微AUC, 宏AUC	NA
585	2026-09-28	A hybrid optimization-enhanced 1D-ResCNN framework for epileptic spike detection in scalp EEG signals 2025-02-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90164-3 PMID:39962290	研究论文	本文提出了一种结合1D残差卷积神经网络（1D-ResCNN）与混合优化策略的深度学习架构，用于头皮脑电信号中的癫痫棘波检测	将1D-ResCNN与混合优化策略（LAMB和AdamW）相结合，并首次在Typhoon HIL仿真器中利用嵌入式C2000微控制器进行实时硬件验证	未明确提及	实现头皮脑电信号中癫痫棘波的实时检测	癫痫患者的头皮脑电信号	机器学习	癫痫	脑电图	CNN	信号	CHB-MIT数据集包含12名患者的24通道脑电记录；Siena数据集包含14名成年患者的脑电数据	NA	1D-ResCNN	准确率, 灵敏度, 特异性, 假阳性率, F1分数	Typhoon HIL仿真器, 嵌入式C2000微控制器
586	2026-09-28	Incident duration prediction through integration of uncertainty and risk factor evaluation: A San Francisco incidents case study 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316289 PMID:39746103	研究论文	本文提出了一个综合框架，用于通过整合不确定性和风险因素评估来预测事件持续时间，并以旧金山事件数据集为例进行了案例研究	引入了基于风险优先数（RPN）概念的新型特征“Risk”，强调事件地点在事件发生和预测中的重要性；提出了通过模糊聚类方法进行精细化事件分类，为边界聚类制定独特策略；每个聚类通过多准则决策（MCDM）过程获得管理见解	未明确提及	准确预测事件持续时间，并深入理解事件类型和风险因素，以优化交通管理中的资源分配和减少中断	旧金山交通事件数据	机器学习	NA	NA	传统机器学习模型和深度学习模型	表格数据	旧金山事件数据集（具体样本量未提及）	NA	NA	NA	NA
587	2026-09-28	An end-to-end implicit neural representation architecture for medical volume data 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314944 PMID:39752347	研究论文	本文提出一种端到端的隐式神经表示架构，用于医学体积数据的压缩、重建和超分辨率，包含下采样、隐式神经表示和超分辨率三个模块	提出端到端架构结合下采样、隐式神经表示和超分辨率，并采用权衡点方法优化各模块，实现高达97.5%的压缩率同时保持高质量重建	仅在多参数MRI数据上进行了实验验证，未在其他模态的医学体积数据上测试	解决医学体积数据快速增长带来的组织、存储、传输、操作和渲染挑战	多参数MRI医学体积数据	计算机视觉	NA	隐式神经表示、超分辨率	NA	图像	NA	NA	NA	峰值信噪比、结构相似性指数、压缩率	GPU
588	2026-09-28	A weak edge estimation based multi-task neural network for OCT segmentation 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316089 PMID:39752440	研究论文	该文章提出了一种基于弱边缘估计的多任务神经网络，用于OCT图像分割，通过边界回归分支和结构化剪枝提高弱边缘分割性能并减少过拟合	引入基于截断符号距离函数的自适应加权损失函数以保留弱边缘细节，提出基于空间注意力的双分支信息融合块连接分割和边界回归分支，并设计基于通道注意力的结构化剪枝方法减少参数并缓解过拟合	未明确提及	解决深度学习在OCT图像分割中对弱边缘敏感和标注数据不足导致过拟合的问题	眼底OCT图像	计算机视觉	眼底疾病	光学相干断层扫描	多任务神经网络	图像	两个数据集：HCMS和Duke	NA	多任务注意力机制网络与剪枝	Dice系数	NA
589	2026-09-28	Object detection in motion management scenarios based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315130 PMID:39752546	研究论文	本文提出了一种用于运动管理场景的监督式目标检测方法，通过结合时间偏移和空间卷积的TSM模块、可变形注意力机制以及解耦结构，提升检测性能	首次提出用于运动管理场景的监督式目标检测方法，设计了结合时间偏移和空间卷积的TSM模块、可变形注意力机制和解耦结构	未明确提及	解决运动管理场景中目标检测存在的时序信息丢失、多目标、目标重叠以及回归与分类任务耦合等问题	运动场景中的目标，包括运动员、运动器材、场地边界等	计算机视觉	NA	NA	CNN	图像	NA	NA	NA	mAP_0.5	NA
590	2026-09-28	A networked station system for high-resolution wind nowcasting in air traffic operations: A data-augmented deep learning approach 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316548 PMID:39808682	研究论文	本研究针对马德拉国际机场复杂风场，利用六个气象站网络数据和深度学习技术，构建了高分辨率风场临近预报模型，可预测未来30分钟内每分钟的风速和风向	将战略性部署的传感器网络与深度学习结合，并采用高斯噪声拼接增强训练数据，实现了复杂环境下机场高分辨率风场临近预报	仅针对马德拉国际机场的特定风场条件进行验证，模型的泛化能力尚未在其他复杂地形机场得到证实	提升复杂环境下机场风场临近预报的精度和时空分辨率，以增强航空运行效率与安全	马德拉国际机场及周边六个气象站采集的风场数据	机器学习	NA	深度学习	深度学习模型（未指明具体架构）	时间序列气象数据	来自6个气象站的数据，具体样本量未明确	NA	NA	平均绝对误差（MAE）	NA
591	2026-09-28	Dynamics and triggers of misinformation on vaccines 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316258 PMID:39813203	研究论文	该研究分析了2016至2021年意大利社交媒体上关于疫苗的辩论，使用符号转移熵和深度学习模型来探究错误信息的动态和触发因素	使用符号转移熵分析新闻生产时间序列以动态确定错误信息与可靠来源之间的因果关系，并利用深度学习模型分类疫苗相关内容	研究仅针对意大利社交媒体平台，可能无法推广到其他地区；数据时间跨度为2016-2021年，可能不涵盖最新趋势	调查在线错误信息的动态和触发因素，特别是疫苗相关话题，并评估其对用户参与的影响	意大利社交媒体平台上的疫苗相关新闻和用户互动	社交媒体分析	疫苗相关疾病	符号转移熵分析，深度学习模型	NA	文本	6年（2016-2021）的意大利疫苗辩论数据，涵盖Facebook、Instagram、Twitter、YouTube等平台	NA	NA	用户参与度（例如，中值高出11倍）	NA
592	2026-09-28	A novel multi-user collaborative cognitive radio spectrum sensing model: Based on a CNN-LSTM model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316291 PMID:39813223	研究论文	本文提出了一种基于CNN-LSTM混合模型的多用户协作认知无线电频谱感知模型，并结合多头自注意力机制提升感知性能	将CNN的局部特征提取能力与LSTM的时序数据处理优势相结合，并引入多头自注意力机制优化信息流，用于多用户协作认知无线电频谱感知	仅通过仿真实验验证，未在真实无线电环境中测试	提升多用户协作认知无线电系统中的频谱感知精度和效率	多用户协作认知无线电系统的频谱感知	机器学习	NA	NA	CNN, LSTM	仿真数据	次级用户数量分别为16、24、32、40、48的仿真实验	NA	CNN, LSTM, 多头自注意力机制	感知错误率	NA
593	2026-09-28	LD-informed deep learning for Alzheimer's gene loci detection using WGS data 2025 Jan-Mar, Alzheimer's & dementia (New York, N. Y.) DOI:10.1002/trc2.70041 PMID:39822590	研究论文	该研究提出了一个名为Deep-Block的多阶段深度学习框架，将生物学知识融入其AI架构，利用大规模全基因组测序数据识别与阿尔茨海默病显著相关的遗传区域	提出了Deep-Block框架，采用三阶段方法：基于连锁不平衡模式进行基因组分割、利用稀疏注意力机制选择相关LD块、应用TabNet和随机森林算法量化SNP特征重要性，有效处理大规模高通量测序数据同时保留SNP交互作用，减少偏差和信息损失	研究仅使用了非西班牙裔白人参与者数据，样本种族多样性有限，可能影响框架在其他人群中的泛化能力	开发先进的分析工具，从大规模高通量测序数据中有效识别与阿尔茨海默病相关的遗传位点	阿尔茨海默病相关的遗传位点和基因区域	机器学习	阿尔茨海默病	全基因组测序（WGS）、表达数量性状位点（eQTL）分析	TabNet、随机森林	基因组序列数据	7416名非西班牙裔白人参与者（3150名认知正常老年人，4266名阿尔茨海默病患者），来自阿尔茨海默病测序计划（ADSP）	NA	TabNet、随机森林、稀疏注意力机制	NA	NA
594	2026-09-28	Glaucoma detection and staging from visual field images using machine learning techniques 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316919 PMID:39823435	研究论文	本研究探讨了深度学习模型在仅使用模式偏差图的情况下，区分正常与青光眼视野、并对青光眼进行早期到晚期分期的性能，并与基于传统视野参数的机器学习分类器进行了比较	首次证明仅使用模式偏差图训练的深度学习模型能够按照Mills标准对青光眼进行分期，且性能与传统全局指标相当	样本量较小（共265个视野图像），仅使用了ResNet18和VGG16两种预训练模型，且仅基于Humphrey 24-2视野检查	研究深度学习模型能否仅利用模式偏差图区分正常与青光眼视野并对青光眼进行分期，同时与传统视野参数的机器学习分类器进行性能比较	119只正常眼和146只青光眼眼的Humphrey 24-2视野检查数据，包括265个模式偏差图和265个数值数据集	计算机视觉	青光眼	深度学习、机器学习、视野检查（Humphrey 24-2）、Grad-CAM可视化	CNN	图像	265个模式偏差图和265个数值数据集，来自119只正常眼和146只青光眼眼	NA	ResNet18, VGG16, 随机森林	F1分数, 精确率, 召回率, 特异性	NA
595	2026-09-28	Citrus diseases detection using innovative deep learning approach and Hybrid Meta-Heuristic 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316081 PMID:39841644	研究论文	该研究使用深度学习和混合元启发式方法进行柑橘病害检测，通过数据增强和迁移学习提高诊断准确率	结合预训练模型（DenseNet-201和AlexNet）与混合元启发式算法进行最优特征选择，实现了高精度的柑橘病害分类	未明确提及	开发自动化柑橘病害分类系统，提高诊断准确率、效率和成本效益	柑橘叶片	计算机视觉	植物病害	深度学习，迁移学习，数据增强，混合元启发式算法	CNN	图像	未明确提及（使用柑橘叶片数据集）	NA	DenseNet-201, AlexNet	准确率	NA
596	2026-09-28	Automated extracellular volume fraction measurement for diagnosis and prognostication in patients with light-chain cardiac amyloidosis 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0317741 PMID:39841643	研究论文	本研究评估了基于人工智能自动分割的T1 mapping参数在左心室肥厚患者中检测心脏淀粉样变性的诊断性能，以及在轻链型心脏淀粉样变性患者中的预后价值	使用人工智能自动化分割技术（Myomics-Q）提取细胞外体积分数，并将其纳入修订版Mayo分期系统以提高风险分层能力	样本量相对较小，仅纳入300例患者，且为单中心回顾性研究，需要更大规模的前瞻性多中心研究验证	评估基于AI自动分割的T1 mapping参数在左心室肥厚患者中检测心脏淀粉样变性的诊断性能，以及这些参数在轻链型心脏淀粉样变性患者中的预后价值	300例因左心室肥厚鉴别诊断而接受心脏磁共振检查的连续患者，包括50例确诊心脏淀粉样变性（39例轻链型，11例转甲状腺素蛋白型）、198例肥厚型心肌病、47例高血压性心脏病和5例法布里病	数字病理学	心血管疾病	心脏磁共振成像（CMR）T1 mapping、细胞外体积分数（ECV）测量	深度学习	图像	300例患者（50例心脏淀粉样变性、198例肥厚型心肌病、47例高血压性心脏病、5例法布里病）	NA	NA	诊断准确率、调整风险比、95%置信区间、p值、综合判别指数、分类净重分类指数	NA
597	2026-09-28	Gross tumor volume confidence maps prediction for soft tissue sarcomas from multi-modality medical images using a diffusion model 2025-Jan, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2025.100734 PMID:40123775	研究论文	本研究开发了一种基于扩散模型的神经网络，用于从多模态医学图像中预测软组织肉瘤的GTV置信图，以建模读者变异性。	利用扩散模型预测GTV置信图，建模读者变异性，并结合多模态医学图像（FDG-PET、CT、T1加权MRI）提高准确性。	样本量较小（仅49例患者），且仅与U-Net模型比较，未与其他先进方法进行广泛比较。	开发一种高度准确的自动勾画技术，建模读者变异性，用于软组织肉瘤的放疗计划。	软组织肉瘤患者的多模态医学图像（FDG-PET、CT、T1加权MRI）。	医学图像分析	软组织肉瘤	FDG-PET, CT, MRI	扩散模型	图像	51例患者（49例用于分析），每位患者由6位经验丰富的读者多次勾画GTV。	NA	扩散模型, U-Net	Dice指数, Hausdorff距离, 召回率, 精确率, Brier分数	NA
598	2026-09-28	Using deep learning to shorten the acquisition time of brain MRI in acute ischemic stroke: Synthetic T2W images generated from b0 images 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316642 PMID:39761257	研究论文	本研究使用深度学习从弥散加权成像b0图像生成T2加权图像，以评估缩短急性缺血性卒中脑MRI采集时间的可行性	首次应用Hybrid-Fusion Network（Hi-Net）和pix2pix算法从b0图像合成T2W图像，并验证其在急性缺血性卒中影像中的可行性	样本量较小，仅53例患者；合成图像在眶部和鼻旁窦区域质量不佳；放射科医生误判率较高，约57%的合成图像被误认为真实图像	评估深度学习从弥散加权成像b0图像生成T2加权图像的可行性，以缩短急性缺血性卒中脑MRI的采集时间	53例接受头部磁共振成像的患者	医学图像合成	急性缺血性卒中	MRI	生成对抗网络	图像	53例患者，954对图像（训练集763对，测试集191对）	NA	Hi-Net, pix2pix	峰值信噪比（PSNR）, 结构相似性（SSIM）, 归一化均方误差（NMSE）, 五点Likert量表评分	NA
599	2026-09-28	Avoiding catastrophic overfitting in fast adversarial training with adaptive similarity step size 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0317023 PMID:39774503	研究论文	本文提出了一种基于自适应相似步长的快速对抗训练方法（ATSS），通过根据输入噪声与梯度方向的相似性为每个样本确定扰动步长，生成对抗样本，以避免灾难性过拟合	首次根据输入噪声与梯度方向的相似性自适应确定每个样本的扰动步长，从而生成更具多样性的对抗样本，有效避免灾难性过拟合，同时保持高干净准确率	未明确说明在更大规模数据集或更复杂模型上的泛化能力，也未与其他防御方法（如TRADES）进行对比	解决快速对抗训练中因单步攻击导致对抗样本多样性不足、易发生灾难性过拟合的问题	深度神经网络（ResNet18和VGG19）在图像分类任务上的对抗鲁棒性	计算机视觉	NA	对抗训练	CNN	图像	CIFAR-10（60000张图像）、CIFAR-100（60000张图像）和Tiny ImageNet（100000张图像）	NA	ResNet18, VGG19	鲁棒准确率, 干净准确率	NA
600	2026-09-28	Survival analysis using deep learning with medical imaging 2024-05-01, The international journal of biostatistics DOI:10.1515/ijb-2022-0113 PMID:37312249	研究论文	本文综述了用于医学影像的生存分析深度学习方法，并通过脑胶质瘤组织学数据集比较了深度学习方法与Cox模型方法	比较了多种深度学习生存分析方法与Cox模型方法在组织学图像上的性能，为影像生存分析提供了实证参考	仅在脑胶质瘤组织学数据集上进行比较，样本类型单一，未涵盖其他影像模态或疾病类型	综述并比较深度学习方法和Cox模型方法在医学影像时间至事件数据建模中的表现	脑胶质瘤组织学影像数据	数字病理学	脑胶质瘤	组织学成像	CNN	图像	NA	NA	NA	NA	NA