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
6161	2026-01-19	Macretina: a dataset, to support deep learning assisted retinopathy of prematurity diagnosis 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31624-8 PMID:41436820	研究论文	本研究介绍了一个名为Macretina的专家标注视网膜数据集，旨在支持基于AI的早产儿视网膜病变自动诊断	提出了首个从印度医院收集的、针对早产儿视网膜病变的综合性多任务视网膜图像数据集，包含三个病理相关特征的子集	数据来源于单一中心（Macretina医院），可能限制模型的泛化能力	开发可靠的AI辅助早产儿视网膜病变筛查系统	早产儿的视网膜图像	数字病理学	早产儿视网膜病变	宽视野视网膜成像系统（3nethra Neo）	深度卷积神经网络	图像	112名早产儿的1432张视网膜图像	NA	NA	NA	NA
6162	2026-01-19	A holistic framework for strengthening security of healthcare data through encryption utilizing blockchain technology 2025-Dec-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31698-4 PMID:41407846	研究论文	本研究提出了一种结合区块链技术与高级加密标准（AES）的框架，以增强医疗数据的安全性、隐私性和完整性	提出了一种创新的BCT-AES混合框架，首次将卷积神经网络（CNN）用于医疗数据特征提取，并结合决策树（DT）与逻辑回归（LR）进行分类，再通过AES加密与区块链技术实现去中心化、防篡改的存储方案	未明确说明框架在超大规模医疗数据集或跨机构数据共享场景下的可扩展性与性能表现	解决医疗数据因敏感性和网络攻击风险而面临的安全挑战，开发一种能同时保障数据隐私、完整性和支持实时分析的安全管理方案	患者记录与医学图像等医疗数据	机器学习	NA	区块链技术，高级加密标准（AES）	CNN, DT, LR	文本（患者记录），图像（医学图像）	NA	Python	NA	加密时间，分类准确率	NA
6163	2026-01-19	Ensemble deep learning with advanced feature engineering for embryo evaluation on in-vitro fertilisation procedures using biomedical images 2025-Dec-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31772-x PMID:41413417	研究论文	本文提出了一种基于集成深度学习和高级特征工程的胚胎评估系统，用于体外受精过程中的胚胎质量自动分级	结合改进的DenseNet进行特征提取，并集成TCN、ENN和CVAE等多种深度学习模型进行胚胎分类，实现了高精度的自动化评估	未提及模型在临床实际应用中的泛化能力验证或外部数据集测试结果	通过自动化胚胎分级方法提高体外受精中胚胎选择成功率，改善妊娠结局	体外受精过程中的胚胎生物医学图像	计算机视觉	不孕症	生物医学图像分析	CNN, TCN, ENN, CVAE	图像	未明确说明，仅提及使用显微图像数据集	未明确说明	DenseNet, TCN, ENN, CVAE	准确率	未明确说明
6164	2026-01-19	LBNet: an optimized lightweight CNN for mammographic breast cancer classification with XAI-based interpretability 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31642-6 PMID:41402449	研究论文	本研究提出了一种名为LBNet的轻量级、可解释的卷积神经网络，用于从乳腺X光片中准确、高效地检测乳腺癌	提出了一种参数仅240万的轻量级CNN架构，在保持高精度的同时显著降低了计算复杂度，并集成了SHAP和Grad-CAM等XAI方法以增强模型的可解释性	未明确提及，但未来研究可探索其在多视角乳腺X光片和实时临床部署中的应用	开发一种适用于资源受限环境、兼具高精度、高效率和高可解释性的乳腺癌自动检测模型	乳腺X光片	计算机视觉	乳腺癌	乳腺X光摄影	CNN	图像	基于RSNA数据集训练，并在CBIS-DDSM和MIAS两个外部数据集上验证	未明确提及	LBNet（包含5个卷积层，使用ReLU激活、批量归一化和最大池化）	准确率, 精确率, 召回率	未明确提及
6165	2026-01-19	Deep learning and TOPSIS-based multi-criteria decision-making framework for urban road defect detection and sustainable maintenance planning 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31682-y PMID:41408389	研究论文	本研究提出了一种结合改进YOLOv8模型和TOPSIS多准则决策的框架，用于城市道路缺陷检测与可持续维护规划	在YOLOv8模型中增加了一个用于严重性分类的辅助头部，并整合了TOPSIS多准则决策方法，实现了检测、严重性估计和数据驱动维护优先级排序的同步执行	未明确说明模型在极端天气或复杂光照条件下的鲁棒性，也未讨论框架在其他类型基础设施缺陷检测中的泛化能力	开发一个能够实时检测城市道路缺陷、评估严重性并支持可持续维护决策的智能框架	城市道路表面缺陷	计算机视觉	NA	深度学习	CNN	图像	NA	PyTorch	YOLOv8	NA	NA
6166	2026-01-19	Superior transplant recipient outcome prediction and pathology assessment using rapid deep learning applied to procurement kidney biopsies 2025-Dec-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31667-x PMID:41392051	研究论文	本研究利用深度学习模型快速分析供体肾脏活检图像，以预测移植后肾功能和移植物存活率	开发了定制化的深度学习模型，其肾小球硬化定量分析在预测移植物存活方面优于病理学家评估，且处理速度满足临床需求	研究样本量相对有限（691例活检），且随访时间平均约4.34年，可能不足以评估长期结局	提高供体肾脏移植适宜性评估的准确性和效率，优化移植决策	已故器官供体的肾脏活检样本	数字病理学	肾脏疾病	全切片图像分析	深度学习模型	图像	691例移植肾脏的采购活检样本	未明确指定	未明确指定	相关性分析，多变量Cox模型	未明确指定
6167	2026-01-19	Dynamic SG-SKRDX hybrid framework for precision weather forecasting and crop suitability in the Cauvery Delta 2025-Dec-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31717-4 PMID:41390771	研究论文	本文提出了一种动态SG-SKRDX混合框架，用于印度泰米尔纳德邦Cauvery三角洲地区的精确天气预报和作物适宜性推荐	提出了一种结合SVR-GRU（SG）模型进行天气预报和动态集成多种机器学习模型（SVM、KNN、RF、DT、XGBoost，称为SKRDX）进行作物推荐的混合框架，该框架能根据预测的天气变量变化智能选择最佳模型	NA	通过整合现代技术与传统实践，提升Cauvery三角洲地区农业的气候韧性和可持续作物生产，实现精准天气预报和作物推荐	印度泰米尔纳德邦Cauvery三角洲地区的天气数据和作物种植	机器学习	NA	统计模型、机器学习、深度学习	SVR, GRU, SVM, KNN, RF, DT, XGBoost	历史气象数据（温度、湿度、降水）	十年的历史气象数据	NA	SVR-GRU（SG）混合模型，动态SKRDX集成模型（包含SVM、KNN、RF、DT、XGBoost）	MSE, RMSE, MAE, R-Squared, 准确率, 精确率, 召回率, F1分数	NA
6168	2025-12-13	CLAP-HMM: a biologically constrained deep learning framework for resistance gene prediction in long DNA sequences 2025-Dec-12, BMC biotechnology IF:3.5Q2 DOI:10.1186/s12896-025-01086-x PMID:41382144	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6169	2026-01-19	Attention-guided hybrid learning for accurate defect classification in manufacturing environments 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31654-2 PMID:41381637	研究论文	提出了一种用于工业缺陷分类的注意力引导混合深度学习框架	集成了YOLOv11和EfficientNet-B7，并引入了CBAM注意力模块和轻量级FPN进行多尺度细化，支持跨不同物体类别和缺陷类型的统一分类	未明确提及	解决工业缺陷分类中因视觉复杂性、稀有性和多样性带来的挑战	工业制造环境中的缺陷	计算机视觉	NA	深度学习	CNN	图像	两个数据集：MVTec-FS基准（包含14个工业类别中的46种缺陷类型）和专有Window数据集（包含3个真实世界缺陷类别）	NA	YOLOv11, EfficientNet-B7, Convolutional Block Attention Module (CBAM), Feature Pyramid Network (FPN)	准确率	NA
6170	2026-01-19	A computationally efficient hybrid framework combining deep feature extraction and gradient boosting for early diagnosis of Olive leaf diseases 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31918-x PMID:41381664	研究论文	提出一种结合深度学习特征提取与梯度提升的混合框架，用于橄榄叶病害的早期诊断	提出一种混合框架，将深度学习模型的强大特征提取能力与机器学习分类器的计算效率相结合，以解决深度学习模型在分类和检测过程中对高计算处理的需求限制其普及性的问题	研究仅针对两种特定的橄榄叶病害（孔雀斑病和橄榄芽螨），模型在其他病害或作物上的泛化能力未经验证	开发一种计算效率高的方法，用于橄榄叶病害的早期诊断	橄榄树叶图像	计算机视觉	植物病害	图像分析	CNN, Boosting	图像	3400张属于三个类别（健康、橄榄孔雀斑病、橄榄芽螨）的橄榄叶图像	NA	MobileNetV2, DenseNet121, EfficientNetV2B0, ConvNext Tiny	准确率, 宏平均F1分数	NA
6171	2026-01-19	Dynamic context-aware multi-modal deep learning for longitudinal prediction of Parkinson's disease progression 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31898-y PMID:41381668	研究论文	本文提出了一种新颖的动态上下文感知多模态深度学习框架，用于纵向预测早期至中期帕金森病的运动症状进展	提出了一种结合高级语音生物标志物、信号处理技术、临床进展特征、人口统计学元数据以及通过自然语言处理从临床叙述中提取的语义丰富患者摘要嵌入的动态上下文感知多模态深度学习框架，并利用双向LSTM与多头自注意力机制来捕获复杂的时间依赖性同时防止信息泄露	样本量有限（42名患者）	纵向预测早期至中期帕金森病运动症状的进展，以支持及时干预和个性化患者护理	帕金森病患者	自然语言处理, 机器学习	帕金森病	信号处理, 自然语言处理	LSTM	语音生物标志物, 临床特征, 人口统计学元数据, 临床叙述文本	42名患者	NA	双向LSTM, 多头自注意力	R², RMSE, MAE	NA
6172	2026-01-19	Automated forest fire detection in ecological monitoring using enhanced deep learning networks 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31707-6 PMID:41381831	研究论文	本研究提出了一种名为DeepFire S3GA-Net的新型深度学习分割框架，用于从无人机航拍图像中自动检测和分割森林火灾区域	提出了一种新颖的深度学习分割框架DeepFire S3GA-Net，该框架在编码器中采用空洞空间金字塔池化以捕获多尺度上下文特征，在解码器中采用分组卷积模块以提高空间细化能力和特征多样性	未明确说明模型在极端天气条件或夜间环境下的性能表现	开发一种准确、可靠的森林火灾自动检测与分割方法，以支持实时生态监测和风险管理	无人机航拍图像中的森林火灾区域	计算机视觉	NA	无人机航拍成像	深度学习分割网络	图像	未明确说明	未明确说明	全卷积编码器-解码器网络	平均交并比, 准确率, 精确率, 召回率, Dice系数	未明确说明
6173	2026-01-19	Image-based explainable artificial intelligence accurately identifies myelodysplastic neoplasms beyond conventional signs of dysplasia 2025-Dec-11, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01222-y PMID:41381839	研究论文	本文开发了一种基于图像的深度学习方法，用于准确识别骨髓增生异常肿瘤，超越了传统的形态学评估	利用端到端深度学习模型，通过遮挡敏感度映射揭示了核结构在诊断中的重要性，无需繁琐的细胞级标注	未提及模型在更广泛或多样化数据集上的泛化能力，以及潜在的临床实施挑战	提高骨髓增生异常肿瘤的诊断准确性和可解释性，减少人工评估的主观性	骨髓涂片图像	数字病理学	骨髓增生异常肿瘤	NA	深度学习模型	图像	未明确指定样本数量，但涉及内部测试和外部验证数据集	未指定	未指定具体架构	准确性	未指定
6174	2026-01-19	Knowledge-informed deep learning to mitigate bias in joint air pollutant prediction 2025-Dec, Environment international IF:10.3Q1 DOI:10.1016/j.envint.2025.109915 PMID:41260014	研究论文	本文提出了一种新颖的物理信息深度学习框架，用于联合空气污染物预测，通过整合平流-扩散方程和流体动力学约束来减少系统偏差	将平流-扩散方程和流体动力学约束直接集成到神经网络架构中，用于多污染物预测，并生成物理可解释参数	NA	提高大气空气污染物预测的准确性，以减少系统偏差并改进流行病学研究的暴露评估	空气污染物对（如NO/NO₂和PM₂.₅/PM₁₀）在加利福尼亚和中国大陆的地理区域	机器学习	NA	NA	深度学习	大气污染物数据	NA	NA	NA	偏差减少百分比	NA
6175	2026-01-19	Automated Assessment of Choroidal Mass Dimensions Using Static and Dynamic Ultrasonographic Imaging 2025-Dec-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.12.30 PMID:41533875	研究论文	本研究开发并验证了一种基于人工智能的模型，用于在B扫描眼科超声图像上自动检测和测量脉络膜肿块的尺寸	提出了一种两阶段U-Net架构，能够同时处理静态图像和动态视频序列，并自动选择肿块横截面积最大的帧进行分析	在外部验证子集中检测准确率为83.9%，动态视频分析中高度测量在1毫米误差范围内的比例为68.2%，表明模型在泛化性和动态图像处理精度方面仍有提升空间	开发并验证一种人工智能模型，用于自动评估脉络膜肿块的尺寸	脉络膜肿块	计算机视觉	脉络膜肿瘤	B扫描眼科超声成像	深度学习	图像, 视频	1822张静态图像、130个动态视频序列，以及额外的180张静态图像和374张对照图像用于外部验证	NA	U-Net	准确率, 假阳性率, 平均绝对误差, R²	NA
6176	2026-01-19	Artificial Intelligence in Cardiology: The Current Applications and Future Directions 2025-Dec, Cureus DOI:10.7759/cureus.99270 PMID:41541923	综述	本文是一篇叙述性综述，概述了人工智能（特别是机器学习和深度学习）在心血管医学中的当前应用和未来前景	强调了人工智能在预测分析和个性化医疗中的核心作用，并指出了可解释人工智能（XAI）、数据偏见和监管框架等未来创新方向	作为一篇综述文章，未涉及具体研究数据或实验验证，主要基于现有文献进行总结和展望	探讨人工智能在心脏病学领域的应用现状、发展趋势及其对精准、高效、以患者为中心的心血管治疗的推动作用	心血管医学领域，包括预测分析、个性化医疗、可穿戴设备、远程医疗等	机器学习	心血管疾病	NA	NA	NA	NA	NA	NA	NA	NA
6177	2026-01-19	Integrated meteocean and seismic dataset for AI-based seawater CO2 estimation at Deception Island, Antarctica 2025-Nov-29, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06351-4 PMID:41318724	研究论文	本文提供了一个用于基于人工智能估算南极欺骗岛海水二氧化碳的高分辨率综合气象海洋与地震数据集，并应用双向长短期记忆神经网络进行数据驱动建模	首次在南极活跃火山口环境整合了海水pCO2、气象参数与地震信号（长周期事件和震颤事件）的多源观测数据，并采用深度学习技术填补观测空白	数据仅采集于2025年2月，时间覆盖范围有限；研究区域局限于南极欺骗岛特定火山口环境，可能限制模型的泛化能力	通过多源数据融合与深度学习技术，提升南极沿海系统碳通量模型的精度，支持极地海洋碳循环研究	南极南设得兰群岛欺骗岛（活跃火山口）的表层海水及内陆观测站	机器学习	NA	环境观测（海水pCO2、温度、盐度、风速、气温、太阳辐射、潮位）、地震信号监测	Bi-LSTM	多变量时间序列数据（气象、海洋、地震）	2025年2月在南极欺骗岛表层海水及内陆站采集的高分辨率观测数据集	NA	双向长短期记忆神经网络	五折交叉验证	NA
6178	2026-01-19	EgoVision a YOLO-ViT hybrid for robust egocentric object recognition 2025-Oct-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-18341-y PMID:41053140	研究论文	提出一种名为EgoVision的新型轻量级混合深度学习框架，用于解决第一人称视角下的静态物体识别问题	首次将YOLOv8与Vision Transformers融合的架构应用于HOI4D数据集上的静态物体识别，并针对机器人和增强现实应用进行实时优化	仅处理静态图像帧，未涉及连续视频流中的时序建模	开发适用于可穿戴和边缘设备的实时第一人称物体识别系统	静态自我中心视角图像中的物体	计算机视觉	NA	关键帧提取策略，特征金字塔网络	CNN, Transformer	图像	HOI4D数据集中的静态图像	NA	YOLOv8, Vision Transformer (ViT)	准确率	可穿戴设备，边缘设备
6179	2026-01-19	Breast cancer classification in point-of-care ultrasound imaging-the impact of training data 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014502 PMID:39830074	研究论文	本研究旨在通过比较不同训练数据增强技术，提升用于分类点式护理超声（POCUS）图像的深度学习网络性能，以改善低收入和中等收入国家乳腺癌的早期检测	比较了多种数据增强技术（包括直方图匹配、直方图均衡化和CycleGAN）在POCUS图像分类中的应用，并展示了CycleGAN生成图像能显著提升分类性能	未详细讨论模型在临床环境中的泛化能力或不同数据增强技术对计算资源的具体需求	通过增加训练数据量来改进用于乳腺癌分类的POCUS图像深度学习网络	乳腺癌组织图像，包括点式护理超声（POCUS）和标准超声（US）图像	计算机视觉	乳腺癌	点式护理超声（POCUS），标准超声（US）	CNN, GAN	图像	两个数据集（POCUS和标准US图像），具体样本数量未明确说明	NA	CycleGAN	AUC（曲线下面积），95%置信区间	NA
6180	2026-01-19	Training a high accuracy model to visualize blood clots during mechanical thrombectomy for the treatment of Acute Ischemic Stroke 2025, Frontiers in stroke DOI:10.3389/fstro.2025.1610399 PMID:41541866	研究论文	本研究提出了一种利用Medtronic Solitaire™支架上的不透射线标记空间排列的血栓可视化方法，并开发了基于U-Net架构的深度学习模型Clot[U]-Net进行血栓边界预测	首次利用支架上的不透射线标记空间排列实现机械取栓过程中的血栓可视化，无需改变现有临床工作流程	需要进一步的临床前和临床验证，目前仅在体外图像上进行训练和测试	提高急性缺血性卒中机械取栓手术中血栓的可视化能力，以提升首次取栓成功率	急性缺血性卒中患者的血栓	数字病理学	急性缺血性卒中	荧光透视成像	CNN	图像	800张体外前后位和侧位图像	NA	U-Net	交并比, AUROC	NA