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
641	2025-12-10	Hierarchical graph-guided contextual representation learning for Neurodegenerative pattern recognition in MRI 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111276 PMID:41205374	研究论文	提出一种用于MRI中神经退行性疾病模式识别的可解释分类器RG-ViT	结合残差图神经网络与Vision Transformer，将MRI数据表示为互连图块，以捕获病灶的空间依赖性和全局关系	未提及	开发可解释的深度学习模型，用于神经退行性疾病的MRI图像诊断	多发性硬化症、帕金森病和阿尔茨海默病的MRI图像	医学影像分析	神经退行性疾病	MRI	图神经网络, Transformer	图像	未提及	未提及	Residual Graph Neural Network enhanced Vision Transformer (RG-ViT)	准确率, F1分数	未提及
642	2025-12-10	BERTAVP: an interpretable multi-task learning model for identification and functional prediction of antiviral peptides 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111282 PMID:41207159	研究论文	本研究提出了一个名为BERTAVP的可解释多任务学习深度学习框架，用于识别抗病毒肽（AVPs）并同时预测其功能活性	结合BERT和CNN分支提取肽序列特征及氨基酸理化特征，采用多任务学习同时进行AVPs识别和功能预测，并利用焦点损失函数处理数据不平衡问题，模型具有基于功能基序的可解释性	未明确说明模型在独立验证集上的泛化性能，也未讨论数据不平衡问题是否已完全解决	开发一个可解释的深度学习模型，用于抗病毒肽的识别及其功能活性预测	抗病毒肽（AVPs），包括8个物种和6个家族的功能活性	自然语言处理	病毒性疾病	深度学习	BERT, CNN	肽序列数据	NA	PyTorch, TensorFlow	BERT, CNN	NA	NA
643	2025-12-10	Whole-Brain Task fMRI Decoding Using Stage-Wise Residual-Optimized 3D ConvNeXt With Layer-Global Response Normalization 2025-Dec, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3606512 PMID:41212708	研究论文	本文提出了一种用于全脑任务fMRI解码的3D ConvNeXt框架，通过集成层全局响应归一化和阶段式残差连接，以提升特征缩放和计算效率	引入了层全局响应归一化(LN-GRN)以改进特征缩放，并采用阶段式残差连接在保持精度的同时增强计算效率，从而在任务泛化、空间保真度和神经科学可解释性之间取得更好平衡	未明确说明模型在超大规模数据集或不同临床人群中的泛化能力，以及计算资源需求的具体细节	开发一种鲁棒、高效且可解释的全脑任务fMRI解码方法，以推动认知神经科学研究和临床神经影像应用	人类连接组计划数据集，涵盖七个认知领域的任务fMRI数据	机器学习	NA	功能磁共振成像(fMRI)	CNN	图像	NA	NA	3D ConvNeXt	NA	NA
644	2025-12-10	ClinSegAI: A post-processing framework for superior histopathology segmentation accuracy, radiomics feature preservation, and quantitative analysis 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111298 PMID:41223649	研究论文	本研究提出了ClinSegAI，一种后处理框架，旨在优化数字病理学中基于BiomedParse基础模型的细胞分割输出，以提高分割精度并保留放射组学特征	开发了一种针对BiomedParse基础模型输出的后处理工具，通过修正分割边界、合并或分割区域来保持形态保真度，从而在分割准确性和放射组学特征保留方面优于现有方法	NA	提高数字病理学中细胞分割的准确性，并确保放射组学特征在分割过程中的完整性，以支持下游定量分析	苏木精-伊红（H&E）染色的全切片图像中的细胞核	数字病理学	肺癌, 其他癌症	数字病理学图像分析	视觉Transformer	图像	NA	NA	BiomedParse	Dice相似系数, 95%分位数Hausdorff距离, 平均对称表面距离	NA
645	2025-12-10	MARTHA - Combining gaze into deep learning for fully quantitative human testicular histology analysis 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111270 PMID:41232374	研究论文	本文介绍了一种结合眼动追踪与深度学习的工具MARTHA，用于全定量人类睾丸组织学分析	通过被动眼动追踪捕获病理学家在组织检查中的注视点，并将其与深度学习图像分析结合，将专家注意力融入神经网络	NA	简化并加速数据交互，提高计算机辅助诊断的准确性和效率	人类睾丸组织	数字病理学	不育症	眼动追踪, 深度学习图像分析	深度学习	全切片图像	来自约8000个管状结构的超过83,000个细胞核	NA	NA	数据交互效率, 语义分割	NA
646	2025-12-10	SCG systolic detection in the wild: A static-dynamic cross-dataset analysis 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111297 PMID:41237503	研究论文	本文通过静态-动态跨数据集分析，探讨了在真实世界环境中使用深度学习模型检测心震图收缩期复合波的挑战	首次针对心震图收缩期检测在真实世界环境中的问题进行了全面实验分析，设计了结合多个数据集的实验框架，评估了跨数据集和静态-动态域偏移的影响	传统模型适应策略（如微调或个性化）仅能部分克服检测性能下降的问题，真实世界环境下的检测仍具有较大挑战性	研究心震图收缩期检测在真实世界环境中的域偏移问题及其对深度学习模型性能的影响	心震图信号，特别是收缩期复合波	机器学习	心血管疾病	心震图	CNN	信号数据	NA	NA	U-Net	NA	NA
647	2025-12-10	BTOB-T: Bilateral orchesTrated deep learning framework based on proteogenOmics for drug-repositioning of Breast cancer Treatment 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111287 PMID:41237504	研究论文	本文提出了一种基于蛋白质组学的双边协调深度学习框架BTOB-T，用于乳腺癌治疗的药物重定位	结合Transformer模型提取整合基因表示，并利用图核方法计算乳腺癌网络与药物扰动网络之间的差异评分，整合多组学数据和基因关系以提高药物疗效预测准确性	未明确提及具体局限性	开发深度学习框架以加速乳腺癌药物重定位	乳腺癌的多组学数据、基因网络和药物化合物	机器学习	乳腺癌	蛋白质组学、多组学数据整合	Transformer, 图核方法	多组学数据、临床实验数据、处方药物列表、表型组学数据、细胞活力测定数据	NA	NA	Transformer	NA	NA
648	2025-12-10	Fully automated IVUS image segmentation with efficient deep-learning-assisted annotation 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111312 PMID:41248587	研究论文	本文提出了一种结合主动学习和模型输出交互的高效深度学习框架，用于全自动IVUS图像分割，显著减少了标注工作量	提出了一种双分支网络，集成了空间和通道概率注意力模块，用于分割管腔和斑块区域并同时预测潜在分割错误，引入了分割质量评估以量化未标注图像的分割质量并提供视觉提示	NA	开发一种全自动IVUS图像分割方法，以辅助冠状动脉疾病的诊断、治疗规划和监测	冠状动脉IVUS图像	计算机视觉	心血管疾病	IVUS	深度学习	图像	来自266名受试者的38,771个横截面帧	NA	双分支网络	NA	NA
649	2025-12-10	Dynamic multi-scale deep learning with mixture of experts for differentiating iNPH and PSP using MRI 2025-Dec, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03537-4 PMID:41254343	研究论文	本研究提出了一种新颖的多尺度深度学习框架，通过专家混合机制整合全局和局部磁共振成像特征，用于区分特发性正常压力脑积水和进行性核上性麻痹	首次将专家混合机制与多尺度深度学习结合，动态加权全局和局部MRI特征，提高了诊断准确性和可解释性	样本量相对较小（118例患者），需要多中心验证和数据集扩展以增强泛化能力	开发一种准确、稳健且可解释的深度学习工具，用于区分特发性正常压力脑积水和进行性核上性麻痹	118名患者（53例特发性正常压力脑积水，65例进行性核上性麻痹）的T1加权磁共振成像数据	医学影像分析	神经系统疾病	磁共振成像	CNN, RCNN	图像	118例患者（53例特发性正常压力脑积水，65例进行性核上性麻痹）	PyTorch, TensorFlow	ResNet-34	准确率, 召回率, 精确率, AUC	NA
650	2025-12-10	Scalable Clinical Annotation with Location Evidence (SCALE) 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111321 PMID:41274111	研究论文	提出一种名为SCALE的全自动体素级标注方法，用于生成大规模医学影像标注数据集，以支持深度学习模型开发	开发了首个完全自动化的体素级标注方法，利用从医疗报告自动提取的位置先验、活检坐标或解剖区域信息，实现了大规模标注的可扩展性	研究主要针对前列腺癌MRI检测，未验证在其他疾病或影像模态上的通用性	开发可扩展的自动化医学影像标注方法，以促进AI在前列腺癌检测中的临床应用	前列腺MRI影像及其对应的医疗报告、活检坐标数据	数字病理学	前列腺癌	MRI影像分析	深度学习模型	医学影像（MRI）	训练集：17,896例（16,562名患者，24家医院）；测试集：1,561例（1,561名患者，19家医院）	NA	NA	受试者工作特征曲线下面积（AUC）	NA
651	2025-12-10	Augmentation-based deep learning for identification of circulating tumor cells 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111333 PMID:41274113	研究论文	本研究提出了一种基于深度学习的分类流程，旨在通过增强学习技术从血液样本中区分循环肿瘤细胞与白细胞，以提高诊断准确性并优化临床工作流程	采用基于ResNet的卷积神经网络，结合三种数据增强技术，并在训练阶段融入荧光通道图像以学习额外的CTC特异性特征，而测试仅使用明场图像，从而在不依赖荧光标记的情况下识别CTC	未明确提及样本量是否足够大以覆盖所有CTC异质性，且模型性能可能受限于数据增强技术的有效性	开发一种基于明场单细胞分析的深度学习方法，以克服荧光方法在泛化性方面的限制，并提高CTC识别的准确性和效率	循环肿瘤细胞和白细胞	数字病理学	癌症	Parsortix®技术和DEPArray™技术结合，用于基于大小和可变形性选择细胞并进行精确可视化	CNN	图像	未明确提及具体样本数量	未明确提及，但基于ResNet架构推测可能使用PyTorch或TensorFlow	ResNet	F1分数	未明确提及
652	2025-12-10	AI-driven rapid identification of bacterial and fungal pathogens in blood smears of septic patients 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111328 PMID:41275751	研究论文	本研究开发了一种基于深度学习的AI驱动方法，用于从脓毒症患者的血液涂片显微图像中快速识别细菌和真菌病原体	技术流程的创新点在于结合了Cellpose 3模型进行稳健精确的微生物细胞分割，以及基于注意力的深度多实例学习进行复杂且上下文感知的分类，有效克服了异质样本中标准单实例分类的局限性	在密切相关的物种（如人葡萄球菌和溶血葡萄球菌）以及白色念珠菌内部存在一些分类困难	快速诊断和治疗脓毒症，通过AI技术减少微生物诊断时间	脓毒症患者的血液样本中的细菌和真菌病原体	数字病理学	脓毒症	革兰氏染色涂片显微成像	深度学习	图像	16637张革兰氏染色显微图像	NA	Cellpose 3, Attention-based Deep Multiple Instance Learning	准确率, ROC AUC	NA
653	2025-12-10	GOARS: Generalized organ-at-risk segmentation utilizing hierarchical learning architecture and multi-dimensional feature aggregation 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111327 PMID:41308236	研究论文	提出了一种用于放疗中危及器官自动分割的通用方法GOARS，它采用分层学习架构和多维特征聚合技术	提出了一个统一的网络框架，通过自适应ROI提取策略处理小器官和重叠器官，并构建了结合2D和3D网络的双结构细粒度分割模型	未在摘要中明确说明	开发一种自动化的危及器官分割方法，以提高放疗计划的精度和可靠性	放疗中的危及器官	数字病理学	癌症	深度学习	CNN	医学图像	三个独立数据集	NA	分层学习架构，结合2D和3D网络的双结构模型	NA	NA
654	2025-12-10	Automated cervix biometry, volumetry and normative models for 3D motion-corrected T2-weighted 0.55-3T fetal MRI during 2nd and 3rd trimesters 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29744-2 PMID:41326549	研究论文	本文提出了一种用于胎儿MRI中宫颈自动分割和生物测量的深度学习流程	首次开发了针对妊娠期宫颈3D T2加权MRI的自动化多层分割和生物测量深度学习流程	仅评估了20个数据集，样本量相对有限	开发自动化方法用于胎儿MRI中宫颈的测量和分析	妊娠期宫颈的3D T2加权MRI图像	数字病理学	妊娠相关疾病	3D T2加权MRI	深度学习	3D MRI图像	20个数据集用于评估，270个正常足月病例用于分析	NA	NA	与手动测量比较的性能评估	NA
655	2025-12-10	SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses 2025-Dec-01, NPJ artificial intelligence DOI:10.1038/s44387-025-00043-5 PMID:41333195	研究论文	本文介绍了首个公开的专家标注肩部病理数据集ScopeMRI，并提出了一个基于深度学习的框架，用于在标准MRI和MRA上检测Bankart病变	首次构建并公开了基于关节镜金标准标注的肩部病理MRI数据集，并开发了一个集成CNN和Transformer架构的多平面预测融合模型，在标准MRI上实现了超越放射科医生解读MRA的诊断性能	尽管在外部验证中显示了初步的泛化能力，但模型在不同成像协议和医疗机构间的广泛适用性仍需进一步验证	开发一个深度学习框架，用于在具有挑战性的临床诊断任务（Bankart病变检测）中实现放射科医生级别的性能	肩部MRI图像，特别是用于检测Bankart病变（前下盂唇撕裂）	医学影像分析	肌肉骨骼疾病	MRI, MRA	CNN, Transformer	图像	包含接受关节镜检查患者的肩部MRI，具体数量未在摘要中说明	NA	CNN-based, Transformer-based architectures (具体架构未指定)	准确度	NA
656	2025-12-10	Benchmarking interpretability of deep learning for predictive genomics: Recall, precision, and variability of feature attribution 2025-Dec, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013784 PMID:41348741	研究论文	本文提出了一种用于评估深度学习模型在预测基因组学中特征归因方法可解释性的基准框架，并应用于英国生物银行的身高预测数据	引入了一个量化归因召回率、归因精确度和稳定性的基准框架，用于评估深度学习模型在遗传变异识别中的可解释性	研究主要基于英国生物银行的数据，可能无法完全推广到其他人群或表型	评估深度学习模型在预测基因组学中特征归因方法的可靠性和可解释性	英国生物银行中约30万参与者的基因型数据，用于身高预测	机器学习	NA	全基因组关联分析	前馈神经网络	基因型数据	约30万参与者，超过50万个常染色体变异	NA	前馈神经网络	归因召回率, 归因精确度, 稳定性, 相对标准差	NA
657	2025-12-10	Graph-enhanced deep learning for diabetic retinopathy diagnosis: A quality-aware and uncertainty-driven approach 2025-Dec, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013745 PMID:41348927	研究论文	提出一种结合图卷积网络、质量评估和不确定性估计的深度学习模型，用于糖尿病视网膜病变的诊断	将预训练模型提取的特征构建为图结构，利用GCN进行嵌入表示增强，并创新性地集成了质量评估和不确定性估计模块以提高诊断可靠性和临床适用性	未明确提及模型在更广泛或更具挑战性的临床数据集上的泛化能力测试，以及计算效率的详细分析	开发一种准确、可靠且可解释的糖尿病视网膜病变自动诊断方法	糖尿病视网膜病变的眼底图像	计算机视觉	糖尿病视网膜病变	深度学习，图卷积网络	CNN, GCN, Transformer	图像	APTOS2019、Messidor-2和EyePACS数据集，具体样本数量未在摘要中明确说明	PyTorch, TensorFlow (推断，因使用Grad-CAM)	MobileViT, DenseNet-169, Graph Convolutional Network	准确率, F1分数, Kappa系数	NA
658	2025-12-10	Benchmarking Supervised and Self-Supervised Learning Methods in a Large Ultrasound Muti-Task Images Dataset 2025-Dec, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3382604 PMID:38536687	研究论文	本文介绍了US-MTD120K超声多任务数据集，并对比了监督学习和自监督学习方法在超声图像分析中的性能	提出了一个大规模超声多任务数据集US-MTD120K，并引入改进的自监督学习方法MoCo-US，减少对前置任务设计的依赖	未明确说明数据集的泛化能力或模型在外部验证集上的表现	构建和评估适用于超声图像的深度学习基础模型	超声二维图像	计算机视觉	NA	超声成像	CNN, SSL	图像	120,354张真实世界二维超声图像	NA	NA	NA	NA
659	2025-12-10	Precision Unveiled in Unborn: A Cutting-Edge Hybrid Machine Learning Approach for Fetal Health State Classification 2025-Dec, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-025-00800-2 PMID:40866753	研究论文	本文提出了一种结合随机森林和AdaBoost的混合机器学习方法，用于提升胎儿健康状态的分类性能	提出了一种新颖的混合机器学习方法，通过智能动态结合随机森林和AdaBoost算法，增强了胎儿健康分类的准确性和鲁棒性	未在摘要中明确说明研究的局限性	通过机器学习算法提升胎儿健康状态的分类准确性，以支持胎儿异常的早期检测和及时治疗	胎儿心电图（ECG）信号，用于分类胎儿健康状态	机器学习	胎儿心脏异常	胎儿心电图（ECG）信号分析	随机森林（RF），AdaBoost	时间序列数据（胎儿ECG信号）	基于公认的基准CTG数据集，具体样本数量未在摘要中说明	NA	NA	准确率，精确率，召回率，F1分数	NA
660	2025-12-10	Artificial intelligence-driven eye tracker models for Alzheimer's disease diagnosis: A systematic review and meta-analysis 2025-Dec, Journal of Alzheimer's disease : JAD DOI:10.1177/13872877251389145 PMID:41134992	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估了人工智能驱动的眼动追踪工具在阿尔茨海默病诊断中的准确性	首次对人工智能驱动的眼动追踪模型在阿尔茨海默病诊断中的准确性进行系统综述和荟萃分析，并比较了深度学习与监督机器学习之间的性能差异	研究主要基于病例对照研究，缺乏在更广泛人群中进行有效筛查的证据，且存在显著的异质性来源	评估人工智能驱动的眼动追踪模型在阿尔茨海默病检测中的诊断准确性	阿尔茨海默病患者与健康对照者	机器学习	阿尔茨海默病	眼动追踪	深度学习, 监督机器学习	眼动追踪数据	NA	NA	支持向量机	灵敏度, 特异度, 阳性似然比, 阴性似然比, 诊断比值比, ROC曲线下面积	NA