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	2026-02-02	Adaptive Normalization Enhances the Generalization of Deep Learning Model in Chest X-Ray Classification 2025-Dec-28, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12010014 PMID:41590899	研究论文	本研究通过对比分析不同归一化方法，提出了一种自适应预处理流程，旨在提升深度学习模型在胸部X光分类中的泛化能力	提出了一种结合百分位ROI裁剪和直方图标准化的自适应预处理流程，并通过系统性基准测试验证其在多数据集和模型架构下的有效性	在采集异质性强的MIMIC-CXR数据集上性能提升有限	提升深度学习模型在胸部X光分类中的跨数据集鲁棒性和可靠性	胸部X光图像	计算机视觉	NA	NA	CNN	图像	四个公共胸部X光数据集	NA	三种卷积神经网络架构	准确率, F1分数	NA
642	2026-02-02	Automated deep learning pipeline for callosal angle quantification 2025-Dec-27, Fluids and barriers of the CNS IF:5.9Q1 DOI:10.1186/s12987-025-00750-w PMID:41456015	研究论文	本文开发了一个全自动深度学习框架，用于从原始T1 MPRAGE扫描中量化胼胝体角，以辅助常压性脑积水的诊断	提出了一个结合BrainSignsNET进行关键解剖标志点检测和基于UNet的分割网络的全自动、鲁棒性框架，可直接从原始MRI扫描中测量胼胝体角，性能优于报告的人工观察者间变异性	未明确提及，但可能包括对特定MRI序列（T1 MPRAGE）的依赖以及需要进一步的外部验证	开发一个全自动、可靠的深度学习框架，用于量化胼胝体角，以改善常压性脑积水的早期检测和诊断	常压性脑积水患者的MRI扫描图像	数字病理学	常压性脑积水	T1 MPRAGE MRI扫描	深度学习	3D MRI图像	训练和内部验证使用BLSA和BIOCARD数据集；外部验证使用来自约翰霍普金斯湾景医院和PENS试验的376个临床MRI扫描	NA	BrainSignsNET, UNet with EfficientNetB0 encoder	相关系数, 平均绝对误差	NA
643	2026-02-02	A Hybrid Vision Transformer-BiRNN Architecture for Direct k-Space to Image Reconstruction in Accelerated MRI 2025-Dec-26, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12010011 PMID:41590896	研究论文	提出了一种结合Vision Transformer和双向循环神经网络的混合双域深度学习架构，用于加速MRI中的k空间到图像的直接重建	首次将ViT自编码器与BiRNN结合，协同处理图像域和k空间域信息，直接利用k空间数据的序列特性来抑制混叠伪影	研究仅在神经MRI的回顾性欠采样数据上进行评估，未涉及其他解剖部位或前瞻性数据	解决加速MRI中因k空间欠采样导致的病态逆问题，实现高质量图像重建	加速磁共振成像（MRI）中的图像重建	计算机视觉	NA	磁共振成像（MRI）	Vision Transformer, BiRNN	图像, k空间数据	NA	NA	Vision Transformer autoencoder, BiRNN, UNet	NA	NA
644	2026-02-02	Accurate Segmentation of Vegetation in UAV Desert Imagery Using HSV-GLCM Features and SVM Classification 2025-Dec-25, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12010009 PMID:41590895	研究论文	本文提出了一种结合HSV颜色空间和GLCM纹理特征，并采用SVM分类器的机器学习方法，用于无人机沙漠图像中植被的准确分割	结合HSV颜色空间与GLCM纹理特征，并采用SVM分类器，在具有挑战性的沙漠环境中实现了鲁棒的植被分割，显著优于传统光谱指数方法和现代深度学习基线	处理速度为每张图像25秒，训练时间28分钟，在强调处理速度的应用中可能受限	实现无人机沙漠图像中植被的准确分割，以支持精准农业应用	阿联酋沙漠农田的120张高分辨率无人机图像	计算机视觉	NA	无人机成像	SVM	图像	120张高分辨率无人机图像	NA	NA	准确率, 精确率, 召回率, F1分数, 交并比	NA
645	2026-02-02	Empirical Mode Decomposition-Based Deep Learning Model Development for Medical Imaging: Feasibility Study for Gastrointestinal Endoscopic Image Classification 2025-Dec-22, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12010004 PMID:41590889	研究论文	本研究提出了一种基于二维经验模态分解的深度学习框架，用于提升医学图像分类性能，并在胃肠道内窥镜图像分类任务中验证其有效性	将二维经验模态分解技术集成到深度学习流程中，通过分解图像为内在模态函数来增强图像特征，从而显著提高模型性能	仅使用公开的Kvasir数据集进行验证，未在其他医学图像领域或更大规模数据集上测试，且未详细讨论计算复杂度增加的问题	开发一种基于二维经验模态分解的深度学习模型，以提升多类图像分类任务的性能，并探索其在医疗影像中早期疾病检测的潜力	胃肠道内窥镜图像	计算机视觉	胃肠道疾病	二维经验模态分解	CNN, Transformer	图像	Kvasir数据集，包含8类胃肠道图像，每类1000张，共8000张图像	NA	ResNet152, VGG19bn, MobileNetV3L, SwinTransformerV2S	准确率, F1分数, AUC	NA
646	2026-02-02	Development of a Multispectral Image Database in Visible-Near-Infrared for Demosaicking and Machine Learning Applications 2025-Dec-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12010002 PMID:41590887	研究论文	本研究开发了一个可见光-近红外多光谱图像数据库，用于去马赛克技术和机器学习应用	利用基于滤光片阵列技术的高端多光谱相机，创建了一个包含高分辨率多光谱图像、标注图像和掩码的免费可访问数据库	数据库依赖于特定平台（PImRob）的相机技术，且多光谱相机技术相对较新，可用性有限	为多光谱图像的去马赛克技术、分割算法和深度学习研究提供数据支持	不同植物和杂草的多光谱图像	计算机视觉	NA	多光谱成像，滤光片阵列技术	NA	多光谱图像	NA	NA	NA	NA	NA
647	2026-02-02	Deep learning-enabled accurate assessment of gait impairments in Parkinson's disease using smartphone videos 2025-Dec-13, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02150-8 PMID:41390840	研究论文	本文提出了一种基于深度学习的框架，利用智能手机录制的视频评估帕金森病患者的步态障碍	该框架能够以高精度预测帕金森病严重程度，并有效区分药物对步态障碍的综合疗效，特别是能够检测到超出统一帕金森病评定量表分辨率的药物诱导的细粒度步态变化	未在摘要中明确说明	评估帕金森病患者的步态障碍，并分析药物疗效	帕金森病患者的步态	计算机视觉	帕金森病	智能手机视频录制	深度学习	视频	NA	NA	NA	AUC, F1分数, 精确度	NA
648	2026-02-02	Artificial Intelligence in Medicine: Moving From "Prediction" to "Patient-Centric Decision Intelligence" 2025-Dec, Cureus DOI:10.7759/cureus.100323 PMID:41613711	评论	本文讨论了人工智能在医疗领域从预测模型向以患者为中心的决策智能的转变	提出了从预测性AI向决策智能医疗系统（DIHS）的过渡，强调整合多模态患者数据以支持个性化临床决策	未提及具体实施案例或实证研究结果	推动人工智能在医疗中从预测功能转向支持个性化、可操作的临床决策	临床AI系统、多模态患者数据、决策智能医疗系统	机器学习	NA	多模态深度学习	深度学习平台	结构化数据、图像、自由文本临床记录、语音生物标志物、可穿戴传感器输出、社会健康决定因素、环境暴露、医生推理	NA	NA	NA	NA	NA
649	2026-02-02	Autonomous Closed-Loop Control for Robotic Soft Tissue Electrosurgery Using RGB-D Image Guidance 2025-Aug, IEEE transactions on medical robotics and bionics IF:3.4Q2 DOI:10.1109/tmrb.2025.3583169 PMID:41613948	研究论文	本文提出了一种利用RGB-D图像引导的自主闭环机器人软组织电外科手术系统，旨在通过三维组织跟踪和基于图像的反馈控制来提高手术精度	开发了一种结合基于深度学习的无标记跟踪模型（CoTracker）和工具遮挡算法的三维组织跟踪器，无需先验组织模型知识即可实现组织变形跟踪，并采用模糊逻辑控制器动态调整切割速度以最小化切割误差	研究仅在离体猪舌组织上进行验证，尚未在活体或临床环境中测试；样本量较小（闭环N=6，开环N=3）	提高口腔癌电外科手术中肿瘤切除的精度和一致性，以减少癌症复发的可能性	口腔癌的肿瘤切除手术，具体使用离体猪舌组织作为实验对象	计算机视觉	口腔癌	RGB-D（红绿蓝-深度）传感，电外科手术	深度学习模型	RGB-D图像	离体猪舌组织，闭环操作6次，开环操作3次	NA	CoTracker	平均切割误差	NA
650	2026-02-02	mamp-ml: A deep learning approach to epitope immunogenicity in plants 2025-Jul-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.07.11.664399 PMID:40791437	研究论文	本文开发了一个名为mamp-ml的机器学习框架，用于预测植物受体-配体相互作用，以解决实验瓶颈问题	结合了超过二十年的功能数据和大型蛋白质语言模型ESM-2，构建了一个能够预测免疫原性结果的管道和模型，即使在没有实验结构的情况下也能实现预测	模型在保留测试集上的预测准确率为73%，可能存在进一步提升的空间，且未详细讨论模型在更广泛数据集上的泛化能力	开发一个机器学习框架来预测植物受体-配体相互作用，以高通量筛选LRR受体-配体组合并工程化植物免疫系统	植物受体和配体，特别是LRR受体及其配体	机器学习	NA	蛋白质语言模型ESM-2	深度学习	蛋白质序列数据	基于超过二十年的功能数据，具体样本数量未明确说明	未明确指定，可能为自定义框架	ESM-2	准确率	NA
651	2026-02-02	Fewer medullary pyramids in the living kidney donor are associated with graft failure in the recipient 2025-Jul, American journal of transplantation : official journal of the American Society of Transplantation and the American Society of Transplant Surgeons IF:8.9Q1 DOI:10.1016/j.ajt.2025.01.041 PMID:39892790	研究论文	本研究通过CT和病理学分析，探讨了活体供肾的结构特征与受体移植肾失败之间的关联	首次将CT图像中的肾髓质金字塔数量作为预测移植肾失败的生物标志物，并结合深度学习模型进行量化分析	研究为回顾性分析，可能受限于样本选择和随访时间，且未考虑所有潜在混杂因素	识别与活体供肾受体移植肾失败相关的肾实质结构特征	活体供肾移植的受体及其捐赠的肾脏	数字病理学	肾脏疾病	CT成像，组织形态学分析	深度学习模型	CT图像，组织切片	3098名受体，随访中位数为5年，包含346例移植肾失败事件	NA	NA	移植肾失败发生率（每100人年），估计肾小球滤过率	NA
652	2026-02-02	Neural Spectral Prediction for Structure Elucidation with Tandem Mass Spectrometry 2025-Jun-01, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.28.656653 PMID:40501725	研究论文	提出了一种名为ICEBERG的几何深度学习模型，用于模拟质谱中的碰撞诱导解离，以生成化学上合理的碎片及其相对强度，并利用其预测通过比对候选结构的预测MS/MS谱与实验MS/MS谱的相似性来促进结构解析	开发了首个能够模拟碰撞诱导解离并考虑碰撞能量和极性的几何深度学习模型，实现了对未知分子结构的快速、低成本鉴定	未明确说明模型在处理极端复杂混合物或非常规分子结构时的性能限制	解决代谢组学、药物发现和反应筛选中区分同量异位素分子碎片模式的挑战，实现快速分子注释	未知分子结构、候选化学结构	机器学习	抑郁症、结核性脑膜炎	串联质谱(MS/MS)	几何深度学习模型	质谱数据	NIST'20 [M+H]加合子集	NA	ICEBERG	top-1准确率, top-10预测准确率	NA
653	2026-02-02	Enhancement of phonocardiogram segmentation using convolutional neural networks with Fourier transform module 2025-Mar, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-025-00458-8 PMID:40026887	研究论文	本研究提出了一种结合卷积傅里叶变换模块的深度学习模型，用于增强心音图信号中第一和第二心音的自动分割	引入了卷积傅里叶变换模块，能够有效区分心音与背景噪声，提高了在心杂音存在下的分割准确性和鲁棒性	未提及模型在更广泛或多样化临床数据集上的泛化能力评估	开发一种能够准确分割心音图信号中S1和S2心音的自动化方法，以辅助心脏瓣膜疾病的检测	心音图信号	数字病理学	心血管疾病	心音图	CNN	信号数据	使用了内部数据集、PhysioNet 2016、PhysioNet 2022和Asan Medical Center数据集	未明确提及	卷积傅里叶变换模块	F1分数	NA
654	2026-02-02	Automatic detection of main pancreatic duct dilation and pancreatic parenchymal atrophy based on a shape feature in abdominal contrast-enhanced CT images 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014504 PMID:39895855	研究论文	本研究开发了一种基于腹部增强CT图像的形状特征算法，用于自动检测主胰管扩张和胰腺实质萎缩	提出了一种结合深度学习分割与中心线估计的自动化形状特征（90th DP ratio）计算方法，用于同时检测MPDD和PPA	仅使用56例公开数据进行验证，样本量有限；未在外部数据集上进行测试	开发自动检测胰腺形态异常（主胰管扩张和胰腺实质萎缩）的算法	腹部增强CT图像中的胰腺区域	计算机视觉	胰腺疾病	腹部对比增强CT成像	CNN	医学影像（CT图像）	56例腹部增强CT图像（48例有MPDD，8例无MPDD；31例有PPA，25例无PPA）	未明确说明	未明确说明具体架构（仅提及深度学习CNN）	统计显著性检验（p值），90th DP ratio的均值比较	NA
655	2026-02-02	Infectious disease prediction model based on optimized deep learning algorithm 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1703506 PMID:41613087	研究论文	提出一种结合遗传算法、双向长短期记忆网络和自回归积分滑动平均模型的混合模型（GA-BiLSTM-ARIMA），用于预测传染病时间序列数据	提出了一种新型混合模型GA-BiLSTM-ARIMA，通过遗传算法系统性地优化模型参数，整合了BiLSTM处理序列数据的能力和ARIMA捕捉时间趋势的优势	研究仅使用日本COVID-19病例数据进行验证，未在其他地区或传染病数据集上进行测试，模型泛化能力有待进一步验证	提高传染病疫情发展的预测准确性，为制定防控策略提供支持	COVID-19疫情时间序列数据	机器学习	传染病	时间序列分析	混合模型（BiLSTM, ARIMA, GA）	时间序列数据	日本COVID-19病例数据（具体样本数量未明确说明）	NA	BiLSTM, ARIMA	RMSE, MAE, MAPE, R²	NA
656	2026-02-02	Epilepsy detection based on spatiotemporal feature interaction fusion of EEG signals 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1478718 PMID:41613177	研究论文	本文提出了一种结合图注意力网络和Transformer网络的自动癫痫检测方法，用于从多通道EEG信号中提取时空特征	结合GAT和Transformer网络，首次在癫痫检测中同时关注EEG通道间的空间拓扑结构和时间序列关系，弥补了现有方法对通道间关系关注不足的缺陷	未提及模型在实时检测或临床环境中的泛化能力，也未讨论计算复杂度或资源需求	开发一种自动癫痫检测方法，以更充分地提取多通道EEG信号的时空信息	癫痫患者的EEG信号	机器学习	癫痫	EEG信号分析	GAT, Transformer	EEG信号	CHB-MIT和TUH数据集，采用十倍交叉验证	NA	图注意力网络, Transformer网络	准确率	NA
657	2026-02-02	Neurologists-level interpretable CT-based deep neural network for prediction of hemorrhagic transformation after ischemic stroke 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1753071 PMID:41613258	研究论文	本研究开发了一种基于CT扫描的深度学习模型，用于预测缺血性卒中后的出血转化	结合平扫CT与深度学习方法，开发出具有临床可解释性的模型，在测试中显示出优于临床医生和现有类似模型的性能	研究为回顾性分析，样本量相对有限（474例病例），且数据来自单一中心，可能影响模型的泛化能力	预测急性缺血性卒中后的出血转化，以改善临床预后	急性缺血性卒中患者	计算机视觉	心血管疾病	CT扫描	CNN	图像	474例急性缺血性卒中病例（231例HT，243例非HT），共613张CT扫描	NA	ResNet	F1分数, AUC, 灵敏度, 准确度	NA
658	2026-02-02	Enhancing online adaptive radiotherapy with uncertainty based segmentation error and out-of-distribution detection 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1637198 PMID:41613551	研究论文	本研究探讨了深度学习分割模型的不确定性估计与分割正确性之间的关系，并测试了其检测分布外数据的能力	利用蒙特卡洛dropout方法估计分割不确定性，并首次将预测熵和互信息应用于在线自适应放疗中，以区分正确与错误预测及分布内外数据	研究样本量较小（训练集151次扫描，测试集65次扫描），且仅针对前列腺癌的MR图像，未验证其他癌症类型或成像模态	研究深度学习分割模型的不确定性估计与分割正确性的关联，并探索其在检测分布外数据方面的能力	磁共振引导放疗的前列腺癌图像，包括临床靶区、膀胱和直肠的分割	医学图像分析	前列腺癌	磁共振成像（MRI），平衡稳态自由进动MRI	深度学习模型	医学图像（T2 MR扫描）	训练/验证集：26名患者的151次扫描；测试集：10名患者的65次扫描；分布外数据：10名健康志愿者的MRI扫描	NA	NA	Dice系数	NA
659	2026-02-02	Effective deep convolutional neural network with attention mechanism for Alzheimer disease classification 2025, Frontiers in radiology DOI:10.3389/fradi.2025.1698760 PMID:41613767	研究论文	本文提出了一种结合注意力机制的深度卷积神经网络，用于阿尔茨海默病的多阶段分类	通过引入注意力机制增强模型对诊断相关区域的关注，提高了分类准确性和可解释性	模型仅在OASIS数据集上进行训练和评估，缺乏外部验证和临床实际应用的广泛测试	开发一种高效的深度学习模型，用于阿尔茨海默病的早期检测和多阶段分类	阿尔茨海默病患者的大脑MRI图像	计算机视觉	阿尔茨海默病	MRI成像	CNN	图像	OASIS数据集中的受试者级别数据	NA	深度卷积神经网络（Deep-CNN）	准确率	NA
660	2026-02-02	Improved attention-based PCNN with GhostNet for epilepsy seizure detection using EEG and fMRI modalities: extractive pattern and histogram feature set 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1679218 PMID:41613820	研究论文	本文提出了一种增强的混合并行卷积-GhostNet框架（HPG-ESD），用于利用多模态EEG和fMRI数据进行稳健的癫痫发作检测	结合改进的注意力机制并行卷积网络（IAPCNet）和GhostNet，通过软投票混合并行卷积-GhostNet（S-HPCGN）模型融合多模态特征，以捕捉互补的时空模式	未明确讨论模型在更大或更异质数据集上的泛化能力，以及计算资源需求的具体细节	提高癫痫发作检测的准确性和可解释性，解决现有方法在时空建模和泛化方面的不足	儿科头皮EEG记录（来自CHB-MIT数据集的24名受试者）和静息态3T fMRI扫描（来自UNAM TLE数据集的52名参与者，包括26名癫痫患者和26名健康对照）	机器学习	癫痫	EEG信号处理（基于高斯的中值滤波）、fMRI图像处理（自适应权重维纳滤波）、特征提取（增强的公共空间模式E-CSP、平滑金字塔方向梯度直方图S-PHOG）	CNN, GhostNet	EEG信号, fMRI图像	EEG数据来自24名受试者，fMRI数据来自52名参与者（26名患者和26名对照）	NA	改进的注意力基于并行卷积网络（IAPCNet）, GhostNet	准确率, 精确率, 灵敏度	NA