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
661	2025-12-27	Small data, big challenges: Machine- and deep-learning strategies for data-limited drug discovery 2025-Dec-18, Advanced drug delivery reviews IF:15.2Q1 DOI:10.1016/j.addr.2025.115762 PMID:41421504	综述	本文综述了在数据有限的药物发现中，机器学习和深度学习面临的挑战及应对策略	针对药物发现中普遍存在的小数据问题，系统综述了传统ML方法和先进DL策略的适应性调整，填补了现有文献的空白	作为综述文章，未提出新的算法或模型，主要基于现有研究进行总结和整合	探讨在数据有限的药物发现中，如何应用和调整ML与DL方法以提高其实用性和可信度	药物发现与开发（DDD）流程中的关键任务	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
662	2025-12-27	Automated Particle Size Analysis of Supported Nanoparticle TEM Images Using a Pre-Trained SAM Model 2025-Dec-16, Nanomaterials (Basel, Switzerland) DOI:10.3390/nano15241886 PMID:41441496	研究论文	本研究提出了一种基于预训练SAM模型的自动化方法，用于分析负载型纳米颗粒的TEM图像，实现颗粒分割与尺寸测量	首次将预训练的Segment Anything Model (SAM)用于负载型纳米颗粒的零样本分割，并结合定制图像处理流程实现高精度粒径分析	方法在极低信噪比或极端复杂背景下的性能未充分验证，且仅以Ru/TiO等材料作为代表系统进行测试	开发自动化图像分析方法以克服负载型纳米颗粒TEM分析中的技术挑战	负载型纳米颗粒（以Ru/TiO及相关材料为代表）的TEM图像	计算机视觉	NA	透射电子显微镜 (TEM)	深度学习模型	图像	未明确说明具体图像数量，以Ru/TiO及相关材料作为代表系统	未明确说明	Segment Anything Model (SAM)	尺寸估计误差 (3%-5%)，单图像处理时间 (<1分钟)	NA
663	2025-12-27	Remodeling of non-coding RNA regulatory networks: Decoding the pathological mechanisms and new therapeutic paradigms of cardiovascular diseases 2025-Dec-16, Physics of life reviews IF:13.7Q1 DOI:10.1016/j.plrev.2025.12.007 PMID:41447890	综述	本文系统综述了非编码RNA在心血管疾病中的表达谱、多层调控机制及其作为生物标志物和治疗靶点的潜力，并探讨了相关新兴技术和未来挑战	提出了一个整合网络拓扑、竞争性内源RNA动力学、外泌体运输时空梯度以及能量/化学计量约束的分析框架，以统一解释不同心血管疾病表型下的非编码RNA调控机制	基于非编码RNA的疗法在实际应用中面临递送效率低、功能冗余和微环境依赖性等挑战	解码非编码RNA调控网络在心血管疾病中的病理机制，并探索新的治疗范式	心血管疾病，包括先天性心脏病、动脉粥样硬化、心肌病、心力衰竭和心律失常	NA	心血管疾病	单细胞多组学、空间转录组学、CRISPR-dCas9系统、深度学习、外泌体液活检、锁核酸寡核苷酸、腺相关病毒血清型9递送系统、工程化外泌体	NA	NA	NA	NA	NA	NA	NA
664	2025-12-27	Application of Generative Adversarial Networks to Improve COVID-19 Classification on Ultrasound Images 2025-Dec-15, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120451 PMID:41440591	研究论文	本研究提出了一种利用生成对抗网络（GAN）生成合成肺部超声图像以解决COVID-19分类中数据稀缺问题的方法	通过使用Wasserstein GAN（WGAN）和Pix2Pix生成合成肺部超声图像，有效缓解了公共医学数据库有限的问题，并显著提升了分类模型的性能	未详细说明合成数据与原始数据分布的接近程度的具体量化指标，且可能依赖于特定工具进行验证	改善COVID-19在超声图像上的分类准确性，以支持早期诊断和治疗	肺部超声图像	计算机视觉	COVID-19	超声成像	GAN, CNN	图像	NA	TensorFlow, PyTorch	WGAN, Pix2Pix	准确率	NA
665	2025-12-27	Sensory Representation of Neural Networks Using Sound and Color for Medical Imaging Segmentation 2025-Dec-15, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120449 PMID:41440589	研究论文	本文提出了一种结合深度学习分割与多模态视听输出的脑成像数据感官表示新框架	将MRI预测结果转化为彩色编码图和立体声/MIDI声音化表示，引入“听觉生物标志物”概念用于病理识别	数据集规模有限、缺乏临床验证、基于启发式的声音化方法	增强复杂神经成像数据的可解释性，支持临床决策、认知研究和创意应用	脑结构磁共振成像数据	医学影像	NA	结构磁共振成像	U-Net	图像	NA	NA	U-Net	NA	NA
666	2025-12-27	Pilot Evaluation of a Deep Learning Model for Nasogastric Tube Verification on Chest Radiographs: A Single-Center Retrospective Study 2025-Dec-15, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography11120140 PMID:41441392	研究论文	本研究对一种用于胸部X光片中鼻胃管位置验证的深度学习模型进行了初步的单中心回顾性评估	在真实临床环境中评估了深度学习模型在鼻胃管位置验证任务上的性能，并特别关注了其对位置不当管道的检测能力	研究为单中心回顾性研究，样本量小（仅135例），位置不当的病例数极少（n=6），导致对模型在该类病例上性能的评估存在较大不确定性	评估深度学习模型在辅助验证胸部X光片中鼻胃管位置方面的性能与可靠性	来自江原国立大学医院的135张胸部X光片	计算机视觉	NA	深度学习	深度学习模型	图像（胸部X光片）	135张胸部X光片	NA	NA	灵敏度, 特异度, 阳性预测值, 阴性预测值, 平衡准确率, F1分数, ROC曲线下面积, 精确率-召回率曲线下面积	NA
667	2025-12-27	Interpreting Deep Learning-Based Prediction of the BRAF V600E Mutation Using Diagnostic Whole Slide Images in Skin Cutaneous Melanoma 2025-Dec-13, The American journal of pathology DOI:10.1016/j.ajpath.2025.11.004 PMID:41391751	研究论文	本文通过解释深度学习模型XpressO-melanoma在皮肤黑色素瘤全切片图像中预测BRAF V600E突变状态的决策过程，评估了模型的可解释性	提出了四种解释类别，将模型性能与有意义的诊断模式区域及需要标注优化的区域关联起来，推动了深度学习在临床病理学中的人类-人工智能协作	模型预测过程的可解释性有限，可能影响临床信任度	提高深度学习模型在临床病理学中预测分子改变的可解释性和透明度	皮肤黑色素瘤全切片图像	数字病理学	皮肤黑色素瘤	苏木精-伊红染色全切片图像分析	弱监督深度学习模型	图像	NA	NA	XpressO-melanoma	AUC, 精确率, 召回率	NA
668	2025-12-27	SemiRaman: A self-supervised contrastive representation learning-based framework for semi-supervised Raman spectral identification of pathogenic bacteria 2025-Dec-13, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127356 PMID:41447771	研究论文	提出了一种基于自监督对比学习的半监督拉曼光谱识别框架（SemiRaman），用于在标记数据有限的情况下准确识别病原菌	结合无监督与监督学习模块，通过冗余减少和多层次对比学习从无标签数据中提取判别性特征，并采用多阶段微调策略以极少量标记数据实现高分类精度	NA	开发一个高效框架，用于在标记数据稀缺的情况下实现病原菌的准确拉曼光谱识别	病原菌的拉曼光谱数据	机器学习	NA	拉曼光谱	自监督对比学习	光谱数据	Bacteria-7 和 Bacteria-14 数据集，分别使用 5% 和 10% 的标记数据	NA	NA	准确率, MF1-score	NA
669	2025-12-27	AI-Driven Clinical Decision Support System for Automated Ventriculomegaly Classification from Fetal Brain MRI 2025-Dec-12, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120444 PMID:41440584	研究论文	本文开发了一个基于AI的临床决策支持系统，用于从胎儿脑部MRI中自动进行脑室扩大分类	提出了一种结合自适应切片选择、自动分割与宽度估计、以及利用大语言模型进行可解释性推理的端到端自动化流程	NA	开发一个自动化流程，用于胎儿脑室扩大的分割、宽度估计和严重程度分类，以辅助临床决策	胎儿脑部MRI图像	数字病理学	胎儿脑室扩大	MRI	深度学习分类器	图像	NA	NA	NA	Dice系数, 准确率, F1分数	NA
670	2025-12-27	Research on Augmentation of Wood Microscopic Image Dataset Based on Generative Adversarial Networks 2025-Dec-12, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120445 PMID:41440585	研究论文	本研究探讨了基于生成对抗网络（GAN）的木材显微图像数据集增强方法，以解决样本数据不足的问题	首次将多种GAN模型（BGAN、DCGAN、WGAN-GP、LSGAN、StyleGAN2）应用于木材显微图像数据增强，并通过细胞结构保真度、图像清晰度、多样性及KID、IS、SSIM等指标综合评估生成图像质量	部分GAN模型（如DCGAN、LSGAN、StyleGAN2）在训练中出现模式崩溃，导致生成图像清晰度和多样性较低	提高木材显微图像数据集的规模和质量，以增强深度学习模型的训练性能和泛化能力	木材显微图像，包括早材、晚材和木射线等细胞结构	计算机视觉	NA	显微成像，基础图像处理技术	GAN	图像	NA	NA	BGAN, DCGAN, WGAN-GP, LSGAN, StyleGAN2	KID, IS, SSIM	NA
671	2025-12-27	Pixel-Wise Sky-Obstacle Segmentation in Fisheye Imagery Using Deep Learning and Gradient Boosting 2025-Dec-12, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120446 PMID:41440586	研究论文	本文提出了一种结合深度学习与梯度提升的鱼眼图像像素级天空-障碍物分割框架，用于太阳辐照度预测和环境监测	提出低成本分割框架，结合合成数据生成、镜头感知增强和混合深度学习流程，无需专用硬件，并利用梯度提升决策树优化边界精度	未明确讨论模型在极端天气或复杂光照条件下的性能，且合成数据可能无法完全覆盖所有真实场景的多样性	开发一种准确、低成本且可广泛部署的半球形天空分割方法，用于太阳和环境成像应用	鱼眼图像中的天空与障碍物像素级分割	计算机视觉	NA	合成数据生成、镜头感知增强	CNN, GBDT	图像	使用智能手机和低成本附加镜头在多地点捕获的真实鱼眼图像，以及外部全景基线数据集	NA	NA	IoU, F1分数, 边界精度	NA
672	2025-12-27	WaveletHSI: Direct HSI Classification from Compressed Wavelet Coefficients via Sub-Band Feature Extraction and Fusion 2025-Dec-10, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120441 PMID:41440581	研究论文	本文提出了一种直接从压缩的小波系数进行高光谱图像分类的新框架，通过子带特征提取与融合，避免了数据解压缩的开销	针对高光谱图像压缩中使用的离散小波变换，设计了多分支特征提取器与子带交叉注意力机制，实现了在压缩域内的有效特征融合	未明确说明方法在极端压缩比下的性能表现，也未讨论计算资源消耗的详细对比	解决高光谱图像分类中数据解压缩带来的计算瓶颈，实现压缩域内的直接分类	高光谱图像	计算机视觉	NA	离散小波变换	深度学习模型	图像	三个基准数据集	NA	多分支特征提取器，子带交叉注意力机制	分类准确率	NA
673	2025-12-27	Hybrid Multi-Scale Neural Network with Attention-Based Fusion for Fruit Crop Disease Identification 2025-Dec-10, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120440 PMID:41440580	研究论文	提出一种用于水果作物病害识别的混合多尺度神经网络架构，结合了Vision Transformer和多尺度卷积分支，并通过注意力融合模块提升性能	提出HMCT-AF with GSAF架构，首次将Vision Transformer与多尺度卷积分支结合，并引入新颖的注意力融合模块，以同时捕获高级上下文模式和细粒度局部信息，增强模型可解释性和分类性能	未明确提及模型在更广泛作物种类或极端环境条件下的泛化能力，也未详细讨论在资源受限边缘设备上的实际部署能耗与延迟	开发一种精确且高效的水果作物病害自动识别方法，以克服现有深度学习模型在复杂视觉背景、不同病害尺度及计算资源限制方面的挑战	水果作物的病害叶片图像	计算机视觉	水果作物病害	深度学习	CNN, Transformer	图像	PlantVillage（受控环境）和CLD（真实田间条件）两个数据集，具体样本数量未明确给出	未明确提及	Vision Transformer, EfficientNet, 传统CNN, HMCT-AF with GSAF（混合多尺度神经网络）	准确率	提及兼容边缘设备的硬件，但未具体说明训练或推理使用的GPU类型或云平台
674	2025-12-27	Clinically Focused Computer-Aided Diagnosis for Breast Cancer Using SE and CBAM with Multi-Head Attention 2025-Dec-10, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography11120138 PMID:41441390	研究论文	本研究开发了一种基于深度学习的模型，用于从乳腺超声图像中高精度分类良性、恶性和正常组织	结合Squeeze-and-Excitation（SE）块、Convolutional Block Attention Module（CBAM）注意力机制与多头注意力（MHA）结构，有效学习局部纹理特征和全局上下文关系	未明确说明模型在更大规模或更多样化数据集上的泛化能力，以及临床部署中的实际验证情况	开发高精度的计算机辅助诊断系统，以改善乳腺癌的早期诊断和分类	乳腺超声图像和乳腺组织病理学图像	计算机视觉	乳腺癌	超声成像，组织病理学成像	CNN, Vision Transformer (ViT)	图像	未明确指定具体样本数量，但使用了乳腺超声图像数据集和乳腺组织病理学图像数据集	未明确指定，但可能基于PyTorch或TensorFlow等深度学习框架	结合SE块、CBAM和多头注意力（MHA）的自定义架构	准确率	NA
675	2025-12-27	Deep learning methods for 2D material electronic properties 2025-Dec-09, Digital discovery IF:6.2Q1 DOI:10.1039/d5dd00155b PMID:41439261	综述	本文综述了深度学习技术在理解和预测二维材料电子结构方面的应用与影响	系统总结了深度学习（包括物理感知模型、生成式AI和逆向设计）在解决二维材料独特计算挑战、预测关键电子特性方面的创新应用	NA	探讨深度学习技术对二维材料电子结构理解和预测的影响	二维材料的电子结构	机器学习	NA	NA	深度学习模型	NA	NA	NA	NA	NA	NA
676	2025-12-27	Texture-Based Preprocessing Framework with nnU-Net Model for Accurate Intracranial Artery Segmentation 2025-Dec-09, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120438 PMID:41440578	研究论文	提出一种结合纹理增强预处理框架与nnU-Net模型的颅内动脉分割方法，用于数字减影血管造影图像分析	提出融合局部对比度、局部熵和亮度阈值的纹理特征掩模预处理框架，显著提升血管连通性和拓扑准确性	未明确说明模型在其他血管数据集上的泛化能力及计算效率分析	提升时间序列DSA图像中颅内动脉分割的准确性和鲁棒性	数字减影血管造影图像中的颅内动脉结构	数字病理学	心血管疾病	数字减影血管造影	深度学习	医学图像	使用DIAS数据集（具体数量未说明）	nnU-Net	nnU-Net	Dice相似系数, 交并比, 血管连通性	NA
677	2025-12-27	The Evolution of Artificial Intelligence in Ocular Toxoplasmosis Detection: A Scoping Review on Diagnostic Models, Data Challenges, and Future Directions 2025-Dec-08, Infectious disease reports IF:3.4Q2 DOI:10.3390/idr17060148 PMID:41440600	综述	本文是一篇范围综述，系统性地梳理了人工智能（特别是深度学习）在眼弓形虫病诊断自动化中的应用现状、数据挑战及未来方向	首次对AI在眼弓形虫病诊断领域的应用进行全面范围综述，系统性地总结了当前证据、数据格局和临床转化准备度，并指出了该领域从二元分类任务向复杂鉴别诊断工具发展的关键未来方向	纳入的研究普遍存在数据集小、不平衡、单中心、缺乏外部验证和可解释AI不足等问题，导致技术前景与临床实用性之间存在显著差距	梳理和评估人工智能在眼弓形虫病诊断中的应用现状、挑战及未来发展方向	关于人工智能应用于眼弓形虫病诊断的22项研究	计算机视觉	眼弓形虫病	多模态成像	CNN	图像	NA	NA	NA	准确率	NA
678	2025-12-27	The Role of Artificial Intelligence in Imaging-Based Diagnosis of Retinal Dystrophy and Evaluation of Gene Therapy Efficacy 2025-Dec-05, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm15120605 PMID:41440968	综述	本文通过系统文献综述，探讨了人工智能（特别是深度学习）在遗传性视网膜营养不良的影像学诊断和基因疗法疗效评估中的应用与潜力	系统性地综述了2015年至2025年间AI在遗传性视网膜营养不良诊断和基因治疗监测中的应用，指出了AI在该领域优化诊疗路径的潜力	研究中存在数据可用性低、需要临床验证以及模型可解释性不足等局限性	评估人工智能在遗传性视网膜营养不良的影像诊断和基因疗法疗效监测中的应用效果与潜力	遗传性视网膜营养不良（IRDs）的影像数据	计算机视觉	遗传性视网膜营养不良	影像学分析	CNN	图像	NA	NA	NA	NA	NA
679	2025-12-27	DiagNeXt: A Two-Stage Attention-Guided ConvNeXt Framework for Kidney Pathology Segmentation and Classification 2025-Dec-04, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120433 PMID:41440573	研究论文	本文提出了一种名为DiagNeXt的两阶段深度学习框架，用于肾脏病理图像的精确分割与分类	提出了一种集成了注意力增强ConvNeXt架构的两阶段框架，引入了增强卷积块、边界感知复合损失函数、注意力引导跳跃连接、分层多尺度特征建模以及结合分割质量指标的置信度调制分类方法	NA	解决医学图像中肾脏病理的精确分割与分类挑战	肾脏病理图像	数字病理学	肾脏疾病	CT成像	CNN	3D医学图像	3847名患者的肾脏CT数据集	PyTorch	ConvNeXt, U-Net	准确率, AUC	NA
680	2025-12-27	Deep Learning Analysis of CBCT Images for Periodontal Disease: Phenotype-Level Concordance with Independent Transcriptomic and Microbiome Datasets 2025-Dec-03, Dentistry journal IF:2.5Q2 DOI:10.3390/dj13120578 PMID:41440336	研究论文	本研究开发了一个基于3D ResNet-18的深度学习模型，用于从CBCT图像中自动分类牙周炎，并探索了其与独立转录组和微生物组数据集在表型水平上的生物学一致性	首次将3D深度学习模型应用于CBCT图像进行牙周炎分类，并通过独立的转录组学和微生物组学数据验证了影像定义疾病类别的生物学相关性，实现了跨模态的表型一致性分析	模型特异性中等，影像数据来源于单中心，组学队列使用推断标签而非金标准，研究结果具有探索性，需要多中心数据和前瞻性配对队列验证	开发并验证一个基于CBCT图像的深度学习模型，用于标准化评估牙周炎，并探索其与生物学标志物的关联	牙周炎患者与健康个体的CBCT影像、牙龈转录组数据和口腔微生物组数据	计算机视觉	牙周病	锥形束计算机断层扫描（CBCT）、RNA微阵列（转录组学）、16S rRNA扩增子测序（微生物组学）	CNN	3D医学影像（CBCT体积数据）、基因表达数据、微生物丰度数据	CBCT数据集：403名患者（403个体积）；转录组队列：约220个样本；微生物组队列：未明确具体样本数	PyTorch	3D ResNet-18	AUROC, AUPRC, 灵敏度, 特异性, 准确率, 校准指标	未明确指定