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
7001	2026-01-09	Design of an integrated model using U-Net, DeepSurv, and cross-attention for lung cancer classification and survival prediction 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29781-x PMID:41339682	研究论文	本文提出了一种结合U-Net、DeepSurv和交叉注意力的集成模型，用于肺癌分类和生存预测	提出了一种迭代多模态深度学习框架，通过特征级融合和交叉注意力机制整合放射学、组织病理学和基因组数据，并采用贝叶斯优化和弹性权重巩固实现增量学习	未明确说明模型在外部验证集上的泛化性能，也未详细讨论计算资源需求	改进肺癌亚型分类和生存率预测	肺癌患者的多模态数据（放射学图像、组织病理学图像、基因组数据和临床数据）	数字病理学	肺癌	多模态深度学习	CNN, MLP, 深度学习生存模型	图像, 基因组数据, 临床数据	未明确说明	未明确说明	U-Net, DeepSurv	Dice相似系数, 准确率, C指数	未明确说明
7002	2026-01-09	Deep learning framework for barcode localization and decoding using simulated UAV imagery 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29720-w PMID:41339720	研究论文	本文提出了一种基于深度学习的框架，用于在模拟无人机图像中定位和解码条形码，以支持自动化仓库库存管理	采用YOLOv8模型在模拟无人机图像中同时定位1D和2D条形码，并结合OpenCV解码模块与MySQL数据库实现实时库存更新模拟	研究仅在模拟无人机图像上进行测试，未在真实无人机采集图像中验证	开发一个用于自动化仓库库存跟踪的条形码定位与解码系统	模拟无人机图像中的条形码（包括1D和2D类型）	计算机视觉	NA	NA	CNN	图像	NA	PyTorch	YOLOv8	平均精度均值(mAP)	NA
7003	2026-01-09	Dense extreme inception network-based edge detection with deep reinforcement learning for object localization in an underwater environment 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29378-4 PMID:41331029	研究论文	本文提出了一种基于密集极端初始网络边缘检测与深度强化学习的水下物体定位技术，旨在有效检测边缘并分类水下环境中的物体	结合了Dense Extreme Inception Network（DexiNed）进行边缘检测、YOLOv5进行物体检测以及Q-强化学习（QRL）进行分类，形成了一种新颖的混合方法	NA	提高水下环境中物体检测和分类的准确性与效率	水下环境中的物体，包括自然特征（如地质构造、海洋生物、珊瑚礁）和人造物（如碎片、沉船、水下基础设施）	计算机视觉	NA	光学相机、声纳、激光雷达成像技术	CNN, 强化学习	图像	NA	NA	Dense Extreme Inception Network（DexiNed）, YOLOv5	准确率	NA
7004	2026-01-09	AttBiLSTM_DE: enhancing anticancer peptide prediction using word embedding and an optimized attention-based BiLSTM framework 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29767-9 PMID:41326521	研究论文	本文提出了一种名为AttBiLSTM_DE的计算框架，用于增强抗癌肽的预测性能	结合了注意力机制的双向LSTM架构与优化的加权特征，并采用随机差分进化算法构建混合特征和优化特征权重	未明确提及	开发一种计算框架以准确预测抗癌肽，支持癌症治疗和药物开发	抗癌肽序列	自然语言处理	癌症	One-Hot Encoding, GloVe, fastText, Word2Vec, k-mer嵌入	BiLSTM	文本	未明确提及	未明确提及	Attention-based Bidirectional LSTM	准确率, AUC	未明确提及
7005	2026-01-09	Identification of Indigenous fish species in lake Tana using deep learning 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29455-8 PMID:41326545	研究论文	本研究利用深度学习技术，特别是YOLO系列算法，开发了一种用于识别塔纳湖本土鱼类物种的自动化方法	引入了一个包含13,000张图像的新数据集，涵盖16种本土鱼类，并采用综合预处理流程结合多种YOLO版本进行优化比较	NA	开发一种准确、高效的自动化方法来识别本土鱼类物种，以支持可持续渔业管理和生物多样性保护	埃塞俄比亚塔纳湖的16种本土鱼类物种	计算机视觉	NA	图像增强、CSPDarkNet、方向梯度直方图、基于分割的图像特征提取	YOLOv5, YOLOv7, YOLOv8, YOLOv11	图像	13,000张图像，涵盖16种鱼类物种	NA	YOLO系列算法	平均精度均值	NA
7006	2026-01-09	Automated classification of lung cancer subtypes cells using microscopic images and ensembled deep learning architectures 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29492-3 PMID:41326575	研究论文	本研究提出了一种结合ResNet-50和Attention U-Net的混合深度学习框架，用于基于显微图像自动分类肺癌亚型细胞	首次将ResNet-50的全局特征提取能力与Attention U-Net的空间注意力机制相结合，应用于单细胞肺癌亚型分类，并开发了包含CLAHE、中值滤波、Otsu阈值和灰度中调提亮的图像预处理流程，将信噪比提升23%	研究仅使用灰度图像，未考虑彩色信息；样本量相对有限（共4650张图像）；未在外部独立数据集上进行验证	实现肺癌亚型在细胞水平的早期自动检测与分类	单个肺癌细胞的显微图像	数字病理学	肺癌	显微成像	CNN, U-Net	图像	4650张灰度图像（每个亚型1500张），包括腺癌、神经内分泌癌和鳞状细胞癌	NA	ResNet-50, Attention U-Net	准确率, 精确率, 召回率, F1分数	NA
7007	2026-01-09	Prediction of PEMFC life based on IGJO-TCN-BiGRU-Attention 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29800-x PMID:41326586	研究论文	本文提出了一种结合智能优化算法与深度学习框架的IGJO-TCN-BiGRU-Attention算法，用于精确预测质子交换膜燃料电池的寿命	提出了一种改进的金豺优化算法（IGJO）来优化混合深度学习模型的超参数，并构建了TCN-BiGRU-Attention混合模型来预测PEMFC寿命，在静态和动态工况下均显示出更高的预测精度	NA	精确预测质子交换膜燃料电池的寿命	质子交换膜燃料电池	机器学习	NA	NA	TCN, BiGRU, Attention机制	电压-温度参数序列数据	NA	NA	TCN-BiGRU-Attention混合模型	均方根误差	NA
7008	2026-01-09	Optimizing chlorophyll content prediction in tea leaves via spectral transformations and deep learning 2025-Dec-01, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-025-07863-2 PMID:41326998	研究论文	本研究通过光谱变换和深度学习模型优化茶叶叶绿素含量的预测	结合四种预处理技术（原始反射率、连续统去除、去趋势、标准正态变量）与四种深度学习模型（1D-CNN、SSL、ViT、Conformer），系统评估了预处理与模型架构配对对叶绿素含量预测性能的影响	研究仅针对茶叶叶片，未扩展到其他植物或更广泛的环境条件	优化基于光谱反射率的叶绿素含量预测，以支持精准农业和植物生理状态监测	茶叶叶片（Camellia sinensis）	机器学习	NA	光谱反射率测量	1D-CNN, SSL, ViT, Conformer	光谱数据	NA	NA	1D-CNN, Vision Transformer, Conformer	R², RPD	NA
7009	2026-01-09	S-ResNet-34: small sample-ResNet-34 for predicting cervical degeneration in x-ray image data 2025-Dec-01, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-025-09273-9 PMID:41327180	研究论文	本研究提出了一种改进的深度学习模型S-ResNet-34，用于X射线图像数据中颈椎退行性变的预测	在ResNet-34架构的残差块中引入了可学习权重矩阵与卷积操作相结合，增强了模型的非线性表示能力	研究基于240名患者的小样本数据，可能限制了模型的泛化能力	构建更准确且成本效益更高的深度学习模型，用于诊断颈椎生理曲度异常	颈椎X射线图像数据	计算机视觉	颈椎病	X射线成像	CNN	图像	240名患者的X射线图像	NA	ResNet-34, YOLO-V3	准确率, F1分数, 召回率	NA
7010	2026-01-09	Design of an iterative physiologically guided hybrid deep learning framework for robust hand vein segmentation, blood flow analysis, and early vascular diagnosis 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103590 PMID:41492530	研究论文	本文提出了一种名为Bio-TransUNet的混合深度学习框架，用于手部静脉的稳健分割、血流分析和早期血管疾病诊断	结合了多尺度时空注意力机制、生物物理正则化学习、概率图建模以及基于Transformer的分类和领域自适应，以提升分割精度、解剖学一致性和疾病分类性能	未明确提及具体的数据集规模限制或计算资源需求	开发一个可靠的成像与解释方法，用于血管疾病的早期、无创诊断，特别是手部血流评估和静脉检测	人体手部静脉	计算机视觉	心血管疾病	近红外成像	深度学习, Transformer	图像	NA	NA	U-Net, Transformer	NA	NA
7011	2026-01-09	Hybrid quantum-classical deep learning framework for balanced multiclass diabetic retinopathy classification 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103605 PMID:41492535	研究论文	本文提出了一种新颖的混合量子-经典深度学习框架，用于解决糖尿病视网膜病变五分类中的类别不平衡和高分辨率数据挑战	融合深度学习和量子计算技术，构建混合量子-经典框架，并采用分层采样和混合精度训练优化计算效率与类别平衡泛化能力	NA	开发一种可扩展的基于人工智能的诊断方法，用于糖尿病视网膜病变的早期准确分类	糖尿病视网膜病变患者	医学影像	糖尿病视网膜病变	深度学习，量子计算	混合量子-经典深度学习框架	图像	APTOS 2019数据集	NA	ResNet-50, 8-qubit VQC	平衡准确率	NA
7012	2026-01-09	Computer Vision Applications in Spinal Orthopaedics: A Scoping Review of Imaging-Based Algorithms for Diagnosis, Measurement, and Surgical Planning 2025-Dec, Cureus DOI:10.7759/cureus.98486 PMID:41492595	综述	本文是一篇范围综述，系统性地梳理和描述了计算机视觉在脊柱骨科成像领域（包括诊断、测量和手术规划）的当前应用、临床任务、成像模态和计算方法	系统性地对1995年至2025年间发表的计算机视觉在脊柱骨科成像中的应用研究进行了范围综述，明确了当前的技术方法、性能水平以及临床转化中的关键差距	纳入的研究中仅20%包含外部验证，且没有研究进行前瞻性测试，这限制了对其临床适用性的评估	梳理和描述计算机视觉在脊柱骨科成像领域的应用现状，包括其临床任务、使用的成像模态和计算方法	应用于脊柱成像（如X光、CT、MRI）的自动化或半自动化计算机视觉算法	计算机视觉	NA	NA	深度学习	图像	NA	NA	U-Net, ResNet, YOLOv5	Dice系数, 准确率, AUC, 组内相关系数	NA
7013	2026-01-09	An integrated facial recognition system for classroom resource optimization using MobileNet and SSA-SVM 2025-Nov-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29327-1 PMID:41318694	研究论文	本文提出了一种集成面部识别系统，结合MobileNet和SSA-SVM，用于优化大学教室资源利用	结合MobileNet特征提取与SSA-SVM分类模型，在实时监控和出勤跟踪中提高了面部检测与识别准确率	NA	通过实时监控和出勤跟踪，支持大学教室的高效利用和资源分配	大学教室中的面部识别与资源优化	计算机视觉	NA	深度学习	CNN, SVM	图像	NA	NA	MobileNet	准确率, 识别率, 帧率	NA
7014	2026-01-09	Using Artificial Intelligence to Automate the Analysis of Psoriasis Severity: A Pilot Study 2025-Nov-21, Dermatology (Basel, Switzerland) DOI:10.1159/000549640 PMID:41269911	研究论文	本研究利用YOLOv8深度学习模型，基于2D临床图像特征，自动分类银屑病皮损的严重程度，旨在提高银屑病面积与严重性指数（PASI）评分的客观性和一致性	首次将YOLOv8模型应用于基于PASI关键子成分（红斑、厚度和鳞屑）的银屑病严重程度自动分类，并通过分层k折交叉验证增强模型在不同数据集上的可靠性	研究为试点性质，样本量有限，且仅使用2D临床图像，可能未涵盖所有临床变异	利用人工智能提高银屑病严重程度评估的客观性和一致性	银屑病皮损的2D临床图像	计算机视觉	银屑病	深度学习	YOLOv8	图像	三个不同数据集（具体数量未明确）	Google Colab	YOLOv8	混淆矩阵, 准确率	云端环境（Google Colab）
7015	2026-01-09	Explainable Artificial Intelligence Framework for Predicting Treatment Outcomes in Age-Related Macular Degeneration 2025-Nov-11, Sensors (Basel, Switzerland) DOI:10.3390/s25226879 PMID:41305085	研究论文	本文提出了一种结合神经符号推理和大语言模型的混合框架，用于预测年龄相关性黄斑变性（AMD）的治疗结果，并提供可解释的风险评估	提出了一种混合神经符号与大语言模型（LLM）的框架，将机制性疾病知识与多模态眼科数据相结合，实现了可解释的AMD治疗预后预测	研究受限于单中心范围和短期随访	开发一个可解释的人工智能框架，用于预测年龄相关性黄斑变性（AMD）的治疗结果	年龄相关性黄斑变性（AMD）患者	数字病理学	年龄相关性黄斑变性	光学相干断层扫描、眼底荧光素血管造影、扫描激光检眼镜、眼部/浅表B超	神经符号模型, 大语言模型（LLM）	图像, 文本	10名手术治疗的AMD患者（6名男性，4名女性；平均年龄67.8±6.3岁），包含30份结构化临床文档和100个配对成像序列	NA	NA	AUROC, AUPRC, Brier分数	NA
7016	2026-01-09	Establishing prospective performance monitoring for real-world implementation of deep learning-based auto-segmentation in prostate cancer radiotherapy 2025-Oct, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2025.100886 PMID:41488801	研究论文	本研究开发了一个基于回顾性数据的实用框架，用于前列腺癌放疗中深度学习自动分割模型的实时性能监测	首次提出将统计过程控制图应用于深度学习自动分割模型的性能监控，以检测数据漂移和临床实践变化	研究基于回顾性数据，且仅针对前列腺癌放疗场景，未在其他疾病或医疗环境中验证	建立深度学习自动分割模型在前列腺癌放疗中的前瞻性性能监控框架	前列腺癌放疗患者的临床轮廓分割	数字病理学	前列腺癌	深度学习自动分割	U-Net	医学图像	464例前列腺癌病例，时间跨度为20个月	NA	2D U-Net, 3D U-Net	Dice相似系数, 95百分位Hausdorff距离, 表面DSC	NA
7017	2026-01-09	Development and in silico imaging trial evaluation of a deep-learning-based transmission-less attenuation compensation method for DaT SPECT 2025-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.17976 PMID:40781836	研究论文	本文开发了一种基于深度学习的无传输衰减补偿方法（DaT-CTLESS），用于DaT SPECT成像，并通过计算机模拟成像试验验证了其性能	提出了一种结合物理原理和深度学习的无传输衰减补偿方法，无需额外CT扫描，解决了临床SPECT系统中CT组件缺失的问题	研究基于计算机模拟成像试验，尚未进行真实临床环境的大规模验证，且方法性能可能受训练数据质量和数量的影响	开发并验证一种无传输衰减补偿方法，以克服DaT SPECT成像中依赖CT扫描进行衰减补偿的挑战	多巴胺转运体（DaT）SPECT图像，用于帕金森病等运动障碍疾病的诊断和进展跟踪	医学影像分析	帕金森病	单光子发射计算机断层扫描（SPECT），深度学习	深度学习	医学影像（SPECT、CT、MR图像）	197名虚拟患者（150名用于训练，47名用于评估）	NA	U-net	组内相关系数（ICC），准确性，重复性，泛化性，保真度指标	NA
7018	2026-01-09	Accurate and real-time brain tumour detection and classification using optimized YOLOv5 architecture 2025-Jul-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-07773-1 PMID:40651993	研究论文	本研究提出了一种结合FCNN和YOLOv5的集成模型，用于从MRI图像中实时检测和分类脑肿瘤	提出了一种将FCNN用于分类和YOLOv5用于检测与分割的集成框架，并采用RMSProp优化器提升分类性能，实现了高精度的实时脑肿瘤诊断	未明确说明数据集的来源、样本的具体数量以及模型在临床环境中的泛化能力验证	开发一种准确且实时的脑肿瘤检测与分类系统，以辅助医疗影像诊断	脑部MRI图像中的肿瘤区域	计算机视觉	脑肿瘤	MRI	CNN	图像	NA	PyTorch	FCNN, YOLOv5	准确率, 精确率, 召回率, F1系数, 特异性	NA
7019	2026-01-09	Multimodal Data and Deep Learning-Driven Diagnostic and Therapeutic Assistance Framework for Patellar Dislocation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253687 PMID:41336970	研究论文	本研究结合多模态数据和人工智能算法，构建了一个用于识别解剖风险因素、预测复发风险和评估术后结果的模型	提出了一个整合术前、术中和术后信息的三阶段建模框架，并在复发风险预测模块中首次纳入了脂质代谢谱和临床变量	未来工作需纳入真实世界影像数据以提升影像分析组件的性能	构建一个全面的多模态融合模型，为髌骨脱位的诊断、预后和治疗提供更准确和个体化的临床决策支持	髌骨脱位患者	机器学习	骨科疾病	多模态数据整合	深度学习	多模态数据（包括临床变量、脂质代谢谱等）	NA	NA	NA	AUC, F1-score, 敏感性	NA
7020	2026-01-09	Segmenting the Inferior Alveolar Canal in CBCTs Volumes: The ToothFairy Challenge 2025-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3523096 PMID:40030587	研究论文	本文介绍了在MICCAI 2023会议上组织的ToothFairy挑战赛，该挑战赛旨在促进下牙槽神经管（IAC）在锥形束计算机断层扫描（CBCT）中的分割研究，并发布了最大的公开数据集用于比较评估	组织了首个针对IAC分割的公开挑战赛，并发布了该领域最大的公开标注数据集，首次在共同基准上对多种算法进行了全面的比较评估	数据集仅包含443个CBCT扫描，其中仅153个具有体素级标注，可能限制了某些深度学习模型的训练效果	促进下牙槽神经管（IAC）在CBCT扫描中的自动分割算法的研究与发展，并建立公共基准用于比较评估	锥形束计算机断层扫描（CBCT）中的下牙槽神经管（IAC）	数字病理学	NA	锥形束计算机断层扫描（CBCT）	NA	3D医学影像（CBCT扫描）	443个CBCT扫描（其中153个具有体素级标注）	NA	NA	NA	NA