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
7061	2026-01-08	Artificial intelligence-assisted glaucoma detection on color fundus images: with comorbidity and cross-institutional analysis 2025-Oct-01, Journal of the Chinese Medical Association : JCMA IF:1.9Q2 DOI:10.1097/JCMA.0000000000001289 PMID:41102915	研究论文	本研究开发了一种基于人工智能的青光眼检测系统，通过彩色眼底图像进行青光眼筛查，并在跨机构和共病条件下验证其可靠性	采用分步AI流程结合图像增强、视神经区域自动识别和深度学习分类，首次在跨区域数据集和共病眼病图像上验证了系统的一致高性能	研究未提及系统在极低质量图像或罕见共病组合下的表现，且外部数据集数量可能有限	开发并验证一种能在不同临床环境和共病条件下可靠检测青光眼的人工智能系统	彩色眼底图像，包括来自不同医院、种族、相机类型和图像质量的样本，以及伴有其他视网膜疾病的图像	计算机视觉	青光眼	彩色眼底摄影	深度学习	图像	训练集：1696张图像（来自台北荣民总医院）；测试集：五个跨区域外部数据集及151张共病眼病内部图像	NA	NA	平衡准确率, AUC	NA
7062	2026-01-08	Improving spliced alignment by modeling splice sites with deep learning 2025-Sep-20, ArXiv PMID:40980762	研究论文	本文提出了一种使用一维卷积神经网络（1D-CNN）建模剪接位点的方法，以改进剪接比对准确性	利用深度学习模型学习剪接信号，捕获跨门类的保守剪接信号，并揭示哺乳动物和鸟类特有的GC富集内含子	NA	提高剪接比对的准确性，特别是在处理噪声长读RNA-seq数据和远源同源蛋白质时	脊椎动物和昆虫基因组的剪接位点	生物信息学	NA	长读RNA-seq, 蛋白质序列比对	CNN	基因组序列, RNA-seq数据, 蛋白质序列	NA	NA	一维卷积神经网络（1D-CNN）	连接点准确性	NA
7063	2026-01-08	Estimating ascending aortic diameter from the electrocardiogram 2025-Aug-21, medRxiv : the preprint server for health sciences DOI:10.1101/2025.08.19.25333786 PMID:40894145	研究论文	本研究开发了一种基于一维卷积神经网络的深度学习模型（ECGAI-TAA），用于从12导联心电图信号中估计升主动脉直径	首次将12导联心电图信号与MRI测量的升主动脉直径配对，利用深度学习模型从心电图信号中估计主动脉直径，并发现模型检测到的电生理变化可能与侧上轴偏移有关	研究结果仅代表生理学观察，尚未经过外部验证的风险评分验证	探索从心电图信号中无创估计升主动脉直径的可能性	英国生物银行（UK Biobank）的69,173名参与者	机器学习	心血管疾病	MRI测量，心电图信号分析	CNN，变分自编码器	心电图信号（12导联，10秒，500Hz），MRI图像	69,173名参与者（训练集），5,191名参与者（内部测试集）	NA	一维卷积神经网络，变分自编码器	方差解释率（31%），比值比（16倍）	NA
7064	2026-01-08	Effects of Deep Learning-Based Reconstruction on the Quality of Accelerated Contrast-Enhanced Neck MRI 2025-May, Korean journal of radiology IF:4.4Q1 DOI:10.3348/kjr.2024.1059 PMID:40307199	研究论文	本研究比较了基于深度学习的重建技术与传统插值技术在加速对比增强颈部MRI中的图像质量	首次在加速对比增强颈部MRI中应用基于深度学习的重建算法，实现了扫描时间显著减少的同时提升图像质量	使用的深度学习算法为闭源工作进展版本，且重叠解剖结构的伪影略有增加	评估深度学习重建技术在加速颈部MRI中的图像质量与诊断性能	颈部对比增强MRI图像	医学影像分析	NA	对比增强MRI，深度学习重建	深度学习重建算法	MRI图像	106名患者的MRI扫描数据	NA	NA	半高全宽，信号伪影百分比，非均匀性，对比噪声比，区域黏膜半高全宽，视觉评分（整体质量、清晰度、黏膜显着性、伪影、病变检测）	3T MRI扫描仪，闭源深度学习重建算法（Siemens Healthineers WIP No. 1062）
7065	2026-01-08	The Future of Medicine: AI and ML Driven Drug Discovery Advancements 2025, Current topics in medicinal chemistry IF:2.9Q3 DOI:10.2174/0115680266346722250401191232 PMID:40207759	综述	本文综述了人工智能和机器学习在药物发现领域的应用进展，包括计算机辅助药物设计、深度学习等技术如何提升药物研发的效率和准确性	整合了AI/ML技术于药物发现过程，特别是通过大数据和深度学习处理复杂非线性数据，以增强药物-靶点相互作用预测和个性化治疗响应	未具体说明当前AI/ML方法在药物发现中的实际应用案例或数据验证细节，缺乏对技术局限性的深入讨论	探讨AI和ML如何推动药物发现领域的进步，提高药物设计的效率、安全性和成本效益	药物发现过程，包括靶点发现、先导化合物优化、临床试验等阶段	机器学习	NA	计算机辅助药物设计（CADD）、结构基于药物设计（SBDD）、配体基于药物设计（LBDD）、药效团建模、PBPK建模、高级纳米-QSAR	深度学习	大数据	NA	NA	NA	NA	NA
7066	2026-01-08	Advances in Diagnostic Approaches for Alzheimer's Disease: From Biomarkers to Deep Learning Technology 2025, CNS & neurological disorders drug targets DOI:10.2174/0118715273374284250519053646 PMID:40444626	综述	本文综述了阿尔茨海默病的诊断方法进展，从生物标志物到深度学习技术	整合了传统生物标志物（如淀粉样蛋白β）与先进深度学习技术（特别是CNN）在阿尔茨海默病诊断中的应用，并强调了这些技术作为临床辅助而非替代的角色	未提及具体研究样本量或实验验证细节，且未讨论深度学习模型在实际临床部署中的具体挑战	探讨阿尔茨海默病的诊断方法进展，包括生物标志物和深度学习技术的应用	阿尔茨海默病的诊断技术与方法	数字病理学	老年性疾病	脑脊液采样、MRI、PET、X射线、CT、超声、乳腺X线摄影	CNN	图像	NA	NA	NA	准确率	NA
7067	2026-01-08	Structure-aware completion of plant 3D LiDAR point clouds via a multi-resolution GAN-inversion network 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1698843 PMID:41487337	研究论文	本文提出了一种名为MRC-Net的无监督深度学习框架，用于在环境干扰和传感器限制下完成植物3D LiDAR点云的鲁棒、高保真补全	通过集成GAN反转策略与多分辨率原则，提出了一种无监督的多分辨率补全网络，利用多分辨率退化机制和多尺度判别器，在无监督条件下实现全局结构一致性与局部细节的平衡	NA	解决在环境干扰和传感器限制下，3D点云补全的鲁棒性和高保真性问题，以提升下游任务性能	植物3D LiDAR点云	计算机视觉	NA	LiDAR	GAN	3D点云	多个数据集，包括虚拟数据集（如CRN）和针对农业场景的自定义数据集	NA	Multi-Resolution Completion Net (MRC-Net), ShapeInversion	Chamfer Distance (CD), F1分数	NA
7068	2026-01-08	Technology-driven approaches to intelligent mechanical weed control: a systematic review for sustainable weed management 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1734507 PMID:41487342	综述	本文对2000年至2024年间发表的智能机械除草系统进行了系统性综述，重点关注集成人工智能、机器视觉和机器人技术的设计、性能及在精准农业中的应用	首次提供了针对集成视觉与机器人驱动的AI机械除草系统的全面、系统性综述，并提出了包含传感器融合、自适应工具、平台模块化和用户中心界面的设计与操作指南	在杂草-作物区分、模型泛化、实时执行和经济可行性方面仍存在挑战	探索智能机械除草系统的设计与性能，以推动精准农业中可持续、非化学的杂草管理	智能机械除草系统，特别是集成人工智能、机器视觉和机器人技术的系统	计算机视觉	NA	机器视觉、人工智能、机器人技术	深度学习模型	图像（RGB、LiDAR、高光谱传感器数据）	176篇技术论文，其中33篇关键工作进行了深入分析	NA	NA	NA	NA
7069	2026-01-08	Human intention recognition by deep LSTM and transformer networks for real-time human-robot collaboration 2025, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2025.1708987 PMID:41487443	研究论文	本文提出了一种集成的人机协作系统，利用先进意图识别实现实时任务共享与交互	结合LSTM和Transformer网络进行人体意图识别，并集成动态运动基元实现平滑机器人运动过渡	仅在真实工业装配任务中验证，未涉及其他复杂场景或长期稳定性测试	优化工业环境中复杂任务性能，减少工人负担并提高安全性	人机协作系统中的工人意图识别与机器人运动控制	机器人与人工智能	NA	深度学习模型，动态运动基元	LSTM, Transformer	人体姿态估计数据，手部轨迹数据	NA	NA	LSTM, Transformer	准确率	NA
7070	2026-01-08	Slip detection for compliant robotic hands using inertial signals and deep learning 2025, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2025.1698591 PMID:41487444	研究论文	本文研究利用惯性测量单元（IMU）数据，结合深度学习技术检测机器人手在抓取物体时的滑动事件	首次提出结合指尖方向变化和滑动引起的振动，通过IMU数据作为滑动指示器，并利用卷积神经网络（CNN）进行检测，且方法在不同夹具和未见物体上具有泛化能力	NA	开发一种基于IMU数据和深度学习的滑动检测方法，以提高机器人手在抓取操作中的感知能力	被动顺应性机器人手在抓取物体时的滑动事件	机器学习	NA	惯性测量单元（IMU）传感	CNN	惯性信号（IMU数据）	195次操作试验，涉及滑动和非滑动条件	NA	卷积神经网络	NA	NA
7071	2026-01-08	Performance comparison of artificial intelligence models in predicting 72-h emergency department unscheduled return visits 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1609206 PMID:41487618	研究论文	本研究比较了多种人工智能模型在预测急诊科72小时内非计划返诊方面的性能，旨在优化风险分层策略	首次在统一队列中全面比较了传统机器学习算法与深度学习架构TabNet在急诊非计划返诊预测中的性能，并进行了特征重要性分析和亚组公平性评估	研究为单中心回顾性设计，可能限制了结果的普适性；未考虑外部验证	评估多种AI模型预测急诊科72小时内非计划返诊的性能，以识别最优风险分层策略	某三级医院成人内科急诊就诊患者	机器学习	急诊医学相关疾病（消化系统和呼吸系统疾病等）	NA	逻辑回归, 支持向量机, 随机森林, 极端梯度提升, TabNet	表格数据	143,192次就诊（训练集100,235次，测试集42,957次），其中24,117次（16.8%）为非计划返诊	NA	TabNet	AUROC, 敏感性, 校准曲线, 临床决策曲线分析, 混淆矩阵	NA
7072	2026-01-08	Deep recurrent models for forecasting infectious diseases 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1726819 PMID:41487657	研究论文	本研究提出并开发了一个基于LSTM、BiLSTM和GRU神经网络模型的时间序列预测框架，用于预测沙特阿拉伯的COVID-19病例数并检测异常增长	利用Google Trends搜索词时间序列数据（如“发烧”、“COVID”、“咳嗽”）作为输入，结合深度学习模型检测病例激增的时间模式，实现早期异常检测	BiLSTM模型计算成本较高，而LSTM和GRU虽执行效率高但性能相对较低	预测传染病（COVID-19）病例数并早期检测异常增长，以支持医疗资源分配和响应规划	沙特阿拉伯的COVID-19病例数据及相关的Google搜索趋势数据	机器学习	COVID-19	时间序列分析，Google Trends数据挖掘	LSTM, BiLSTM, GRU	时间序列数据，文本搜索数据	NA	NA	LSTM, BiLSTM, GRU	均方误差（MSE），F1分数	NA
7073	2026-01-08	Automated brain atrophy quantification from clinical MRI predicts early neurological deterioration in anterior choroidal artery territory infarction 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1714159 PMID:41488328	研究论文	本研究通过深度学习算法自动量化临床MRI中的脑萎缩，预测前脉络膜动脉梗死患者的早期神经功能恶化风险	首次将自动化的脑萎缩量化应用于前脉络膜动脉梗死患者，以预测早期神经功能恶化，并验证了其作为影像学生物标志物的可行性	研究为双中心回顾性队列设计，可能存在选择偏倚，且样本量相对有限	评估脑萎缩量化指标对前脉络膜动脉梗死患者早期神经功能恶化的预测价值	前脉络膜动脉梗死患者	数字病理学	心血管疾病	临床T1加权MRI成像	深度学习算法	图像	206名患者	NA	SynthSR, AssemblyNet	P值, 风险比	NA
7074	2026-01-08	Privacy protection method for ADS-B air traffic control data based on convolutional neural network and symmetric encryption 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1683027 PMID:41488394	研究论文	本文提出了一种基于卷积神经网络和对称加密的ADS-B空中交通管制数据隐私保护方法	结合深度学习与对称加密技术，通过CNN分类模型精确识别敏感信息，有效扰乱原始隐私数据	未提及方法在更复杂攻击场景下的鲁棒性，且未来工作需探索更先进的加密与深度学习算法集成	保护ADS-B空中交通管制数据中的隐私信息，防止数据被拦截和滥用	ADS-B广播的实时飞机信息，如位置、速度和高度	机器学习	NA	对称加密	CNN	文本数据（空中交通信息）	数据量为10GB、20GB、30GB和40GB的ADS-B数据集	NA	NA	加密时间	NA
7075	2026-01-08	Time series forecasting for bug resolution using machine learning and deep learning models 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1745751 PMID:41488392	研究论文	本研究评估了机器学习和深度学习模型在开源项目bug修复时间序列预测中的有效性，比较了局部和全局方法	结合经典模型与深度学习模型，采用全局视角进行时间序列预测，并利用可解释AI技术分析预测驱动因素	未明确提及具体数据集的局限性或模型泛化能力的潜在约束	预测bug修复时间以改进软件维护和支持开源项目规划	多个开源软件仓库的bug修复时间序列数据	机器学习	NA	时间序列预测	Naive, Linear Regression, Random Forest, MLP, LSTM, GRU	时间序列数据	来自多个开源软件仓库的真实世界数据	NA	MLP, LSTM, GRU	平均误差, 准确率, F1分数	NA
7076	2026-01-08	Development and validation of a multi-modality system combining radiomics and deep learning for predicting mid-pregnancy complications and enabling timely pregnancy care 2025, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2025.1716073 PMID:41488903	研究论文	本研究开发并验证了一个结合影像组学和深度学习特征的多模态AI模型，用于早期预测妊娠期高血压疾病和妊娠期糖尿病	首次将影像组学与深度学习特征从孕早期超声扫描中整合，构建了多模态融合模型，显著提升了预测性能	需要进一步在不同人群中进行验证，样本量相对有限	提高妊娠期高血压疾病和妊娠期糖尿病的早期预测准确性，以支持及时的孕期护理	213名在孕8周接受超声检查的孕妇	医学影像分析	妊娠期并发症	超声扫描	深度学习模型, 影像组学模型, 临床模型, 融合模型	图像, 临床数据	213名孕妇	NA	NA	AUC, 灵敏度, 特异性, 校准曲线, 决策曲线分析	NA
7077	2026-01-08	Predicting the risk of type 2 diabetes mellitus (T2DM) emergence in 5 years using mammography images: a comparison study between radiomics and deep learning algorithm 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014501 PMID:39776665	研究论文	本研究旨在利用乳腺X线摄影图像预测5年内2型糖尿病的发生风险，并比较了影像组学和深度学习算法的性能	首次将乳腺X线摄影图像用于预测2型糖尿病风险，并对比了基于影像组学的机器学习方法与基于深度学习的卷积神经网络方法	样本量相对较小（312例），CNN模型的AUROC较低（0.58），可能由于深度学习模型在有限数据下难以学习到有效特征	预测5年内2型糖尿病的发生风险	乳腺X线摄影图像	计算机视觉	2型糖尿病	乳腺X线摄影	机器学习, CNN	图像	312例样本（110例阳性，202例阴性）	Scikit-learn, PyTorch	ResNet	准确率, 灵敏度, 特异性, AUROC	NA
7078	2026-01-08	Enhancing data security and privacy in energy applications: Integrating IoT and blockchain technologies 2024-Oct-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e38917 PMID:39430499	研究论文	本研究提出了一种结合区块链与物联网的安全数据管理框架，以提升核能应用中的数据安全、隐私和完整性	开发了一个集成了加密、完整性验证、通信网络和数据流架构的安全框架，并首次系统性地探讨了区块链与物联网在核能领域的整合方案	需要实际验证、资源受限的物联网环境存在挑战、网络威胁日益增加、实时数据可用性有限	提升核能应用中数据的安全性与隐私保护	核能领域的物联网与区块链技术整合	物联网安全	NA	区块链技术、物联网技术、加密技术	NA	交易数据、传感器数据	NA	NA	NA	NA	NA
7079	2026-01-08	Unsupervised Denoising and Super-Resolution of Vascular Flow Data by Physics-Informed Machine Learning 2024-09-01, Journal of biomechanical engineering DOI:10.1115/1.4065165 PMID:38529728	研究论文	提出一种无监督深度学习方法来执行血管流数据的去噪和超分辨率重建，无需高分辨率标签	结合自编码器和物理信息神经网络，通过物理损失函数在无高分辨率标签条件下实现流场去噪与超分辨率重建	基于计算流体动力学模拟生成的地面真值数据，可能未完全覆盖真实临床数据的复杂性	开发无监督的深度学习模型，用于血管流数据的去噪和超分辨率处理	三维狭窄和动脉瘤的血流数据，包括不同几何形状、方向和边界条件	机器学习	心血管疾病	计算流体动力学	自编码器, 物理信息神经网络	三维流场数据	NA	NA	自编码器	均方误差, 均方根残差, 相关系数	NA
7080	2026-01-08	Deep learning model based on primary tumor to predict lymph node status in clinical stage IA lung adenocarcinoma: a multicenter study 2024-Sep, Journal of the National Cancer Center IF:7.6Q1 DOI:10.1016/j.jncc.2024.01.005 PMID:39281718	研究论文	本研究开发了一个基于深度残差网络的深度学习模型，用于预测临床IA期肺腺癌患者的淋巴结状态	利用深度学习模型基于原发肿瘤的HRCT图像预测淋巴结状态，并在多中心数据集上进行验证，展示了在早期肺腺癌中辅助淋巴结清扫决策的潜力	研究为回顾性设计，可能存在选择偏倚；模型性能在纯磨玻璃结节亚组中未单独充分验证	开发一个深度学习模型来预测临床IA期肺腺癌患者的淋巴结状态，以指导淋巴结清扫范围	经病理确诊的临床T1N0M0期肺腺癌患者	数字病理学	肺癌	高分辨率计算机断层扫描	CNN	图像	1009名患者（来自两个独立数据集：中国医学科学院肿瘤医院699例，解放军总医院310例）	NA	ResNet	AUC, 准确率, 精确率, 召回率, F1分数	NA