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
7141	2026-01-07	Quantum resistant blockchain and deep learning revolutionize secure communications for autonomous vehicles 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28938-y PMID:41326509	研究论文	提出了一种结合抗量子区块链技术和深度学习的新型架构，以增强智能交通系统中自动驾驶车辆网络的安全性	首次将抗量子区块链与深度学习模型集成，为自动驾驶车辆网络提供针对量子计算威胁的端到端安全通信、数据共享和实时威胁检测解决方案	未详细讨论模型在极端网络条件或大规模攻击下的鲁棒性，也未提及框架在实际部署中的计算开销和延迟影响	解决自动驾驶车辆网络面临的网络安全威胁，特别是量子计算对传统加密防御的挑战，旨在构建安全、高效的智能交通系统	自动驾驶车辆网络、车辆到一切通信、智能交通系统	机器学习	NA	深度学习、区块链技术	深度学习模型	车辆通信数据、交易数据	NA	NA	NA	准确率, 精确率, 召回率, 数据完整性, 吞吐量, 区块验证时间	NA
7142	2026-01-07	Automated Retinal Vascular Analysis Reveals Response to Acetazolamide in Idiopathic Intracranial Hypertension 2025-Dec-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.12.9 PMID:41342622	研究论文	本研究利用深度学习自动分析视网膜血管，评估乙酰唑胺对特发性颅内高压继发视乳头水肿的治疗反应	首次应用深度学习自动化流程量化视网膜血管参数，并将其与临床指标关联，为特发性颅内高压治疗监测提供非侵入性生物标志物	研究为回顾性分析，样本量相对有限（n=165），且仅针对特发性颅内高压患者，结果推广需进一步验证	评估自动化视网膜血管分析能否识别特发性颅内高压继发视乳头水肿的治疗反应	特发性颅内高压继发视乳头水肿患者	数字病理学	特发性颅内高压	彩色眼底照相、光学相干断层扫描（OCT）	深度学习	图像	165名轻度视力丧失患者	NA	AutoMorph	R2、P值	NA
7143	2026-01-07	From multi-omics to deep learning: advances in cfDNA-based liquid biopsy for multi-cancer screening 2025-Nov-28, Biomarker research IF:9.5Q1 DOI:10.1186/s40364-025-00874-z PMID:41310905	综述	本文综述了基于循环游离DNA（cfDNA）的液体活检在多癌筛查中的关键生物标志物、多模态特征融合方法以及机器学习与深度学习技术的应用进展	强调了多模态cfDNA生物标志物（如基因突变、拷贝数变异、DNA甲基化、片段化模式和末端基序）的整合与特征融合方法，结合机器学习与深度学习框架，以提升癌症分类模型的性能并稳定低丰度信号	面临肿瘤异质性、数据处理标准化、模型可解释性以及成本限制等挑战	探讨cfDNA液体活检在多癌筛查中的技术进展与临床应用潜力	循环游离DNA（cfDNA）生物标志物及其在癌症检测与监测中的应用	机器学习	癌症	cfDNA分析，包括基因突变、拷贝数变异、DNA甲基化、片段化模式和末端基序检测	传统机器学习，深度学习	多组学数据（遗传与表观遗传数据）	NA	NA	NA	NA	NA
7144	2026-01-07	Global and regional accuracy of deep learning-based tumor segmentation from whole-body [18F]fluorodeoxyglucose PET/CT images 2025-Nov-28, EJNMMI research IF:3.1Q1 DOI:10.1186/s13550-025-01333-4 PMID:41313553	研究论文	本研究评估了基于深度学习的nnU-Net模型在全身体[18F]FDG PET/CT图像中肿瘤分割的全局和区域准确性	首次在全身体PET/CT图像中系统评估nnU-Net的分割性能，并揭示了肿瘤背景比（TBR）与分割准确性之间的显著关系	研究仅针对三种癌症类型（肺癌、淋巴瘤、黑色素瘤），且未在外部数据集上进行验证	测试深度学习算法预测体积与手动分割体积之间的关系，并评估预测准确性与正常背景摄取的相关性	1334例经组织学确诊的肺癌、淋巴瘤和黑色素瘤患者的[18F]FDG-PET/CT扫描图像	数字病理学	肺癌, 淋巴瘤, 黑色素瘤	[18F]FDG-PET/CT成像	CNN	医学图像（PET/CT扫描）	1334例PET/CT扫描（训练集933例，内部验证集267例，测试集134例）	MONAI	nnU-Net	Dice分数, F1分数, 线性相关系数	NA
7145	2026-01-07	Direct video-based spatiotemporal deep learning for cattle lameness detection 2025-Nov-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29118-8 PMID:41274941	研究论文	本研究提出了一种基于时空深度学习的端到端视频分类框架，用于自动检测牛跛行	采用直接的端到端视频分类方法，避免了传统方法中依赖目标检测和姿态估计的多阶段流程，显著降低了延迟和复杂性，更适合实时农场部署	数据集规模相对较小（50个视频片段，涉及42头牛），且模型仅在公开视频数据上进行了评估	开发一种自动化、准确的牛跛行检测方法，以改善动物福利并减少经济损失	牛（特别是其步态视频）	计算机视觉	牛跛行	视频分析	3D CNN, ConvLSTM	视频	50个在线视频片段，涉及42头个体牛	NA	3D CNN, ConvLSTM2D	准确率, 精确率, 召回率, F1分数	NA
7146	2026-01-07	DLCPD-25: A Large-Scale and Diverse Dataset for Crop Disease and Pest Recognition 2025-Nov-20, Sensors (Basel, Switzerland) DOI:10.3390/s25227098 PMID:41305306	研究论文	本文介绍了一个用于作物病虫害识别的大规模、多样化公开基准数据集DLCPD-25，并验证了其通过自监督学习模型预训练的有效性	构建了首个大规模、覆盖多种作物与病虫害类别、包含真实田间复杂环境和自然长尾分布的公开数据集，弥补了现有数据集的不足	未明确说明数据集中各类别样本的具体数量分布细节，也未对比其他数据集的详细性能差异	为作物病虫害识别领域提供高质量的数据资源，以支持鲁棒深度学习模型的开发	23种作物类型中的203种病虫害类别及健康状态	计算机视觉	作物病虫害	图像采集与整合	自监督学习模型	图像	221,943张图像	NA	MAE, SimCLR v2, MoCo v3	准确率, F1分数	NA
7147	2026-01-07	Next-generation antifungal peptide discovery: the synergy of artificial intelligence and omics technologies 2025-Nov-18, World journal of microbiology & biotechnology IF:4.0Q2 DOI:10.1007/s11274-025-04662-7 PMID:41251968	综述	本文综述了人工智能与组学技术在下一代抗真菌肽发现中的协同作用，强调了AI在克服传统方法局限性和推动抗真菌肽临床转化中的关键角色	探讨了AI（包括机器学习、深度学习和自然语言处理）与组学技术结合，用于高效设计和识别新型抗真菌肽，并提出了利用基因编辑技术（如CRISPR-Cas9）提升生产规模的创新思路	AI在抗真菌肽预测模型中存在模型复杂性高、数据规模有限、决策过程影响性能等限制，需通过迁移学习、可解释AI、特征选择等方法优化	旨在通过人工智能和组学技术加速新型抗真菌肽的发现与开发，以应对真菌感染和耐药性问题	抗真菌肽（AFPs）及其相关基因、生物合成基因簇（BGCs）	自然语言处理, 机器学习	真菌感染	组学技术, CRISPR-Cas9基因编辑	机器学习, 深度学习	文本, 基因序列数据	NA	NA	NA	精度, 准确率	NA
7148	2026-01-07	SpaMWGDA: Identifying spatial domains of spatial transcriptomes using multi-view weighted fusion graph convolutional network and data augmentation 2025-Nov, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013667 PMID:41223185	研究论文	本文提出了一种基于多视图加权融合图卷积网络和数据增强的深度学习模型SpaMWGDA，用于空间转录组数据的空间域识别	通过多视图加权融合图卷积网络和数据增强，模型能全面捕获邻域信息、自适应融合关键特征，并减少聚类噪声	未明确说明模型的计算复杂度或对大规模数据的可扩展性限制	开发一种深度学习模型以改进空间转录组数据中的空间域识别	空间转录组数据中的细胞基因表达和空间信息	机器学习	NA	空间转录组学	GCN	基因表达和空间信息数据	NA	NA	多视图加权融合图卷积网络	空间域识别和轨迹推断性能	NA
7149	2026-01-07	DeepADR: multimodal prediction of adverse drug reaction frequency by integrating early-stage drug discovery information via Kolmogorov-Arnold networks 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf695 PMID:41481073	研究论文	本文介绍了一个名为DeepADR的多模态深度学习框架，用于整合早期药物发现信息，通过Kolmogorov-Arnold网络预测药物不良反应的发生和频率	DeepADR通过整合化学结构、生物靶点图谱和基于大语言模型的药物不良反应术语语义表示，并利用Kolmogorov-Arnold网络融合异构数据，增强了多模态间复杂非线性关系的建模，提高了预测性能	未在摘要中明确提及	预测药物不良反应的发生和频率，以支持早期安全评估和候选药物优先排序	药物化合物及其相关的不良反应	机器学习	NA	多模态深度学习，大语言模型	Kolmogorov-Arnold网络	化学结构数据，生物靶点数据，文本语义数据	未在摘要中明确提及	未在摘要中明确提及	Kolmogorov-Arnold网络	未在摘要中明确提及	未在摘要中明确提及
7150	2026-01-07	Attention GhostUNet++: Enhanced Segmentation of Adipose Tissue and Liver in CT Images 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/EMBC58623.2025.11254588 PMID:41337067	研究论文	本研究提出了一种名为Attention GhostUNet++的新型深度学习模型，用于从CT图像中自动精确分割腹部脂肪组织和肝脏	将通道、空间和深度注意力机制集成到Ghost UNet++的瓶颈结构中，以增强特征细化、上下文理解和计算效率	在边界细节分割方面存在微小局限	开发一种用于身体成分分析的自动化、精确的医学图像分割方法	腹部脂肪组织（包括皮下脂肪和内脏脂肪）以及肝脏	数字病理学	心血管疾病	CT成像	CNN	图像	使用了AATTCT-IDS和LiTS两个公开数据集，具体样本数量未在摘要中说明	NA	Ghost UNet++	Dice系数	NA
7151	2026-01-07	Multicenter Histology Image Integration and Multiscale Deep Learning for Machine Learning-Enabled Pediatric Sarcoma Classification 2025-Jun-11, medRxiv : the preprint server for health sciences DOI:10.1101/2025.06.10.25328700 PMID:40585079	研究论文	本研究开发了一个基于深度学习的计算流程，用于从数字化组织学切片中准确分类儿童肉瘤亚型	整合了多中心数据并进行图像协调，系统评估了多种CNN和ViT架构作为特征提取器，并引入了基于SAMPLER的轻量级、快速训练的分类器	研究依赖于特定的多中心数据集，可能未涵盖所有罕见亚型或外部验证中心的变异性	开发一个机器学习驱动的计算管道，以准确分类儿童肉瘤亚型，减少诊断障碍	儿童肉瘤的数字化组织学切片	数字病理学	儿童肉瘤	组织学成像，全切片图像数字化	CNN, ViT	图像	867张全切片图像，来自三个医疗中心和儿童肿瘤学组	NA	UNI, CONCH	AUC	NA
7152	2026-01-07	Automated cervix biometry, volumetry and normative models for 3D motion-corrected T2-weighted 0.55-3T fetal MRI during 2nd and 3rd trimesters 2025-Apr-17, medRxiv : the preprint server for health sciences DOI:10.1101/2025.04.16.25325947 PMID:40321262	研究论文	本研究提出首个用于妊娠期宫颈3D T2加权图像的自动化多层分割和生物测量深度学习流程	首次开发了针对妊娠期宫颈MRI的自动化深度学习分割与生物测量方法，并构建了公开可用的3D群体平均图谱	仅评估了20个数据集，样本量相对较小，且未明确说明模型在异常病例或不同扫描参数下的泛化能力	开发自动化方法以改进妊娠期宫颈MRI测量，减少人工干预并提高分析效率	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
7153	2026-01-07	A multilayer deep autoencoder approach for cross layer IoT attack detection using deep learning algorithms 2025-Mar-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-93473-9 PMID:40133346	研究论文	本文提出了一种多层深度自编码器方法，用于跨层物联网攻击检测	引入多层深度自编码器，利用其分层简化能力提取全局和局部特征的潜在表示，并集成RNN、GNN和TCN等深度学习算法以增强检测能力	NA	解决物联网网络安全中特征表示、可扩展性和灵活性需求，提升跨层攻击检测效果	物联网网络中的跨层攻击，如网络层的中间人攻击和传输层的分布式拒绝服务攻击	机器学习	NA	深度学习算法	自编码器, RNN, GNN, TCN	网络数据	使用基准数据集和真实场景进行广泛模拟	NA	多层深度自编码器	检测准确率, 误报率	NA
7154	2026-01-07	Artificial intelligence links CT images to pathologic features and survival outcomes of renal masses 2025-Feb-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-56784-z PMID:39915478	研究论文	本研究开发了基于术前多期CT图像的深度学习模型，用于预测肾肿块恶性和侵袭性病理特征	首次使用多期卷积神经网络从CT图像中预测肾肿块的恶性和侵袭性，其性能超越了资深放射科医生、放射组学模型及肾测量评分列线图	研究仅基于单一机构的回顾性和前瞻性数据，未在外部验证集上进行测试，且样本量相对有限	改善肾肿块的诊断，区分良性肿块与侵袭性癌症，以优化治疗决策	肾肿块患者及其术前CT图像	计算机视觉	肾癌	计算机断层扫描（CT）	CNN	图像	4557名患者的13261个术前CT体积	NA	多期卷积神经网络	AUC	NA
7155	2026-01-07	AI Applications in Transfusion Medicine: Opportunities, Challenges, and Future Directions 2025, Acta haematologica IF:1.7Q3 DOI:10.1159/000546303 PMID:40349705	综述	本文综述了人工智能在输血医学中的应用、机遇、挑战及未来方向	系统性地探索了AI工具（包括机器学习、深度学习、自然语言处理和预测分析）在输血医学多个领域的整合潜力	当前应用大多处于探索性阶段，且面临临床工作流变异性、算法透明度、公平获取以及数据隐私与偏见等伦理挑战	探讨人工智能在输血医学中的整合应用，以应对长期存在的挑战并推动精准医学发展	输血医学的多个领域，包括供者管理、血液产品质量优化、输血需求预测和出血风险评估等	自然语言处理, 机器学习	NA	机器学习, 深度学习, 自然语言处理, 预测分析	NA	NA	NA	NA	NA	NA	NA
7156	2026-01-07	FastKAN-DDD: A novel fast Kolmogorov-Arnold network-based approach for driver drowsiness detection optimized for TinyML deployment 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332577 PMID:41191636	研究论文	本文提出了一种基于快速Kolmogorov-Arnold网络的新型驾驶员疲劳检测模型FastKAN-DDD，并针对TinyML部署进行了优化	首次将FastKAN架构应用于驾驶员疲劳检测领域，结合可学习的径向基函数非线性激活函数，并通过后训练量化技术实现了极低的计算开销和内存占用	研究仅使用了UTA-RLDD单一数据集进行验证，未在更广泛的实际驾驶场景中进行测试	开发适用于资源受限嵌入式系统的轻量级、可解释、高性能驾驶员疲劳检测模型	驾驶员疲劳状态检测	机器学习	NA	后训练量化（动态范围、float-16、仅权重量化）	FastKAN（快速Kolmogorov-Arnold网络）	图像数据（来自UTA-RLDD数据集）	UTA-RLDD数据集（具体样本数量未在摘要中说明）	NA	FastKAN（基于径向基函数的可学习激活函数）	准确率, 推理延迟, 内存占用	微控制器系统（TinyML部署环境）
7157	2026-01-07	Revolutionizing healthcare: a comparative insight into deep learning's role in medical imaging 2024-12-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-71358-7 PMID:39632902	研究论文	本文系统探讨了深度学习在医学影像中的应用，特别关注阿尔茨海默病MRI分类，并提出了一个结合云计算的创新框架	设计了一个包含输入层、基于云的预处理与模型执行层以及诊断层的新框架，并系统分析了不同深度学习模型在特定疾病数据集上的性能	未详细讨论其他疾病特定的数据集，且集成模型表现较差	比较深度学习模型在医学影像分析中的角色，特别针对阿尔茨海默病的MRI分类	阿尔茨海默病的MRI扫描图像	计算机视觉	阿尔茨海默病	磁共振成像	CNN, VGG-16, 集成模型	图像	NA	NA	CNN, VGG-16	测试准确率	云计算
7158	2026-01-07	A novel optimization-driven deep learning framework for the detection of DDoS attacks 2024-Nov-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-77554-9 PMID:39543174	研究论文	本文提出了一种基于优化驱动深度学习框架的DDoS攻击检测方法	结合条件生成对抗网络进行数据平衡，并采用堆叠稀疏去噪自编码器与萤火虫-黑寡妇混合优化算法进行攻击分类	仅使用单一数据集进行验证，未在更广泛网络环境中测试	开发高效的入侵检测系统以识别DDoS攻击	云计算或网络环境中的DDoS攻击流量	机器学习	NA	深度学习	CGAN, SSDAE	网络流量数据	CICDDoS2019数据集	NA	条件生成对抗网络, 堆叠稀疏去噪自编码器	准确率	NA
7159	2026-01-06	Deep learning diagnosis model of spinal tuberculosis based on CT bone window gradient attention mechanism: multi-center study 2026-Dec, Computer assisted surgery (Abingdon, England) DOI:10.1080/24699322.2025.2599329 PMID:41459642	研究论文	本研究基于CT骨窗图像开发了一种深度学习模型，旨在提高脊柱结核的早期诊断准确性	结合CT骨窗梯度注意力机制，改进了ResNet50网络，构建了端到端的深度学习诊断模型，专注于提取骨小梁微骨折和钙化轮廓梯度等特征	NA	提高脊柱结核的早期诊断准确性	脊柱结核患者	计算机视觉	脊柱结核	CT成像	CNN	图像	1027例多中心回顾性数据	NA	U-Net, ResNet50	AUC, 准确率, 灵敏度	NA
7160	2026-01-06	Functional near-infrared spectroscopy-based computer-aided diagnosis of major depressive disorder using explainable artificial intelligence: Comparison with conventional machine learning 2026-Mar-15, Journal of affective disorders IF:4.9Q1 DOI:10.1016/j.jad.2025.120985 PMID:41422962	研究论文	本研究开发了一种基于可解释人工智能的功能性近红外光谱计算机辅助诊断模型，用于识别重度抑郁症患者与健康对照者之间的脑半球间不对称性差异	首次将可解释人工智能技术（如层相关传播）应用于功能性近红外光谱数据，以可视化深度学习模型的决策过程，并揭示重度抑郁症患者脑功能不对称性的关键特征	样本量相对较小（共116名参与者），且仅基于单一言语流畅性任务的数据，可能限制了模型的泛化能力	开发并验证一种基于功能性近红外光谱和可解释人工智能的重度抑郁症计算机辅助诊断方法	48名重度抑郁症患者和68名健康对照者	机器学习	重度抑郁症	功能性近红外光谱	CNN	光谱数据	116名参与者（48名患者，68名健康对照）	NA	卷积神经网络	准确率, 灵敏度, 特异性	NA