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
7461	2026-01-03	Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT 2025-Jan, Radiology IF:12.1Q1 DOI:10.1148/radiol.233029 PMID:39835976	研究论文	本研究开发并评估了一种基于集成深度学习的模型，用于自动化检测和分割CT扫描中的肺部肿瘤	采用基于3D U-Net的图像多分辨率集成模型，平衡了体积上下文与分辨率，实现了稳健的肿瘤检测与分割，并能泛化到外部站点	研究为回顾性研究，可能受限于数据收集的偏差；模型性能在特定子集上（如单个肿瘤）表现良好，但在更复杂情况（如多发性转移）的泛化能力未详细评估	开发自动化工具以辅助肺部肿瘤的检测和分割，减少人工勾画的劳动强度和医生间差异	CT模拟扫描图像及临床肺部肿瘤分割标注	计算机视觉	肺癌	CT扫描	深度学习	3D医学图像	训练集：1,504个CT扫描；测试集：150个CT扫描（包括内部和外部数据集）	NA	3D U-Net	灵敏度, 特异性, 假阳性率, Dice相似系数	NA
7462	2026-01-03	Multi-Source Data and Knowledge Fusion via Deep Learning for Dynamical Systems: Applications to Spatiotemporal Cardiac Modeling 2025, IISE transactions on healthcare systems engineering IF:1.5Q3 DOI:10.1080/24725579.2024.2398592 PMID:40248641	研究论文	本文提出了一种基于深度学习的多源数据与知识融合框架，用于时空动态系统，特别应用于心脏电动力学建模	该框架通过捕捉基于物理的信息流实现有效数据融合，并利用图拉普拉斯算子整合3D系统的几何信息，以增强时空预测建模的鲁棒性	NA	开发一个融合多源传感数据和基础物理知识的可靠预测建模框架，用于时空动态系统	心脏电动力学系统，包括健康和疾病状态下的心脏条件	机器学习	心血管疾病	NA	深度学习	多源传感数据，时空数据	NA	NA	NA	NA	NA
7463	2026-01-03	Leveraging deep learning models to increase the representation of nomadic pastoralists in health campaigns and demographic surveillance 2025, PLOS global public health DOI:10.1371/journal.pgph.0004018 PMID:40273062	研究论文	本文提出了一种基于计算机视觉的方法，利用深度学习模型自动从卫星图像中定位游牧牧民定居点，以提高健康服务和人口监测中的代表性	开发了一种结合公共道路和水基础设施数据的新型训练策略，以弥补标记定居点数据不足带来的性能差距	依赖于卫星图像数据，可能受图像分辨率和覆盖范围限制，且模型在未训练区域泛化能力未明确评估	提高游牧牧民在健康服务和人口监测中的代表性，通过自动化方法定位其定居点	埃塞俄比亚奥莫河谷和肯尼亚桑布鲁县的游牧牧民定居点	计算机视觉	NA	卫星遥感	深度学习模型	卫星图像	约1,000个历史活跃定居点的标记卫星图像数据集	NA	NA	NA	NA
7464	2026-01-03	Neurocognitive Latent Space Regularization for Multi-Label Diagnosis from MRI 2025, Predictive Intelligence in Medicine. PRIME (Workshop) DOI:10.1007/978-3-031-74561-4_16 PMID:40365134	研究论文	本文提出了一种通过潜在空间正则化提升MRI脑部多标签诊断模型可解释性的方法	引入基于成对解缠的潜在空间正则化技术，使潜在空间中的表示差异与神经心理学测试分数差异对齐	样本规模相对有限（共519例），且仅针对特定认知障碍疾病进行评估	提升基于深度学习的MRI脑部多标签诊断模型的可解释性	脑部MRI图像及对应的认知障碍诊断标签	计算机视觉	认知障碍疾病	MRI成像	多标签分类器	图像	519例（156例对照、165例轻度认知障碍、166例HIV相关认知障碍、32例HIV无认知障碍）	NA	NA	平衡准确率	NA
7465	2026-01-03	Time Scale Network: An Efficient Shallow Neural Network For Time Series Data in Biomedical Applications 2025-Jan, IEEE journal of selected topics in signal processing IF:8.7Q1 DOI:10.1109/JSTSP.2024.3443659 PMID:40370581	研究论文	提出了一种用于生物医学时间序列数据的高效浅层神经网络——时间尺度网络	将离散小波变换的平移和膨胀序列与传统卷积神经网络结合，以极少的参数和计算量同时学习多个时间尺度的特征	未明确说明网络对特定信号类型或噪声水平的鲁棒性	开发适用于计算或数据受限环境的实时处理和边缘设备应用的高效时间序列分类方法	生物医学时间序列数据（ECG和EEG信号）	机器学习	心血管疾病	ECG信号分析, EEG信号分析	CNN	时间序列数据	NA	NA	时间尺度网络	准确率, 准确率-参数比, 准确率-操作比	NA
7466	2026-01-03	Interactive Segmentation Model for Placenta Segmentation from 3D Ultrasound images 2025, Simplifying medical ultrasound : 5th international workshop, ASMUS 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 6, 2024, proceedings. ASMUS (Workshop) (5th : 2024 : Marrakech, Morocco) DOI:10.1007/978-3-031-73647-6_13 PMID:40463734	研究论文	本文评估了基于人机交互的3D交互式分割模型在胎盘分割任务中的性能，并与现有公开模型进行对比	首次将人机交互模型应用于3D超声图像的胎盘分割任务，并评估其效率和效果	未提及模型在更大规模或多样化数据集上的泛化能力	开发一种高效且准确的交互式胎盘分割方法，以替代耗时的手动标注	3D超声图像中的胎盘	医学影像	妊娠相关疾病	3D超声成像	深度学习交互式分割模型	3D图像	NA	NA	Segment Anything Model (SAM) 启发模型	Dice分数, 归一化表面Dice, 平均对称表面距离, 95百分位Hausdorff距离	NA
7467	2026-01-03	Prediction of urban heat island intensity based on multiple linear regression and deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339782 PMID:41460956	研究论文	本研究构建了CNN-LSTM-Attention模型预测遥感光谱指数，并结合CA-Markov模型预测土地利用变化，以预测和分析城市热岛强度及其未来分布	结合了深度学习模型（CNN-LSTM-Attention）与CA-Markov模型来预测土地利用变化和城市热岛强度，并利用多元线性回归分析了多种光谱指数与热岛强度的关系	未明确说明模型在不同城市或气候条件下的泛化能力，也未详细讨论预测结果的不确定性	预测和分析城市热岛强度及其未来分布，为城市规划和环境政策制定提供依据	城市热岛效应、土地利用变化、遥感光谱指数	机器学习和环境科学交叉领域	NA	遥感光谱分析、土地利用变化预测	CNN, LSTM, Attention机制, CA-Markov模型, 多元线性回归	遥感数据、光谱指数数据、土地利用数据	NA	NA	CNN-LSTM-Attention, CA-Markov	R², RMSE	NA
7468	2026-01-03	Real-world evaluation of deep learning decoders for motor imagery EEG-based BCIs 2025, Frontiers in systems neuroscience IF:3.1Q2 DOI:10.3389/fnsys.2025.1718390 PMID:41472918	研究论文	本研究评估了10种深度学习解码器在基于运动想象脑电图的脑机接口中的实时应用性能	首次在软实时协议下系统评估多种深度学习解码器在短时间窗口（2秒）内的表现，并揭示了离线与在线设置间的性能排名变化	注意力机制和Transformer架构在跨被试和会话中表现不稳定，可能受限于样本量和个体差异	评估深度学习解码器在实时脑机接口中的适用性，为在线优先的脑电图解码器设计提供指导	运动想象脑电图信号	机器学习	NA	脑电图	CNN, TCN, Transformer	脑电图信号	NA	NA	FBLight ConvNet, EEG-TCNet, 卷积神经网络, 时间卷积网络, Transformer	准确率, 灵敏度, 精确率, 误中率, 误报率, 信息传输率, 工作量	NA
7469	2026-01-03	Automated weed monitoring and control: enhancing detection accuracy using a YOLOv7-AlexNet fusion network 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1664650 PMID:41473147	研究论文	本研究提出了一种结合YOLOv7和AlexNet的混合深度学习系统，用于农业场景中的杂草自动监测、检测和物种分类	提出了一种新颖的YOLOv7-AlexNet混合网络，利用YOLOv7进行快速杂草检测，并利用AlexNet提高杂草物种分类的特异性，从而在密集环境中实现更精细的识别	数据集需要扩展以涵盖更多杂草物种和环境条件，且模型尚未在田间计算机上部署验证其实际应用效果	提高农业杂草监测的检测精度和分类能力，实现高效、鲁棒的实时杂草检测与分类	农业场景中的杂草	计算机视觉	NA	深度学习	CNN	图像	未明确说明	未明确说明	YOLOv7, AlexNet	精确率, 召回率, F1分数, mAP@0.50, mAP@0.5:0.95	未明确说明
7470	2026-01-03	An intelligent MRI data fusion framework for optimized diagnosis of spinal tumors 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1606570 PMID:41473174	研究论文	提出了一种名为TSJNet的新型多模态图像融合框架，用于优化脊柱肿瘤的诊断	提出了一种新颖的目标与语义联合驱动网络（TSJNet），通过融合模块与检测、分割子网络的集成，以及具有双分支设计的局部显著特征提取（LSFE）模块，增强了细粒度的跨模态特征交互	NA	开发一种多模态图像融合框架，以支持下游视觉任务，特别是优化脊柱肿瘤的诊断	多模态医学图像（MRI）	计算机视觉	脊柱肿瘤	多模态图像融合	深度学习	图像	在四个公共数据集（MSRS, M3FD, RoadScene, LLVIP）上进行了评估	NA	TSJNet	mAP@0.5, mIoU	NA
7471	2026-01-03	Can artificial intelligence uncover the bioactive peptides' benefits for human health and knowledge? A narrative review 2025, Frontiers in nutrition IF:4.0Q2 DOI:10.3389/fnut.2025.1698147 PMID:41473198	综述	本文是一篇叙述性综述，探讨了人工智能（尤其是机器学习和深度学习）在发现、表征和应用源自食物的生物活性肽和氨基酸方面的革命性作用	综述了AI如何通过预测建模、分子动力学模拟和自然语言处理等方法，加速生物活性肽的发现，优化提取过程，并实现个性化营养策略，揭示了AI在功能性食品开发和精准营养领域的变革潜力	存在数据质量、模型可解释性、跨学科合作不足等挑战，缺乏标准化数据库，且在个性化营养指导方面存在伦理审批和隐私法律协议的需求	探讨人工智能在食品科学中，特别是对生物活性肽和氨基酸的发现、表征及应用方面的作用，以促进功能性食品开发和精准营养	源自植物和动物性食物的生物活性肽和氨基酸	自然语言处理, 机器学习	非传染性疾病	预测建模, 分子动力学模拟, 自然语言处理, 组学技术（如营养基因组学、蛋白质组学）	机器学习, 深度学习	文本, 分子数据	NA	NA	NA	NA	NA
7472	2026-01-03	Toward accurate Alzheimer's detection: transfer learning with ResNet50 for MRI-based diagnosis 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1664418 PMID:41473412	研究论文	本研究提出了一种基于预训练ResNet50卷积神经网络的自动特征提取方法，用于从脑部MRI扫描中检测阿尔茨海默病，并通过多种分类算法进行评估	采用预训练的ResNet50模型进行迁移学习，实现了自动特征提取，避免了传统方法中手动特征提取的繁琐过程，显著提高了诊断的准确性和可扩展性	研究主要基于两个公开数据集（ADNI和MIRIAD），可能未涵盖所有临床场景的多样性；模型性能在不同数据集间存在一定波动	开发一种自动化、高准确性的阿尔茨海默病检测方法，以支持临床工作流程并应对未来病例增长的需求	阿尔茨海默病患者及健康对照的脑部MRI扫描数据	计算机视觉	阿尔茨海默病	MRI成像	CNN	图像	基于ADNI和MIRIAD两个基准数据集，具体样本数量未在摘要中明确说明	未在摘要中明确说明	ResNet50	灵敏度, 特异性, 准确率	未在摘要中明确说明
7473	2026-01-03	EnsembleSkinNet: a transfer learning-based framework for efficient skin cancer detection with explainable AI integration 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1699960 PMID:41473432	研究论文	本文提出了一种基于迁移学习的集成深度学习框架EnsembleSkinNet，用于高效皮肤癌检测，并整合了可解释AI技术	通过软最大值加权谱融合多种预训练CNN架构（M-VGG16、ResNet50、Inception V3、DenseNet201），结合迁移学习、微调和贝叶斯超参数优化，提高了模型的鲁棒性和可解释性	未明确提及模型在更广泛数据集或临床环境中的泛化能力限制	开发一个鲁棒、可解释的AI框架，用于皮肤癌的早期检测和诊断	皮肤病变图像	计算机视觉	皮肤癌	深度学习	CNN	图像	HAM10000数据集和ISIC 2020数据集	TensorFlow, PyTorch	Modified VGG16, ResNet50, Inception V3, DenseNet201	准确率, 精确率, 召回率, F1分数, AUC	NA
7474	2026-01-03	Topological Radiomics in Predicting Mucosal Healing and Activity Score of Crohn's Disease Using Multi-Task Deep Learning 2025, Journal of inflammation research IF:4.2Q2 DOI:10.2147/JIR.S555403 PMID:41473601	研究论文	本文开发了一种基于拓扑放射组学的多任务深度学习模型，用于同时预测克罗恩病的黏膜愈合状态和内镜活动评分	首次将拓扑放射组学特征与多任务深度学习结合，用于克罗恩病的非侵入性评估，并整合了特征选择和SHAP可解释性方法	样本量较小（仅81名患者），未来需要更大规模队列研究进一步验证其稳健性	开发非侵入性定量方法，以替代内镜检查，评估克罗恩病的活动性和黏膜愈合	克罗恩病患者	数字病理学	克罗恩病	多期相CT小肠造影	多任务深度学习模型	医学影像（CT图像）	81名克罗恩病患者（训练集60人，验证集21人）	NA	NA	AUC, MSE, MAE, R2, C-index	NA
7475	2026-01-03	DUI Detection From Gait Using a Multichannel 1DCNN-Attention-BiLSTM Framework 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3636473 PMID:41473808	研究论文	本文提出了一种基于智能手机加速度计数据的深度学习框架，用于被动检测酒精中毒，旨在通过步态分析提高道路安全	提出了一种新颖的多通道混合1D-CNN-注意力-双向LSTM（MC-Hybrid）模型，结合了并行1D-CNN提取短期特征、自注意力机制增强预测模式权重以及双向LSTM建模时间依赖性	未明确提及数据集的多样性或外部验证，可能面临步态变异性等挑战	被动检测酒精中毒，以替代传统侵入性方法，并实现连续监测	智能手机加速度计数据中的步态模式	机器学习	NA	步态分析	1D-CNN, LSTM, 注意力机制	传感器数据（加速度计）	未明确指定样本数量，但使用了分层分割和随机过采样处理类别不平衡	未指定，但基于深度学习框架	多通道混合1D-CNN-注意力-双向LSTM（MC-Hybrid）	准确率, F1分数	未明确指定
7476	2026-01-03	A deep learning-based early prediction framework for weight management using real-world lifelog data: GRU-ODE-Bayes model development and validation study 2025 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076251406656 PMID:41473832	研究论文	本研究开发了一个基于GRU-ODE-Bayes的深度学习框架，利用真实世界的生活日志数据预测体重管理中的早期成功减重	提出了一种结合门控循环单元、常微分方程和贝叶斯方法的深度学习框架，以处理真实世界数据中常见的缺失和不规则采样问题，实现早期体重管理预测	研究基于特定健康追踪应用（Noom Coach）的用户数据，可能无法泛化到其他平台或人群；数据为回顾性队列，可能存在选择偏倚	开发一个能够利用真实世界生活日志数据早期预测体重管理成功率的深度学习模型	使用Noom Coach健康追踪应用的用户，其生活日志数据包括体重、运动、餐食记录等	机器学习	肥胖	深度学习	GRU-ODE-Bayes	时间序列数据（生活日志）	34,322名用户，分为训练集（24,292）、验证集（6,074）和测试集（3,375）	NA	GRU-ODE-Bayes	ROC AUC, PRC AUC	NA
7477	2026-01-03	MultiFAR: Multidimensional information fusion with attention-driven representation learning for student performance prediction 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0333099 PMID:41134863	研究论文	提出了一种名为MultIFAR的多维信息融合模型，通过注意力机制驱动的深度学习来预测学生表现	融合了学生人口统计、评估和虚拟学习环境交互等多维信息，并采用注意力机制结合双向长短期记忆网络和卷积网络来高效学习学生表示	未明确提及具体局限性，但可能包括对数据质量和多样性的依赖	预测学生表现，特别是早期识别有风险和高表现学生	学生行为数据，包括人口统计、评估和虚拟学习环境交互信息	机器学习	NA	深度学习	BiLSTM, CNN	多维数据（人口统计、评估、交互）	使用Open University Learning Analytics数据集，具体样本数未明确	NA	BiLSTM, CNN	准确率	NA
7478	2026-01-03	Emerging Brain-to-Content Technologies from Generative AI and Deep Representation Learning 2024-Nov, IEEE signal processing magazine IF:9.4Q1 DOI:10.1109/msp.2024.3484629 PMID:40786597	综述	本文探讨了生成式AI和深度表示学习在脑机接口（BCI）领域催生的新兴脑到内容技术	提出了由生成式AI和深度学习驱动的BCI 2.0系统，将传统脑机接口升级为能够生成内容的范式转变技术	NA	回顾并展望生成式AI与深度学习在脑到内容技术中的应用与发展	脑机接口系统及其与生成式AI结合的技术	自然语言处理, 计算机视觉, 机器学习	NA	生成式AI, 深度表示学习	NA	信号, 图像, 语音, 文本	NA	NA	NA	NA	NA
7479	2026-01-03	HAMIL-QA: Hierarchical Approach to Multiple Instance Learning for Atrial LGE MRI Quality Assessment 2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-72378-0_26 PMID:41473352	研究论文	本研究提出了一种名为HAMIL-QA的分层多示例学习框架，用于自动化评估心房纤维化LGE MRI图像的质量	提出了一种分层袋与子袋结构的多示例学习方法，能够在子袋内进行针对性分析并在体积层面聚合信息，从而减少对大量标注的依赖、降低计算负担，并专注于诊断关键特征	未在摘要中明确说明	开发一种自动化、可扩展的解决方案，用于评估左心房纤维化3D LGE MRI图像的质量，以提高诊断准确性、标准化评估并改善患者预后	左心房纤维化的3D晚期钆增强（LGE）MRI图像	数字病理学	心血管疾病	晚期钆增强（LGE）MRI	多示例学习（MIL）	图像	NA	NA	分层多示例学习框架（HAMIL-QA）	准确率, AUROC, F1分数	NA
7480	2026-01-03	Real-time counting of wheezing events from lung sounds using deep learning algorithms: Implications for disease prediction and early intervention 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294447 PMID:37983213	研究论文	本研究开发了一种基于深度学习算法的实时喘息事件计数方法，用于肺部声音分析，以改善症状自我管理和远程医疗监测	提出了一种创新的实时喘息计数算法，能够将单个呼吸周期详细标记为三种类型（间歇、正常、喘息），并捕获异常声音的位置、持续时间和在整个呼吸周期中的关系，包括非典型模式	未明确说明算法在更广泛人群或不同环境下的泛化能力，也未讨论实时处理对计算资源的具体要求	开发实时喘息计数算法，用于肺部疾病预测和早期干预	肺部声音（呼吸音）	数字病理学	肺部疾病	深度学习算法	CNN, LSTM	音频（肺部声音）	535个呼吸周期，来自多个数据库（儿童模拟肺声音模拟器、EMTprep开源数据库、临床患者记录、ICBHI 2017挑战数据库）	NA	一维卷积神经网络（1D-CNN）与长短期记忆网络（LSTM）组合模型	分类准确率	NA