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
761	2025-12-26	Classification and quantification of sodium metabisulfite in goji berry powder: Applications of hyperspectral technology and transformer-based hybrid models 2025-Dec-22, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127379 PMID:41442910	研究论文	本研究应用近红外高光谱成像技术和基于Transformer的混合深度学习模型，对枸杞粉中的焦亚硫酸钠进行分类和定量检测	提出了一种结合局部注意力和残差路径的ResLocalformer混合模型用于分类，以及结合Transformer全局注意力和密集层的Resformer模型用于回归，相比传统CNN和LSTM方法表现出更高的鲁棒性和预测精度	研究仅针对枸杞粉中的焦亚硫酸钠，样本量相对有限（360个样本），且未在其他食品基质或添加剂上进行验证	开发一种快速、无损的检测方法，用于监测枸杞粉中焦亚硫酸钠的残留量	枸杞粉样品中的焦亚硫酸钠	计算机视觉	NA	近红外高光谱成像（HSI）	Transformer, CNN, LSTM	高光谱图像	360个样本（包含9个浓度水平，每个水平40个重复）	NA	ResLocalformer, Resformer	准确率, R², RMSE	NA
762	2025-12-26	Interpreting Imaging in the Era of Artificial Intelligence: Future Possibilities in Ocular Inflammatory Disease 2025-Dec-22, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2025.12.019 PMID:41443461	综述	本文回顾了人工智能在葡萄膜炎多模态影像解读中的应用现状、局限性与未来前景	探讨了AI在眼科炎症疾病影像分析中的新兴自动化机遇，特别是通过深度学习技术	AI在葡萄膜炎领域的应用尚处于起步阶段，具体工具仍在开发中	评估AI在葡萄膜炎多模态影像解读中的能力、限制及未来潜力	葡萄膜炎（眼部炎症性疾病）及其多模态影像数据	计算机视觉	葡萄膜炎	多模态影像分析	深度学习	图像	NA	NA	NA	NA	NA
763	2025-12-26	Hybrid TCN-BiGRU model for accurate air quality index prediction 2025-Dec-22, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.127577 PMID:41443548	研究论文	提出了一种结合TCN和BiGRU的深度学习框架，用于准确预测空气质量指数	提出了一种新颖的级联架构TCN-BiGRU，通过残差连接整合了TCN和BiGRU，利用TCN提取多尺度时间特征，BiGRU双向处理特征以捕获上下文依赖关系	跨年验证显示性能下降8.3%，跨城市迁移学习仅能达到完全本地训练性能的74.2-82.7%	准确预测空气质量指数，以支持污染控制和公共健康保护	空气质量指数预测	机器学习	NA	深度学习	TCN, BiGRU	时间序列数据	北京（2022年和2023年）、广州（2023年）、上海（2023年）的数据集，涵盖16个季节-区域场景	NA	TCN-BiGRU（结合Temporal Convolutional Network和Bidirectional Gated Recurrent Unit的级联架构）	RMSE, R值	NA
764	2025-12-26	From monochromatic waves to realistic tides: deep learning for short-term forecasting of coastal ocean 2025-Dec-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31670-2 PMID:41423688	研究论文	本研究提出了一种结合卷积神经网络和长短期记忆网络的混合架构，用于预测德国湾的海平面变化	开发了结合CNN空间重建与LSTM时间预测的混合深度学习框架，能够从有限数量的沿海观测站重建整个海域的海平面，并通过模拟数据同化显著提升预测精度	模型性能受空间信号复杂度和梯度陡度等因素影响，研究主要关注数据丰富区域的应用潜力	开发深度学习模型以补充传统数值模型，实现海岸海洋的短期预报	德国湾的海平面变化数据	机器学习	NA	深度学习	CNN, LSTM	海平面数据	从学术数据到实际数据的海平面数据序列	NA	卷积神经网络, 长短期记忆网络	预测误差	NA
765	2025-12-26	Decoding aroma perception of grilled lamb skewers: an EEG-MambaFusionNet framework integrating TDS and GC-IMS 2025-Dec-21, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.147676 PMID:41443075	研究论文	本研究通过整合感官、化学和神经数据，开发了一个深度学习框架来解码烤羊肉串从生到熟过程中香气感知的动态演变及其神经特征	首次将时间优势感官法、气相色谱-离子迁移谱和脑电图数据融合，并开发了EEG-MambaFusionNet深度学习框架来量化香气感知的动态过程	未在摘要中明确说明	研究烤羊肉串从生到熟过程中香气感知的动态演变及其对应的神经特征	烤羊肉串的香气感知过程	机器学习	NA	时间优势感官法，气相色谱-离子迁移谱，脑电图	深度学习框架	感官数据，化学数据，神经数据	未在摘要中明确说明	NA	EEG-MambaFusionNet	预测准确率	未在摘要中明确说明
766	2025-12-26	Asymmetric Cross-Reactivity of Nuclear Receptors Reveals an Evolutionary Buffer Between Estrogen and Androgen Signaling 2025-Dec-21, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.18.695200 PMID:41446225	研究论文	本研究通过深度学习框架预测蛋白质-配体相互作用，揭示了雌激素与雄激素信号之间不对称的交叉反应性及其进化缓冲机制	首次通过全对全受体配体亲和力筛选揭示类固醇激素受体结合的不对称性，提出雌二醇作为早期类固醇配体的进化模型	研究主要基于计算预测和结构建模，需要进一步的实验验证来确认预测的亲和力差异和生理功能	探究类固醇激素受体之间的交叉反应性及其进化意义	核受体（特别是类固醇激素受体）及其配体（如雌二醇、睾酮）	计算生物学	前列腺癌	深度学习蛋白质-配体相互作用预测、系统计算机亲和力预测、结构建模、祖先序列重建	深度学习框架	蛋白质序列与结构数据、配体化学数据	NA	Boltz-2	NA	NA	NA
767	2025-12-26	Smart room occupancy detection using neural networks and the puma optimization algorithm 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29938-8 PMID:41422073	研究论文	本研究提出了一种结合神经网络与美洲狮优化正弦余弦优化器（POSC）的机器学习方法，用于基于环境传感器数据实现高精度的房间占用检测	首次将POSC元启发式优化技术与神经网络结合，用于房间占用检测，通过动态平衡探索与利用来增强模型训练，实现更快的收敛速度和更好的分类性能	研究仅基于公开数据集进行验证，未在实际动态环境中进行大规模部署测试，且传感器类型有限	开发一种高精度、可扩展的房间占用检测方法，以支持智能建筑的节能管理、安全增强和舒适度提升	房间占用状态（占用/未占用）	机器学习	NA	环境传感器数据采集（温度、湿度、光照强度、CO2浓度）	神经网络	数值传感器数据	公开数据集（具体数量未说明）	未明确说明	未指定具体架构	准确率、精确率、召回率、F1分数	NA
768	2025-12-26	Deep Learning-Based Prediction of Enzyme Optimal pH and Design of Point Mutations to Improve Acid Resistance 2025-Dec-19, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.5c00679 PMID:41269167	研究论文	本文开发了一种名为CatOpt的深度学习模型，用于预测酶的最适pH值，并通过点突变设计提高酶的酸耐受性	CatOpt模型在酶最适pH预测上优于现有方法，具有更好的可解释性，并能指导点突变设计以改善酶在低pH下的活性	NA	开发一个准确的深度学习预测器来定量描述pH对酶催化活性的影响，并设计点突变以提高酶的酸耐受性	酶的最适pH值、酸性和碱性酶的分类、点突变引起的酶最适pH变化	机器学习	NA	深度学习	深度学习模型	序列数据	NA	NA	CatOpt	RMSE, 相关系数	NA
769	2025-12-26	Functional near-infrared spectroscopy-based computer-aided diagnosis of major depressive disorder using explainable artificial intelligence: Comparison with conventional machine learning 2025-Dec-19, 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功能近红外光谱和可解释人工智能的计算机辅助诊断模型，用于诊断重度抑郁症，并与传统机器学习方法进行比较	首次为fNIRS数据设计了一个基于CNN的可解释人工智能模型，专门用于突出MDD患者与健康对照之间的大脑半球间不对称性差异，并利用层相关传播技术可视化模型的决策过程	样本量相对较小（共116名参与者），且仅基于单一任务（言语流畅性任务）的fNIRS数据，可能限制了模型的泛化能力	开发一个可解释的人工智能模型，用于基于功能近红外光谱的计算机辅助诊断，以区分重度抑郁症患者和健康对照	48名重度抑郁症患者和68名健康对照	机器学习	重度抑郁症	功能近红外光谱	CNN	光谱数据	116名参与者（48名MDD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
770	2025-12-26	TPVNet: A domain-aware graph-based framework for reliable multivariate physiological time series classification in healthcare 2025-Dec-19, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109214 PMID:41442988	研究论文	提出了一种名为TPVNet的领域感知图框架，用于医疗物联网中多变量生理时间序列的可靠分类	集成了时间增强有限可穿透可见图（TPVG）将原始信号转换为不可逆的图表示，并结合图同构网络（GIN）进行特征学习，以及采用与临床诊断流程一致的通道级投票策略以提高决策鲁棒性	未明确说明模型的计算复杂度或在大规模实时部署中的潜在限制	提升医疗物联网应用中多变量生理时间序列分类的准确性、稳定性和隐私保护	多变量生理时间序列数据	机器学习	心房颤动	时间序列分析，图表示学习	GIN	时间序列	七个公共生理数据集	NA	图同构网络	准确率，召回率，精确率，F1分数，标准差	NA
771	2025-12-26	Long-term, ambulatory 12-lead ECG from a single non-standard lead using perceptual reconstruction 2025-Dec-19, medRxiv : the preprint server for health sciences DOI:10.64898/2025.12.17.25342224 PMID:41445642	研究论文	本研究提出了一种基于深度学习的模型ECG12-PerceptNet，用于从单个植入式心脏监测器（ICM）导联重建12导联心电图，以连续评估心脏功能变化	首次使用感知损失训练的深度U-Net模型从单个非标准ICM导联重建12导联心电图，实现了对心脏传导、复极、节律和功能变化的连续监测	研究基于模拟ICM信号进行重建，未在真实ICM设备上验证；疾病标签通过正则表达式解析临床解释获得，可能存在标注误差	从单个ICM导联重建12导联心电图，以检测心脏传导、复极、节律和功能变化	大规模多样化患者群体的心电图数据	数字病理学	心血管疾病	心电图（ECG）	深度学习	心电图信号	75,450对超声心动图-心电图配对数据	NA	U-Net	分类性能	NA
772	2025-12-26	A Comparison of Two Deep Learning Approaches to Distinguish Functional Dissociative from Epileptic Seizures Using Event Videos 2025-Dec-19, medRxiv : the preprint server for health sciences DOI:10.64898/2025.12.18.25342568 PMID:41445663	研究论文	本研究比较了两种深度学习模型（姿态估计和3D CNN）在仅使用视频数据区分功能性分离性发作与癫痫性发作方面的性能	首次开发了不依赖视频脑电图或神经科医生人工审阅的机器学习工具，通过视频数据自动区分功能性分离性发作与癫痫性发作	研究为回顾性设计，样本量较小（仅10名患者），未来需要更大规模的研究验证	开发机器学习工具以区分功能性分离性发作与癫痫性发作，减少对视频脑电图和神经科医生人工审阅的依赖	功能性分离性发作和癫痫性发作患者的视频数据	计算机视觉	癫痫	视频分析	CNN	视频	10名患者的106个事件视频（61个癫痫性发作，45个功能性分离性发作）	NA	3D CNN	AUROC, AUPRC, 敏感性, 精确度, 准确度	NA
773	2025-12-26	Learning Patient Similarity from Genomics for Precision Oncology 2025-Dec-18, medRxiv : the preprint server for health sciences DOI:10.64898/2025.12.17.25342480 PMID:41445600	研究论文	本文开发了一种基于深度学习的患者相似性建模框架，利用真实世界临床基因组数据，通过嵌入肿瘤基因组图谱测量患者相似性，并评估患者亚群与共享治疗结局的关联	提出了一种深度学习框架，能够从复杂的临床基因组数据中提取患者相似性，为缺乏可操作生物标志物的患者提供决策支持，并扩展应用于未知原发癌（CUP）诊断	未明确提及具体局限性，可能包括数据集的代表性、模型泛化能力或临床验证的深度	通过患者相似性方法，利用全面肿瘤分析和大型队列的临床经验，为精准肿瘤学提供决策支持，促进精准肿瘤学见解的更广泛实现	乳腺癌特异性及组织学无关的泛癌环境中的患者，包括缺乏可操作基因组生物标志物和未知原发癌（CUP）诊断的患者	机器学习	乳腺癌	肿瘤基因组分析	深度学习	临床基因组数据	来自三级癌症中心的真实世界临床基因组数据，具体样本数量未明确	NA	NA	NA	NA
774	2025-12-26	A deep learning framework for comprehensive segmentation of deep grey nuclei 2025-Dec-18, medRxiv : the preprint server for health sciences DOI:10.64898/2025.12.16.25342423 PMID:41445621	研究论文	本文介绍了一个名为THOMASINA的深度学习框架，用于从标准T1加权MRI中全面分割深部灰质核团	结合合成白质抑制对比与先进的深度学习分割模型，提供快速、可重复且可扩展的解决方案，解决了传统多图谱分割方法耗时长、工具分散的问题	未明确提及具体局限性，但可能涉及对合成对比图像质量的依赖以及模型在更广泛数据上的泛化能力验证	开发一个快速、准确的深度学习框架，用于从标准T1加权MRI中全面分割深部灰质结构，以支持神经疾病研究和生物标志物发现	深部灰质结构，如丘脑和基底核	医学影像分析	神经疾病	T1加权MRI，白质抑制MRI	深度学习	MRI图像	未明确提及具体样本数量，但涉及域内和域外测试数据集	未明确提及具体框架，但可能基于PyTorch或TensorFlow等深度学习库	SwinUNETR, DiNTS, SegResNet	Dice系数	未明确提及具体计算资源
775	2025-12-26	From Classical Machine Learning to Emerging Foundation Models: Review on Multimodal Data Integration for Cancer Research 2025-Dec-18, ArXiv PMID:41445817	综述	本文全面回顾了从传统机器学习到新兴基础模型的多模态数据整合策略，以推进肿瘤学中数据驱动发现的计算方法	首次系统性地梳理了肿瘤学中从传统机器学习到先进基础模型用于多模态数据整合的转变，并将这些发展定位为癌症研究中大规模AI模型时代的基础	NA	回顾多模态数据整合策略，以协助推进肿瘤学中数据驱动发现的计算方法	多模态数据（基因组学、蛋白质组学、影像学、临床因素）	机器学习	癌症	NA	基础模型, 深度学习模型	多模态数据（基因组、蛋白质组、影像、临床）	NA	NA	NA	NA	NA
776	2025-12-26	Artificial Intelligence for Microbiology and Microbiome Research 2025-Dec-18, ArXiv PMID:41445807	综述	本文综述了人工智能在微生物学和微生物组研究中的应用，涵盖技术进展和生物学见解	提供了针对微生物学和微生物组研究的AI驱动方法的全面概述，强调技术进展与生物学见解的结合	NA	概述人工智能在微生物学和微生物组研究中的应用，以增强对微生物生命及其对地球和健康影响的理解	微生物学和微生物组研究	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
777	2025-12-26	Automated lung sound detection via Bi-GRU-modified SqueezeNet architecture with new stock well feature set 2025-Dec-17, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108851 PMID:41443142	研究论文	本研究提出了一种名为BGRMSNet的新型深度学习模型，用于自动检测和分类肺音，以辅助诊断多种呼吸系统疾病	提出了一种结合双向门控循环单元和改良SqueezeNet的混合架构，并引入了基于阈值的维纳滤波预处理技术和改进的Stockwell变换等新特征集	未明确说明模型在临床实际环境中的泛化能力测试，以及与其他最先进深度学习模型的全面比较	开发一个自动化的肺音检测与分类系统，以辅助呼吸系统疾病的诊断	肺音信号	机器学习	呼吸系统疾病（包括哮喘、支气管扩张、细支气管炎、COPD、上下呼吸道感染等）	信号处理技术（包括改进的Stockwell变换、短时傅里叶变换等）	Bi-GRU, CNN	音频信号	NA	NA	Bidirectional-Gated Recurrent Unit-Modified SqueezeNet, 改良SqueezeNet	准确率, 特异性, 阴性预测值	NA
778	2025-12-26	Comprehensive perturbation of transcription factors in human cardiomyocytes reveals the regulatory architecture of congenital heart disease 2025-Dec-17, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.15.694070 PMID:41446109	研究论文	本研究通过系统扰动人类干细胞心肌细胞分化过程中的转录因子，揭示了先天性心脏病的调控架构	首次大规模扰动1983个转录因子，结合深度学习Transformer模型预测扰动转录因子，并扩展网络至增强子-转录因子-基因连接	研究基于体外干细胞分化模型，可能无法完全模拟体内心脏发育的复杂性	定义先天性心脏病基因的调控架构，解释遗传研究中未充分采样的转录因子作用	人类干细胞分化的心肌细胞	机器学习	先天性心脏病	转录因子扰动，增强子扰动，转录组分析	Transformer	转录组数据	1983个转录因子和981个增强子的扰动实验	NA	Transformer	NA	NA
779	2025-12-26	Cellular interactions in the sentinel lymph node predict melanoma recurrence 2025-Dec-17, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.15.694104 PMID:41446197	研究论文	本研究通过空间蛋白质组学分析，揭示了前哨淋巴结中免疫细胞的空间组织与黑色素瘤复发之间的关系	首次应用空间蛋白质组学分析前哨淋巴结的细胞空间组织，并开发了新的计算工具ESI-map来分析细胞间相互作用，发现Tregs与耗竭CD8 T细胞之间的特定空间相互作用是预测黑色素瘤复发的新型免疫标志	研究样本仅包括I期和II期黑色素瘤患者，未涉及更晚期疾病；样本量相对有限；空间分析技术可能受限于成像分辨率和标记物数量	探究前哨淋巴结中免疫细胞的空间组织如何影响黑色素瘤患者的临床结局	I期和II期黑色素瘤患者的前哨淋巴结样本	数字病理学	黑色素瘤	多重免疫荧光成像，空间蛋白质组学分析	深度学习	图像	I期和II期黑色素瘤患者的前哨淋巴结样本（具体数量未明确说明）	NA	NA	NA	NA
780	2025-12-26	AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts 2025-Dec-16, ArXiv PMID:41445815	研究论文	提出一种名为AnySleep的通道无关深度学习系统，用于在多中心队列中进行高分辨率睡眠分期	开发了首个能够使用任意EEG或EOG数据、在可调时间分辨率下进行睡眠分期的深度学习模型，并在跨21个数据集的超过19,000条夜间记录上验证了其鲁棒性	未明确说明模型在极少数特殊电极配置或罕见睡眠障碍中的表现	解决多中心睡眠研究中由于电极数量、导联方式和受试者特征差异导致的标准化难题，并探索更短时间尺度上的新型生物标志物	多中心收集的睡眠多导图（PSG）记录，包括EEG和EOG数据	数字病理学	老年疾病	多导睡眠图（PSG）	深度神经网络	时间序列信号（EEG/EOG）	超过19,000条夜间记录，来自21个数据集，总计近200,000小时的EEG和EOG数据	未明确说明	未明确说明	未明确说明具体指标，但提及达到最先进性能并在30秒时段上超越或持平现有基线	未明确说明