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
8161	2025-12-25	Deep Learning-Based Risk Factor Analysis for Accurate Prediction of Lung Cancer in High-Risk Populations 2025-Dec-24, American journal of clinical oncology DOI:10.1097/COC.0000000000001284 PMID:41437170	研究论文	本研究提出了一种结合深度学习和优化算法的新型框架，用于高风险人群中肺癌的准确预测	整合了LIDC-IDRI、WOA-APSO、CNN和KNG-CNN等先进技术，优化特征选择，实现了99.25%的高预测准确率	未明确说明研究样本的具体规模或数据集的局限性	提高肺癌早期检测和风险预测的准确性，以改善患者生存率和降低治疗成本	高风险人群中的肺癌预测	计算机视觉	肺癌	深度学习，优化算法	CNN, KNG-CNN	图像	NA	PYTHON	卷积神经网络，基于核的非高斯卷积神经网络	准确率	NA
8162	2025-12-25	Multi-DNBiTM: preterm labor prediction from electrohysterography signals using multi-head attention-enabled deep learning framework 2025-Dec-24, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2025.2602829 PMID:41439533	研究论文	本文提出了一种基于多注意力头的分布式神经网络与双向长短期记忆结合的框架（multi-DNBiTM），用于从子宫电信号中预测早产，以提高预测准确性	引入了多注意力头机制和根均能量熵深度特征（RMEn2D），以增强对子宫电信号中细微变化的捕捉和表示能力	未明确提及模型在外部数据集上的泛化能力或计算资源需求的具体限制	通过深度学习框架提高早产预测的准确性和敏感性	子宫电信号数据	机器学习	产科疾病	子宫电信号分析	LSTM, 注意力机制	信号数据	NA	NA	双向长短期记忆网络, 多注意力头机制	准确率, 敏感性, 特异性	NA
8163	2025-12-25	Advanced lung segmentation on chest HRCT: comprehensive pipeline for quantification of airways, vessels, and injury patterns 2025-Dec-24, La Radiologia medica DOI:10.1007/s11547-025-02166-w PMID:41441964	研究论文	本文提出了一种结合U-Net AI分割与定制图像处理的混合管道，用于同时分割肺部、气道、肺血管和实质损伤模式，并在COVID-19和特发性肺纤维化患者的HRCT扫描中验证了其性能	与现有工具通常针对单一解剖结构并主要依赖深度学习或基于规则的方法不同，该混合管道将U-Net AI分割与定制图像处理相结合，实现了肺部、气道、血管和实质损伤模式的可靠同时分割	研究样本量有限，仅使用了47例CT扫描（包括公共数据集和回顾性数据），可能影响结果的普遍性	开发一个可靠的混合管道，用于在胸部高分辨率CT上同时量化气道、血管和损伤模式，以诊断和监测肺部疾病	COVID-19和特发性肺纤维化患者的胸部HRCT扫描	数字病理学	肺癌	胸部高分辨率CT扫描	U-Net	图像	47例CT扫描（19例来自COVID-19公共数据集用于深度学习，8例来自EXACT'09挑战用于验证气道分割，20例回顾性HRCT扫描用于管道验证）	NA	U-Net	Dice系数	NA
8164	2025-12-25	Correction: Addressing fractures that are hard to diagnose on imaging: Radiomics or deep learning? 2025-Dec-24, La Radiologia medica DOI:10.1007/s11547-025-02151-3 PMID:41441965	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8165	2025-12-25	TFS-FENet: A time-frequency spatial deep learning framework for EEG-based ADHD subtype classification 2025-Dec-24, Applied neuropsychology. Child DOI:10.1080/21622965.2025.2606108 PMID:41442154	研究论文	本文提出了一种名为TFS-FENet的深度学习框架，用于基于EEG的ADHD亚型分类，通过整合CNN和注意力机制来建模EEG的时-频-空三维特征	首次同时捕获EEG的联合三维时-频和空间特征，而现有方法多专注于二维特征建模	NA	开发一个客观的基于EEG的ADHD诊断辅助工具，以弥补临床诊断主要依赖行为表现和缺乏生物标记物的不足	注意力缺陷多动障碍（ADHD）患者，具体包括ADHD-注意缺陷型、ADHD-混合型以及典型发育儿童	机器学习	注意力缺陷多动障碍	脑电图（EEG）	CNN	脑电图信号	NA	NA	TFS-FENet	准确率	NA
8166	2025-12-25	Real-time Instantaneous Phase Estimation Using a Deep Dual-Branch Complex Neural Network 2025-Dec-23, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3647598 PMID:41433160	研究论文	本文提出了一种基于深度学习双分支复杂神经网络的实时瞬时相位估计算法，用于神经振荡信号处理	采用类似复杂小波变换的双分支结构生成伪复数值信号进行瞬时相位估计，并引入离散余弦变换层提取信号实部和虚部的潜在空间表示	NA	开发适用于脑机接口和神经调节系统的实时瞬时相位估计算法	神经振荡信号的瞬时相位	机器学习	NA	深度学习	复杂神经网络	信号数据	NA	NA	双分支复杂神经网络	相位估计准确度	现场可编程门阵列
8167	2025-12-25	Multi-Task Learning for OSA Detection and Sleep Staging via Multi-Scale Modeling 2025-Dec-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3647317 PMID:41433180	研究论文	本文提出了一种统一的多模态多任务网络MT-TASPPNet，用于同时进行阻塞性睡眠呼吸暂停（OSA）事件检测和睡眠分期	首次提出一个统一的多模态多任务网络同时处理OSA检测和睡眠分期，并引入了EOG引导的先验机制来增强对细微睡眠阶段的区分能力	未明确提及模型在更广泛或不同人群数据集上的泛化能力，也未讨论模型的计算复杂度	开发一个高效、可扩展的多任务睡眠分析系统，用于睡眠障碍的诊断和管理	睡眠障碍患者的多模态生理信号（EEG、ECG、气流信号、EOG）	机器学习	睡眠障碍	多模态信号处理，多任务学习	深度学习，多任务学习网络	生理信号时间序列（EEG、ECG、气流、EOG）	三个大规模数据集：SHHS1、SHHS2和悉尼睡眠生物库	NA	MT-TASPPNet（多任务三重空洞空间金字塔池化网络），包含空洞空间金字塔池化模块	准确度，宏平均F1分数，Kappa系数	NA
8168	2025-12-25	Self-Supervised Koopman Operator Learning for Distributed Final Synchronization Prediction of Networked Nonlinear Dynamics 2025-Dec-23, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3644299 PMID:41433175	研究论文	本文开发了一种混合Koopman深度学习算法，用于仅使用相邻状态信息预测不同拓扑结构网络化非线性动力系统的最终同步状态	提出了一种自监督Koopman算子学习方法，能够从个体和/或相邻状态序列中提取并融合多种不同拓扑的线性特征，从而预测非线性网络动力系统的最终同步状态，而现有方法通常仅适用于线性网络	未明确说明算法在极端非线性或大规模网络中的适用性限制，且未提供实际应用场景的验证	研究网络化非线性动力系统的最终同步预测问题	具有不同拓扑结构的网络化非线性动力系统	机器学习	NA	Koopman算子理论，深度学习	自监督学习，混合模型	状态序列数据	NA	NA	非线性编码器，非线性解码器	通过数值模拟验证有效性，但未指定具体评估指标	NA
8169	2025-12-25	Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction 2025-Dec-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3647429 PMID:41433179	研究论文	提出一种新颖的再可见双域自监督深度展开网络，用于仅使用欠采样数据集进行MRI重建	通过引入再可见双域损失，利用所有欠采样k空间数据进行训练，减轻输入分布偏移；并设计基于Chambolle和Pock近端点算法的深度展开网络，结合空间-频率特征提取块，有效整合成像物理与图像先验	未明确说明计算资源需求或模型在极端欠采样条件下的性能限制	加速磁共振成像采集，提高重建性能	单线圈和多线圈磁共振成像数据集	医学影像重建	NA	磁共振成像	深度展开网络	k空间数据	NA	NA	DUN-CP-PPA, Spatial-Frequency Feature Extraction block	重建性能，泛化能力	NA
8170	2025-12-25	DePerio: Innovative Deep Learning-based Framework for Periodontal Disease Diagnosis and Severity Evaluation Using Saliva Samples 2025-Dec-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3647413 PMID:41433182	研究论文	提出了一种名为DePerio的深度学习框架，用于利用唾液样本进行牙周病的诊断和严重程度评估	开发了一个集成了新型口腔多形核中性粒细胞（oPMNs）分离方案与深度神经网络架构的人工智能诊断流程，并针对oPMNs的独特形态创建了新的图像数据集和模型	未在摘要中明确提及	为牙周病的早期诊断和纵向监测提供一个可扩展且实用的解决方案	人类唾液样本中的口腔多形核中性粒细胞（oPMNs）	数字病理学	牙周病	唾液样本分析，oPMNs分离协议	DNN	图像	111份人类唾液样本，涵盖从健康到重度牙周炎的不同个体	NA	NA	检测错误率，口腔炎症负荷（OIL）分类	NA
8171	2025-12-25	A Systematic Review on Applications of Artificial Intelligence for Obesity Prevention 2025-Dec-23, Obesity reviews : an official journal of the International Association for the Study of Obesity IF:8.0Q1 DOI:10.1111/obr.70062 PMID:41436079	系统综述	本文系统综述了人工智能在肥胖预防中的应用，总结了2008年至2024年间46项相关研究	首次系统性地回顾和总结了人工智能在肥胖预防领域的应用现状、趋势和研究缺口	文献中缺乏将AI整合到真实世界环境的综合框架，且针对预防策略的针对性研究不足	探讨人工智能技术在肥胖预防领域的应用潜力与研究现状	2008年至2024年间发表的46项关于人工智能应用于肥胖预防的研究	机器学习	肥胖症	NA	支持向量机, 长短期记忆网络	NA	NA	NA	NA	准确率, 灵敏度	NA
8172	2025-12-25	Colorimetric Sensors for Halal Food Authentication: Detecting Non-Halal Meat and Alcohol 2025-Dec-23, Critical reviews in analytical chemistry IF:4.2Q1 DOI:10.1080/10408347.2025.2603480 PMID:41436850	研究论文	本文综述了比色传感器在清真食品认证中的应用，特别是用于检测非清真肉类和酒精	介绍了结合抗体或DNA格式、纸基设备、智能手机集成以及AI驱动的平台，实现快速、低成本、现场检测的创新方法	存在选择性、可重复性和数据标准化方面的挑战	开发用于清真食品认证的快速、低成本、现场检测技术	非清真肉类掺杂物（如猪源性成分）和乙醇	NA	NA	比色传感器、PCR、HPLC、GC‑MS	深度学习	颜色模式	NA	NA	NA	检测限（ppb-ppm范围）、检测时间（小于一小时）	NA
8173	2025-12-25	Deep Learning Improves the MAGGIC Risk Score in Predicting Contrast-Induced Nephropathy in ST Elevation Myocardial Infraction Patients 2025-Dec-23, Angiology IF:2.6Q2 DOI:10.1177/00033197251399866 PMID:41437710	研究论文	本研究探讨了结合MAGGIC风险评分与深度学习模型（包括KAN、多层感知机、TabNet和TabTransformer）来预测ST段抬高型心肌梗死患者对比剂肾病的发生，显著提升了预测性能	首次将MAGGIC风险评分与深度学习模型（特别是Kolmogorov-Arnold Networks）结合用于预测对比剂肾病，并开发了基于网络的临床决策辅助工具	研究为回顾性设计，样本量有限（1403例），可能存在选择偏倚，且模型在外部验证中的泛化能力未评估	提高ST段抬高型心肌梗死患者对比剂肾病的早期预测准确性，以改善临床结局和降低死亡率	接受直接经皮冠状动脉介入治疗的ST段抬高型心肌梗死患者	机器学习	心血管疾病	NA	深度学习, 机器学习	临床参数	1403例ST段抬高型心肌梗死患者	NA	多层感知机, TabNet, TabTransformer, Kolmogorov-Arnold Networks (KAN), 逻辑回归	AUC	NA
8174	2025-12-25	Ratio Quantification of Geranium and Rose Essential Oil Mixtures via Deep Learning Analysis of Complex Raman Spectra 2025-Dec-17, ACS measurement science au IF:4.6Q1 DOI:10.1021/acsmeasuresciau.5c00088 PMID:41425308	研究论文	本研究开发了一种基于深度学习的通道注意力残差特征提取网络（CARFENet），用于通过拉曼光谱分析天竺葵和玫瑰精油混合物的比例定量	提出了CARFENet模型，该模型采用光谱捕获和光谱分离模块，能够将混合精油光谱解构为其纯组分，实现了对混合拉曼光谱中纯精油成分的有效定量分析	研究仅针对天竺葵和玫瑰精油两种特定精油混合物，未验证模型在其他精油种类或更复杂混合物中的泛化能力	开发一种基于深度学习的方法，用于精油混合物的比例定量和质量控制，以应对精油掺假问题	天竺葵精油、玫瑰精油及其混合物	机器学习	NA	拉曼光谱	CNN, 通道注意力残差特征提取网络	光谱数据	2700个拉曼光谱（包括900个玫瑰精油、900个天竺葵精油和900个混合物）	NA	CARFENet	相似性指数	NA
8175	2025-12-25	Frontalis Only Contracts in One Direction: AI-Quantum Elasticity and Resistance Gradient Reveals True Nature of Forehead Muscle Movement 2025-Dec, Aesthetic plastic surgery IF:2.0Q2 DOI:10.1007/s00266-025-04924-7 PMID:40425886	研究论文	本研究通过引入量子弹性与阻力梯度模型，结合人工智能模拟，揭示了额肌收缩是单向的，皮肤褶皱源于弹性阻力而非双向力	提出了量子弹性与阻力梯度模型来解释额肌收缩时的皮肤动力学，并使用AI驱动的生物力学模型进行验证，挑战了传统的双向收缩理论	研究证据等级为III级，样本量虽多样但可能仍存在局限性，模型基于特定人群数据，普适性需进一步验证	探究额肌收缩的生物力学机制及其与皮肤的相互作用，特别是验证收缩的单向性	额肌收缩过程中的皮肤变形与肌肉力量	生物力学与人工智能交叉领域	NA	3D面部扫描、有限元分析	随机森林、深度神经网络	3D面部扫描图像	600名不同种族、性别和年龄的受试者	TensorFlow, PyTorch	深度神经网络	R2	NA
8176	2025-12-25	Supervised versus unsupervised GAN for pseudo-CT synthesis in brain MR-guided radiotherapy 2025-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01606-1 PMID:40694229	研究论文	本研究比较了监督式（Pix2Pix）与无监督式（CycleGAN）深度学习模型在从T1和T2加权MR序列生成伪CT图像方面的性能	首次系统比较监督式Pix2Pix与无监督式CycleGAN在脑部MR引导放疗中伪CT合成的效果，并进行了剂量学评估验证临床可行性	研究仅基于3270个配对图像，未涉及更大规模或多中心数据验证；未探讨其他先进生成模型如扩散模型的表现	评估不同深度学习模型在MR-to-CT图像合成中的性能，为MR-only放疗计划提供技术支持	脑肿瘤患者的T1和T2加权MRI图像及对应CT图像	医学影像分析	脑肿瘤	MRI, CT	GAN	图像	3270个配对的T1和T2加权MRI与CT图像	TensorFlow, PyTorch	Pix2Pix, CycleGAN	SSIM, PSNR, MAE	NA
8177	2025-12-25	Impact of artificial intelligence assistance on bone scintigraphy diagnosis 2025-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01621-2 PMID:40760395	研究论文	本研究旨在评估和改进深度学习模型MaligNet在辅助核医学医师解读骨扫描图像中的诊断性能	通过重新训练MaligNet模型，显著提升了其在骨病变检测中的性能，并首次系统评估了AI辅助对核医学医师诊断效率和准确性的影响，特别是使初级医师达到与高级医师相当的诊断水平	研究样本量相对有限（553例患者），且未涉及外部验证集来评估模型的泛化能力	提高骨闪烁扫描中骨病变的检测和分类准确性，并评估AI辅助对临床诊断的影响	553例患者的骨闪烁扫描图像，包括训练、验证和测试集	数字病理学	骨病变	骨闪烁扫描	深度学习模型	图像	553例患者，分为训练集353例、验证集100例和测试集100例	NA	MaligNet	精度-召回曲线下面积, 受试者工作特征曲线下面积, 准确率, 灵敏度, 特异性, 精确率	NA
8178	2025-12-25	Enhanced detection of ovarian cancer using AI-optimized 3D CNNs for PET/CT scan analysis 2025-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01615-0 PMID:40760396	研究论文	本研究探讨了深度学习如何通过优化3D CNN模型（OCDA-Net）来增强卵巢癌的诊断和分期，利用PET/CT扫描图像数据集进行性能比较	提出了一种基于ResNet架构增强的OCDA-Net模型，专门针对[F]FDG PET图像分析设计，在卵巢癌诊断和分期任务中超越了六种传统CNN架构	数据集规模有限，未来需要扩展数据集、增强模型可解释性，并在临床环境中进一步验证	提升卵巢癌的诊断准确性和分期效果	卵巢癌患者	计算机视觉	卵巢癌	PET/CT扫描	CNN	图像	未明确指定具体样本数量，但数据集按80%训练、10%验证、10%测试随机分割	未明确指定	ResNet, DenseNet, GoogLeNet, U-Net, VGG, AlexNet, OCDA-Net	准确率, 精确率, 召回率, F-measure	未明确指定
8179	2025-12-25	Clinical evaluation of motion robust reconstruction using deep learning in lung CT 2025-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01633-y PMID:40928606	研究论文	本研究旨在定量评估一种基于深度学习的运动校正重建方法CLEAR Motion在肺部CT成像中的临床实用性	开发并评估了首个结合深度学习与运动校正技术的重建方法CLEAR Motion，用于减少肺部CT中的运动伪影	研究样本量相对较小（129例），且未详细探讨方法对不同病理状况的适用性	定量评估深度学习运动校正重建方法在肺部CT中的临床效果	肺部CT图像	医学影像分析	肺部疾病	CT成像	深度学习	医学图像	129例肺部CT扫描	NA	NA	拉普拉斯方差, 峰值信噪比	NA
8180	2025-12-25	3D CoAt U SegNet-enhanced deep learning framework for accurate segmentation of acute ischemic stroke lesions from non-contrast CT scans 2025-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01626-x PMID:40986248	研究论文	本文提出了一种名为CoAt U SegNet的新型深度学习模型，用于从非对比CT扫描中准确分割急性缺血性卒中病灶	提出了一种先进的3D深度学习模型CoAt U SegNet，通过引入扩张率为1、3、5的编码器卷积块来有效捕获多尺度特征，并采用增强相似性指数来优化病灶分割，以区分半暗带与核心梗死区域	训练数据量相对较小（仅50个NCCT扫描用于训练），且未与其他最先进的3D分割模型进行广泛的性能比较	开发一种计算机辅助检测和分割工具，以支持临床医生进行卒中诊断	急性缺血性卒中病灶	数字病理学	心血管疾病	非对比CT扫描	深度学习	3D医学图像	训练集50个NCCT扫描，验证集10个，测试集500个	NA	CoAt U SegNet	Dice相似系数, Jaccard指数	NA