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
8641	2025-12-15	A systematic review on deep learning based brain tumor segmentation and detection using MRI: Past insights, present techniques and future trends 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108696 PMID:41046785	综述	本文系统回顾了基于深度学习的MRI脑肿瘤分割与检测技术，涵盖历史洞察、当前方法和未来趋势	提供了深度学习模型在脑肿瘤分析中的详细时序分析，并强调了现有技术的优势、局限及研究空白	作为综述文章，未提出新的实验模型或数据，主要依赖现有文献的总结与分析	概述脑肿瘤分割与检测技术，分析深度学习模型在处理MRI数据中的应用与进展	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	MRI	深度学习模型	图像	NA	NA	NA	NA	NA
8642	2025-12-15	GAN-based novel feature selection approach with hybrid deep learning for heartbeat classification from ECG signal 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108704 PMID:41046784	研究论文	本文提出了一种基于GAN和混合深度学习的ECG信号心跳分类新方法	结合GAN进行特征选择，并采用SExpHGS优化的DBN-VGG混合模型进行心跳分类	NA	开发一种最优的深度学习技术用于心跳分类	心电图信号中的心跳	机器学习	心血管疾病	ECG信号处理	GAN, DBN, VGG	信号	NA	NA	DBN-VGG	准确率, 灵敏度, 特异性	NA
8643	2025-12-15	GDT-Net: Multi-level feature extraction network for precise diagnosis of atrial and ventricular fibrillation 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108715 PMID:41086643	研究论文	提出了一种名为GDT-Net的神经网络，用于在复合噪声条件下对心房颤动和心室颤动进行稳健的心电图分类	设计了一种结合分组卷积、密集连接架构和Transformer编码器的多模块网络，专门针对复合噪声条件下的ECG信号分类，提高了诊断的鲁棒性	未明确提及，但可能包括对特定数据集（MIT-BIH）的依赖以及未在其他噪声类型或数据集上进行广泛验证	提高在复合噪声条件下对心房颤动和心室颤动的自动诊断准确性和鲁棒性	心电图信号	机器学习	心血管疾病	心电图分析	CNN, Transformer	时序信号	基于MIT-BIH数据集构建的六个子集（具体样本数未明确给出）	未明确提及	GDT-Net（包含G模块、D模块、T模块的自定义架构）	F1分数	未明确提及
8644	2025-12-15	Ovarian cancer detection from mutual information-ranked clinical biomarkers using an explainable attention-based residual multilayer perceptron 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108714 PMID:41086647	研究论文	本文开发了一种名为EA-ResMLP的自动化深度学习模型，用于卵巢癌检测，通过集成残差多层感知器、挤压-激励注意力块和可解释人工智能技术，以提高诊断准确性和可解释性	提出了一种结合残差连接、注意力机制和可解释人工智能的深度学习模型EA-ResMLP，通过自适应重校准强调信息丰富的特征，实现了比传统多层感知器更高的诊断准确性	未明确提及模型在外部验证集上的性能、计算资源需求或临床部署的可行性	优化工作流程效率并提高卵巢癌诊断的准确性	卵巢癌	机器学习	卵巢癌	NA	多层感知器	临床生物标志物数据	NA	NA	残差多层感知器, 挤压-激励注意力块	准确率	NA
8645	2025-12-15	Optimized ensemble learning with multi-feature fusion for enhanced anti-inflammatory peptide prediction 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108723 PMID:41086648	研究论文	本文提出了一种基于多特征融合和集成学习的优化方法，用于增强抗炎肽的预测性能	通过集成多种深度学习与传统机器学习分类器，并采用软投票策略，显著提升了抗炎肽预测的准确度，同时揭示了抗炎肽序列中带正电荷残基的富集特征	研究依赖于公开数据集，可能受数据质量和平衡性影响；特征选择和集成策略的泛化能力需进一步验证	开发一种高效的计算方法以预测抗炎肽，克服传统实验方法的高成本和低通量限制	抗炎肽序列及其特征	机器学习	NA	NA	LSTM, CNN, DNN, XGBoost, RF, AdaBoost, GBDT, LightGBM	序列数据	NA	NA	LSTM, CNN, DNN	NA	NA
8646	2025-12-15	A comprehensive comparison of convolutional neural network and visual transformer models on skin cancer classification 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108713 PMID:41092791	研究论文	本研究对卷积神经网络和视觉Transformer模型在皮肤癌分类任务上进行了全面比较	首次在相同训练条件下，系统比较了15种先进CNN模型和15种ViT模型在皮肤癌分类中的性能，并发现基于Swin架构的ViT模型表现最佳	ViT模型参数量更大、计算资源需求更高，限制了其在资源受限环境下的临床应用	比较不同深度学习模型在皮肤癌分类任务中的性能差异	皮肤癌图像数据	计算机视觉	皮肤癌	深度学习	CNN, Transformer	图像	HAM10000和ISIC 2019两个公开数据集	NA	Swin Transformer, 多种CNN架构	准确率	NA
8647	2025-12-15	MicroarrayCancerNet: Hybrid optimized deep learning with integration of graph CNN with 1D-CNN for cancer classification framework using microarray and seq expression data 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108706 PMID:41110205	研究论文	本文提出了一种名为MicroarrayCancerNet的新型癌症分类框架，该框架结合了图卷积神经网络和一维卷积神经网络，并采用改进的沙锥优化算法进行基因选择和模型参数优化	提出了一种混合优化深度学习框架，首次将图卷积神经网络与一维卷积神经网络相结合用于癌症分类，并引入了改进的沙锥优化算法进行基因选择和模型参数调优	未明确说明模型在独立验证集上的泛化能力，也未讨论计算复杂度或运行时间等实际应用限制	开发一个高精度的癌症分类框架，用于从微阵列和测序表达数据中识别癌症相关基因并进行准确分类	微阵列和测序表达数据中的基因表达谱	机器学习	癌症	微阵列测序、基因表达分析	GCNN, 1D-CNN	基因表达数据（数值矩阵）	NA	NA	图卷积神经网络, 一维卷积神经网络	准确率	NA
8648	2025-12-15	PerturbSynX: Deep learning framework for predicting drug combination synergy scores using drug induced gene perturbation data 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108736 PMID:41129968	研究论文	本文提出了一种基于深度学习的多任务学习框架，用于预测药物组合的协同作用分数	提出了一种结合双向长短期记忆网络和注意力机制的混合架构，整合多模态生物数据同时预测药物协同分数和个体药物反应	训练策略可能导致轻微的不对称性，且模型在药物输入顺序上存在一定的敏感性	加速癌症研究中药物协同作用的发现	药物组合的协同作用分数和个体药物反应	机器学习	癌症	药物诱导的基因表达谱	BiLSTM, 注意力机制	基因表达数据, 分子描述符	未明确提及具体样本数量	未明确提及	BiLSTM, 注意力机制	RMSE, PCC, R	未明确提及
8649	2025-12-15	Molecular, metabolic, and histological subtypes of pancreatic ductal adenocarcinoma and its tumor microenvironment: Insights into tumor heterogeneity and clinical implications 2026-Jan, Pharmacology & therapeutics IF:12.0Q1 DOI:10.1016/j.pharmthera.2025.108946 PMID:41183744	综述	本文综述了胰腺导管腺癌（PDAC）在分子、代谢和组织学层面的亚型分类方法，旨在促进实用、经济高效的诊断和个性化医疗	整合了单细胞和空间转录组学、代谢组学以及深度学习在组织病理学中的应用，揭示了PDAC的肿瘤异质性、肿瘤微环境相互作用及亚型可塑性，为亚型指导的治疗策略提供了新视角	作为一篇综述，未提出新的实验数据或模型，主要基于现有研究进行总结和讨论	旨在全面概述PDAC的亚型异质性，以指导未来的亚型知情治疗策略	胰腺导管腺癌（PDAC）及其肿瘤微环境	数字病理学	胰腺癌	单细胞转录组学, 空间转录组学, 代谢组学, 深度学习	深度学习模型	组织病理学图像（H&E染色切片）, 转录组数据, 代谢组数据	NA	NA	NA	NA	NA
8650	2025-12-15	A transformer-based pathomics model using endoscopic biopsy WSIs for predicting pathological complete response to preoperative immunotherapy in colorectal cancer 2026-Jan, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology DOI:10.1016/j.ejso.2025.111182 PMID:41240799	研究论文	本研究基于内镜活检全切片图像，利用深度学习模型预测结直肠癌患者术前免疫治疗的病理完全缓解	结合Swin Transformer架构与卷积神经网络增强的自注意力机制，并采用CLAM框架优化病理图像分析，首次利用内镜活检WSIs预测结直肠癌术前免疫治疗的pCR	样本量较小（训练集72例，验证集23例），且为单中心回顾性研究，可能限制模型的泛化能力	构建预测模型以识别结直肠癌患者术前免疫治疗的病理完全缓解	结直肠癌患者	数字病理学	结直肠癌	H&E染色全切片图像分析	Transformer, CNN	图像	训练集72例，验证集23例	CLAM	Swin Transformer	AUC	NA
8651	2025-12-15	Optimal artificial intelligence model based on gastrointestinal filling contrast-enhanced ultrasound: Risk stratification of gastric gastrointestinal stromal tumors 2026-Jan, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology DOI:10.1016/j.ejso.2025.111190 PMID:41265372	研究论文	本研究基于胃肠道充盈对比增强超声图像，开发了一种深度学习模型，用于胃胃肠道间质瘤的早期筛查、辅助诊断和风险分层评估	首次将深度学习模型应用于胃肠道充盈对比增强超声图像，以实现胃胃肠道间质瘤的客观风险分层预测，减少操作者经验和主观判断的影响	样本量相对较小（121例患者），且为单中心研究，可能影响模型的泛化能力	开发基于胃肠道充盈对比增强超声图像的深度学习模型，用于胃胃肠道间质瘤的早期筛查、辅助诊断和风险分类评估	原发性胃胃肠道间质瘤患者	计算机视觉	胃肠道间质瘤	胃肠道充盈对比增强超声	CNN	图像	121例原发性胃胃肠道间质瘤患者	NA	ResNet, CNN, ViT, EfficientNet	AUC	NA
8652	2025-12-15	Uncertainty- and hardness-weighted loss functions for medical image segmentation 2026-Jan-01, Engineering applications of artificial intelligence IF:7.5Q1 DOI:10.1016/j.engappai.2025.113118 PMID:41383559	研究论文	本文提出了一种用于医学图像分割的新型不确定性/困难度加权损失函数，通过概率引导不确定性权重和区域增强困难度权重来提升分割精度	首次提出结合像素级预测不确定性和困难度的双重加权损失函数，通过PGU和REH权重机制动态调整训练关注点	实验仅基于四种特定医学图像数据集，未验证在更广泛模态或临床场景中的泛化能力	改进医学图像分割的精度，特别是减少边界区域的分割误差	视网膜青光眼图像、视网膜血管树图像、光学相干断层扫描图像和心房分割挑战数据集	计算机视觉	青光眼,心血管疾病	深度学习	Transformer, CNN	二维图像,三维图像	四个公开数据集（REFUGE, RETA, OCT, ASC）	PyTorch	Swin-Unet, V-Net	Dice系数,分割误差	未明确说明
8653	2025-12-15	Feasibility of recent peptide therapy for ischemic stroke: a comprehensive exploration 2026-Jan, Journal of pharmacological sciences IF:3.0Q2 DOI:10.1016/j.jphs.2025.10.007 PMID:41390189	综述	本文综述了肽疗法在缺血性卒中治疗中的最新进展及其潜力	探讨了人工智能与深度学习在肽生成中的应用，以加速药物发现过程	NA	探索肽疗法作为缺血性卒中新型治疗策略的可行性	缺血性卒中及其相关分子通路	自然语言处理	心血管疾病	NA	深度学习	NA	NA	NA	NA	NA	NA
8654	2025-12-15	Modernizing pathology and oncology education: integrating genomics, artificial intelligence, and clinical relevance into medical training 2025-Dec-13, Journal of the National Cancer Institute DOI:10.1093/jnci/djaf358 PMID:41390932	评论	本文主张对病理学和肿瘤学教育进行现代化改革，强调整合基因组学、人工智能和临床相关性到医学培训中	提出从内容传授向以临床推理和数据素养为基础的概念整合转变，并系统性地将下一代测序、数字病理、人工智能评估、大型语言模型应用等新兴能力纳入医学教育框架	未提供具体的课程实施案例或实证数据来验证所提议改革方案的有效性	探讨如何改革病理学和肿瘤学教育，使其适应基因组学和人工智能时代的需求	医学教育体系、病理学和肿瘤学培训课程、医学生和住院医师	数字病理	肿瘤	下一代测序、数字病理、人工智能、大型语言模型	NA	NA	NA	NA	NA	NA	NA
8655	2025-12-15	A novel deep learning based spatial ensemble approach and segment anything model for landslide risk assessment in Chamoli district of Garhwal Himalayas 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-01958-4 PMID:41381540	研究论文	本研究提出了一种用于滑坡风险评估的新型“空间集成”方法，并结合Segment Anything Model（SAM）在Garhwal Himalayas的Chamoli地区进行应用	提出了创新的“空间集成”方法，生成两种不同类型的“滑坡阻抗复合图”，并结合最先进的SAM模型自动检测建筑物，实现了滑坡风险评估的逐步创新方法	NA	开发一种新颖的滑坡风险评估方法，结合深度学习和机器学习技术	Garhwal Himalayas的Chamoli地区的滑坡风险区域	计算机视觉	NA	深度学习，机器学习	DenseNet, MLPNN, XGBoost, SAM	空间数据，图像数据	NA	NA	DenseNet神经网络	准确性，精确度	NA
8656	2025-12-15	Designing a residual-enhanced hybrid Prophet-LSTM framework for urban air pollution forecasting in Beijing 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27510-y PMID:41381676	研究论文	本研究提出了一种用于北京城市空气质量预测的残差增强混合Prophet-LSTM框架，旨在准确预测PM2.5浓度	提出了一种结合Prophet统计可解释性和LSTM非线性学习能力的残差增强混合预测框架，通过Prophet捕获长期趋势和季节性，LSTM建模残差中的复杂非线性依赖	未明确讨论模型在其他城市或污染物上的泛化能力，以及实时预测中的计算效率限制	开发一种数据驱动的混合框架，用于城市空气质量预测，以减轻空气污染对公共健康和城市可持续性的不利影响	北京空气质量数据集中的PM2.5浓度时间序列数据	机器学习	NA	时间序列分析，特征选择基于相关性分析	Prophet, LSTM	时间序列数据	NA	NA	Prophet+LSTM	MAE, RMSE	NA
8657	2025-12-15	Competitive swarm reinforcement learning improves stability and performance of deep reinforcement learning 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27498-5 PMID:41381742	研究论文	本文提出了一种名为竞争性群体强化学习的新框架，旨在解决深度强化学习中的稳定性问题	受进化计算中基于群体优化的启发，通过多样化的代理群体探索环境，共享样本池并降低超参数敏感性	NA	提高深度强化学习的稳定性和性能	强化学习代理	机器学习	NA	强化学习	深度强化学习	环境交互数据	NA	NA	NA	平均回报	NA
8658	2025-12-15	A deep learning approach to predict the results of root coverage procedures based on intraoral photographs: a retrospective study 2025-Dec-11, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07250-1 PMID:41382163	研究论文	本研究基于口内照片，利用深度学习模型预测根覆盖手术的结果	首次提出基于YOLO-v8的深度学习模型，用于自动标注牙周关键点并预测最大根覆盖效果，减少牙周医生主观偏差的影响	研究为回顾性设计，样本量有限（963颗牙齿），且仅验证了6个月术后结果，缺乏长期随访数据	建立能准确预测根覆盖手术结果的深度学习模型，以辅助手术规划和医患沟通	患有牙龈退缩的牙齿，基于口内照片进行分析	计算机视觉	牙周病	口内摄影	CNN	图像	963颗牙齿（408张口内照片）用于模型构建，114颗牙齿（50张口内照片）用于验证	PyTorch	YOLO-v8	平均径向误差, 标准径向误差	NA
8659	2025-12-15	Real-time deep learning-based image guiding and automated left ventricular measurements to reduce test-retest variability 2025-Dec-07, Open heart IF:2.8Q2 DOI:10.1136/openhrt-2025-003783 PMID:41360622	研究论文	本研究评估了结合实时深度学习引导和自动测量对左心室容积和应变测量变异性的影响	首次将实时深度学习引导工具与自动测量相结合应用于超声心动图，以降低测试-重测变异性	样本量较小（n=47），且仅针对混合心脏病理患者，结果可能无法推广到所有人群	评估AI辅助超声心动图在减少左心室测量变异性方面的效果	混合心脏病理患者	计算机视觉	心血管疾病	超声心动图	深度学习	图像	47名患者	NA	NA	变异系数	NA
8660	2025-12-15	Data-efficient and accurate rapeseed leaf area estimation by self-supervised vision transformer for germplasms early evaluation 2025-Dec-05, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01478-2 PMID:41351115	研究论文	本研究提出了一种基于自监督视觉变换器的数据高效框架，用于从智能手机拍摄的RGB图像中准确估算油菜叶面积，以支持早期种质资源评估	采用DINOv2自监督学习方法在多样化的非油菜公共植物数据集上预训练Vision Transformer骨干网络，并结合新颖的Canopy-Mix数据增强技术和混合损失函数来处理叶片遮挡问题	未明确说明模型在更广泛环境条件或不同生长阶段下的泛化能力，且依赖智能手机采集的图像质量	开发一种数据高效且准确的油菜叶面积估算方法，以支持早期高通量表型分析和育种加速	油菜叶片	计算机视觉	NA	智能手机RGB图像采集	Vision Transformer (ViT)	图像	未明确说明具体样本数量，但使用了大型聚合的非油菜公共植物数据集进行预训练，以及自定义油菜数据集进行微调	PyTorch (基于DINOv2方法推断)	Vision Transformer (ViT)	决定系数 (R²), 皮尔逊相关系数 (r)	NA