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
901	2025-12-10	Few-Shot Class-Incremental Learning for Retinal Disease Recognition 2025-Dec, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3457915 PMID:39292587	研究论文	本文提出了一种用于视网膜疾病识别的少样本类增量学习新框架Re-FSCIL，并构建了新的基准数据集	提出了首个专门针对视网膜疾病识别的少样本类增量学习框架Re-FSCIL，整合了RETFound模型与细粒度模块，采用前向兼容训练策略、监督对比学习和特征融合技术	未在论文摘要中明确说明	开发能够持续学习新类别且仅需少量样本的深度学习模型，用于视网膜疾病诊断	视网膜疾病图像	计算机视觉	视网膜疾病	深度学习	深度学习模型	图像	基于RFMiD38和JSIEC39两个基准数据集（具体样本数量未在摘要中说明）	未在摘要中明确说明	RETFound	未在摘要中明确说明	未在摘要中明确说明
902	2025-12-10	A Region and Category Confidence-Based Multi-Task Network for Carotid Ultrasound Image Segmentation and Classification 2025-Dec, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3529483 PMID:40031080	研究论文	本文提出了一种基于区域和类别置信度的多任务网络（RCCM-Net），用于颈动脉超声图像的斑块分割和分类	通过区域置信模块（RCM）和样本类别置信模块（CCM）利用分割与分类任务之间的相关性，提高了整体性能	NA	改进颈动脉斑块的超声图像分割与分类，以辅助动脉粥样硬化治疗和中风风险评估	颈动脉斑块的超声图像	计算机视觉	心血管疾病	超声成像	多任务学习网络	图像	1270张2D颈动脉斑块超声图像	NA	RCCM-Net	准确率, Dice相似系数	NA
903	2025-12-10	Application of deep learning with fractal images to sparse-view CT 2025-Dec, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03378-1 PMID:40372595	研究论文	本研究探讨了使用分形图像进行预训练以提升稀疏视图CT图像重建质量，并减少所需医学图像数量的方法	首次将分形图像用于稀疏视图CT的深度学习预训练，显著减少了所需医学图像数量	研究仅基于CHAOS数据集和特定投影数量，未在其他数据集或不同投影配置下验证	开发在有限医学图像数据下仍能有效减少稀疏视图CT伪影的深度学习方法	稀疏视图CT图像重建	计算机视觉	NA	迭代函数系统生成分形图像，稀疏视图CT投影	CNN	图像	医学图像从5000减少到1000（减少80%），分形图像数量未明确说明	NA	FBPConvNet, WNet	结构相似性, 峰值信噪比	NA
904	2025-12-10	Mutualistic Multi-Network Noisy Label Learning (MMNNLL) Method and Its Application to Transdiagnostic Classification of Bipolar Disorder and Schizophrenia 2025-Dec, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3585880 PMID:40614156	研究论文	本文提出了一种互惠多网络噪声标签学习方法，用于提高双相情感障碍和精神分裂症的跨诊断分类准确性	通过最大化多个深度神经网络在识别和利用干净与噪声标签样本时的一致性，有效处理临床诊断中可能存在的标签噪声	未明确说明方法在更广泛精神疾病或不同神经影像数据上的泛化能力	提高精神障碍的诊断准确性，特别是针对双相情感障碍和精神分裂症的跨诊断分类	双相情感障碍和精神分裂症患者的脑功能连接数据	机器学习	精神障碍	神经影像学	DNN	图像	未明确说明具体样本数量，涉及公共数据集CIFAR-10、PathMNIST及患者数据	未明确指定，但提及传统机器学习和深度学习技术	未明确指定具体架构，但基于多网络协作	分类准确率	NA
905	2025-12-10	Deep Learning for Detecting Dental Plaque and Gingivitis From Oral Photographs: A Systematic Review 2025-Dec, Community dentistry and oral epidemiology IF:1.8Q3 DOI:10.1111/cdoe.70001 PMID:40571994	系统综述	本文系统综述了深度学习模型在利用口腔内RGB照片检测牙菌斑和牙龈炎方面的性能表现	首次对深度学习在牙菌斑和牙龈炎检测中的应用进行了系统性评估，并比较了模型与牙医在未使用显色剂情况下的性能差异	证据确定性中等（牙菌斑）至低（牙龈炎），缺乏外部测试、多中心研究和一致的报告标准	评估深度学习模型从口腔内RGB照片中检测牙菌斑和牙龈炎的性能	牙菌斑和牙龈炎	计算机视觉	牙周病	RGB口腔内摄影	深度学习模型	图像	来自23项研究的数据	NA	NA	交并比	NA
906	2025-12-10	EGA-Ploc: An Efficient Global-Local Attention Model for Multi-Label Protein Subcellular Localization Prediction on the Immunohistochemistry Images 2025-Dec, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3613205 PMID:40982491	研究论文	本文提出了一种用于免疫组化图像多标签蛋白质亚细胞定位预测的高效全局-局部注意力模型	提出线性注意力机制以实现高分辨率图像的高效全局和局部特征建模，并设计自适应多标签损失函数以缓解数据集不平衡问题	未明确说明模型在极端长尾分布或罕见类别上的具体性能表现	解决高分辨率免疫组化图像中蛋白质亚细胞定位预测的挑战	免疫组化图像中的蛋白质亚细胞定位	计算机视觉	NA	免疫组化成像	注意力机制模型	图像	NA	NA	线性注意力机制	NA	NA
907	2025-12-10	Spatiotemporal assessment and background climate drivers of atmospheric urban heat island in Guangdong province, China 2025-Dec, International journal of biometeorology IF:3.0Q2 DOI:10.1007/s00484-025-03022-2 PMID:40999209	研究论文	本研究评估了广东省大气城市热岛强度的时空变化，并分析了降水、相对湿度和风速等关键气候变量对其的长期影响	结合计量经济学技术（FMOLS和DOLS）与机器学习及深度学习方法，并采用CNN-LSTM框架提升预测精度，以探究背景气候因素与大气城市热岛效应的关联	研究主要关注广东省，结果可能不直接适用于其他气候或地理区域，且模型性能可能受数据质量和时空分辨率限制	探究大气城市热岛强度的时空变化及其与背景气候驱动因素的关系，为城市规划和政策制定提供科学依据	广东省的大气城市热岛强度及其与降水、相对湿度、风速等气候变量的相互作用	机器学习	NA	计量经济学分析，机器学习建模	Random Forest, CNN-LSTM	气候时间序列数据	NA	Scikit-learn, TensorFlow或PyTorch	Random Forest, CNN-LSTM	R²	NA
908	2025-12-10	Deep learning NTCP model for late dysphagia after radiotherapy for head and neck cancer patients based on 3D dose, CT and segmentations 2025-Dec, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111169 PMID:41033356	研究论文	本研究开发了一种基于深度学习（DL）的正常组织并发症概率（NTCP）模型，用于预测头颈癌（HNC）患者放疗后晚期吞咽困难，通过整合3D剂量分布、器官分割和CT扫描数据，相比传统NTCP模型显著提升了预测性能	创新点在于首次将3D剂量数据、器官风险分割和CT扫描结合到深度学习NTCP模型中，以全面捕捉吞咽困难这一副作用的复杂性，并通过注意力图可视化关键解剖区域	研究基于多机构队列，但样本量相对有限（1484例患者），且未详细讨论模型在不同亚组或临床环境中的泛化能力	研究目的是通过开发3D深度学习NTCP模型，改进头颈癌患者放疗后晚期吞咽困难的预测，以提升患者健康和生活质量	研究对象为1484名头颈癌患者，涉及放疗后的晚期吞咽困难（CTCAEv4分级≥2级）	数字病理学	头颈癌	放疗剂量分析、CT扫描、器官分割	深度学习模型	3D剂量分布、器官分割图像、CT扫描图像、患者或治疗相关数据	1484名头颈癌患者	NA	残差网络（Residual Network）	曲线下面积（AUC）、校准曲线	NA
909	2025-12-10	Deep Learning-Based Stride Segmentation With Wearable Sensors: Effects of Data Quantity, Sensor Location, and Task 2025-Dec, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3600227 PMID:41171649	研究论文	本研究开发并评估了基于时间卷积网络的步态分割模型，探讨了数据量、传感器位置和任务复杂性对性能的影响	首次系统评估了深度学习步态分割在不同移动任务中的性能，并量化了传感器位置和任务复杂性对模型泛化能力的影响	研究主要针对老年人群，可能不适用于其他年龄段；复杂运动如转弯时的性能仍有下降	开发用于数字步态评估的准确步态分割方法，并评估其在不同条件下的鲁棒性	121名老年参与者（包括帕金森病患者和非患者）	机器学习	帕金森病	可穿戴传感器数据采集	TCN	传感器时序数据	121名参与者，其中40人作为固定测试集	NA	时间卷积网络	F1分数	NA
910	2025-12-10	Hierarchical graph-guided contextual representation learning for Neurodegenerative pattern recognition in MRI 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111276 PMID:41205374	研究论文	提出一种用于MRI中神经退行性疾病模式识别的可解释分类器RG-ViT	结合残差图神经网络与Vision Transformer，将MRI数据表示为互连图块，以捕获病灶的空间依赖性和全局关系	未提及	开发可解释的深度学习模型，用于神经退行性疾病的MRI图像诊断	多发性硬化症、帕金森病和阿尔茨海默病的MRI图像	医学影像分析	神经退行性疾病	MRI	图神经网络, Transformer	图像	未提及	未提及	Residual Graph Neural Network enhanced Vision Transformer (RG-ViT)	准确率, F1分数	未提及
911	2025-12-10	BERTAVP: an interpretable multi-task learning model for identification and functional prediction of antiviral peptides 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111282 PMID:41207159	研究论文	本研究提出了一个名为BERTAVP的可解释多任务学习深度学习框架，用于识别抗病毒肽（AVPs）并同时预测其功能活性	结合BERT和CNN分支提取肽序列特征及氨基酸理化特征，采用多任务学习同时进行AVPs识别和功能预测，并利用焦点损失函数处理数据不平衡问题，模型具有基于功能基序的可解释性	未明确说明模型在独立验证集上的泛化性能，也未讨论数据不平衡问题是否已完全解决	开发一个可解释的深度学习模型，用于抗病毒肽的识别及其功能活性预测	抗病毒肽（AVPs），包括8个物种和6个家族的功能活性	自然语言处理	病毒性疾病	深度学习	BERT, CNN	肽序列数据	NA	PyTorch, TensorFlow	BERT, CNN	NA	NA
912	2025-12-10	Whole-Brain Task fMRI Decoding Using Stage-Wise Residual-Optimized 3D ConvNeXt With Layer-Global Response Normalization 2025-Dec, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3606512 PMID:41212708	研究论文	本文提出了一种用于全脑任务fMRI解码的3D ConvNeXt框架，通过集成层全局响应归一化和阶段式残差连接，以提升特征缩放和计算效率	引入了层全局响应归一化(LN-GRN)以改进特征缩放，并采用阶段式残差连接在保持精度的同时增强计算效率，从而在任务泛化、空间保真度和神经科学可解释性之间取得更好平衡	未明确说明模型在超大规模数据集或不同临床人群中的泛化能力，以及计算资源需求的具体细节	开发一种鲁棒、高效且可解释的全脑任务fMRI解码方法，以推动认知神经科学研究和临床神经影像应用	人类连接组计划数据集，涵盖七个认知领域的任务fMRI数据	机器学习	NA	功能磁共振成像(fMRI)	CNN	图像	NA	NA	3D ConvNeXt	NA	NA
913	2025-12-10	ClinSegAI: A post-processing framework for superior histopathology segmentation accuracy, radiomics feature preservation, and quantitative analysis 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111298 PMID:41223649	研究论文	本研究提出了ClinSegAI，一种后处理框架，旨在优化数字病理学中基于BiomedParse基础模型的细胞分割输出，以提高分割精度并保留放射组学特征	开发了一种针对BiomedParse基础模型输出的后处理工具，通过修正分割边界、合并或分割区域来保持形态保真度，从而在分割准确性和放射组学特征保留方面优于现有方法	NA	提高数字病理学中细胞分割的准确性，并确保放射组学特征在分割过程中的完整性，以支持下游定量分析	苏木精-伊红（H&E）染色的全切片图像中的细胞核	数字病理学	肺癌, 其他癌症	数字病理学图像分析	视觉Transformer	图像	NA	NA	BiomedParse	Dice相似系数, 95%分位数Hausdorff距离, 平均对称表面距离	NA
914	2025-12-10	MARTHA - Combining gaze into deep learning for fully quantitative human testicular histology analysis 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111270 PMID:41232374	研究论文	本文介绍了一种结合眼动追踪与深度学习的工具MARTHA，用于全定量人类睾丸组织学分析	通过被动眼动追踪捕获病理学家在组织检查中的注视点，并将其与深度学习图像分析结合，将专家注意力融入神经网络	NA	简化并加速数据交互，提高计算机辅助诊断的准确性和效率	人类睾丸组织	数字病理学	不育症	眼动追踪, 深度学习图像分析	深度学习	全切片图像	来自约8000个管状结构的超过83,000个细胞核	NA	NA	数据交互效率, 语义分割	NA
915	2025-12-10	SCG systolic detection in the wild: A static-dynamic cross-dataset analysis 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111297 PMID:41237503	研究论文	本文通过静态-动态跨数据集分析，探讨了在真实世界环境中使用深度学习模型检测心震图收缩期复合波的挑战	首次针对心震图收缩期检测在真实世界环境中的问题进行了全面实验分析，设计了结合多个数据集的实验框架，评估了跨数据集和静态-动态域偏移的影响	传统模型适应策略（如微调或个性化）仅能部分克服检测性能下降的问题，真实世界环境下的检测仍具有较大挑战性	研究心震图收缩期检测在真实世界环境中的域偏移问题及其对深度学习模型性能的影响	心震图信号，特别是收缩期复合波	机器学习	心血管疾病	心震图	CNN	信号数据	NA	NA	U-Net	NA	NA
916	2025-12-10	BTOB-T: Bilateral orchesTrated deep learning framework based on proteogenOmics for drug-repositioning of Breast cancer Treatment 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111287 PMID:41237504	研究论文	本文提出了一种基于蛋白质组学的双边协调深度学习框架BTOB-T，用于乳腺癌治疗的药物重定位	结合Transformer模型提取整合基因表示，并利用图核方法计算乳腺癌网络与药物扰动网络之间的差异评分，整合多组学数据和基因关系以提高药物疗效预测准确性	未明确提及具体局限性	开发深度学习框架以加速乳腺癌药物重定位	乳腺癌的多组学数据、基因网络和药物化合物	机器学习	乳腺癌	蛋白质组学、多组学数据整合	Transformer, 图核方法	多组学数据、临床实验数据、处方药物列表、表型组学数据、细胞活力测定数据	NA	NA	Transformer	NA	NA
917	2025-12-10	Fully automated IVUS image segmentation with efficient deep-learning-assisted annotation 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111312 PMID:41248587	研究论文	本文提出了一种结合主动学习和模型输出交互的高效深度学习框架，用于全自动IVUS图像分割，显著减少了标注工作量	提出了一种双分支网络，集成了空间和通道概率注意力模块，用于分割管腔和斑块区域并同时预测潜在分割错误，引入了分割质量评估以量化未标注图像的分割质量并提供视觉提示	NA	开发一种全自动IVUS图像分割方法，以辅助冠状动脉疾病的诊断、治疗规划和监测	冠状动脉IVUS图像	计算机视觉	心血管疾病	IVUS	深度学习	图像	来自266名受试者的38,771个横截面帧	NA	双分支网络	NA	NA
918	2025-12-10	Dynamic multi-scale deep learning with mixture of experts for differentiating iNPH and PSP using MRI 2025-Dec, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03537-4 PMID:41254343	研究论文	本研究提出了一种新颖的多尺度深度学习框架，通过专家混合机制整合全局和局部磁共振成像特征，用于区分特发性正常压力脑积水和进行性核上性麻痹	首次将专家混合机制与多尺度深度学习结合，动态加权全局和局部MRI特征，提高了诊断准确性和可解释性	样本量相对较小（118例患者），需要多中心验证和数据集扩展以增强泛化能力	开发一种准确、稳健且可解释的深度学习工具，用于区分特发性正常压力脑积水和进行性核上性麻痹	118名患者（53例特发性正常压力脑积水，65例进行性核上性麻痹）的T1加权磁共振成像数据	医学影像分析	神经系统疾病	磁共振成像	CNN, RCNN	图像	118例患者（53例特发性正常压力脑积水，65例进行性核上性麻痹）	PyTorch, TensorFlow	ResNet-34	准确率, 召回率, 精确率, AUC	NA
919	2025-12-10	Scalable Clinical Annotation with Location Evidence (SCALE) 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111321 PMID:41274111	研究论文	提出一种名为SCALE的全自动体素级标注方法，用于生成大规模医学影像标注数据集，以支持深度学习模型开发	开发了首个完全自动化的体素级标注方法，利用从医疗报告自动提取的位置先验、活检坐标或解剖区域信息，实现了大规模标注的可扩展性	研究主要针对前列腺癌MRI检测，未验证在其他疾病或影像模态上的通用性	开发可扩展的自动化医学影像标注方法，以促进AI在前列腺癌检测中的临床应用	前列腺MRI影像及其对应的医疗报告、活检坐标数据	数字病理学	前列腺癌	MRI影像分析	深度学习模型	医学影像（MRI）	训练集：17,896例（16,562名患者，24家医院）；测试集：1,561例（1,561名患者，19家医院）	NA	NA	受试者工作特征曲线下面积（AUC）	NA
920	2025-12-10	Augmentation-based deep learning for identification of circulating tumor cells 2025-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111333 PMID:41274113	研究论文	本研究提出了一种基于深度学习的分类流程，旨在通过增强学习技术从血液样本中区分循环肿瘤细胞与白细胞，以提高诊断准确性并优化临床工作流程	采用基于ResNet的卷积神经网络，结合三种数据增强技术，并在训练阶段融入荧光通道图像以学习额外的CTC特异性特征，而测试仅使用明场图像，从而在不依赖荧光标记的情况下识别CTC	未明确提及样本量是否足够大以覆盖所有CTC异质性，且模型性能可能受限于数据增强技术的有效性	开发一种基于明场单细胞分析的深度学习方法，以克服荧光方法在泛化性方面的限制，并提高CTC识别的准确性和效率	循环肿瘤细胞和白细胞	数字病理学	癌症	Parsortix®技术和DEPArray™技术结合，用于基于大小和可变形性选择细胞并进行精确可视化	CNN	图像	未明确提及具体样本数量	未明确提及，但基于ResNet架构推测可能使用PyTorch或TensorFlow	ResNet	F1分数	未明确提及