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
9201	2025-12-12	Multisequence MRI-driven assessment of PD-L1 expression in non-small cell lung cancer: a pilot study 2025-Dec-11, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae2621 PMID:41378488	研究论文	本研究开发并验证了一种基于多序列MRI的非侵入性管道，用于评估非小细胞肺癌中的PD-L1表达	结合放射组学和深度学习方法，利用IVIM参数图和T1-VIBE MRI进行PD-L1表达的无创评估	样本量较小（43例患者），属于初步研究	开发一种非侵入性方法，用于评估非小细胞肺癌中的PD-L1表达	非小细胞肺癌患者	数字病理学	肺癌	MRI, IVIM参数图, T1-VIBE	Logistic Regression, Random Forest, XGBoost	MRI图像	43例非小细胞肺癌患者	Scikit-learn, XGBoost	NA	AUC	NA
9202	2025-12-12	Block Matching Based Speckle Tracking Echocardiography: Clinical Applications and Research Outlook in a Deep Learning Context 2025-Dec-11, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01750-w PMID:41379238	研究论文	本文提出了一种临床适用的斑点追踪方法BiDiBM，用于评估心肌纵向应变，并在合成和真实世界超声心动图数据上验证了其准确性和可靠性	引入双向块匹配（BiDiBM）方法，通过新颖的处理流程提升了传统块匹配方法的跟踪准确性和鲁棒性	深度学习方法因需要大量标注数据而临床部署受限，传统方法仍不可或缺；真实世界验证规模较小	开发并验证一种临床适用的斑点追踪超声心动图方法，以评估心脏功能障碍	超声心动图中的斑点区域，用于心肌纵向应变测量	计算机视觉	心血管疾病	斑点追踪超声心动图（STE）	块匹配（BM）	超声心动图图像	开源合成超声心动图数据集（四种场景）和小规模真实世界验证	NA	双向块匹配（BiDiBM）	均方根误差（RMSE）, 互相关函数的零滞后点（ZERO-LAG）	NA
9203	2025-12-12	AFP-GFuse: an antifungal peptide identification model with structural information fusion via multi-graph neural networks and cross-attention mechanism 2025-Dec-11, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11426-w PMID:41379297	研究论文	本研究开发了一种名为AFP-GFuse的深度学习模型，用于识别抗真菌肽，通过融合序列和结构信息以及三种互补的图神经网络，并采用分层交叉注意力机制来动态对齐和融合多图特征表示	构建了最先进且全面的数据集，并开发了集成序列和结构信息与三种互补图神经网络的深度学习模型，设计了分层交叉注意力机制以动态对齐和融合多图特征表示，有效解决了现有方法忽略空间特征和单图神经网络特征偏差的问题	未明确提及具体局限性，但可能包括模型对数据质量的依赖或泛化能力需进一步验证	开发高效且准确的抗真菌肽识别模型，以替代传统低效且昂贵的实验室方法	抗真菌肽	自然语言处理	NA	深度学习	GNN	序列数据, 结构数据	NA	NA	多图神经网络, 交叉注意力机制	准确率	NA
9204	2025-12-12	A Deep Learning Model for Heart Sound Classification Fusing Time-Frequency Features 2025-Dec-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3642718 PMID:41370147	研究论文	本文提出了一种融合时频特征的双分支深度学习模型，用于心音信号的自动分类，旨在提高心血管疾病的早期诊断准确性	模型通过双向交叉注意力融合模块，首次有效整合了时域和频域特征，并采用迁移学习策略以增强在小数据集上的鲁棒性	模型在更广泛或噪声更大的临床数据集上的泛化能力尚未验证，且计算复杂度可能较高	开发一个能融合时域和频域特征的心音分类模型，以提升心血管疾病的自动诊断性能	心音图（PCG）信号	机器学习	心血管疾病	NA	CNN, Transformer, ResNet	信号（心音图）	基于多个公共数据集，包括2016年PhysioNet挑战赛数据集	NA	1D CNN with Transformer blocks, ResNet	准确率, F1分数	NA
9205	2025-12-12	Cross-Modality Image Registration Via Generating Aligned Image Using Reference-Augmented Framework 2025-Dec-10, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3642431 PMID:41370158	研究论文	本文提出了一种名为'Register by Generation (RbG)'的深度学习框架，用于生成与固定图像结构对齐且保留移动图像细节的跨模态图像配准	引入两阶段参考增强框架，结合Patch Adaptive Instance Normalization (PAdaIN)和Deformation-Aware Cross-Attention (DACA)块，实现自监督训练，无需预对齐数据	NA	解决跨模态图像（如MR-CT、CBCT-CT）配准的挑战，生成结构对齐且细节保留的图像	跨模态图像对（如MR-CT、CBCT-CT）	计算机视觉	NA	深度学习图像合成	CNN	图像	多个未对齐数据集	NA	参考增强图像合成网络，包含PAdaIN和DACA块	结构对齐和分布一致性指标	NA
9206	2025-12-12	Developing microenvironment classification models for personal exposure assessment based on global positioning system tracking data 2025-Dec-10, Journal of exposure science & environmental epidemiology DOI:10.1038/s41370-025-00832-9 PMID:41372514	研究论文	本研究基于GPS追踪数据开发微环境分类模型，以改进个人空气污染暴露评估	结合个体移动模式和GPS信号质量信息，利用多种机器学习和深度学习方法开发微环境分类模型，并通过可解释性方法识别关键变量	研究数据主要反映韩国城市人群的季节性和日常活动模式，可能限制了模型的普适性	开发基于GPS追踪数据的微环境分类模型，以改进个人空气污染暴露评估	韩国城市人群的GPS追踪数据	机器学习	NA	GPS追踪	随机森林, boosting, 深度神经网络	GPS追踪数据	来自韩国空气污染物暴露模型项目的数据	NA	NA	AUROC	NA
9207	2025-12-12	A multi-dimensional lightweight attention-enhanced model for medical image segmentation 2025-Dec-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32147-y PMID:41372542	研究论文	提出一种多维轻量级注意力增强模型用于医学图像分割，以解决传统CNN全局依赖建模不足和计算复杂度高的问题	集成全维度动态卷积和掩码注意力机制，在空间、通道和核数量维度进行自适应建模，以较低计算成本扩大有效感受野并聚焦关键边界	未明确说明模型在更复杂或罕见病变类型上的泛化能力，以及在实际临床部署中的具体资源需求	开发一种高效且准确的医学图像分割方法，适用于资源受限的医疗场景	医学图像中的病变或解剖结构	计算机视觉	NA	深度学习	CNN, 注意力机制	图像	基于三个公共基准数据集	NA	多维轻量级注意力增强模型	分割精度, 推理效率	NA
9208	2025-12-12	Deep learning-based identification of periodontal infrabony defects with regenerative potential: A multicenter retrospective study 2025-Dec-10, Journal of periodontology IF:4.2Q1 DOI:10.1002/jper.70039 PMID:41373085	研究论文	本研究开发了一种结合YOLO V8和nnU-Net V2的双模型深度学习框架，用于在口腔平行投照X线片上自动识别、量化牙周骨下缺损并提供手术指导	首次提出了一种结合目标检测（YOLO V8）和语义分割（nnU-Net V2）的双模型AI框架，用于牙周骨下缺损的自动化分析，并引入了基于颜色编码的临床指南对齐手术推荐系统	研究为回顾性多中心研究，未来需要前瞻性研究进一步验证；模型在外部数据集上进行了测试，但样本量（n=93）相对有限	开发一个自动化、客观的AI系统，以改进牙周骨下缺损的影像学评估和再生手术规划	牙周骨下缺损	数字病理学	牙周病	口腔平行投照X线摄影	CNN	图像	580张口腔平行投照X线片（内部数据集387张，外部数据集93张），来自三家医疗机构	PyTorch	YOLO V8, nnU-Net V2	Dice系数, 平均绝对误差, 灵敏度, 特异度, F1分数, 准确率	NA
9209	2025-12-12	An interdisciplinary approach in teaching RNA secondary structure prediction to first-year undergraduate students using an automated deep learning RNA 3D model prediction tool 2025-Dec-09, Journal of microbiology & biology education IF:1.6Q2 DOI:10.1128/jmbe.00139-25 PMID:40844273	研究论文	本文介绍了一种面向大一本科生的跨学科教学方法，利用自动化深度学习工具trRosettaRNA预测siRNA的二级结构，以整合人工智能与RNA科学概念	首次将自动化深度学习RNA 3D结构预测工具trRosettaRNA引入本科教学，设计无湿实验室的探究式研讨会，简化AI与RNA科学的跨学科整合	活动仅针对大一健康科学本科生设计，可能未覆盖高级或专业内容；且依赖于特定工具trRosettaRNA，未涉及其他AI方法比较	开发一种跨学科教学方法，将人工智能工具应用于RNA二级结构预测教学，以培养下一代科学家在生物技术领域使用AI平台的能力	大一健康科学本科生	机器学习	NA	RNA二级结构预测，siRNA设计	深度学习	RNA序列数据	NA	NA	trRosettaRNA	NA	NA
9210	2025-12-12	panHiTE: a comprehensive and accurate pipeline for TE detection in large-scale population genomes 2025-Dec-09, Plant communications IF:9.4Q1 DOI:10.1016/j.xplc.2025.101669 PMID:41376169	研究论文	本文介绍了一种用于大规模群体基因组中检测转座元件（TE）的综合且准确的工具panHiTE	提出动态更新的全局TE库以提高计算效率并适用于超大基因组；通过重新比对候选元件至群体基因组来准确重建全长TE；集成新型深度学习检测算法以提升LTR-RT检测的敏感性和精确度；采用容错冗余去除算法高效分组不同家族成员	未明确说明	开发一种用于大规模群体基因组中准确检测和注释转座元件（TE）的工具	植物基因组（如小麦、玉米、拟南芥）中的转座元件（TE）	生物信息学	NA	高通量测序	深度学习	基因组序列数据	26个玉米基因组和32个拟南芥种质	NA	NA	敏感性，精确度	NA
9211	2025-12-12	Intelligent retinal disease detection using deep learning 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28376-w PMID:41354757	研究论文	本研究提出了一种基于深度学习的自动化方法，用于使用眼底图像对多种视网膜疾病进行分类	结合了人工神经网络、MobileNetV2和DenseNet121架构，并采用主成分分析和离散小波变换进行特征提取和降维，实现了多类别视网膜疾病的高精度分类	未明确提及模型在外部验证集或临床实际应用中的泛化能力，也未讨论数据集的潜在偏差或模型的可解释性	开发一种自动化系统，以辅助眼科医生通过眼底图像准确、高效地检测和分类视网膜疾病	眼底图像，用于区分健康眼睛与患有糖尿病视网膜病变、白内障或青光眼的眼睛	计算机视觉	视网膜疾病	眼底成像	ANN, 深度学习	图像	NA	NA	MobileNetV2, DenseNet121	准确率	NA
9212	2025-12-12	Integrating CT-based radiomics and deep learning for invasive prediction of ground-glass nodules in lung adenocarcinoma: a multicohort study 2025-Dec-08, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02156-6 PMID:41359094	研究论文	本研究旨在探索一种结合放射组学特征和深度学习表示的多实例学习框架，用于预测肺腺癌中磨玻璃结节的侵袭性	提出了一种新颖的多实例学习框架，整合了放射组学特征和深度学习表示，以预测磨玻璃结节的侵袭性，为特征融合提供了新视角	研究为回顾性分析，可能存在选择偏倚；模型性能在不同数据集上略有波动	预测肺腺癌中磨玻璃结节的侵袭性，以辅助术前临床决策	肺腺癌患者的磨玻璃结节	计算机视觉	肺癌	CT成像	多实例学习, 深度学习	CT图像	来自1182名肺腺癌患者的1247个磨玻璃结节，涵盖六家医院	NA	ExtraTrees, 3D深度学习模型, 2.5D深度学习模型	AUC, 校准曲线, 决策曲线分析	NA
9213	2025-12-12	Deep learning-enhanced super-resolution diffusion-weighted liver MRI: improved image quality, diagnostic performance, and acceleration 2025-Dec-08, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02150-y PMID:41359109	研究论文	本研究探讨了深度学习重建对肝脏扩散加权成像图像质量的影响及其在区分良恶性肝脏局灶性病变方面的能力	首次将深度学习重建应用于加速采集的肝脏扩散加权成像，在将采集时间减半的同时，显著提升了图像质量和诊断性能	研究为单中心设计，且未详细说明深度学习模型的具体架构和训练细节	评估深度学习重建技术对肝脏扩散加权成像图像质量及良恶性病变鉴别诊断性能的提升效果	疑似肝脏疾病并接受肝脏MRI检查的患者	医学影像分析	肝脏疾病	扩散加权成像，深度学习重建	深度学习模型	MRI图像	193名患者（128名男性，65名女性，年龄23-81岁）	NA	NA	AUC, 信噪比, 对比噪声比, 边缘上升距离, 定性Likert评分	NA
9214	2025-12-12	Mammo-AGE: deep learning estimation of breast age from mammograms 2025-Dec-08, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-65923-5 PMID:41360762	研究论文	本文提出了一种基于深度学习的方法，利用健康乳腺X光片估计乳腺的生物年龄	首次开发了基于乳腺X光片的深度学习模型来估计乳腺生物年龄，并探索其与乳腺癌风险的关系	NA	开发一种从乳腺X光片中估计乳腺生物年龄的深度学习模型，并评估其在乳腺癌风险分层和诊断中的潜力	乳腺X光片	数字病理学	乳腺癌	深度学习	CNN	图像	95,826张乳腺X光片，来自44,497名年龄在18至98岁的女性	NA	NA	平均绝对误差, 风险比	NA
9215	2025-12-12	Classifying human vs. AI text with machine learning and explainable transformer models 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27377-z PMID:41360832	研究论文	本研究提出一个综合框架，结合机器学习、序列深度学习和基于Transformer的模型，用于区分人类撰写与GPT生成的文本	采用多种Transformer模型（如BERT、RoBERTa）进行对比，并结合后处理温度缩放和阈值调优以提升校准和精度，同时利用LIME和SHAP进行可解释性分析	NA	区分人类撰写与AI生成的文本，以验证内容真实性和确保语言技术的伦理使用	人类撰写和GPT生成的文本样本	自然语言处理	NA	NA	LSTM, GRU, BiLSTM, BiGRU, BERT, DistilBERT, ALBERT, RoBERTa	文本	20,000个样本	NA	BERT, DistilBERT, ALBERT, RoBERTa	准确率	NA
9216	2025-12-12	Deep learning model of post-translational modification regulating liquid-liquid phase separation 2025-Dec-08, Communications chemistry IF:5.9Q1 DOI:10.1038/s42004-025-01773-y PMID:41360972	研究论文	本文构建了一个关于翻译后修饰调控液-液相分离的数据库，并开发了基于图神经网络的深度学习模型来预测调控LLPS的功能性磷酸化位点	首次构建了专门针对PTM调控LLPS的数据库PTMPhaSe，并开发了基于图神经网络的预测模型PhosLLPS，其性能优于现有基线模型和FuncPhos-SEQ方法	NA	研究翻译后修饰对液-液相分离的调控机制，并开发预测工具	蛋白质翻译后修饰（特别是磷酸化）及其对液-液相分离的调控	机器学习	NA	NA	图神经网络	生物序列数据	NA	NA	NA	AUC	NA
9217	2025-12-12	Context-Aware Deep Learning based Indian Footpath Damage Segmentation Dataset for Risk Assessment 2025-Dec-08, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06207-x PMID:41361192	研究论文	本文介绍了一个用于印度人行道损伤分割的高分辨率图像数据集，并基于该数据集训练了深度学习模型进行损伤分割和风险评估	提出了首个针对印度城市人行道损伤的像素级分割数据集，包含基于裂缝宽度的严重程度标注，并采用了结合EfficientNet-B3编码器和注意力解码器的U-Net模型以及集成方法进行分割	数据集仅包含单一损伤类别，且采集地点局限于印度浦那市，模型性能仍有提升空间（Dice分数0.6899）	通过自动化基础设施监测来降低行人跌倒风险	人行道损伤（裂缝和表面不平整）	计算机视觉	NA	图像采集与标注	深度学习分割模型	图像	未明确说明具体数量，但为高分辨率图像数据集，采集于印度浦那市不同光照和天气条件下	未明确说明	U-Net, EfficientNet-B3, ResNeXt50_32x4d	Dice分数, IoU, 准确率, 精确率, 召回率, F1分数	NA
9218	2025-12-12	Integrating quantile regression with ARIMA and ANN for interpretable and accurate PM2.5 forecasting in Hat Yai, Thailand 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27294-1 PMID:41361220	研究论文	本研究提出了一种结合ARIMA、ANN和分位数回归的新型混合模型，用于提高泰国合艾市PM2.5浓度预测的准确性和鲁棒性	提出了一种集成线性（ARIMA）、非线性（ANN）和分布建模（分位数回归）的新型混合模型，在保持计算效率和高可解释性的同时，显著提升了预测性能，尤其是在极端PM2.5条件下的表现	研究仅使用了泰国合艾市单个监测站（44T站）的数据，模型在其他地理区域或不同污染特征城市的普适性有待验证	开发一种准确、鲁棒且可解释的PM2.5浓度预测模型，以支持有效的空气质量管理和公共健康保护	泰国合艾市（Hat Yai, Songkhla）的每日PM2.5浓度数据	机器学习	NA	时间序列预测，分位数回归	ARIMA, ANN, 混合模型	时间序列数据	1809个每日观测值（2020年1月1日至2024年12月31日），其中训练集1447天，测试集362天	NA	ARIMA(1,1,2), ANN, ARIMA-ANN混合模型, ARIMA-ANN-QREG	MAE, MAPE, MFB	NA
9219	2025-12-12	Deep learning-based brain age predicts stroke recurrence in acute ischemic cerebrovascular disease 2025-Dec-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02161-5 PMID:41361520	研究论文	本研究开发了一种基于深度学习的脑龄预测模型，用于预测急性缺血性脑血管病患者的卒中复发风险	提出了Mask-based Brain Age estimation Network (MBA Net)，通过掩蔽急性梗死区域来预测非梗死区的上下文脑龄，从而减少急性期神经影像中动态梗死的混淆效应	未明确说明模型在外部验证或不同人群中的泛化能力，以及可能存在的样本选择偏差	开发一种新型生物标志物，用于急性缺血性脑血管病的卒中复发风险分层	急性缺血性脑血管病患者	医学影像分析	脑血管疾病	MRI T2-FLAIR成像	深度学习	医学图像	训练集：5353名健康个体；测试集：10890名急性缺血性脑血管病患者（多中心队列）	NA	Mask-based Brain Age estimation Network (MBA Net)	卒中复发预测的判别性能	NA
9220	2025-12-12	Both Infarcted and Noninfarcted Brain Regions Contribute to Deep Learning-Based MRI Prediction of Acute Stroke Outcome 2025-Dec-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8896 PMID:41198223	研究论文	本研究利用深度学习模型，基于急性缺血性卒中后早期MRI DWI扫描，预测90天卒中结局，并探讨了梗死区和非梗死区对预测准确性的贡献	首次系统性地比较了仅使用梗死体积、全脑图像、梗死掩膜、强度保留梗死掩膜以及病灶中和图像等多种输入对卒中结局预测的影响，并强调了非梗死区域在预测中的重要作用	研究样本量相对有限（449例患者），且仅使用了卒中后1-7天的MRI DWI扫描，未考虑其他时间点或影像模态	预测急性缺血性卒中患者的长期临床结局，并评估不同脑区（包括梗死和非梗死区域）对预测准确性的贡献	急性缺血性卒中患者	数字病理学	心血管疾病	MRI DWI扫描	深度学习模型	图像	449例急性缺血性卒中患者	NA	NA	准确率, 平均绝对误差, AUC	NA