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
921	2025-12-25	A systematic review of automated International Classification of Diseases coding models using the Medical Information Mart for Intensive Care dataset 2025 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076251404518 PMID:41425278	综述	本研究系统回顾了使用MIMIC数据集开发自动化ICD编码模型的研究进展，整合计算机科学与临床视角，评估进展、识别挑战并为未来自动化提供见解	首次系统性地整合计算机科学与临床视角，全面评估了基于MIMIC数据集的自动化ICD编码模型的发展历程、技术演进及可解释性策略	研究主要基于MIMIC数据集，缺乏多样化的数据来源；模型验证不足，临床编码员参与有限；复杂算法可能阻碍实际应用	调查自动化国际疾病分类（ICD）编码模型的发展，评估进展、识别挑战并为未来研究提供方向	使用MIMIC数据集的自动化ICD编码模型相关研究	自然语言处理	NA	系统综述方法	传统机器学习,深度学习,知识推理,信息检索,生成模型	文本	73项研究（2014-2024年）	NA	NA	F1-micro分数	NA
922	2025-12-25	Deep learning-based beat-to-beat delineation of heart sounds and fiducial points in seismocardiography 2025, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2025.1699611 PMID:41425284	研究论文	本研究开发了一种基于深度学习的自适应算法，用于在震波心动描记术信号中自动检测11个基准点	首次应用U-Net架构的深度学习模型在震波心动描记术信号中进行逐拍基准点检测，实现了对心肌力学和血流动力学状态的新型评估方法	未明确说明算法在不同心脏疾病类型或严重程度下的泛化能力，且样本量相对有限	开发自动检测震波心动描记术信号中基准点的算法，以评估和监测心肌力学及血流动力学状态	震波心动描记术信号，包括来自有和无已知心脏疾病受试者的数据	机器学习	心血管疾病	震波心动描记术	CNN	信号数据	198名受试者的42,452个独立心跳	NA	U-Net	阳性预测值, 灵敏度	NA
923	2025-12-25	Knowledge, Readiness, and Perception of Medical Students Toward Medical Artificial Intelligence: A Cross-Sectional Study 2025 Jan-Dec, Journal of medical education and curricular development IF:2.0Q2 DOI:10.1177/23821205251407758 PMID:41425647	研究论文	本研究通过横断面调查，评估了伊朗医学生对医学人工智能的知识、准备度和认知情况	首次在伊朗医学生群体中系统评估其对医学AI的知识、准备度和多维度认知，并分析了相关影响因素	研究为横断面设计，无法确定因果关系；样本仅来自伊朗，可能限制结果的普适性	评估医学生对医学人工智能的知识、准备度和认知，并分析其相关因素	伊朗的医学生	医学教育	NA	问卷调查	NA	问卷数据	280名医学生	SPSS 22, Excel 2019	NA	NA	NA
924	2025-12-25	Deep learning models for cervical cancer subtyping using whole slide images 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1574639 PMID:41426317	研究论文	本研究开发并评估了一种基于人工智能的模型，利用全切片图像对宫颈癌进行亚型分类	结合了补丁级和WSI级分析，并使用了多种卷积神经网络和机器学习算法进行集成预测，以增强诊断准确性	未明确提及模型在更广泛或更具挑战性的临床场景中的局限性	开发并评估用于宫颈癌亚型分类的人工智能模型	宫颈癌全切片图像	数字病理学	宫颈癌	全切片图像分析	CNN, 机器学习算法	图像	438张全切片图像，来自一个公共数据集和两个私有数据集	NA	Inception-v3	准确率, 灵敏度, 特异性, AUROC	NA
925	2025-12-25	Trends in AI-based diagnosis and intervention of metabolic diseases: a bibliometric analysis of the literature from 2000 to 2024 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1698366 PMID:41426577	文献计量分析	本文对2000年至2024年间关于人工智能在代谢性疾病诊断与干预中应用的文献进行了全面的文献计量分析	首次对人工智能在代谢性疾病领域的文献进行系统性计量分析，识别出三大研究前沿：基于智能设备的AI辅助预防、多模态诊断方法以及大语言模型指导的干预策略	分析仅基于WOSCC和Scopus数据库的文献，可能未涵盖所有相关出版物；文献计量方法主要反映趋势和关联，不深入评估具体研究内容的质量	分析人工智能在代谢性疾病诊断与干预领域的研究演变、趋势和前沿	2000年至2024年间发表的1059篇相关科学文献	机器学习	代谢性疾病	文献计量分析	NA	文献元数据（如作者、机构、期刊、关键词、引用网络）	1059篇出版物	R（用于数据合并与去重）	NA	NA	NA
926	2025-12-25	Thyroid intelligent diagnosis based on THMSNet 2025, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2025.1686248 PMID:41427041	研究论文	本文提出了一种名为THMSNet的混合架构，用于甲状腺结节的智能诊断，结合了多尺度特征提取和全局依赖建模	提出THMSNet混合架构，集成金字塔结构进行多尺度特征提取和Mamba进行全局长程依赖建模，并引入串行通道-空间注意力模块（SCSAM）增强特征表示，以及真值校准（TVC）算法使模型预测与病理标准对齐	未在摘要中明确提及	开发一种准确且临床适用的甲状腺结节良恶性诊断方法	甲状腺超声图像	计算机视觉	甲状腺疾病	超声成像	CNN, Transformer	图像	7,288张甲状腺超声图像（3,282张良性，4,006张恶性）	未在摘要中明确提及	THMSNet, ResNet, DenseNet	准确率, 精确率, 召回率, F1分数, AUROC	未在摘要中明确提及
927	2025-12-25	U-FDL-PPE: a unified federated deep learning framework with privacy-preserving explainability for early and accurate viral disease prediction 2025, Frontiers in radiology DOI:10.3389/fradi.2025.1660479 PMID:41427114	研究论文	本研究提出了一种名为U-FDL-PPE的统一联邦深度学习框架，该框架结合了隐私保护和可解释性，旨在实现早期和准确的病毒性疾病预测	该框架首次将联邦学习与隐私保护的可解释性（通过Grad-CAM）相结合，用于病毒性疾病的早期诊断，解决了集中式数据存储的隐私和兼容性问题	研究仅在模拟的三家医疗机构网络中使用公开数据集进行测试，未在真实多中心临床环境中验证，且多类AUC值较低（0.5192）	开发一个支持早期、可靠病毒性疾病诊断的联邦深度学习框架，同时保护患者隐私并提供可理解的预测解释	胸部X光图像，用于分类COVID-19、正常和病毒性肺炎	计算机视觉	病毒性疾病	胸部X光成像	CNN	图像	使用公开的COVID-19放射影像数据库，在模拟的三家医疗机构网络中测试	NA	MobileNetV2	准确率, F1分数, AUC, 混淆矩阵	NA
928	2025-12-25	Data-driven discovery of antiviral peptides against PRRSV using multiple machine learning models 2025, Frontiers in veterinary science IF:2.6Q1 DOI:10.3389/fvets.2025.1681083 PMID:41427144	研究论文	本研究通过整合蛋白质组学与机器学习方法，筛选并预测针对猪繁殖与呼吸综合征病毒的抗病毒肽	首次将图神经网络应用于抗病毒肽预测领域，并与传统机器学习模型进行性能比较	现有预测的抗病毒肽数据库不足，需要更精确可靠的注释	筛选健康与PRRSV感染组织的差异表达蛋白和肽，并预测抗病毒肽	猪的肺、小肠和大肠组织样本	机器学习	猪繁殖与呼吸综合征	蛋白质组学分析	GNN, RF, SVM	蛋白质和肽序列数据	未明确指定样本数量，涉及肺、小肠和大肠组织	未明确指定	图神经网络, 随机森林, 支持向量机	AUC	NA
929	2025-12-25	A deep learning-based study of player styles and cross-league performance adaptation mechanisms: a case study of the NBA and CBA 2025, Frontiers in sports and active living IF:2.3Q2 DOI:10.3389/fspor.2025.1639972 PMID:41427262	研究论文	本研究利用深度学习和可解释建模，探讨球员风格对篮球联赛间表现适应性的影响	整合PCA、t-SNE和高斯混合模型进行球员风格聚类，并结合Branch-MLP与SHAP算法进行可解释性战术结构分析	研究仅基于2019-2024赛季的NBA和CBA数据，可能未涵盖所有联赛或历史时期的变化	通过量化框架理解不同竞争环境中球员表现机制，为训练、转会及青年人才培养提供数据驱动决策支持	NBA和CBA联赛的球员及球队比赛数据	机器学习	NA	PCA, t-SNE, 高斯混合模型, SHAP算法	多层感知机	比赛数据	2019-2024赛季的球员和球队数据	NA	Branch-MLP	准确率	NA
930	2025-12-25	Deep learning for sleep analysis on children with sleep-disordered breathing: Automatic detection of mouth breathing events 2023, Frontiers in sleep DOI:10.3389/frsle.2023.1082996 PMID:41426436	研究论文	本研究开发了一种基于深度学习的算法，用于从儿童多导睡眠图记录中自动检测口呼吸事件	首次利用卷积神经网络自动检测儿童睡眠呼吸障碍中的口呼吸事件，为睡眠分析提供了一种新的自动化方法	模型在第二个验证数据集上性能下降，表明需要更大的训练集以提高泛化能力	构建深度学习算法以自动检测儿童睡眠呼吸障碍中的口呼吸事件	年龄在10-13岁之间的儿童，其中部分有打鼾或高阻塞性睡眠呼吸暂停值	机器学习	睡眠呼吸障碍	多导睡眠图	CNN	信号数据	20名受试者	NA	卷积神经网络	准确率, 精确率, 真阳性率, 假阳性率	NA
931	2025-12-24	IFCNN-based fusion of GAF and MTF encoded near-infrared spectral images for quantitative analysis of microplastics 2026-Mar-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127069 PMID:41151179	研究论文	本研究提出了一种结合近红外光谱图像转换与深度学习图像融合的新方法，用于微塑料的定量分析	首次将Gramian Angular Fields (GAF)和Markov Transition Fields (MTF)编码与改进的融合卷积神经网络(IFCNN)相结合，用于近红外光谱图像的融合与微塑料定量分析	仅针对五种特定类型的微塑料（PE、PET、PP、PS、PVC）与沙子的混合物进行研究，未涵盖所有微塑料类型	开发一种快速、准确的微塑料定量检测方法	五种微塑料（PE、PET、PP、PS、PVC）与沙子的混合物	计算机视觉	NA	近红外光谱成像	CNN	图像	五种微塑料与沙子在六个浓度水平下的混合物样本	NA	Improved Fusion Convolutional Neural Network (IFCNN), 2D-CNN	R值（相关系数）	NA
932	2025-12-24	Deep learning-assisted surface-enhanced Raman spectroscopy detection of stimulants 2026-Mar-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127086 PMID:41176858	研究论文	本研究结合表面增强拉曼光谱与深度学习算法，实现了五种兴奋剂的高灵敏度检测与识别	首次将表面增强拉曼光谱与LSTM等深度学习算法结合，用于兴奋剂的痕量检测，并在加标血液样本中验证了实际应用潜力	研究仅针对五种特定兴奋剂，未涉及更广泛的药物类别或复杂基质干扰	开发高灵敏度、快速响应的兴奋剂检测技术以应对滥用问题	五种兴奋剂（氯丙那林、普萘洛尔、特布他林、妥洛特罗、西马特罗）及其在加标血液样本中的检测	机器学习	NA	表面增强拉曼光谱，密度泛函理论计算	SVM, DNN, RNN, LSTM	光谱数据	涉及五种兴奋剂的SERS光谱数据，包括加标血液样本	NA	NA	准确率	NA
933	2025-12-24	A cross-cultivar hyperspectral framework for huanglongbing detection in citrus via wavelength optimization and deep learning 2026-Mar-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127189 PMID:41242125	研究论文	本文提出了一种基于高光谱成像和深度学习的跨品种柑橘黄龙病检测框架，通过波长优化提升模型性能	利用连续投影算法和粒子群优化算法提取跨品种一致的特征波长，并构建自定义卷积多尺度残差网络进行诊断，建立了无需针对不同品种单独建模的通用检测框架	未明确说明样本的具体数量和品种多样性，且模型在特定条件下的光谱响应差异可能影响泛化能力	开发一种跨品种的柑橘黄龙病早期准确检测方法，以控制疾病传播并减少经济损失	不同品种的柑橘叶片	计算机视觉	黄龙病	高光谱成像	SVM, MLP, CNN	高光谱图像	NA	NA	自定义卷积多尺度残差网络	准确率	NA
934	2025-12-24	Detection of peritoneal, ovarian, and bowel endometriosis using FTIR spectroscopy and machine learning 2026-Mar-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127242 PMID:41308317	研究论文	本研究评估了傅里叶变换红外光谱结合机器学习在检测卵巢、肠道和腹膜子宫内膜异位症中的诊断潜力	应用Boruta算法识别每种子宫内膜异位症类型最具信息量的光谱区间，揭示了与异位组织分子变化相关的特征波数范围，并通过特征选择显著提升了机器学习模型的诊断性能	未提及样本量、计算资源等具体细节，可能限制了结果的可推广性和可重复性	评估傅里叶变换红外光谱结合机器学习对子宫内膜异位症的诊断潜力	卵巢、肠道和腹膜子宫内膜异位症组织	机器学习	子宫内膜异位症	傅里叶变换红外光谱	深度学习, 支持向量机, XGBoost	光谱数据	NA	NA	NA	准确率, 灵敏度, 特异性, 精确率, F1分数, MCC, ROC AUC	NA
935	2025-12-24	Exploring voltage-gated sodium channel conformations and protein-protein interactions using AlphaFold2 2026-Mar-02, The Journal of general physiology IF:3.3Q1 DOI:10.1085/jgp.202413705 PMID:41411077	研究论文	本研究利用AlphaFold2探索电压门控钠通道的多种构象及其与蛋白质伙伴的相互作用	通过改进的构象采样方法（如子采样多序列比对和循环次数变化），首次系统性地展示了AlphaFold2能够模拟钠通道的多种构象，包括实验未描述的状态和潜在中间态，并揭示了蛋白质伴侣对构象景观的显著影响	预测模型仍为假设，需实验数据验证，且存在构象采样和相互作用的建模局限性	探索AlphaFold2在模拟电压门控钠通道构象和蛋白质-蛋白质相互作用方面的能力，以增进对钠通道结构、门控和调控的理解	电压门控钠通道（NaV）的α亚基及其蛋白质伙伴（如辅助β亚基和钙调蛋白）	机器学习	NA	AlphaFold2, AlphaFold Multimer, 构象采样方法（子采样多序列比对和循环次数变化）	深度学习模型	蛋白质序列和结构数据	NA	AlphaFold2, AlphaFold Multimer	AlphaFold2架构	相关性分析, 聚类分析	NA
936	2025-12-24	Artificial intelligence revolutionize food detection? Vision, olfaction and taste integrated with machine learning/deep learning in food detection 2026-Jan-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.147377 PMID:41365156	综述	本文综述了人工智能（AI）如何通过机器学习（ML）和深度学习（DL）技术，整合视觉、嗅觉和味觉感知系统，革新食品检测领域	系统阐述了AI在食品检测中实现特征自动提取、模式识别和决策反馈的机制，并展望了多模态数据融合和大语言模型（LLMs）的潜在应用	总结了AI在食品检测中仍面临的主要挑战	阐明AI在食品检测领域的理论框架和技术范式变革，分析其优势与局限，并展望未来发展方向	食品检测技术	机器学习	NA	计算机视觉、电子鼻、电子舌	机器学习、深度学习	复杂信号（视觉、嗅觉、味觉数据）	NA	NA	NA	检测精度、鲁棒性	NA
937	2025-12-24	Prediction of influenza virus infection based on deep learning and peripheral blood proteomics: A diagnostic study 2026-Jan, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.03.051 PMID:40158620	研究论文	本研究基于深度学习和外周血蛋白质组学，建立并验证了流感病毒感染的诊断预测模型，并识别了SAA2作为流感感染的特异性分子标志物	结合蛋白质组学与机器学习方法，首次发现SAA2蛋白可作为流感感染的辅助诊断指标，并通过ELISA实验验证	样本量相对有限（共1115例），且未涉及其他呼吸道病毒的验证，模型在更广泛人群中的泛化能力有待进一步评估	预测流感病毒感染的关键分子标志物，并建立诊断模型	850名患者（包括流感、COVID-19和混合感染）和265名健康个体的外周血样本	机器学习	流感	蛋白质组测序, ELISA	随机森林, LASSO回归	蛋白质组学数据, 临床特征数据	1115例（850例患者和265例健康个体）	NA	NA	ROC曲线分析	NA
938	2025-12-24	Surface-Enhanced Raman Spectroscopy Semi-Quantitative Molecular Profiling with a Convolutional Neural Network 2026-Jan, Applied spectroscopy IF:2.2Q2 DOI:10.1177/00037028251377474 PMID:40887786	研究论文	本研究开发了一种结合表面增强拉曼光谱与卷积神经网络和支持向量回归的层次分析框架，用于复杂环境中多种分子的半定量分析	提出了一种集成深度学习和回归技术的层次分析框架，首次将多标签CNN用于SERS光谱中结构相似分析物的识别，并结合SVR进行半定量浓度比测定	目前仅验证了短链脂肪酸二元混合物，尚未扩展到更复杂的多组分系统或临床样本	解决复杂环境中多种分子物种的识别和定量分析挑战	短链脂肪酸（SCFAs）作为代表性生物分子靶标	机器学习	NA	表面增强拉曼光谱（SERS）	CNN, SVR	光谱数据	NA	NA	卷积神经网络	分类准确率	NA
939	2025-12-24	Integrating Deep Model-Based Learning With Modular State-Based Stackelberg Games for Self-Optimizing Distributed Production Systems 2026-Jan, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2025.3610707 PMID:40996999	研究论文	本文提出了一种将深度模型学习与模块化状态Stackelberg博弈相结合的新方法，用于制造系统的分布式自优化	使用深度学习替代数字表示来学习系统动态，并在虚拟环境中训练博弈参与者，从而减少实际系统交互需求	NA	开发一种样本高效的方法，用于分布式生产系统的自优化	制造系统	机器学习	NA	深度学习	深度学习模型	系统动态数据	NA	NA	NA	交互减少率	NA
940	2025-12-24	Accurate multi-b-value DWI generation using two-stage deep learning: multicenter study 2026-Jan, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112497 PMID:41161267	研究论文	本研究开发并验证了一种两阶段深度学习框架（DC2Anet-MineGAN），用于高保真多器官、多b值DWI合成和准确ADC恢复，以解决DWI采集的实际限制	提出了一种结合DC2Anet和MineGAN的两阶段深度学习框架，首次实现跨多个解剖区域和b值的高质量DWI合成与ADC恢复，克服了临床DWI采集的局限性	存在潜在的幻觉或失真风险，需要进一步的多中心临床验证	开发并验证一个深度学习框架，用于高保真多器官、多b值DWI合成和准确ADC恢复，以解决DWI采集的实际限制	来自三家医院和TCIA数据库的DWI图像，涵盖脑、乳腺、腹部、颈部和骨盆五个解剖区域，b值范围为0-1000 s/mm²	医学影像分析	NA	扩散加权成像（DWI）	深度学习	医学影像（DWI图像）	总计50,000张图像，按8:2比例分为训练集和测试集	NA	DC2Anet, MineGAN	MSE, MAE, PSNR, SSIM, ICC	NA