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
9501	2025-12-06	Radiological Image and Text-Based Medical Concept Detection in Social Networks Using Hybrid Deep Learning 2025-Dec-05, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-025-02311-y PMID:41348245	研究论文	本研究利用混合深度学习模型，从社交媒体中的放射学图像及其相关评论中自动检测和分类医学概念	首次将深度学习模型应用于从社交媒体收集的放射学数据，进行多标签医学概念分类	未提及具体的数据偏差或模型泛化能力限制	通过自动分配相关医学概念，对社交媒体上的放射学图像进行多标签分类	社交媒体上的放射学图像及其相关评论	计算机视觉	NA	深度学习	CNN, 前馈神经网络	图像, 文本	使用ImageCLEF 2019数据集和自定义数据集Rdpd_Test_Ds	NA	VGG-19, DenseNet-121, ResNet-101, Xception, Efficient-B7	精确率, 召回率, F1分数	NA
9502	2025-12-06	Bioinformatics and artificial intelligence in genomic data analysis: current advances and future directions 2025-Dec-05, Molecular genetics and genomics : MGG IF:2.3Q3 DOI:10.1007/s00438-025-02314-x PMID:41348251	综述	本文全面综述了人工智能（特别是机器学习和深度学习）在基因组数据分析中的应用、当前进展与未来方向	系统整合了AI在基因组分析全流程（从变异检测到多组学整合和个性化医疗）的应用，并批判性评估了可解释AI和联邦学习等新兴技术	面临数据标准化、计算成本高、算法可解释性不足以及隐私和算法偏见等伦理挑战	探讨人工智能如何变革基因组数据分析，并解决传统生物信息学方法的关键局限	2010年至2024年间发表的同行评审研究，涵盖PubMed、Scopus和Google Scholar数据库	生物信息学, 机器学习	NA	下一代测序	机器学习, 深度学习	基因组数据	NA	NA	NA	准确性	NA
9503	2025-12-06	An automated classification of brain white matter inherited disorders (Leukodystrophy) using MRI image features 2025-Dec-04, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae2336 PMID:41285048	研究论文	本研究提出了一种基于MRI图像特征的自动化分类方法，用于诊断脑白质遗传性疾病（脑白质营养不良症）	首次将深度学习CNN模型（特别是InceptionV3）应用于3D脑MRI图像，对五种主要脑白质营养不良亚型进行自动化分类，并系统比较了传统机器学习与深度学习方法的表现	研究样本量相对较小（115例患者），仅包含五种主要亚型，可能无法涵盖所有脑白质营养不良变异类型	开发可靠的自动化工具，辅助神经科医生进行脑白质营养不良症的鉴别诊断	115名确诊脑白质营养不良症患者的脑部MRI图像，涵盖五种主要亚型	医学影像分析	脑白质营养不良症	脑部MRI成像	传统机器学习算法, CNN	3D MRI图像	115例患者	NA	InceptionV3	准确率, 精确率, 召回率, 特异性, F1分数, AUC	NA
9504	2025-12-06	Towards improved fake news detection using a hybrid RoBERTa and metadata enhanced XGBoost model 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29942-y PMID:41345495	研究论文	本文提出了一种结合RoBERTa特征提取与XGBoost分类器的混合模型，用于提升假新闻检测性能	提出了一种新颖的混合框架，将基于Transformer的特征提取（RoBERTa嵌入）与集成学习分类器（XGBoost）相结合，并整合了TF-IDF分词和元数据处理，以同时捕捉语言和上下文特征	未明确说明模型在不同语言或跨领域数据集上的泛化能力，也未讨论计算资源消耗和实时检测效率	开发一个鲁棒且可扩展的假新闻检测系统，以应对在线平台上的错误信息传播问题	在线新闻文本及其相关元数据	自然语言处理	NA	自然语言处理（NLP）、深度学习	Transformer, XGBoost	文本、元数据	基于PolitiFact和GossipCop两个数据集进行训练和评估	NA	RoBERTa, XGBoost	准确率、精确率、召回率、F1分数	NA
9505	2025-12-06	Deep learning-driven ultra-stretchable kirigami metamaterials: towards surface texture modulation via buckling 2025-Dec-03, Soft matter IF:2.9Q2 DOI:10.1039/d5sm00933b PMID:41246961	研究论文	本文提出了一种基于深度学习的剪纸超材料创新设计策略，用于预测复杂非线性本构关系并实现可编程的机械响应	利用深度学习技术预测剪纸结构的复杂非线性力学行为，并提出了基于几何对称性破坏的可编程设计框架，显著扩展了剪纸的设计空间	未明确说明模型在极端应变条件下的泛化能力以及实际制造工艺对预测性能的影响	增强剪纸超材料的功能性，深入探究几何对称性破坏对屈曲行为的影响机制，并实现基于功能需求的机械性能预测与功能配置	镶嵌切割剪纸结构（tessellated cutting kirigami structures）	机器学习	NA	深度学习	NA	力学性能数据（推测为应力-应变关系等）	NA	NA	NA	准确率（94.29%）	NA
9506	2025-12-06	OpenLM: an open-source pixel super-resolution platform for lens-free microscopy with applications in bacterial growth monitoring and deep learning-based bacterial detection 2025-Dec-02, Lab on a chip IF:6.1Q2 DOI:10.1039/d5lc00719d PMID:41170835	研究论文	本文介绍了OpenLM，一个开源的无透镜显微镜平台，集成了像素超分辨率算法，用于细菌生长监测和基于深度学习的细菌检测	开发了一个低成本、易于复制的开源无透镜显微镜平台，结合像素超分辨率技术和多角度LED照明，显著提高了分辨率并保持了大视场，同时提供了用户友好的图形界面	NA	开发一个实用且可扩展的工具，用于细菌监测和其他生物医学应用	细菌生长和早期菌落形成	数字病理	NA	无透镜显微镜，像素超分辨率技术，多角度LED照明	YOLO	图像	NA	NA	YOLO	NA	Raspberry Pi相机和板卡
9507	2025-12-06	Deep-learning prediction of breast cancer hormone receptor status from CEM: a preliminary study 2025-Dec-02, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-025-00653-3 PMID:41329305	研究论文	本研究探索了利用深度学习从对比增强乳腺X线摄影图像中预测乳腺癌激素受体状态的可行性	首次将ResNet-18模型应用于对比增强乳腺X线摄影图像，通过加权交叉熵损失和温度缩放校准处理类别不平衡问题	数据集规模较小且具有特定采集协议，可能影响模型的广泛泛化能力	开发一种非侵入性的深度学习方法，用于从对比增强乳腺X线摄影图像中预测乳腺癌的激素受体状态	105名浸润性乳腺癌患者的对比增强乳腺X线摄影肿瘤裁剪图像	数字病理学	乳腺癌	对比增强乳腺X线摄影	CNN	图像	105名患者（训练集68例，验证集16例，独立测试集21例）	PyTorch	ResNet-18	准确率, AUROC, 平衡准确率, 马修斯相关系数, 精确率-召回率曲线下面积	NA
9508	2025-12-06	Imaging-based transformer model predicts early therapy response in advanced nasopharyngeal carcinoma: a dual-center study 2025-Dec-02, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02142-y PMID:41329405	研究论文	本研究开发了一种基于Transformer架构的2.5D影像融合模型，用于预测局部晚期鼻咽癌患者的早期治疗反应	首次将2.5D成像方法与Transformer架构结合，并融合临床数据，构建了用于预测局部晚期鼻咽癌早期治疗反应的深度学习模型	研究为双中心回顾性研究，样本量相对有限（n=184），且未在外部独立队列中进行验证	开发并验证一种深度学习模型，以预测局部晚期鼻咽癌患者对放化疗的早期治疗反应	局部晚期鼻咽癌（LA-NPC）患者	数字病理学	鼻咽癌	MRI成像	Transformer, CNN	图像（MRI），临床数据	184名患者（训练集89例，验证集39例，测试集56例）	NA	Transformer, SegResNet, Unet, UnetR	AUC, ROC曲线, 校准曲线, 决策曲线分析（DCA）	NA
9509	2025-12-06	Research on bamboo strip density control technology based on deep learning 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26909-x PMID:41330965	研究论文	本研究提出了一种基于深度学习的竹条密度自动检测方法，用于竹材质量控制	首次将深度学习应用于竹条密度检测，通过分析维管束分布来量化密度，并比较了多种主流深度学习模型在该任务上的性能	NA	开发一种自动化、高精度的竹条密度控制技术	竹条	计算机视觉	NA	深度学习	CNN, Transformer	图像	NA	NA	ConvNeXt	准确率	NA
9510	2025-12-06	Secure edge-guided adaptive image steganography using HED-based attention maps and CNN 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27150-2 PMID:41330978	研究论文	本文提出了一种结合HED边缘检测注意力机制和CNN的自适应图像隐写系统，用于在保持容量与失真平衡的同时安全地隐藏秘密图像	将HED生成的边缘图转化为高分辨率距离注意力图，指导自适应的LSB嵌入操作，并利用遗传算法优化注意力图阈值，实现了容量、不可感知性和安全性的良好权衡	系统在裁剪和压缩攻击下仍存在脆弱性	开发一种安全、自适应且高效的图像隐写方法，以平衡嵌入容量、图像质量和抗检测性	秘密图像和载体图像	计算机视觉	NA	图像隐写术，边缘检测，深度学习	CNN，编码器-解码器CNN	图像	使用两个数据集：USC-SIPI（秘密图像）和Boss Base（载体图像），具体样本数量未明确说明	NA	自定义编码器-解码器CNN	MSE, PSNR, MAE, SSIM, IF, PC, BPP, Xu-Net, Ye-Net, RS隐写分析, AUC, BER	NA
9511	2025-12-06	A deep learning-derived digital biomarker of dysglycemia and its association with genetic risk of type 2 diabetes 2025-Dec-02, npj metabolic health and disease DOI:10.1038/s44324-025-00089-8 PMID:41331126	研究论文	本研究利用深度学习从连续血糖监测数据中提取血糖异常特征，开发了一种数字生物标志物，并与传统血糖异常生物标志物及糖尿病多基因风险评分进行验证	首次应用深度学习从高维时间序列连续血糖监测数据中学习血糖异常特征，并衍生出数字生物标志物，该标志物在调整后仍与糖尿病显著相关，而传统指标则失去关联	未明确说明样本量大小或数据来源的具体细节，可能限制了结果的普适性	开发一种基于深度学习的数字生物标志物，以更全面地捕捉血糖异常信息，并评估其与糖尿病遗传风险的关联	连续血糖监测数据及其衍生的血糖异常特征	机器学习	2型糖尿病	连续血糖监测	深度学习模型	时间序列数据	NA	NA	NA	P值	NA
9512	2025-12-06	Prediction of recurrence after resection in hepatocellular carcinoma via whole liver deep learning on preoperative contrast-enhanced CT 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26933-x PMID:41331271	研究论文	本研究开发了一个全自动生存预测系统，通过术前增强CT扫描分析全肝区域，以预测肝细胞癌根治性切除术后的无复发生存期	提出了首个基于全肝区域（而非仅肿瘤区域）的深度学习系统，用于术前预测肝细胞癌的复发风险，并实现了从分割到预测的端到端全自动化流程	研究为回顾性设计，需要在前瞻性队列中进一步验证；外部验证集样本量相对有限	开发一种非侵入性方法，术前预测肝细胞癌患者根治性切除术后的复发风险	肝细胞癌患者	数字病理学	肝细胞癌	术前对比增强CT扫描	CNN	医学影像	827名患者（包含开发集、内部测试集和外部测试集）	NA	深度卷积神经网络	一致性指数	NA
9513	2025-12-06	Residual motion artifact removal enables dynamic μMRI of a behaving Pachnoda marginata 2025-Dec, Journal of magnetic resonance (San Diego, Calif. : 1997) DOI:10.1016/j.jmr.2025.107954 PMID:40945107	研究论文	本研究开发了一种结合回顾性门控μMRI重建与深度学习残差运动补偿技术的方法，以显著减少行为昆虫成像中的运动伪影	提出了一种完全回顾性门控策略，利用原位计算机视觉系统获取的运动信息，并结合U-Net深度学习网络处理残差运动伪影，实现了非侵入性动态μMRI成像	方法依赖于模拟的运动损坏与无运动图像对进行训练，可能在实际应用中存在泛化限制	开发一种减少行为昆虫μMRI成像中运动伪影的技术，以促进非侵入性动态成像研究	行为中的Pachnoda marginata昆虫	计算机视觉	NA	μMRI（微观磁共振成像）	CNN	图像	NA	NA	U-Net	NA	NA
9514	2025-12-06	Recent advances in glycated hemoglobin test methods: From lab to point of care testing devices 2025-Dec, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2025.148742 PMID:41237883	综述	本文综述了2018年至2025年7月期间糖化血红蛋白检测方法的最新进展，涵盖从实验室标准方法到即时检测设备的发展历程、技术原理及未来趋势	系统性地整合了糖化血红蛋白检测的多种新兴技术，包括各类生物传感器、芯片技术以及人工智能预测方法，并对公开可用的即时检测设备进行了比较评估	排除了信件、百科全书、会议材料、摘要和会议记录等来源，可能遗漏部分最新或非正式发表的研究成果	探讨糖化血红蛋白检测技术的发展现状、标准化进程以及未来技术融合方向	糖化血红蛋白检测技术、即时检测设备、生物传感器、人工智能预测模型	NA	糖尿病	电化学传感器、光学传感器、电化学发光传感器、质量传感器、比色法、荧光检测、芯片技术、微流控/芯片实验室系统	深度学习, 机器学习	NA	NA	NA	NA	NA	NA
9515	2025-12-03	Development, performance evaluation and prediction of optimal operational conditions for a double-row sugarcane harvester using deep learning 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30739-2 PMID:41326634	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
9516	2025-12-06	Enhancing prediction accuracy for muscle invasion in bladder cancer using a dual-energy CT-based interpretable model incorporating habitat radiomics and deep learning 2025-Dec-01, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15107-7 PMID:41327160	研究论文	本研究通过整合双能CT的定量参数、栖息地放射组学特征和2.5D深度学习特征，开发了一个可解释的模型，用于提高膀胱癌肌层浸润状态的术前预测准确性	结合栖息地分析和2.5D深度学习，利用双能CT图像构建可解释的集成模型，以增强膀胱癌肌层浸润的术前评估	研究为回顾性设计，样本量相对有限（200例患者），且仅基于单一机构的双能CT尿路造影数据	提高膀胱癌肌层浸润状态的术前预测准确性，以支持个性化治疗计划的制定	膀胱癌患者	数字病理学	膀胱癌	双能CT成像，碘基物质分解成像，K-means聚类	深度学习，放射组学	双能CT图像	200例膀胱癌患者（训练队列140例，测试队列60例）	NA	ResNet 101	AUC，校准曲线	NA
9517	2025-12-06	Aortic dissection mortality in the United States, 1968-2023: Trends, disparities, and deep learning forecasts 2025-Dec, International journal of cardiology. Cardiovascular risk and prevention DOI:10.1016/j.ijcrp.2025.200547 PMID:41333716	研究论文	本研究分析了美国1968年至2023年主动脉夹层死亡率趋势、差异，并使用深度学习模型预测至2033年的死亡率	首次结合长期历史数据分析主动脉夹层死亡率趋势，并应用Bi-GRU深度学习模型进行未来十年死亡率预测	研究基于死亡证明数据，可能存在编码错误或漏报；预测模型未考虑未来医疗政策或技术突破的影响	评估美国主动脉夹层死亡率的历史趋势、人口差异，并预测未来死亡率变化	美国1968-2023年主动脉夹层相关死亡病例	机器学习	心血管疾病	死亡数据分析，深度学习预测	Bi-GRU	结构化死亡记录数据	175,930例主动脉夹层相关死亡病例	NA	Bi-GRU	年度百分比变化，平均年度百分比变化	NA
9518	2025-12-06	Fuel-Free Rolosense: Viral Sensing Using Diffusional Particle Tracking 2025-Nov-28, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.5c02311 PMID:41191496	研究论文	本文介绍了一种无需燃料的Rolosense诊断方法，利用布朗运动和机械力传感实现病毒检测	采用机械力传感作为基本转导机制，利用布朗运动和热波动实现快速、灵敏、特异的完整病毒颗粒检测，无需荧光报告基因或酶促扩增	NA	开发一种高灵敏度、无需燃料的病毒诊断方法	SARS-CoV-2变体（如BA.1和BA.5）、流感A病毒、HCoV OC43和229E等病毒病原体	生物传感	病毒感染	布朗运动、机械力传感、扩散粒子追踪	深度学习	图像	NA	NA	NA	检测限（低至10拷贝/毫升）	3D打印明场显微镜
9519	2025-12-06	A Practical Guide to Transition State Analysis in Biomolecular Simulations with TS-DAR 2025-Nov-27, The journal of physical chemistry. B DOI:10.1021/acs.jpcb.5c06097 PMID:41252524	研究论文	本文介绍了一种名为TS-DAR的计算框架，用于从分子动力学模拟中系统识别生物分子构象变化中的过渡态	提出了一种结合分布外检测、变分原理正则化神经网络和VAMP-2分散损失函数的计算框架，能够自动识别传统方法难以捕捉的短寿命高能过渡态	未明确说明方法对计算资源的需求、在不同蛋白质系统上的普适性验证以及与其他过渡态识别方法的定量比较	开发并推广一种能够系统识别生物分子构象变化中过渡态的计算方法	蛋白质构象变化过程中的过渡态	计算生物物理学	NA	分子动力学模拟	深度学习模型	分子动力学模拟轨迹数据	NA	NA	神经网络	NA	NA
9520	2025-12-06	Deep Learning Model for Breast Shear Wave Elastography to Improve Breast Cancer Diagnosis (INSPiRED 006): An International, Multicenter Analysis 2025-Nov-10, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO-24-02681 PMID:40834300	研究论文	本研究开发并验证了一种基于剪切波弹性成像（SWE）图像的深度学习模型（AI-SWE），用于改善BI-RADS 3和4类乳腺肿块的癌症诊断	首次在国际多中心研究中开发并验证了基于EfficientNetB1架构的深度学习模型，用于分析乳腺剪切波弹性成像图像，旨在解决传统方法因缺乏已验证速度阈值而导致的临床应用受限问题	研究未明确说明模型在不同人群或设备间的泛化能力细节，且未来需探索其与多模态乳腺癌诊断工具的整合效果	开发并验证一种基于深度学习的剪切波弹性成像图像分析模型，以提升乳腺肿块（特别是BI-RADS 3和4类）的癌症诊断准确性，并减少不必要的活检	患有BI-RADS 3或4类乳腺肿块的女性患者的剪切波弹性成像图像	数字病理学	乳腺癌	剪切波弹性成像	CNN	图像	开发集：924名患者（4,026张图像）；外部验证集1：194名患者（562张图像）；外部验证集2：176名患者（188张图像，使用最新SWE软件）	NA	EfficientNetB1	灵敏度, 特异性, 假阳性率, 受试者工作特征曲线下面积	NA