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
9521	2025-12-06	Firearm brand classification using deep learning on cartridge case images 2026-Feb, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2025.112671 PMID:41061388	研究论文	本研究提出了一种基于深度学习的枪械品牌分类方法，利用弹壳图像的归一化高度图和形状指数变换，以提高法医弹道学中的枪械识别准确性和效率	首次将深度学习方法应用于弹壳图像的枪械品牌分类，通过归一化高度图和形状指数变换提取特征，并利用过采样技术处理类别不平衡问题	研究主要基于土耳其的枪械品牌数据，可能在其他地区的适用性有限；且未详细讨论模型在真实犯罪场景中的泛化能力	开发一种自动化枪械品牌分类系统，以优化法医弹道学中的弹壳比较流程，减少检查时间并提高调查效率	弹壳图像，涵盖土耳其犯罪案件中常见的21种最流行枪械品牌，包括手工枪械和改装空包手枪	计算机视觉	NA	归一化高度图，形状指数变换，图像处理	CNN, Transformer	图像	超过35万弹壳样本，通过旋转过采样扩展至超过100万样本	NA	ResNet, Vision Transformer	准确率	NA
9522	2025-12-06	Deep learning enhanced label-free cervical screening via stimulated Raman cytology 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128982 PMID:41109050	研究论文	本文提出了一种基于刺激拉曼细胞学的无标记宫颈筛查平台，结合深度学习实现宫颈细胞的快速筛查和诊断	开发了VAD-SRC平台，通过刺激拉曼散射显微镜获取细胞内在生物分子对比，结合深度卷积神经网络实现高精度诊断和细胞类型自动分割	未提及研究的具体局限性	提高宫颈癌筛查的诊断通量和灵敏度	宫颈细胞样本	数字病理学	宫颈癌	刺激拉曼散射显微镜	CNN	图像	未提及具体样本数量	NA	深度卷积神经网络	准确率, 灵敏度	NA
9523	2025-12-06	SE-PDS enhanced NIR spectral transfer learning: A machine learning approach for cross-instrument jet fuel property quantification 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.129005 PMID:41124770	研究论文	本研究提出了一种改进的共享嵌入增强分段直接标准化算法，结合随机森林模型，实现了跨仪器对喷气燃料16种理化性质的定量预测	提出了改进的SE-PDS算法，整合了所有光谱段的光谱矩阵和窗口索引，使单个模型能够利用不同特征间的共享信息，并自动识别和消除光谱数据中的不规则波动和突变	研究仅使用了86个喷气燃料样本进行验证，样本量相对较小	实现跨仪器近红外光谱的迁移学习，用于喷气燃料性质的定量预测	喷气燃料的理化性质	机器学习	NA	近红外光谱	随机森林	光谱数据	86个喷气燃料样本	NA	随机森林	相关系数, 决定系数, 相对误差率	NA
9524	2025-12-06	Characterization of Gastrodiae Rhizoma from different geographical origins by HS-GC-IMS and authenticity identification combined with deep learning 2026-Jan-04, Journal of chromatography. A DOI:10.1016/j.chroma.2025.466482 PMID:41172769	研究论文	本研究结合顶空气相色谱-离子迁移谱（HS-GC-IMS）与深度学习算法，对不同产地天麻的挥发性成分进行表征并建立产地真实性鉴别方法	首次将GC-IMS二维谱图与深度学习（CNN、ResNet）相结合用于天麻产地鉴别，准确率超过99.54%，显著优于传统机器学习方法（约90%）	样本数量有限（未明确具体样本数），仅分析了挥发性成分，未涵盖其他化学组分	建立天麻产地鉴别与掺假筛查策略，确保市场产品质量	不同地理来源的天麻（Gastrodiae Rhizoma）样本	计算机视觉	NA	顶空气相色谱-离子迁移谱（HS-GC-IMS）	CNN, ResNet	图像（2D GC-IMS色谱图）	未明确具体样本数量，涉及不同产地天麻样本	NA	卷积神经网络（CNN）, 残差网络（ResNet）	准确率	NA
9525	2025-12-06	Evolution of chromatographic modeling: From mechanistic models to hybrid models with physics-based deep learning 2026-Jan-04, Journal of chromatography. A DOI:10.1016/j.chroma.2025.466565 PMID:41297511	综述	本文系统总结了基于物理的深度学习（PBDL）方法在色谱建模中的三代演进过程	提出了色谱建模从传统机理模型到融合机理理解与数据驱动的混合模型的演进框架，并阐述了PBDL如何实现物理与数据的相互反馈	未提及具体应用案例的性能局限或数据要求	综述色谱建模技术的发展历程，探讨物理驱动深度学习方法的演进与潜力	色谱建模方法	机器学习	NA	物理驱动的深度学习	神经网络	模拟数据与物理方程	NA	NA	物理信息神经网络	NA	NA
9526	2025-12-06	Potential radiation dose reduction in computed tomography with deep learning reconstruction: a retrospective monocentric study 2025-12-05, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.4274/dir.2025.253513 PMID:41346133	研究论文	本研究评估了深度学习重建算法在常规临床CT扫描中相比迭代重建算法，能否在维持或提升图像质量的同时降低辐射剂量	首次在单中心、大规模回顾性研究中，系统评估了深度学习重建算法在四种不同CT协议（胸部、头部、胸腹盆肿瘤学、下肢CTA）中降低辐射剂量的一致性和有效性，证实了其广泛的临床应用潜力	研究为回顾性、单中心设计，可能存在选择偏倚，且图像质量评估仅基于子样本（200名患者）	评估深度学习重建算法在降低CT扫描辐射剂量方面的有效性和一致性	接受CT扫描的患者	医学影像	NA	计算机断层扫描	深度学习重建算法	CT图像	总人群13,060名患者，图像质量评估子样本200名患者（每组每个协议25名）	NA	NA	主观图像质量评估，标准化信噪比，对比噪声比	NA
9527	2025-12-06	Digital profile of children's hearts: automated echocardiogram strain analysis facilitates earlier detection of cardiac dysfunction 2025-Dec-05, European heart journal IF:37.6Q1 DOI:10.1093/eurheartj/ehaf952 PMID:41347951	研究论文	本文提出了一种名为Motion-Echo的半监督深度学习框架，用于自动化超声心动图应变分析，旨在提高儿童心脏功能障碍的早期检测能力	开发了一个大规模、供应商无关的半监督深度学习框架，整合了上下文补偿和运动估计模块，适用于不同图像质量和人群的超声心动图应变分析	NA	通过标准化和自动化超声心动图应变分析，提高儿童心脏功能评估的准确性并实现心脏功能障碍的早期检测	儿童和成人的超声心动图数据	数字病理学	心血管疾病	超声心动图	深度学习	图像	11096例儿童和11297例成人超声心动图	NA	Motion-Echo	平均绝对误差, Pearson相关系数, AUC	NA
9528	2025-12-06	Attention-Guided Deep Learning of Chemical Exchange Saturation Transfer Magnetic Resonance Imaging to Differentiate Between Tumor Progression and Radiation Necrosis in Brain Metastasis 2025-Dec-05, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.10.040 PMID:41348074	研究论文	本研究开发了一种基于注意力引导深度学习的化学交换饱和转移磁共振成像方法，用于区分脑转移瘤中的肿瘤进展与放射性坏死	提出了一种结合新型注意力机制的三维Transformer模型，并首次将多模态化学交换饱和转移MRI与T1/T2映射及常规结构MRI结合用于该诊断任务	样本量相对有限（93例患者，230个病灶），且需依赖组织病理学或长期随访影像确认结果，可能引入选择偏倚	解决脑转移瘤立体定向放射外科治疗后放射性坏死与肿瘤进展的鉴别诊断难题	接受立体定向放射外科治疗的脑转移瘤患者（共93例，包含230个病灶）	数字病理学	脑转移瘤	化学交换饱和转移磁共振成像，T1/T2映射，常规结构MRI	Transformer	磁共振图像	93例患者（230个病灶），其中训练集47例患者（184个病灶），独立测试集46例患者（46个病灶）	NA	三维Transformer模型	AUC（受试者工作特征曲线下面积）	NA
9529	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
9530	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
9531	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
9532	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
9533	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
9534	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
9535	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
9536	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
9537	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
9538	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
9539	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
9540	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