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
81	2025-12-31	[Image classification of osteoarthritis based on improved shifted windows transformer and graph convolutional networks] 2025-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202504039 PMID:41448761	研究论文	本文提出了一种基于改进的Swin Transformer和图卷积网络的骨关节炎自动诊断方法，通过增强关节空间特征建模和跨层特征融合来提高早期诊断准确性	设计了SW-HAM水平注意力机制增强水平方向特征提取，并引入CAG-SAGE通过动态注意力机制对病灶区域特征进行加权聚合，结合跨层连接技术实现多层特征高效融合	NA	提高骨关节炎早期诊断的准确性	骨关节炎X射线图像	计算机视觉	骨关节炎	X射线成像	Transformer, GCN	图像	NA	NA	Swin Transformer, GraphSAGE	准确率, 召回率, 精确率, F1分数, AUC	NA
82	2025-12-31	[Research progress on quantitative magnetic susceptibility imaging reconstruction method based on improved U-network model] 2025-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202412074 PMID:41448772	综述	本文综述了基于改进U-Net架构的定量磁化率成像重建方法的研究进展	将基于U-Net架构的改进模型分为结构优化、物理约束和提升泛化能力三类进行系统梳理和比较	NA	总结和改进基于U-Net的定量磁化率成像重建方法，以解决偶极子反演阶段的挑战	定量磁化率成像重建中的偶极子反演过程	计算机视觉	NA	磁共振成像	U-Net	图像	NA	NA	U-Net	NA	NA
83	2025-12-31	[Review of application of U-Net and Transformer in colon polyp image segmentation] 2025-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202405039 PMID:41448773	综述	本文综述了U-Net和Transformer模型在结肠息肉图像分割领域的应用、改进方法、优势与局限性	系统梳理并比较了基于U-Net、Transformer及其混合模型在结肠息肉分割中的技术路线，总结了改进策略并展望了未来研究方向	作为综述文章，未提出新的原创模型或进行实验验证，主要基于现有文献进行分析总结	回顾和总结深度学习模型在结肠息肉图像自动分割中的应用现状与发展趋势	结肠息肉医学图像	数字病理学	结直肠癌	NA	CNN, Transformer	图像	NA	NA	U-Net, Transformer	NA	NA
84	2025-12-31	Machine Learning for Performance Prediction and Optimization of Polymer Composites: Unveiling the Dominant Role of Thermally Conductive Pathways 2025-Dec-24, ACS applied materials & interfaces IF:8.3Q1 DOI:10.1021/acsami.5c21877 PMID:41364534	研究论文	本研究开发了一种结合传统机器学习、深度学习和生成模型的新框架，用于预测和优化聚合物复合材料的性能，特别是热导率和杨氏模量	提出了一种新颖的密集球体填充算法来构建多填料复合材料的几何模型，并定义了与导热通路相关的描述符以提高预测精度，同时利用基于Transformer的生成模型在低填料体积分数下生成具有导热通路的RVE结构	传统机器学习算法在捕捉导热通路方面存在局限性，且研究主要关注低填料体积分数下的性能，可能未全面覆盖所有填料条件	预测和优化聚合物复合材料的热导率和机械性能	多填料聚合物复合材料	机器学习	NA	密集球体填充算法，COMSOL模拟	Random Forest Regression, Convolutional Neural Network, Transformer	几何模型数据，模拟数据	1024个代表性体积元素（RVE）模型	NA	CNN, Transformer	预测精度	NA
85	2025-12-31	General Framework for Geometric Deep Learning on Tensorial Properties of Molecules and Crystals 2025-Dec-24, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c12428 PMID:41364709	研究论文	本文提出了一种用于分子和晶体张量性质几何深度学习的通用框架	开发了一个通用输出模块，使等变图神经网络能够端到端预测具有指定置换对称性的任意阶张量，并支持原子级性质和高阶张量	NA	预测分子和晶体的张量响应性质	分子和晶体	机器学习	NA	几何深度学习	等变图神经网络	张量数据	NA	NA	XPaiNN	准确性	NA
86	2025-12-31	A hybrid ensemble deep learning framework with novel metaheuristic optimization for scalable malicious website detection 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33695-z PMID:41436869	研究论文	提出一种融合集成学习模型与深度神经网络的混合检测框架，用于准确识别恶意网站	首次将WDOA和EVO两种新型元启发式算法用于超参数优化，并构建了结合应用层与网络层特征的混合集成深度学习框架	未在动态更新的实时网络环境中进行长期性能验证	开发可扩展的恶意网站检测系统以提升网络安全防御能力	恶意网站与良性网站的URL数据	机器学习	NA	NA	集成学习, 深度神经网络	结构化数据（URL属性、网络特征）	63,191个URL样本	Scikit-learn, TensorFlow/PyTorch（隐含）	Random Forest, XGBoost, LightGBM, DNN	准确率, 可扩展性, 可解释性	NA
87	2025-12-31	MIAT-DHX9 spatiotemporal expression drives venous neointimal hyperplasia through nucleolar homeostasis and mitotic progression 2025-Dec-23, Cell reports IF:7.5Q1 DOI:10.1016/j.celrep.2025.116578 PMID:41259202	研究论文	本文揭示了长链非编码RNA MIAT与DExH-box解旋酶9（DHX9）在静脉新生内膜增生中的时空表达模式，通过调控核仁稳态和有丝分裂进程驱动平滑肌细胞增殖	首次利用多超分辨率成像和单分子荧光原位杂交技术，揭示了MIAT-DHX9轴在核仁中的时空表达及其通过PARP1相互作用调控细胞周期的机制，并应用深度学习识别核仁形态特征作为疾病进展的生物标志物	研究主要基于体外和动物模型，尚未在人体临床试验中验证MIAT-DHX9靶向治疗的安全性和有效性	探究静脉新生内膜增生的分子机制，并开发基于核仁调控的治疗策略	平滑肌细胞（SMCs）的核仁稳态、有丝分裂进程及细胞增殖	数字病理学	心血管疾病	多超分辨率成像、单分子荧光原位杂交（FISH）、CRISPR基因编辑、深度学习	深度学习模型	图像数据（超分辨率成像、FISH图像）	体外平滑肌细胞模型及动物模型（具体数量未明确说明）	NA	NA	NA	NA
88	2025-12-31	Exploiting fuzzy weights in CNN model-based taxonomic classification of 500-bp sequence bacterial dataset 2025-Dec-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-24836-5 PMID:41436515	研究论文	本文提出了一种改进的模糊加权卷积神经网络（F-CNN），用于细菌DNA序列（特别是500-bp片段）的分类学分类	结合深度学习和模糊逻辑处理，通过特征选择阶段和模糊加权系统来处理分类层中相似类别的不确定性，并利用模糊权重优化参数	未明确说明模型在更短或更复杂序列片段上的性能，也未讨论计算复杂度或模型可解释性	解决基于有限500-bp片段对细菌DNA序列进行准确分类学分类的挑战	细菌DNA序列，特别是500-bp片段	自然语言处理	NA	DNA测序	CNN	序列数据	超过140万条细菌基因序列（来自RDP 11数据集）	NA	模糊加权卷积神经网络（F-CNN）	分类准确率	NA
89	2025-12-31	Systematic review and meta-analysis of AI-driven MRI motion artifact detection and correction 2025-Dec-23, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2025.105704 PMID:41442850	综述与荟萃分析	本文对人工智能驱动的MRI运动伪影检测与校正方法进行了系统性回顾与荟萃分析	聚焦于深度学习特别是生成模型在MRI运动伪影处理中的应用，并识别了当前发展的关键挑战与未来方向	方法泛化能力有限，依赖成对训练数据，存在视觉失真风险，且缺乏标准化数据集与报告协议	评估AI驱动方法在MRI运动伪影检测与校正中的有效性、挑战及未来研究方向	MRI图像中的运动伪影	医学影像分析	NA	磁共振成像	深度学习，生成模型	图像	NA	NA	NA	NA	NA
90	2025-12-31	Prediction of electricity consumption and hydropower production in the smart power grid based on the gated recurrent unit neural network and modified future search algorithm 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32294-2 PMID:41429848	研究论文	本研究基于门控循环单元神经网络和改进的未来搜索算法，开发了一个优化模型，用于智能电网中电力消耗和水力发电的预测	结合GRU神经网络和改进的未来搜索算法，提高了电力消耗和水力发电预测的准确性	未明确提及模型的具体局限性，如数据范围或泛化能力	开发一个改进的模型，以分析和预测智能电网中的能源生成和电力使用	智能电网中的电力消耗模式和水力发电生产	机器学习	NA	门控循环单元神经网络，改进的未来搜索算法	GRU	经济数据，社会数据，气候数据	NA	NA	GRU	NA	NA
91	2025-12-31	A novel sub-differentiable hausdorff loss combined with BCE for MRI brain tumor segmentation using UNet variants 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33136-x PMID:41429890	研究论文	本文提出了一种新颖的次可微Hausdorff损失函数，结合BCE损失，用于基于UNet变体的MRI脑肿瘤分割，以解决类不平衡、小肿瘤检测和边界预测问题	提出了一种次可微Hausdorff损失函数，通过平滑可微的公式实现稳定的梯度学习和鲁棒的边界对齐，并与BCE损失结合，以平衡边界精度和区域分割准确性	未明确说明数据集的规模或多样性限制，也未讨论计算资源需求或模型泛化能力到其他医学图像模态	开发一种改进的损失函数和深度学习管道，用于MRI脑肿瘤分割，以提高分割质量和诊断准确性	MRI脑肿瘤图像	数字病理学	脑肿瘤	MRI	CNN	图像	NA	NA	UNet, UNet+, VNet, UNet++, Attention UNet	准确率, 精确率, 召回率, Dice分数, IoU, F1分数, 马修斯相关系数	NA
92	2025-12-31	Clair3-RNA: a deep learning-based small variant caller for long-read RNA sequencing data 2025-Dec-22, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67237-y PMID:41430046	研究论文	本文提出了一种基于深度学习的、专为长读长RNA测序数据设计的小变异检测工具Clair3-RNA	首个针对长读长RNA测序数据开发的深度学习变异检测工具，集成了不均匀覆盖度归一化、改进的训练数据、编辑位点发现和单倍型定相等优化技术	NA	开发一个高性能的变异检测工具，以应对长读长RNA测序数据中的高错误率、转录本多样性和RNA编辑事件等挑战	长读长RNA测序数据中的小变异（如SNP）	生物信息学	NA	长读长RNA测序（lrRNA-seq），包括PacBio、ONT cDNA和ONT dRNA平台	深度学习	RNA测序数据	使用了GIAB样本进行测试	NA	基于Clair系列管道构建	SNP F1分数	NA
93	2025-12-24	Cross-cohort genetic risk prediction for Alzheimer's disease: a transfer learning approach using GWAS and deep learning models 2025-Dec-22, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00506-0 PMID:41430307	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
94	2025-12-31	A lightweight and generalizable deep learning framework for early detection of rice leaf diseases in complex field environments 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32568-9 PMID:41430365	研究论文	本文提出了一种轻量级深度学习框架，用于在复杂田间环境中早期检测水稻叶片病害	引入了多分支大核融合深度可分离模块、多尺度扩张Transformer注意力模块和轻量化检测头，以增强多尺度上下文特征提取、改善复杂条件下的特征表示，并显著降低模型复杂度	NA	开发一种高效、轻量且泛化能力强的深度学习框架，用于早期检测水稻叶片病害	水稻叶片病害，以及马铃薯和番茄叶片病害作为泛化验证对象	计算机视觉	植物病害	深度学习	CNN, Transformer	图像	NA	PyTorch	YOLOv5n, YOLOv8n, YOLOv10n, YOLOv11n, 以及提出的MLFD, MDTA, Lo-Head模块	mAP@0.5:0.95	边缘设备（如无人机、田间传感器）
95	2025-12-31	Deep learning-based non-contrast MRI model for nasopharyngeal carcinoma diagnosis: an end-to-end gadolinium-free solution 2025-Dec-22, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02247-0 PMID:41430426	研究论文	本研究提出了一种仅使用非对比增强MRI进行鼻咽癌诊断的深度学习模型，旨在减少对钆基造影剂的依赖	开发了一种新颖的知识蒸馏模态融合模型，用于仅基于非对比MRI进行鼻咽癌诊断，实现了端到端的无钆解决方案	未明确说明模型在更广泛人群或不同MRI设备上的泛化能力，也未详细讨论模型的可解释性	开发一种安全、经济且无需钆基造影剂的鼻咽癌诊断方法	鼻咽癌（NPC）患者	数字病理学	鼻咽癌	MRI（磁共振成像）	深度学习模型	医学影像（MRI）	训练队列854例，内部测试集257例，独立外部测试集277例	NA	知识蒸馏模态融合模型	AUC（曲线下面积）	NA
96	2025-12-31	CaliciBoost: Performance-driven evaluation of molecular representations for caco-2 permeability prediction 2025-Dec-22, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01137-7 PMID:41430621	研究论文	本研究系统评估了八种分子特征表示类型结合自动机器学习技术，用于预测Caco-2渗透性，并开发了性能最优的模型CaliciBoost	首次系统比较了包括2D/3D描述符、结构指纹和深度学习嵌入在内的多种分子表示在Caco-2渗透性预测中的效果，并通过自动机器学习优化确定了最佳模型	研究主要基于两个特定数据集（TDC基准和OCHEM数据），可能未覆盖所有化学多样性；自动机器学习方法可能增加计算复杂度	提高Caco-2渗透性预测的准确性和效率，为早期药物发现中的口服吸收预测提供计算工具	药物候选分子的Caco-2渗透性	机器学习	NA	自动机器学习（AutoML）	集成学习（如Boosting）	分子特征数据（描述符、指纹、嵌入）	两个数据集：TDC基准和OCHEM数据，具体样本数未明确	AutoML框架（具体未指定，可能包括Scikit-learn等）	CaliciBoost（基于Boosting的定制模型）	MAE（平均绝对误差），TDC Caco-2排行榜排名	NA
97	2025-12-22	Advanced customer churn prediction for a music streaming digital marketing service using attention graph-based deep learning approach 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28357-z PMID:41422130	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
98	2025-12-31	Deep learning to predict emergency department revisit using static and dynamic features (Deep Revisit): development and validation study 2025-Dec-20, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00509-x PMID:41422240	研究论文	本研究开发并验证了一种结合静态和动态特征的深度学习模型（Deep Revisit），用于预测急诊科再就诊风险	提出了一种结合时间卷积网络（TCN）和特征标记化（FT）-Transformer的混合深度学习模型，以整合静态和短期动态信息，并开发了预处理策略处理时间不规则性	未明确提及研究的具体局限性	预测急诊科再就诊风险，特别是高风险再就诊病例（如需要重症监护室入院、心脏骤停或紧急手术）	急诊科患者	机器学习	NA	NA	深度学习, TCN, Transformer	静态特征（如年龄、性别、分诊信息）和动态特征（生命体征）	基于国立台湾大学医院2016-2019年数据，并在2020-2022年数据上进行验证	NA	TCN, FT-Transformer	AUROC, AUPRC, 精确率	NA
99	2025-12-31	[Diagnosis and treatment of liver diseases in the era of artificial intelligence] 2025-Dec-20, Zhonghua gan zang bing za zhi = Zhonghua ganzangbing zazhi = Chinese journal of hepatology DOI:10.3760/cma.j.cn501113-20250910-00376 PMID:41461549	综述	本文分析了人工智能在肝病诊断与治疗中的应用进展，特别是在大数据分析、转化研究和影像病理解读等关键领域，并探讨了当前面临的挑战与未来发展方向	系统梳理了AI在肝病领域的应用现状，并明确指出其在真实世界临床决策支持中的核心痛点，如模型成熟度不足、责任归属问题以及多中心通用模型构建的困难	当前AI技术尚无法有效支持真实世界临床决策，模型个性化强、碎片化，难以整合为广泛适用的多中心通用模型，且未能有效减轻医生工作量	探讨人工智能在肝病诊断与治疗中的应用潜力、当前挑战及未来发展方向	肝病（肝脏疾病）	数字病理学	肝病	机器学习, 深度学习	NA	多模态数据（病史、体征、实验室数据、影像、病理）	NA	NA	NA	NA	NA
100	2025-12-31	Trustworthy deep learning for malaria diagnosis using explainable artificial intelligence 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28387-7 PMID:41419508	研究论文	本研究利用可解释人工智能技术，开发了一个基于深度学习的、高精度且可解释的疟疾诊断框架	在实现高精度疟疾检测的基础上，系统集成了三种可解释人工智能技术，提供了从空间、超像素到像素级别的模型决策透明度，并分析了误诊样本以阐明模型失败模式	研究主要基于公开数据集，在真实世界临床环境中的部署和验证可能面临挑战	开发一个自动化、高精度且可解释的疟疾诊断解决方案，以克服传统诊断方法的局限性	疟疾血涂片图像	计算机视觉	疟疾	显微镜成像	CNN	图像	27,090张图像（来自Kaggle疟疾数据集），以及来自哈佛Dataverse的独立厚涂片图像数据集	NA	MobileNetV2, VGG19, InceptionV3, ResNet18, Xception, Inception-ResNetV2	准确率, F1分数	NA