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
1021	2025-12-08	Refining cell classification for cervical cancer detection using an improved high dimensional feature fusion approach 2025-Dec, Medical engineering & physics IF:1.7Q3 DOI:10.1016/j.medengphy.2025.104445 PMID:41352861	研究论文	本文提出了一种改进的高维特征融合方法，用于宫颈细胞图像分类以检测宫颈癌	引入改进的高维特征融合框架，整合七个预训练CNN架构的特征，通过全连接分类器增强泛化能力并减少冗余	未提及模型在外部验证或临床部署中的具体限制	提高宫颈细胞图像分类的准确性和泛化能力，以早期检测宫颈癌	宫颈细胞图像	计算机视觉	宫颈癌	深度学习	CNN	图像	四个基准数据集：Herlev、SIPaKMeD、Mendeley LBC和Malhari	NA	VGG16, VGG19, ResNet50, XceptionNet, InceptionV3, DenseNet121, Lightweight Feature extractor	准确率, 精确率, 召回率, F1分数, 特异性, AUC	NA
1022	2025-12-08	MALDI-TOF mass spectrometry coupled with machine learning: an accurate tool to detect toxigenic Clostridioides difficile strains 2025-Nov-29, Anaerobe IF:2.5Q3 DOI:10.1016/j.anaerobe.2025.103017 PMID:41325791	研究论文	本研究评估了MALDI-TOF质谱结合机器学习在区分产毒与非产毒艰难梭菌菌株中的有效性	首次将MALDI-TOF质谱与机器学习算法结合，用于快速、低成本地识别艰难梭菌的产毒特性	样本量相对有限（389株菌株），且研究仅基于单一机构的临床样本，可能影响模型的泛化能力	开发一种基于MALDI-TOF质谱和机器学习的准确、经济且易于使用的替代方法，用于检测产毒艰难梭菌菌株	从315名患者粪便中分离出的389株艰难梭菌菌株（包括产毒与非产毒类型）	机器学习	艰难梭菌感染	MALDI-TOF质谱, 全基因组测序, PCR, 厌氧培养	支持向量机, 随机森林, 深度学习算法	质谱数据, 基因组数据	389株艰难梭菌菌株（来自315名患者）	NA	NA	准确率, κ值, 灵敏度, 特异性, 阳性预测值, 阴性预测值	NA
1023	2025-12-08	Personalized adrenal gland volume reference ranges and development of a fully automated deep learning screening tool 2025-Nov-29, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112591 PMID:41352231	研究论文	本研究开发了一种基于低剂量CT的全自动深度学习工具，用于筛查肾上腺体积异常并建立个性化参考范围，以辅助诊断肾上腺疾病	首次结合nnU-Net深度学习模型与高斯混合模型异常检测系统，为肾上腺体积建立了考虑年龄、性别、体表面积和血液标志物等多因素的个性化参考范围	研究仅基于低剂量非增强胸部CT数据，未包含其他影像模态；异常筛查在高血压/糖尿病和肾上腺增生验证集中的检测率分别为62.31%和77.09%，仍有提升空间	开发自动化肾上腺体积筛查工具并建立个性化参考范围，以辅助肾上腺疾病的诊断	接受低剂量非增强胸部CT检查的成年人（≥18岁），包括健康参考组、高血压/糖尿病验证组和肾上腺异常验证组	数字病理	肾上腺疾病	低剂量非增强胸部CT	深度学习	CT图像	总样本18,538名成年人，其中健康参考组7,907人；训练使用400张CT图像，验证使用550张图像；高血压/糖尿病验证集3,266例，肾上腺增生验证集240例	nnU-Net	nnU-Net	Dice相似系数, ICC	NA
1024	2025-12-08	ODF based deep learning network for unsupervised deformable diffusion resonance image registration (ODDRnet) 2025-Nov-28, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121628 PMID:41318043	研究论文	提出了一种基于fODF的无监督深度学习框架ODDRnet，用于扩散磁共振图像的非线性配准	直接对齐高维fODF数据，利用方向信息进行更精确的白质结构配准，提高了配准的解剖学准确性	未明确说明计算资源需求或模型在极端病例上的表现	开发一种用于扩散磁共振图像非线性配准的深度学习框架	扩散磁共振图像数据，特别是白质结构	医学图像处理	NA	扩散磁共振成像	深度学习网络	扩散磁共振图像	多个公共和私人数据集，具体数量未明确	NA	ODDRnet	tract dice, tract distance	NA
1025	2025-12-08	Adversarial unpaired disentanglement network (AUDNet): Precise analysis of severely overlapping CS2/SO2 signals in UV-DOAS 2025-Nov-27, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127268 PMID:41351963	研究论文	本文提出了一种结合紫外差分光学吸收光谱与生成对抗网络的CS₂/SO₂混合气体检测系统，用于精确分析严重重叠的光谱信号	提出基于WGAN-GP的对抗非配对解缠网络，无需混合光谱与单一纯组分光谱的严格配对即可进行训练，解决了传统方法因光谱严重重叠导致的精度限制问题	实验测试范围有限（CS₂: 3.81-179.2 ppb, SO₂: 44.43-942.73 ppb），未在更宽浓度范围或更多气体种类中进行验证	开发一种高精度的CS₂/SO₂混合气体检测方法，以评估气体绝缘开关设备的绝缘状态	CS₂和SO₂混合气体	机器学习和光谱分析	NA	紫外差分光学吸收光谱	GAN, WGAN-GP	光谱数据	NA	NA	对抗非配对解缠网络	平均绝对百分比误差, 检测限	NA
1026	2025-12-08	Intelligent Condition Monitoring of High-Formwork Support Systems: A Hybrid FEM-Deep Learning Approach with Large Language Model Integration 2025 Oct-Dec, Science progress IF:2.6Q2 DOI:10.1177/00368504251393791 PMID:41334721	研究论文	本研究提出了一种结合数值模拟、深度学习和检索增强生成系统的高支模支撑系统智能监测框架	采用遗传算法-粒子群优化混合算法优化有限元模型，并集成RNN-LSTM与基于GPT技术的RAG系统实现自动化监测报告生成	未明确说明实际工程验证的规模与长期稳定性数据	开发高支模支撑系统的智能健康监测与自动化报告生成方法	高支模支撑系统的结构响应数据与监测报告	机器学习	NA	有限元模拟、遗传算法-粒子群优化混合算法	RNN-LSTM, CNN	数值模拟生成的结构响应数据	基于有限元模型生成的三种工况数据集（正常操作、局部失稳、整体失稳）	NA	RNN-LSTM, CNN	多种评估指标（具体名称未说明）	NA
1027	2025-12-08	Traditional Chinese medicine-based pattern differentiation system of deficiency and excess using traditional Chinese medicine-based inspection characteristics 2025 Oct-Dec, Science progress IF:2.6Q2 DOI:10.1177/00368504251386320 PMID:41166218	研究论文	本研究开发了一个基于卷积神经网络的中医望诊特征提取模型，并结合中医理论和临床经验，构建了一个完整的中医虚实辨证系统	将深度学习技术应用于中医望诊特征（如舌色、苔色、苔厚、唇色）的自动提取，并首次将这些特征与中医虚实辨证理论相结合，构建了一个端到端的辨证系统	未明确说明数据集的规模、多样性及临床验证的广泛性，系统准确率（81.67%）仍有提升空间，且可能未涵盖所有中医辨证要素	开发一个准确的中医虚实辨证系统，以辅助中医师进行临床诊断和治疗，并支持在线诊疗及健康平台应用	中医望诊特征（面部、唇部、舌部等区域）及基于这些特征的虚实辨证模式	计算机视觉	NA	深度学习，中医望诊	CNN	图像	NA	NA	卷积神经网络	准确率	NA
1028	2025-12-08	Nephrocast-V: A Deep Learning Model for the Prediction of Vancomycin Trough Concentration Using Electronic Health Record Data 2025-Sep-30, Pharmacotherapy IF:2.9Q2 DOI:10.1002/phar.70062 PMID:41025800	研究论文	本研究开发了一个名为Nephrocast-V的深度学习模型，用于提前两天预测危重患者的万古霉素谷浓度，并提供剂量调整建议	结合长短期记忆网络和多头注意力层，并引入跳跃连接以整合历史剂量信息，用于预测万古霉素浓度	研究数据来自单一医疗中心，可能限制模型的泛化能力	预测危重患者的万古霉素谷浓度并优化给药方案	入住重症监护室的成年患者	机器学习	细菌感染	电子健康记录数据分析	LSTM, 多头注意力机制	电子健康记录数据	2205次住院记录	NA	LSTM, 多头注意力层	平均绝对误差, 均方根误差	NA
1029	2025-12-08	Lung Cancer Diagnosis From Computed Tomography Images Using Deep Learning Algorithms With Random Pixel Swap Data Augmentation: Algorithm Development and Validation Study 2025-Sep-03, JMIR bioinformatics and biotechnology DOI:10.2196/68848 PMID:41342173	研究论文	本研究提出了一种名为随机像素交换的新型数据增强技术，用于提升深度学习模型在CT图像上诊断肺癌的性能	提出随机像素交换数据增强方法，该方法在卷积神经网络和Transformer架构上均能有效提升肺癌诊断性能，优于现有数据增强技术	NA	开发并验证一种新的数据增强技术，以提高深度学习模型从CT图像中自动诊断肺癌的准确性	肺癌的CT扫描图像	计算机视觉	肺癌	CT扫描	CNN, Transformer	图像	两个公开CT数据集（IQ-OTH/NCCD数据集和胸部CT扫描图像数据集）	NA	ResNet, MobileNet, Vision Transformer, Swin Transformer	准确率, AUROC	NA
1030	2025-12-08	Stacked Deep Learning Ensemble for Multiomics Cancer Type Classification: Development and Validation Study 2025-Aug-12, JMIR bioinformatics and biotechnology DOI:10.2196/70709 PMID:41342170	研究论文	本研究开发并验证了一个基于堆叠深度学习集成的模型，用于整合RNA测序、体细胞突变和DNA甲基化数据，以分类五种常见癌症类型	采用堆叠集成学习方法整合五种成熟算法，通过多组学数据融合显著提升了癌症分类准确率	仅针对沙特阿拉伯的五种癌症类型，样本多样性和泛化能力有待进一步验证	评估多组学数据整合在癌症类型分类中的效果，提升诊断准确性	乳腺癌、结直肠癌、甲状腺癌、非霍奇金淋巴瘤和子宫体癌	机器学习	癌症	RNA测序, 体细胞突变分析, DNA甲基化分析	支持向量机, k近邻, 人工神经网络, 卷积神经网络, 随机森林	多组学数据	NA	NA	堆叠集成模型	准确率	NA
1031	2025-12-08	Modeling CAPRI Targets of Round 55 by Combining AlphaFold and Docking 2025-Jun-06, Proteins IF:3.2Q2 DOI:10.1002/prot.26853 PMID:40476317	研究论文	本文详细介绍了通过结合AlphaFold2深度学习预测与传统对接技术，对CAPRI第55轮中的寡聚体目标进行结构建模的混合方法	提出了一种结合AlphaFold2多聚体管道与传统对接技术的混合方法，用于蛋白质-蛋白质对接，并分析了AlphaFold模型聚类、残基接触预测置信度及预测稳定性与模型质量的相关性	NA	改进蛋白质-蛋白质对接的结构建模方法，特别是在寡聚体目标中的应用	CAPRI第55轮中的寡聚体蛋白质目标	结构生物学	NA	深度学习预测、蛋白质对接	深度学习模型	蛋白质结构数据	NA	AlphaFold2	AlphaFold2多聚体管道	模型质量评估、残基接触预测置信度、预测稳定性	NA
1032	2025-12-08	Weakly Supervised Deep Learning Can Analyze Focal Liver Lesions in Contrast-Enhanced Ultrasound 2025, Digestion IF:3.0Q2 DOI:10.1159/000545098 PMID:40049151	研究论文	本研究评估了一种弱监督深度学习模型在对比增强超声（CEUS）中区分恶性与良性肝脏局灶性病变（FLLs）的性能	采用弱监督注意力机制的多实例学习算法，无需手动标注，仅使用病例标签即可分类肝脏病变，并开发了可解释性方法以洞察模型决策	研究为回顾性可行性研究，样本来自单一三级医院，可能限制模型的泛化能力	评估弱监督深度学习模型在CEUS中自动分类肝脏局灶性病变恶性与良性的能力	肝脏局灶性病变（FLLs）患者	计算机视觉	肝脏疾病	对比增强超声（CEUS）	深度学习	图像	370名患者，共955,938张图像（来自CEUS视频或手动捕获）	NA	注意力机制的多实例学习算法	AUC, 准确率, 灵敏度, 特异性, F1分数	NA
1033	2025-12-08	Decoding brand sentiments: Leveraging customer reviews for insightful brand perception analysis using natural language processing and Tableau 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334330 PMID:41343444	研究论文	本研究提出一个结合机器学习、深度学习、主题建模和交互式可视化的端到端分析流程，用于从智能手机客户评论中解码品牌情感和品牌感知	将基于CNN的情感分析与高一致性NMF主题建模相结合，并通过交互式Tableau仪表板提供商业洞察，超越了单一情感分析的传统方法	所有模型在处理中性评论时表现不佳，且存在因数据不平衡或文化细微语言差异导致的潜在偏见	利用自然语言处理技术分析客户评论，以获取可操作的品牌感知洞察并支持产品策略	亚马逊上十个智能手机品牌的客户评论	自然语言处理	NA	NA	CNN, RNN, LSTM, Decision Trees, Logistic Regression, SVM, Naive Bayes	文本	约68,000条评论	NA	CNN, RNN, LSTM	准确率, 一致性分数	NA
1034	2025-12-08	Capsule-based federated reinforcement learning adaptive sliding mode for anomaly detection and control of floating wind turbines 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0336410 PMID:41343520	研究论文	本文提出了一种基于胶囊网络和联邦强化学习的自适应滑模控制方法，用于浮动风力发电机的异常检测与控制	结合联邦学习、胶囊网络和深度强化学习，实现分布式训练和自适应鲁棒控制，提高扰动检测的准确性和系统稳定性	研究基于仿真结果，未在真实环境中验证；未详细讨论计算资源需求和实际部署的挑战	开发一种智能控制机制，以增强浮动风力发电机在动态环境条件下的性能和稳定性	浮动风力发电机及其在海洋波浪和风扰动下的控制系统	机器学习	NA	联邦学习, 深度强化学习, 滑模控制	胶囊网络, 深度强化学习	传感器数据	NA	NA	胶囊网络	准确性, 稳定性	NA
1035	2025-12-08	Advances in deep reinforcement learning enable better predictions of human behavior in time-continuous tasks 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0338034 PMID:41343519	研究论文	本研究利用深度强化学习模型预测人类在时间连续任务中的行为表现	首次将先进的深度Q网络模型（Ape-X和SEED）应用于人类行为建模，并验证其在时间连续任务中的预测能力优于传统模型	样本量较小（N=23），仅针对三种街机游戏任务，未涵盖更广泛的行为场景	探索深度强化学习模型在预测人类时间连续任务行为方面的有效性	人类参与者在三种街机游戏中的运动反应数据	机器学习	NA	深度强化学习	DQN	时间连续视觉刺激和运动反应数据	23名人类参与者	NA	Ape-X, SEED, 基线DQN	预测准确率	NA
1036	2025-12-08	What does my network learn? Assessing interpretability of deep learning for EEG 2025, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1033 PMID:41346402	研究论文	本文评估了深度学习在脑电图（EEG）数据中可解释性的影响因素，包括预处理选择、网络架构和特征提取可视化方法	通过比较两种卷积神经网络（ResNet和EEGNet）以及两种基于梯度的特征可视化技术（显著性和GradCam），揭示了不同架构和可视化方法对EEG数据可解释性的影响	研究仅针对视觉和听觉数据集，可能未涵盖所有EEG应用场景；可解释性评估主要基于特征相似性，缺乏更全面的量化指标	评估深度学习在EEG数据中的可解释性，并探讨如何通过网络架构和可视化方法改进解释性	单次试验EEG响应，包括对三种不同视觉刺激（视觉数据集）和声音存在（听觉数据集）的解码	机器学习	NA	脑电图（EEG）	CNN	脑电图（EEG）数据	NA	NA	ResNet, EEGNet	NA	NA
1037	2025-12-08	Using deep networks for knee range of motion monitoring in total knee arthroplasty rehabilitation 2025, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2025.1691591 PMID:41346475	研究论文	本研究提出了一种基于深度学习的膝关节活动度监测模型KROMNet，用于全膝关节置换术后的康复评估	开发了KROMNet模型，结合了卷积、空洞卷积和通道注意力层，在小样本条件下实现了高精度的膝关节活动度分类，优于现有方法	研究未明确说明模型在真实家庭环境中的泛化能力，且样本量相对有限	开发一种简单、准确、低成本的膝关节活动度评估方法，以支持社区和家庭康复	全膝关节置换术后患者的膝关节图像	计算机视觉	骨科疾病	深度学习	CNN	图像	从1,790名患者收集的1,103张膝关节图像	未指定	KROMNet（包含卷积层、空洞卷积层、通道注意力层和全连接层）	准确率, 精确率, 召回率, F1分数	NA
1038	2025-12-08	Emerging technologies and neuroscience-based approaches in dyslexia: a narrative review toward integrative and personalized solutions 2025, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2025.1683924 PMID:41346795	综述	本文是一篇关于阅读障碍新兴技术与神经科学方法的叙述性综述，旨在探讨整合性与个性化解决方案	整合了神经科学机制与新兴技术（AI诊断、沉浸式工具、神经调控），提出了向个性化、可扩展解决方案转变的跨学科视角	研究方法存在异质性，样本量普遍较小，长期读写能力迁移证据有限，可推广性受限	综述阅读障碍的神经生物学基础、诊断技术创新、干预方法及政策伦理，推动整合性个性化解决方案	发展性阅读障碍（神经发育障碍）患者，重点关注儿童	自然语言处理, 数字病理	阅读障碍	眼动追踪, 手写分析, 神经调控（TMS, tDCS）, VR/AR	深度学习	眼动数据, 手写数据, 行为数据	多个试点研究，但样本量普遍较小	NA	NA	准确率	NA
1039	2025-12-08	MTMixG-Net: mixture of Transformer and Mamba network with a dual-path gating mechanism for plant gene expression prediction 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1718258 PMID:41346834	研究论文	提出了一种名为MTMixG-Net的新型深度学习框架，用于植物基因表达预测，该框架结合了Transformer和Mamba架构，并引入了双路径门控机制	首次将Transformer的自注意力能力与Mamba的状态空间效率相结合，并引入双路径门控机制，以捕获多尺度调控依赖性，同时保持较低的计算复杂度	未明确提及模型在跨物种泛化能力方面的具体限制，也未讨论对未知植物物种的适用性	提高植物基因表达的预测准确性，以阐明植物发育和应激适应的调控机制	植物基因组数据	机器学习	NA	深度学习	Transformer, Mamba, CNN	基因组序列数据	多个植物基因组数据集（具体数量未提及）	NA	MTMixEnc（混合Transformer和Mamba编码器）, DPGM（双路径门控机制）, ResCNNChn（残差CNN链）	准确性, 计算效率	NA
1040	2025-12-08	Comparative analysis of optimized logistic regression with state-of-the-art models for complex gastroenterological image analysis 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1655612 PMID:41346992	研究论文	本文比较了优化的逻辑回归与多种先进机器学习模型在胃肠息肉图像多分类任务中的性能	在低数据场景下，通过系统优化逻辑回归并与多种机器学习模型对比，发现集成方法（如XGBoost）在保持临床可解释性的同时实现了更高的分类性能	样本量较小（仅152个实例），且未使用深度学习模型，可能限制了在更复杂图像特征下的性能上限	评估和比较机器学习模型在胃肠息肉图像多分类中的性能，以支持临床决策	结肠镜图像中检测到的胃肠道息肉	机器学习	结直肠癌	结肠镜成像	逻辑回归, k近邻, 支持向量机, 随机森林, XGBoost	图像	152个实例，包含698个提取特征	Scikit-learn	NA	准确率, 宏平均F1分数	NA