深度学习在生物医药领域中的应用

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
1081	2025-07-19	Deep adaptive learning predicts and diagnoses CSVD-related cognitive decline using radiomics from T2-FLAIR: a multi-centre study 2025-Jul-15, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01813-w PMID:40664728	研究论文	本研究开发了一种基于Transformer的深度学习模型，利用T2-FLAIR图像的白质高信号放射组学特征来预测和诊断脑小血管病相关认知障碍	采用Transformer深度学习模型结合放射组学特征，首次实现了对脑小血管病相关认知障碍的自动化、非侵入性检测，并通过领域适应策略在多中心数据上验证了模型性能	研究样本量相对有限（783名受试者），且纵向随访数据较少（161名）	开发自动化工具用于早期识别脑小血管病相关认知障碍	脑小血管病相关认知障碍患者	数字病理学	脑小血管病	放射组学分析	Transformer	医学影像（T2-FLAIR）	783名受试者（其中161名有纵向随访数据）
1082	2025-07-19	Poincare guided geometric UNet for left atrial epicardial adipose tissue segmentation in Dixon MRI images 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-10110-1 PMID:40664735	研究论文	该研究提出了一种名为PoinUNet的深度学习模型，用于从Dixon MRI图像中准确分割左心房心外膜脂肪组织（EAT）	将Poincaré嵌入层集成到3D UNet中，利用双曲空间学习捕获复杂的左心房和EAT关系，并采用新的损失函数解决类别不平衡和脂肪几何挑战	样本量相对较小（66名参与者），且仅在1.5T MRI扫描仪上进行验证	提高左心房心外膜脂肪组织的自动分割准确性，以支持心血管疾病和心房颤动的病理生理学研究	左心房心外膜脂肪组织（EAT）	数字病理学	心血管疾病	Dixon MRI	3D UNet（集成Poincaré嵌入层）	MRI图像	66名参与者（包括48名AF患者）
1083	2025-07-19	A hybrid framework of generative deep learning for antiviral peptide discovery 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-11328-9 PMID:40664756	research paper	本研究提出了一种结合WGAN-GP和BiLSTM的混合模型，用于抗病毒肽（AVPs）的发现和开发	结合WGAN-GP和BiLSTM的混合模型，成功生成了815种新型AVPs，并开发了公开可用的预测平台	生成的AVPs在不同病毒端点中的丰度存在显著差异	开发一种有效的抗病毒肽发现工具	抗病毒肽（AVPs）	machine learning	viral infections	WGAN-GP, BiLSTM	GAN, LSTM	peptide sequences	815 novel AVPs
1084	2025-07-19	AI-powered prediction model for neoadjuvant chemotherapy efficacy: comprehensive analysis of breast cancer histological images 2025-Jul-15, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01033-1 PMID:40664754	研究论文	开发了一种结合组织病理学、临床和免疫特征的AI驱动集成预测模型(IPM)，用于预测乳腺癌患者对新辅助化疗(NAT)的疗效	首次整合了肿瘤上皮(TE-score)、间质(TS-score)和全肿瘤(TR-score)深度学习生物标志物，并确定TR-score为最佳预测指标	免疫数据对模型性能的提升效果未达统计学显著水平(p=0.183)	开发能够准确预测乳腺癌患者对新辅助化疗反应的预测模型	乳腺癌患者	数字病理学	乳腺癌	深度学习	IPM(集成预测模型)	全切片图像、临床数据、免疫特征	来自4个中心的1035名患者
1085	2025-07-19	Efficacy of swarm-based neural networks in automated depression detection 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-09414-z PMID:40664787	研究论文	本研究提出了一种结合群体智能算法优化的深度学习模型，用于自动化抑郁症检测	采用三种不同的群体智能算法（蜻蜓算法、萤火虫算法和蛾火优化算法）进行特征选择和降维，优化深度学习模型	研究仅使用了三个数据集进行验证，可能需要更多样化的数据来进一步验证模型的泛化能力	开发一种高效可靠的自动化抑郁症诊断方法	抑郁症患者	机器学习	抑郁症	深度学习与群体智能算法结合	自定义深度学习模型	文本数据	使用DAIC-WOZ、CMDC和MODMA三个基准数据集
1086	2025-07-19	Preoperative prediction value of 2.5D deep learning model based on contrast-enhanced CT for lymphovascular invasion of gastric cancer 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-11427-7 PMID:40664824	研究论文	本研究基于静脉期增强CT图像，利用深度学习和放射组学方法开发并验证了预测胃癌术前淋巴血管侵犯的人工智能模型	通过聚焦肿瘤最大横截面并结合七个相邻的2D图像，生成稳定的2.5D数据，建立了多实例学习模型	研究为回顾性分析，样本量相对较小（351例患者）	预测胃癌术前淋巴血管侵犯	胃癌患者	数字病理	胃癌	增强CT成像	2.5D MIL模型、DL2D模型、DL3D模型	CT图像	351例胃癌患者（训练队列246例，测试队列105例）
1087	2025-07-19	OR-FCOS: an enhanced fully convolutional one-stage approach for growth stage identification of Oudemansiella raphanipes 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-09303-5 PMID:40664902	研究论文	本文提出了一种增强型全卷积一阶段方法OR-FCOS，用于准确识别奥德曼西拉萝卜菇的生长阶段	OR-FCOS采用MobileNetV3-Large骨干网络和高效多尺度注意力模块，结合神经架构搜索增强的FCOS解码器和CIoU损失函数，提高了特征提取效率和预测精度	NA	优化奥德曼西拉萝卜菇生长阶段的识别准确率和效率	奥德曼西拉萝卜菇	计算机视觉	NA	NAS, CIoU	FCOS, MobileNetV3-Large	图像	8000张奥德曼西拉萝卜菇不同生长阶段的图像
1088	2025-07-19	Hybrid AI and semiconductor approaches for power quality improvement 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-11116-5 PMID:40664937	研究论文	本研究提出了一种结合机器学习和深度学习与半导体技术的新方法，用于改善电能质量	整合了机器学习、深度学习和先进控制策略，通过数据驱动框架解决电能质量问题	深度学习模型计算量大，且处理不平衡数据集时存在挑战	通过混合AI和半导体技术改善电能质量	电能质量问题（电压暂降、暂升、谐波和瞬态干扰）	机器学习	NA	机器学习、深度学习	SVM、Random Forests、Neural Networks、CNN、LSTM	实时数据	NA
1089	2025-07-19	Learning quality-guided multi-layer features for classifying visual types with ball sports application 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-10058-2 PMID:40664935	研究论文	提出一种先进的感知深度学习框架，用于从大型X射线数据集中提取关键特征，以分类乳腺癌的不同阶段	提出了一种新的排序技术，在弱标注环境下识别与人类视觉判断最一致的关键图像块，并利用这些块提取有意义的特征	未提及具体的数据集规模或模型在不同数据集上的泛化能力	提高乳腺癌X射线图像分析的精确度，以辅助医疗诊断	乳腺癌X射线图像	计算机视觉	乳腺癌	深度学习，BING对象性度量，多类SVM分类器	深度学习框架，SVM	图像	大型乳腺癌图像数据集（具体数量未提及）
1090	2025-07-19	Network-based intrusion detection using deep learning technique 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-08770-0 PMID:40664956	研究论文	本文提出了一种结合序列深度神经网络和ReLU激活单元的新型深度学习解决方案，用于网络入侵检测	创新性地将基于ReLU的DNN与通过Extra Tree分类器进行的特征优化相结合，不仅解决了梯度消失和过拟合等常见问题，还大大提高了模型的可解释性和计算效率	NA	开发更有效和灵活的网络入侵检测系统	网络流量和攻击向量	机器学习	NA	深度神经网络(DNN), Extra Tree分类器	Sequential DNN	网络流量数据	UNSW-NB15数据集
1091	2025-07-19	Developing angiogenesis-related prognostic biomarkers and therapeutic strategies in bladder cancer using deep learning and machine learning 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-08945-9 PMID:40665008	研究论文	本研究利用深度学习和机器学习开发了与膀胱癌血管生成相关的预后生物标志物和治疗策略	构建了一个整合的机器学习系统来建立血管生成相关基因特征（ARGS），并利用人工智能驱动的药物设计技术开发了一种具有抗血管生成作用的天然化合物	未提及具体样本量或实验验证的详细数据	开发膀胱癌的预后生物标志物和治疗策略	膀胱癌（BLCA）患者	机器学习	膀胱癌	深度学习、机器学习、人工智能驱动的药物设计	NA	基因表达数据	NA
1092	2025-07-19	Fetal-Net: enhancing Maternal-Fetal ultrasound interpretation through Multi-Scale convolutional neural networks and Transformers 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-06526-4 PMID:40665017	研究论文	提出了一种名为Fetal-Net的新型深度学习架构，结合多尺度CNN和Transformer层，用于增强母胎超声图像的解释	整合了多尺度CNN和Transformer层，提供了一种综合解决方案，能够同时处理胎儿结构的识别和异常检测	虽然模型表现优秀，但可能仍需进一步验证在不同临床环境下的泛化能力	提升母胎超声图像的解释能力，以改善产前护理	胎儿结构和母胎超声图像	数字病理	NA	深度学习	CNN, Transformer	图像	超过12,000张超声图像
1093	2025-07-19	Prediction of pathogenic mutations in human transmembrane proteins and their associated diseases via utilizing pre-trained Bio-LLMs 2025-Jul-15, Communications biology IF:5.2Q1 DOI:10.1038/s42003-025-08452-7 PMID:40665056	研究论文	提出了一种名为MutDPAL的深度学习方法，专门用于识别膜蛋白中的致病突变并将其分类到特定的疾病类别	首次结合跨膜环境和疾病编码特征，进行细粒度的疾病分类，利用两个预训练的生物大语言模型(Bio-LLMs)分别提取原始序列特征和跨膜环境特征	未提及具体样本量或数据集的详细信息	预测人类跨膜蛋白中的致病突变及其相关疾病	人类跨膜蛋白中的错义突变	生物信息学	多种疾病（15种不同类别）	预训练的生物大语言模型(Bio-LLMs)	深度学习模型（基于交叉注意力的疾病-蛋白质关联学习方法）	蛋白质序列数据	NA
1094	2025-07-19	Advanced finite segmentation model with hybrid classifier learning for high-precision brain tumor delineation in PET imaging 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-09638-z PMID:40665069	研究论文	提出一种结合有限分割模型(FSM)和改进分类器学习(ICL)的新方法，用于提高PET图像中脑肿瘤分割的准确性	FSM-ICL框架整合了先进的纹理特征提取、基于深度学习的分类和自适应分割方法，显著提高了肿瘤与非肿瘤区域的区分精度	未来需要进一步优化方法以处理密集像素数据集	提高脑肿瘤在PET图像中的分割精度	脑肿瘤PET图像	数字病理	脑肿瘤	PET成像	FSM-ICL(有限分割模型与改进分类器学习的混合框架)	医学图像	1000张训练图像和426张测试图像
1095	2025-07-19	An efficient deep learning based approach for automated identification of cervical vertebrae fracture as a clinical support aid 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-10448-6 PMID:40665115	研究论文	本文提出了一种基于深度学习的混合迁移学习方法，用于自动识别和分类颈椎骨折	结合Inception-ResNet-v2和U-Net的上采样组件形成混合架构，显著提高了识别准确率	仅使用了公开的RSNA数据集，可能无法涵盖所有临床场景	开发自动化工具以辅助临床诊断颈椎骨折	颈椎CT扫描切片	数字病理学	颈椎骨折	CT扫描	Inception-ResNet-v2与U-Net混合模型	图像	2,984个测试CT扫描切片
1096	2025-07-19	Integrating vision transformer-based deep learning model with kernel extreme learning machine for non-invasive diagnosis of neonatal jaundice using biomedical images 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-08342-2 PMID:40665120	研究论文	提出一种结合视觉变换器深度学习模型与核极限学习机的非侵入性新生儿黄疸诊断方法	整合ViT和KELM模型，并采用ECOA算法优化超参数，实现了96.97%的高准确率	未提及模型在临床环境中的实际应用验证及跨设备泛化能力	开发基于先进方法的有效新生儿黄疸诊断系统	新生儿黄疸的医学图像数据	数字病理	新生儿黄疸	图像处理（Wiener滤波）、特征提取（ViT）、分类（KELM）	Vision Transformer (ViT), Kernel Extreme Learning Machine (KELM)	医学图像	黄疸图像数据集（具体数量未说明）
1097	2025-07-19	A comparative study and simple baseline for travel time prediction 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02303-5 PMID:40665164	研究论文	本研究通过比较不同方法和技术，探讨了旅行时间预测（TTP）中各个步骤对预测准确性的影响，并提出了一种结合XGBoost和LSTM的基线模型	提出了一种通过门控网络动态分配权重的基线模型，结合了XGBoost和LSTM的互补优势，以适应稳定和波动的交通状况	研究仅基于台湾和加州的数据集，可能无法完全代表其他地区的交通状况	提高旅行时间预测的准确性，为驾驶员、管理员和货运公司等高速公路用户提供有效的行程规划	高速公路的旅行时间预测	机器学习	NA	深度学习、插值、最大值插补技术	LSTM、XGBoost	时间序列数据	来自台湾和加州的数据集
1098	2025-07-19	Domain-incremental white blood cell classification with privacy-aware continual learning 2025-Jul-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-08024-z PMID:40665174	研究论文	本文提出了一种基于生成回放的持续学习策略，用于解决白细胞分类中的领域偏移和灾难性遗忘问题	采用轻量级生成器模拟历史数据，通过合成潜在表示实现隐私保护回放，有效缓解了基础模型在动态环境中的性能退化	实验仅使用了四个数据集和四种骨干模型，可能无法涵盖所有临床场景	开发一种能够在数据分布频繁变化的临床环境中保持可靠性能的白细胞分类方法	白细胞(WBC)分类	数字病理学	血液疾病	持续学习(CL)	ResNet50, RetCCL, CTransPath, UNI	图像	四个不同数据集
1099	2025-07-19	Ultrafast T2-weighted MR imaging of the urinary bladder using deep learning-accelerated HASTE at 3 Tesla 2025-Jul-15, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01810-1 PMID:40665218	研究论文	本研究评估了结合深度学习重建的HASTE序列在3特斯拉磁共振上实现膀胱超快速成像的可行性	首次将深度学习重建技术应用于HASTE序列，显著提高了膀胱成像的速度和质量	DL-HASTE和HASTE序列对膀胱内尿液流动伪影较为敏感	评估深度学习加速HASTE序列在膀胱超快速成像中的应用价值	50名接受盆腔磁共振检查的患者	医学影像	泌尿系统疾病	HASTE磁共振序列、深度学习重建	深度学习模型（具体类型未说明）	医学影像数据	50名患者
1100	2025-07-19	Deep learning-based delineation of whole-body organs at risk empowering adaptive radiotherapy 2025-Jul-15, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03062-z PMID:40665308	研究论文	本研究验证了深度学习模型在全身体积危及器官（OARs）自动勾画中的临床应用价值，包括勾画准确性、临床接受度和剂量学影响	首次构建并验证了覆盖全身体积的深度学习自动勾画模型，并系统评估了其剂量学影响	研究仅由一位经验丰富的放射肿瘤学家进行手动勾画对比，可能引入主观偏差	验证深度学习模型在全身体积危及器官自动勾画中的临床应用可行性	头颈部、胸部、腹部和盆腔的危及器官	数字病理	癌症（放射治疗相关）	深度学习	DL（未具体说明模型架构）	医学影像	未明确说明样本数量，涉及多个解剖区域（头颈部、胸部、腹部、盆腔）的OARs