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
101	2025-12-15	Multimodal Deep Learning-Based Classification of Breast Non-Mass Lesions Using Gray Scale and Color Doppler Ultrasound 2025-Nov-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15232967 PMID:41374348	研究论文	本研究提出了一种基于多模态深度学习的乳腺非肿块性病变分类方法，使用灰阶和彩色多普勒超声图像，并比较了多模态与单模态模型的性能	首次将灰阶与彩色多普勒超声图像进行多模态融合，利用深度学习进行乳腺非肿块性病变的良恶性分类，并系统比较了不同模态和CNN架构的性能	研究为回顾性设计，样本量相对有限（248个病变），且数据来源于单一机构，可能影响模型的泛化能力	开发并评估一种多模态深度学习模型，以提高乳腺非肿块性病变的良恶性分类准确率	乳腺非肿块性病变的灰阶和彩色多普勒超声图像	计算机视觉	乳腺癌	超声成像	CNN	图像	248个经病理证实的乳腺非肿块性病变，来自241名女性患者	NA	ResNet50, ResNet18, VGG16	准确率, 灵敏度, 特异度, F1分数, AUC	NA
102	2025-12-15	Multimodal-Imaging-Based Interpretable Deep Learning Framework for Distinguishing Brucella from Tuberculosis Spondylitis: A Dual-Center Study 2025-Nov-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15232963 PMID:41374344	研究论文	本研究开发了一个基于多模态成像（CT和MRI）的可解释深度学习框架，用于区分布鲁氏菌性脊柱炎和结核性脊柱炎	首次结合多模态CT和MRI数据，并利用预训练的GoogleNet架构构建深度学习模型，通过Grad-CAM提供可解释性，实现了对两种脊柱炎的高精度区分	研究仅基于双中心数据，外部验证性能（AUC 81.25%）相对较低，且MRI和CT协议在不同中心存在差异	开发一个深度学习框架，以准确区分布鲁氏菌性脊柱炎和结核性脊柱炎，提高诊断准确性并改善患者预后	布鲁氏菌性脊柱炎和结核性脊柱炎患者的CT和MRI影像数据	数字病理学	脊柱炎	CT, MRI（包括矢状位T1加权、T2加权、脂肪抑制序列）	CNN	图像	来自两个中心的CT和MRI影像数据集（具体数量未在摘要中明确说明）	NA	GoogleNet, ResNet, DenseNet, EfficientNet	准确率, 敏感性, 特异性, AUC	NA
103	2025-12-15	IPFSCNN: A Time-Frequency Fusion CNN for Wideband Spectrum Sensing 2025-Nov-22, Sensors (Basel, Switzerland) DOI:10.3390/s25237134 PMID:41374508	研究论文	本研究提出了一种名为IPFSCNN的新型非对称混合架构，用于宽带频谱感知，通过融合时域和频域数据提升检测性能	提出了一种非对称混合CNN架构（IPFSCNN），首次将时域I/Q数据的并行处理与频域FFT数据的串行处理相结合，实现了互补特征的有效融合	研究仅在LTE-M数据集上进行验证，未在其他无线通信标准或更广泛的频谱场景中测试	提高认知无线电中宽带频谱感知的检测性能，特别是在低信噪比条件下	宽带频谱信号	机器学习	NA	NA	CNN	时域数据（I/Q），频域数据（FFT）	NA	NA	IPFSCNN（IQ-Parallel FFT-Serial CNN）	检测性能（具体指标未明确），参数数量，乘积累加运算（MAC）次数	NA
104	2025-12-15	A Time-Frequency Domain Diagnosis Network for ICE Fault Detection 2025-Nov-22, Sensors (Basel, Switzerland) DOI:10.3390/s25237139 PMID:41374512	研究论文	本文提出了一种用于内燃机故障检测的时频域诊断网络（TFDN），通过整合时域和频域路径来提升诊断准确性和稳定性	提出了一种结合时域（使用残差网络和自注意力机制）和频域（使用CNN）特征的诊断网络，有效融合时频特征以提高诊断性能	NA	提高内燃机故障检测的准确性和实时性，减少数据依赖	六缸柴油发动机的12种故障类型	机器学习	NA	NA	CNN, LSTM	NA	每种故障5个样本的有限数据条件下进行验证	NA	ResNet, 自注意力机制, CNN	准确率, 精确率, 召回率	NA
105	2025-12-15	Analysis of Deep-Learning Methods in an ISO/TS 15066-Compliant Human-Robot Safety Framework 2025-Nov-22, Sensors (Basel, Switzerland) DOI:10.3390/s25237136 PMID:41374514	研究论文	本文提出了一种基于深度学习的人机安全框架，旨在根据人机距离动态调整机器人速度，同时遵守最大生物力学力和压力限制	与传统的工业安全系统不同，该框架能够区分人体部位与其他物体，从而优化机器人流程执行，实验显示循环时间最多可减少15%	NA	研究在符合ISO/TS 15066标准的人机安全框架中应用深度学习方法的适用性，以提高协作任务的效率	协作机器人、人机交互安全	机器视觉	NA	深度学习	NA	图像	NA	NA	NA	循环时间减少百分比	NA
106	2025-12-15	MLD-Net: A Multi-Level Knowledge Distillation Network for Automatic Modulation Recognition 2025-Nov-22, Sensors (Basel, Switzerland) DOI:10.3390/s25237143 PMID:41374516	研究论文	本文提出了一种名为MLD-Net的多级知识蒸馏网络，用于构建轻量且高效的自动调制识别模型	采用基于Transformer的大模型作为教师网络，指导基于Reformer的紧凑学生模型训练，并在输出、特征和注意力三个粒度上进行知识蒸馏	未提及具体局限性	开发轻量且高效的自动调制识别模型，以降低计算和内存需求，便于边缘部署	无线通信信号	机器学习	NA	知识蒸馏	Transformer, Reformer	信号数据	RML2016.10A基准数据集	NA	Transformer, Reformer	NA	NA
107	2025-12-15	Application of Machine Learning in Food Safety Risk Assessment 2025-Nov-22, Foods (Basel, Switzerland) DOI:10.3390/foods14234005 PMID:41375943	综述	本文综述了机器学习和深度学习在食品安全风险评估中的变革性作用，重点关注生物毒素检测、重金属污染、农药和兽药残留分析以及微生物风险预测等关键领域	系统总结了ML和DL在食品安全风险评估中的最新应用进展，并强调了新型DL架构（如CNN、RNN和Transformer）在自动特征提取和多模态数据集成方面的优势	未明确提及具体研究的数据限制或模型泛化能力问题	回顾机器学习和深度学习在实现智能食品安全管理中的作用，通过高效分析高质量和非线性数据来提升风险评估能力	食品安全风险评估，特别是生物毒素、重金属、农药和兽药残留以及微生物风险	机器学习	NA	机器学习，深度学习	支持向量机，随机森林，K-means，层次聚类分析，卷积神经网络，循环神经网络，Transformer	高质量和非线性数据，多模态数据	NA	NA	卷积神经网络，循环神经网络，Transformer	检测准确率，效率	NA
108	2025-12-15	TruMPET: A New Method for Protein Secondary Structure Prediction Using Neural Networks Trained on Multiple Pre-Selected Physicochemical and Structural Features 2025-Nov-21, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms262311284 PMID:41373446	研究论文	提出了一种名为TruMPET的新方法，通过神经网络结合预选的物理化学和结构特征来预测蛋白质二级结构	该方法强调使用统计上显著且互不相关的描述符生成机器学习特征集，并整合了非规范氨基酸的物理化学参数预测，结合Bi-LSTM网络与ESMFold2嵌入，提升了预测性能	未明确讨论模型在处理更复杂蛋白质结构或大规模数据集时的可扩展性，也未提及对计算资源的具体需求	改进蛋白质二级结构预测方法，专注于从氨基酸序列直接预测DSSP分类	蛋白质氨基酸序列及其对应的二级结构（DSSP Q3和Q8分类）	机器学习	NA	蛋白质语言模型嵌入，线性判别分析	Bi-LSTM	序列数据	使用非冗余数据集（CB513和TEST2018），具体样本数量未在摘要中明确	NA	Bi-LSTM	DSSP Q3准确率，DSSP Q8准确率	NA
109	2025-12-15	Ordinal Regression Research Based on Dual Loss Function-An Example on Lumbar Vertebra Classification in CT Images 2025-Nov-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15232949 PMID:41374330	研究论文	本研究提出并评估了一种基于双损失函数的序数回归框架，用于CT图像中的腰椎分类，以辅助L3识别和肌肉减少症检测	提出了一种结合标准交叉熵损失和序数残差损失的双损失框架，以更好地建模有序类别	未明确提及研究的具体局限性	开发一种改进的腰椎分类方法，以支持临床实践中更准确的自动化L3定位和肌肉减少症评估	腰椎CT图像	计算机视觉	肌肉减少症	CT成像	深度学习模型	图像	NA	NA	MobileNet-v3-Large	分类性能	NA
110	2025-12-15	High-Precision Coal Mine Microseismic P-Wave Arrival Picking via Physics-Constrained Deep Learning 2025-Nov-21, Sensors (Basel, Switzerland) DOI:10.3390/s25237103 PMID:41374478	研究论文	本文提出了一种融合物理约束与深度学习架构的微震P波到时自动拾取模型，用于煤矿动力灾害的智能监测与预警	将物理约束与深度学习架构相结合，构建了高精度、鲁棒的微震P波到时自动拾取模型，并在工程可迁移性方面表现出色	模型在采样率更高、噪声更强的矿区性能下降，表明其对数据采集参数较为敏感	实现煤矿微震信号中P波到时的自动高精度识别，以支持煤矿动力灾害的智能监测与预警	煤矿微震信号	机器学习	NA	微震监测	深度学习	时序信号	高质量人工标注数据集	NA	NA	精确率, 召回率, F1分数, 到时拾取误差	NA
111	2025-12-15	UAV and Deep Learning for Automated Detection and Visualization of Façade Defects in Existing Residential Buildings 2025-Nov-21, Sensors (Basel, Switzerland) DOI:10.3390/s25237118 PMID:41374496	研究论文	本研究提出了一种结合无人机可见光与热红外成像、深度学习算法及参数化三维可视化的集成框架，用于现有住宅建筑立面缺陷的自动化检测与可视化	融合可见光与热红外图像以协同识别裂缝和渗漏缺陷，并开发了基于Grasshopper的集成映射工具，实现缺陷信息的实时三维可视化与参数化分析	研究仅基于深圳三个代表性住宅社区进行案例研究，样本规模和地理多样性有限，且未详细讨论模型在不同气候或建筑类型下的泛化能力	开发一种高效、自动化的立面缺陷检测框架，以提升城市建筑安全管理水平	现有住宅建筑的立面缺陷，特别是裂缝和渗漏问题	计算机视觉	NA	无人机可见光成像、热红外成像	深度学习	图像	深圳三个代表性住宅社区（建于1988年至2010年）	NA	Knet	mIoU	NA
112	2025-12-15	De novo Design of All-atom Biomolecular Interactions with RFdiffusion3 2025-Nov-19, bioRxiv : the preprint server for biology DOI:10.1101/2025.09.18.676967 PMID:41000976	研究论文	本文介绍了RFdiffusion3（RFD3），一种能够生成蛋白质结构并考虑其与配体、核酸等非蛋白质原子相互作用的扩散模型	首次提出能够显式建模所有聚合物原子并在非蛋白质原子背景下生成蛋白质结构的扩散模型，相比先前方法计算成本降低90%	未明确说明模型在处理超大规模蛋白质复合物时的性能限制	开发能够设计全原子生物分子相互作用的蛋白质设计方法	蛋白质结构、配体、核酸及其他非蛋白质原子	机器学习	NA	扩散模型	扩散模型	蛋白质结构数据、原子坐标数据	NA	NA	RFdiffusion3	基准测试性能	计算成本为先前方法的十分之一
113	2025-12-15	Deep learning for automated alveolar cleft segmentation and bone graft volume estimation in cone-beam computed tomography imaging: a multicenter study 2025-Nov-12, Oral surgery, oral medicine, oral pathology and oral radiology DOI:10.1016/j.oooo.2025.10.020 PMID:41390267	研究论文	本研究开发了一种基于深度学习的诊断工具，用于在锥形束计算机断层扫描（CBCT）成像中自动分割牙槽裂区域并估计骨移植体积	首次提出一个基于3D U-Net的深度学习工具，用于多中心研究中的牙槽裂自动分割和骨移植体积估计，实现了高效且准确的自动化处理	研究样本量相对较小（88例CBCT扫描），且仅针对非综合征性单侧牙槽裂患者，可能限制了模型的泛化能力	训练和验证一个深度学习工具，以自动分割牙槽裂区域并估计骨移植体积，提高临床诊断效率	非综合征性单侧牙槽裂患者的CBCT扫描图像	数字病理学	牙槽裂	锥形束计算机断层扫描（CBCT）成像	CNN	3D图像	88例CBCT扫描（45例训练，10例验证，33例测试）	NA	3D U-Net	Dice相似系数（DSC）	NA
114	2025-12-15	Overcoming Extrapolation Challenges of Deep Learning by Incorporating Physics in Protein Sequence-Function Modeling 2025-Nov-11, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.09.687530 PMID:41293023	研究论文	本文提出通过将蛋白质相互作用的物理原理融入深度学习模型，以克服蛋白质序列-功能建模中的外推挑战	将基于物理的能量效应量化直接整合到卷积和图卷积神经网络中，显著提升了位置和突变类型外推的性能	未明确说明模型在更广泛蛋白质类型或复杂突变场景中的泛化能力	改进蛋白质序列到功能关系的建模，以准确预测训练数据中未见位置或突变类型的变异功能效应	蛋白质序列及其功能映射，特别是通过深度突变扫描数据和可用结构学习的变异	机器学习	NA	深度突变扫描	CNN, 图卷积神经网络	序列数据, 结构数据	NA	NA	卷积神经网络, 图卷积神经网络	NA	NA
115	2025-12-15	Graph attention with structural features improves the generalizability of identifying functional sequences at a protein interface 2025-Nov-10, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.04.686550 PMID:41292907	研究论文	本文提出了一种结合蛋白质结构图和语言模型嵌入的图注意力网络架构，用于预测蛋白质-蛋白质界面功能序列，并在SARS-CoV-2 Spike RBD与ACE2受体结合的大规模突变库中验证了其泛化能力	开发了GAN-PLM图注意力网络架构，整合蛋白质结构图的局部残基环境表示与蛋白质语言模型嵌入的长程残基间相关性，显著提升了功能序列预测的泛化性能	研究主要针对SARS-CoV-2 Spike RBD与ACE2受体的结合界面，尚未在其他蛋白质界面广泛验证	提高蛋白质-蛋白质界面功能序列预测的准确性和泛化能力	SARS-CoV-2 Spike受体结合域（RBD）与ACE2受体的结合界面序列变异	机器学习	传染病	深度突变扫描	图注意力网络（GAN）	序列数据，结构图数据	超过43,000个序列变异	NA	GAN-PLM（结合图注意力网络与蛋白质语言模型）	平衡准确率	NA
116	2025-12-15	Deep learning-driven characterization of single cell tuning in primate visual area V4 supports topological organization 2025-Nov-04, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.12.540591 PMID:41279983	研究论文	本研究利用深度学习技术分析猕猴视觉区域V4中单个神经元的调谐特性，以支持其拓扑组织	结合大规模线性探针记录与深度学习方法，在非参数自然图像空间中系统表征V4神经元调谐，并量化功能聚类	研究主要基于猕猴V4区域，结果在人类或其他视觉皮层区域的普适性有待验证	探索灵长类视觉区域V4中神经元的功能组织及其与人工视觉系统的潜在共享编码策略	猕猴视觉区域V4中的单个神经元	计算机视觉	NA	线性探针记录，深度学习分析	深度学习模型	图像	超过1,200个V4神经元	NA	对比学习嵌入空间	人类心理物理学相似性度量，嵌入空间距离	NA
117	2025-12-15	PLiCat: decoding protein-lipid interactions by large language model 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf665 PMID:41378883	研究论文	本文提出了一个基于蛋白质序列预测蛋白质-脂质相互作用类别的深度学习框架PLiCat	首次开发了仅从蛋白质序列预测脂质类别的计算工具，并采用ESMC与BERT结合的混合深度学习架构实现可解释的分类	仅覆盖八个主要脂质类别，可能未涵盖所有脂质亚型	预测蛋白质相互作用的脂质类别并揭示序列编码的脂质结合特征	蛋白质序列及其与脂质的相互作用	自然语言处理	NA	蛋白质语言模型	深度学习	序列数据	NA	PyTorch	ESMC, BERT	NA	NA
118	2025-12-15	Impact of intrinsically disordered regions and functional disorder hotspots in the human kinome 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf662 PMID:41378882	研究论文	本研究提出了一种基于长短期记忆深度学习框架的标准化方法，用于预测人类激酶组中的内在无序区域，并揭示了这些区域的功能热点及其在激酶调控中的作用	开发了一种激酶中心化的内在无序区域预测方法，使用LSTM深度学习框架实现高预测性能（AUC=0.97），并首次系统分析了人类激酶组中内在无序区域的保守性和功能热点	研究依赖于计算预测方法，虽然性能较高，但可能需要实验验证进一步确认预测结果的生物学准确性；且方法主要针对人类激酶组，在其他蛋白质组中的适用性有待评估	系统预测和表征人类激酶组中的内在无序区域，揭示其在激酶调控和信号转导中的功能意义	人类激酶组中的蛋白质激酶及其内在无序区域	计算生物学	NA	深度学习，生物信息学分析	LSTM	蛋白质序列数据	涵盖人类所有137个激酶家族	NA	长短期记忆网络	AUC	NA
119	2025-12-15	Clinical feasibility of two cardiac deep learning cine magnetic resonance imaging sequences: Single-breath-hold and free-breathing motion-corrected approaches 2025-Oct-31, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.101983 PMID:41177305	研究论文	本研究评估了深度学习加速的心脏磁共振电影序列（单次屏气和自由呼吸运动校正）的临床可行性，旨在缩短采集时间并保持图像质量和心脏功能参数	首次在3T CMR中前瞻性比较了传统分段电影序列与两种深度学习加速序列（单次屏气和自由呼吸运动校正）的临床可行性，显著缩短了采集时间	研究样本量相对较小（86例），且深度学习序列在边缘锐度和血池-心肌信号比方面略低于传统序列	评估深度学习加速的心脏磁共振电影序列在缩短采集时间的同时，是否能够保持与传统序列相当的图像质量和心脏功能参数	接受3T心脏磁共振检查的患者	医学影像分析	心血管疾病	心脏磁共振成像	深度学习模型	磁共振图像	86例患者（平均年龄52.98±14.34岁，79%为男性）	NA	NA	图像质量评分、血池-心肌信号比、边缘锐度、三维体积网格轮廓质量、双心室功能参数、左心室应变参数	NA
120	2025-12-15	Biologically informed neural network models are robust to spurious interactions via self-pruning 2025-Oct-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.24.684155 PMID:41278889	研究论文	本研究提出了一种评估生物学信息神经网络模型可靠性的新方法，通过测量模型在训练过程中对虚假相互作用的自我修剪能力	提出了一种可扩展且通用的自我修剪度量方法，用于评估BINN模型从先验知识网络中识别和移除虚假相互作用的能力，并实现了完全GPU加速的LEMBAS框架，获得了超过7倍的性能提升	分析主要关注选定的通路而非更全面的视角，且模型需要足够大的L2正则化才能有效修剪虚假相互作用	评估生物学信息神经网络模型在复杂细胞网络建模中机制推断的可靠性	细胞内信号传导动力学网络	机器学习	NA	深度学习，先验知识网络	循环神经网络	信号网络数据	3个不同的数据集	PyTorch	LEMBAS	预测准确性，自我修剪程度	GPU加速