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
1201	2025-12-22	Panoptic segmentation for complete labeling of fruit microstructure in 3D micro-CT images with deep learning 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100087 PMID:41416198	研究论文	本文开发了一种基于深度学习的3D全景分割模型，用于在X射线微CT图像中自动标记苹果和梨果实组织的微观结构	首次将3D全景分割（结合语义和实例分割）应用于植物果实组织的微观结构分析，无需复杂的样本制备，显著提升了自动化标记的完整性	尽管评估了多种增强方法，但未能在标准数据集训练模型的基础上进一步提升测试性能；苹果组织中的薄壁血管分割仍具挑战性	加速和改进苹果和梨果实组织在X射线微CT图像中的微观结构表征	苹果和梨果实的微观组织结构，包括薄壁细胞、孔隙、维管束和石细胞簇等特征	计算机视觉	NA	X射线微计算机断层扫描	深度学习模型	3D图像	苹果和梨果实组织样本（具体数量未明确说明）	NA	3D全景分割模型	聚合Jaccard指数, Dice相似系数	NA
1202	2025-12-22	Soybean yield estimation and lodging discrimination based on lightweight UAV and point cloud deep learning 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100028 PMID:41415158	研究论文	本研究利用轻量级无人机和点云深度学习模型，结合空间结构与颜色信息融合，实现了大豆产量估算和倒伏等级判别	提出了新的点云深度学习模型SoyNet和SoyNet-Res，并引入了两种数据级融合方法，有效整合了空间结构和颜色信息，克服了传统统计特征忽略结构信息的局限	NA	优化大豆育种表型研究，通过深度学习模型同时进行产量估算和倒伏等级判别	大豆冠层	计算机视觉	NA	无人机平台、交叉环绕倾斜路线摄影、运动结构恢复与多视图立体视觉技术	深度学习	点云数据	NA	NA	SoyNet, SoyNet-Res	均方根误差, F1分数, 准确率top-2, 准确率top-3	NA
1203	2025-12-22	A scalable and efficient UAV-based pipeline and deep learning framework for phenotyping sorghum panicle morphology from point clouds 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100050 PMID:41415167	研究论文	本文提出了一种基于无人机和深度学习的高粱穗形态表型分析框架，包括3D重建、模拟数据集生成和新型多任务模型SegVoteNet	开发了结合无人机视频采集与NeRF的3D点云重建流程，并提出了SegVoteNet模型，通过分割结果优化目标检测，无需微调即可在真实数据上实现高性能	未明确说明模型在极端环境条件下的泛化能力，且实际应用中可能受无人机飞行条件和数据采集质量限制	开发可扩展的高粱穗形态表型分析方法，以支持育种和商业应用	高粱冠层和穗部形态	计算机视觉	NA	无人机视频采集, Neural Radiance Fields (NeRF), 3D模拟	深度学习, 语义分割, 3D检测	点云数据	NA	PyTorch	SegVoteNet, VoteNet, PointNet++	Mean Average Precision (mAP) @ 0.5 Intersection Over Union (IOU)	NA
1204	2025-12-22	Spotibot: Rapid scoring of B otrytis lesions on rose petals using deep learning and mobile computing 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100029 PMID:41415171	研究论文	本研究开发了Spotibot软件，利用深度学习和移动计算技术，自动检测玫瑰花瓣上的灰霉病病变，以快速、客观地评估抗病性	首次开发了结合深度学习和移动计算的快速、用户友好的应用程序，用于玫瑰花瓣图像分析，以筛选灰霉病抗性和易感性	NA	开发一种准确、快速、客观的表型分析工具，用于玫瑰育种选择和发现新的抗性或易感基因	玫瑰花瓣上的灰霉病病变	计算机视觉	灰霉病	NA	实例分割模型	图像	NA	NA	NA	F1分数, Spearman Rank相关系数	移动计算
1205	2025-12-22	Automated 3D Segmentation of Plant Organs via the Plant-MAE: A Self-Supervised Learning Framework 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100049 PMID:41415170	研究论文	本研究开发了一种基于自监督学习的点云分割框架Plant-MAE，用于自动化三维植物器官分割，以支持作物表型参数估计	创新性地将自监督学习范式应用于植物表型领域，并引入了基于核的点卷积嵌入模块和基于注意力机制的多角度特征提取块（MAFEB）	未明确提及具体局限性，但暗示了现有方法在点云数据标注方面的挑战	实现可靠且自动化的三维植物器官分割，以提取器官水平的表型性状	植物器官的点云数据	计算机视觉	NA	自监督学习	自监督学习框架	点云数据	多个点云数据集，具体数量未明确说明	NA	Plant-MAE, PointNet++, point transformer, Point-M2AE	精确率, 召回率, F1分数, IoU	NA
1206	2025-12-22	FreezeNet: A Lightweight Model for Enhancing Freeze Tolerance Assessment and Genetic Analysis in Wheat 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100061 PMID:41415164	研究论文	本研究开发了一种名为FreezeNet的轻量级深度学习模型，用于基于图像的表型分析准确量化小麦冻害，并识别与耐冻性相关的遗传位点	开发了轻量级深度学习模型FreezeNet，首次将图像表型分析与GWAS结合，识别出8个新的耐冻性QTL，并通过基因渗入验证了其功能	研究仅基于220份小麦种质，样本规模相对有限；模型在更广泛环境或品种中的泛化能力未充分验证	开发准确评估小麦耐冻性的方法并识别关键遗传因子，以指导耐冻小麦品种选育	小麦幼苗期的冻害表型及220份小麦种质	计算机视觉	NA	图像表型分析，全基因组关联分析	CNN	图像	220份小麦种质	NA	FreezeNet	与传统目测评分相关性，遗传力	NA
1207	2025-12-22	XFruitSeg-A general plant fruit segmentation model based on CT imaging 2025-Jun, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100055 PMID:41415184	研究论文	本研究提出了一种基于CT成像的通用植物果实分割深度学习模型XFruitSeg，用于精确分割果实内部组织	提出了首个针对植物果实CT图像的通用深度学习分割模型，集成了大卷积核网络RepLKNet、多尺度跳跃连接、深度监督机制、轮廓特征学习分支以及优化的复合损失函数	模型仅在橙子、山竹和榴莲三种果实上进行了评估，尚未在所有12个品种上全面验证	开发一种高精度的植物果实内部组织分割方法，以支持表型分析	植物果实的CT图像	计算机视觉	NA	CT成像	深度学习	图像	包含12种植物果实品种的高分辨率图像数据集，其中橙子、山竹和榴莲有精确标注用于评估	NA	U-Net, RepLKNet	Dice系数, mIoU	NA
1208	2025-12-22	Dynamic maize true leaf area index retrieval with KGCNN and TL and integrated 3D radiative transfer modeling for crop phenotyping 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100004 PMID:41415943	研究论文	本研究提出了一种结合三维辐射传输模型和知识引导深度学习的新方法，用于动态反演玉米真实叶面积指数，以提升作物表型分析的准确性	开发了结合三维冠层结构物理的知识引导卷积神经网络架构，并利用迁移学习技术进行跨时间适应，显著提高了叶面积指数反演的精度和稳定性	方法依赖于合成数据集进行预训练，可能受限于模拟数据与真实田间条件之间的差异，且跨年验证仅覆盖两年数据，长期普适性有待进一步验证	通过集成三维辐射传输建模和深度学习，提高玉米真实叶面积指数的动态反演精度，以支持作物生长状态评估和产量预测	玉米作物	计算机视觉	NA	三维辐射传输建模, 遥感散射模型	CNN, LSTM, RNN	合成数据集, 田间测量数据	2021年田间测量数据用于微调, 2022-2023年数据集用于跨年验证	NA	知识引导卷积神经网络, PROSAIL, 随机森林	R, RMSE	NA
1209	2025-12-22	A deep learning-based micro-CT image analysis pipeline for nondestructive quantification of the maize kernel internal structure 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100022 PMID:41415948	研究论文	本文提出了一种基于深度学习的微CT图像分析流程，用于无损量化玉米籽粒的内部结构	提出了名为CSFTU-Net的改进U-Net架构，集成了CBAM和SE注意力机制，并使用focal-Tversky损失函数及边界平滑项，显著提高了玻璃质与粉质胚乳的分割能力	未明确说明模型在不同玉米品种或成像条件下的泛化能力，也未讨论计算效率或处理大规模数据的可行性	开发一种无损、自动化的方法来量化玉米籽粒的内部结构，以支持玉米育种和加工研究	玉米籽粒的微CT图像	计算机视觉	NA	微CT扫描	CNN	图像	未明确说明	未明确说明	U-Net, CSFTU-Net	分割准确性	未明确说明
1210	2025-12-22	CVRP: A rice image dataset with high-quality annotations for image segmentation and plant phenomics research 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100025 PMID:41415951	研究论文	本文介绍了一个名为CVRP的高质量水稻图像数据集，用于图像分割和植物表型组学研究	创建了一个包含多品种、多视角、高标注质量的水稻图像公开数据集，并设计了半自动标注流程	未明确说明数据集的样本数量及标注的具体耗时	为作物图像分析和植物表型组学研究提供高质量标注数据集，促进精准农业和育种模型发展	水稻植株图像，包括231个地方品种和50个现代栽培品种	计算机视觉	NA	深度学习模型辅助的半自动标注	语义分割模型	图像	来自281个水稻品种（231个地方品种 + 50个现代栽培品种）的图像	未明确说明	未明确指定具体架构，但评估了四种SOTA语义分割模型	未明确说明	未明确说明
1211	2025-12-22	Segmenting vegetation from UAV images via spectral reconstruction in complex field environments 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100021 PMID:41415944	研究论文	提出一种基于光谱重建的弱监督方法，用于复杂田间环境下的植被分割	通过光谱重建技术降低数据采集成本，并结合植被指数理论增强植被信息，实现无需人工标注的弱监督分割	未明确说明方法在极端光照或天气条件下的鲁棒性，且数据集规模相对有限	开发一种低成本、高效的田间植被分割方法，以应对复杂环境挑战	无人机采集的田间植被遥感图像	计算机视觉	NA	光谱重建，植被指数	CNN, 注意力机制	图像	2358对无人机RGB-多光谱图像样本	未明确指定，但开源代码暗示可能基于PyTorch或TensorFlow	SRCNet, SRANet	平均交并比	NA
1212	2025-12-22	The blessing of Depth Anything: An almost unsupervised approach to crop segmentation with depth-informed pseudo labeling 2025-Mar, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100005 PMID:41415954	研究论文	本文提出了一种几乎无监督的作物分割方法DepthCropSeg，利用深度信息生成伪标签训练分割模型	首次利用Depth Anything V2视觉基础模型生成高质量伪作物掩码，实现接近全监督性能的几乎无监督作物分割	依赖深度图生成伪掩码的质量，且需要人工筛选可靠图像	开发无需人工像素级标注的作物分割方法	作物图像	计算机视觉	NA	深度图生成与处理	语义分割模型	图像	17199张图像来自六个公共植物分割源，筛选后1378张图像用于训练	NA	NA	NA	NA
1213	2025-12-22	A review of light-field imaging in biomedical sciences 2025, Med-X DOI:10.1007/s44258-025-00070-6 PMID:41409575	综述	本文综述了光场成像在生物医学科学中的应用，包括其理论基础、核心实现及在显微、介观和内窥镜中的进展	光场成像作为一种新兴范式，通过单次快照捕获空间和角度信息，实现高速体积采集，特别适用于捕捉快速生物动态	存在成像速度、空间分辨率和景深之间的基本权衡，尽管压缩感知、深度学习和元光学等进展正在解决这些限制	概述光场成像的理论基础，并调查其在生物医学成像技术中的核心实现和潜力	光场成像技术在显微、介观和内窥镜等生物医学成像领域的应用	生物医学光学	NA	光场成像	NA	体积信息（空间和角度光组件）	NA	NA	NA	NA	NA
1214	2025-12-22	DeepKinome: quantitative prediction of kinase binding affinity by a compound using deep learning based regression model 2025, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2025.1698891 PMID:41415030	研究论文	本文介绍了DeepKinome，一个基于20层卷积神经网络的深度学习回归模型，用于预测小分子化合物与激酶之间的定量结合亲和力	开发了DeepKinome模型，通过深度学习回归方法预测激酶结合亲和力，并利用可解释人工智能分析揭示了影响预测的关键氨基酸序列，这些序列与已知激酶磷酸化位点一致	模型训练数据仅来自L1000数据库的234种激酶和163种化合物，数据规模和多样性可能有限	预测小分子化合物与激酶之间的定量结合亲和力，以促进激酶抑制和化合物结合的理解	激酶和小分子化合物	机器学习	NA	深度学习回归	CNN	定量结合亲和力数据	234种激酶和163种化合物	NA	20层卷积神经网络	RMSE, R2, Pearson's correlation coefficient, acceptance interval ratio	NA
1215	2025-12-22	Comprehensive evaluation and clinical implications of kernel extreme learning machine long short term memory transformer framework 2025, American journal of translational research IF:1.7Q4 DOI:10.62347/ELRA9110 PMID:41415105	研究论文	本文提出了一种结合KELM、LSTM和Transformer的混合深度学习模型，用于提高阿尔茨海默病的诊断和预测准确性	首次将KELM、LSTM和Transformer三种架构集成到一个联合模型中，以捕捉非线性关联、时间动态和全局特征依赖	研究主要基于ADNI数据库，外部验证队列规模有限，可能影响模型的广泛适用性	开发并验证一个混合深度学习模型，以增强阿尔茨海默病的诊断和预测准确性	阿尔茨海默病患者，包括从轻度认知障碍到阿尔茨海默病的转化预测	机器学习	阿尔茨海默病	深度学习	KELM, LSTM, Transformer	临床数据	训练和验证集2,149名受试者（来自ADNI数据库），外部测试集1,012名受试者	NA	KELM-LSTM-Transformer	准确率, 召回率, AUC	NA
1216	2025-12-22	An ensemble heterogeneous transformer model for an effective diagnosis of multiple plant diseases 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1693095 PMID:41415655	研究论文	本文提出了一种集成异构Transformer模型，用于有效诊断多种植物病害	结合了U-Net和Swin Transformer V2进行分割，以及CoAtNet及其变体进行分类，并采用基于Levy Flight Honey Badger Algorithm的元启发式融合策略动态加权分类器输出，提高了模型的鲁棒性和可解释性	未提及模型在真实田间环境下的泛化能力或计算资源需求	准确识别植物中的多种病害，以支持可持续农业	植物叶片图像	计算机视觉	植物病害	图像分割与分类	Transformer, CNN	图像	54,305张图像，涵盖38个类别	NA	U-Net, Swin Transformer V2, CoAtNet	准确率, 精确率, 召回率, 特异性, F1分数	NA
1217	2025-12-22	Anatomically refined entorhinal cortex segmentation improves MRI-based early diagnosis of Alzheimer's disease 2025, Frontiers in aging neuroscience IF:4.1Q2 DOI:10.3389/fnagi.2025.1682106 PMID:41415891	研究论文	本研究开发了一种结合专家解剖学修正与深度学习的精细化内嗅皮层分割框架，用于提升基于MRI的阿尔茨海默病早期诊断	通过手动修正FreeSurfer生成的内嗅皮层标签，去除前嗅周皮层延伸等解剖学不一致区域，并利用修正后的标签训练nnU-Net模型，实现了更精确、可扩展的内嗅皮层分割	NA	提升基于磁共振成像的阿尔茨海默病早期诊断的敏感性和特异性	阿尔茨海默病神经影像学倡议1期（ADNI1）的磁共振成像数据	数字病理学	阿尔茨海默病	磁共振成像	nnU-Net	图像	NA	nnU-Net	nnU-Net	组间区分度, 诊断阶段区分能力	NA
1218	2025-12-22	Multimodality model investigating the impact of brain atlases, connectivity measures, and dimensionality reduction techniques on Attention Deficit Hyperactivity Disorder diagnosis using resting state functional connectivity 2024-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.6.064502 PMID:39713730	研究论文	本文提出了一种多模态模型，用于研究不同脑图谱、连接性测量和降维技术对注意力缺陷多动障碍诊断的影响	首次全面评估多种脑图谱、连接性测量和降维技术对ADHD诊断的影响，并整合表型数据构建高效多模态分类模型	未明确说明模型在外部验证集上的泛化能力，且样本量可能有限	研究不同脑图谱、连接性测量和降维技术对ADHD诊断的影响，并构建高效的多模态分类模型	注意力缺陷多动障碍患者	机器学习	注意力缺陷多动障碍	静息态功能连接分析	传统机器学习分类器	功能连接数据，表型数据	ADHD-200数据集	NA	NA	准确率，AUC，F1分数	NA
1219	2025-12-22	Traditional Machine Learning, Deep Learning, and BERT (Large Language Model) Approaches for Predicting Hospitalizations From Nurse Triage Notes: Comparative Evaluation of Resource Management 2024-Aug-27, JMIR AI DOI:10.2196/52190 PMID:39190905	研究论文	本研究比较了传统机器学习、深度学习和基于BERT的大语言模型在预测护士分诊笔记中住院需求方面的性能，以评估资源管理策略	首次系统比较了不同计算资源需求模型（从简单逻辑回归到复杂BERT模型）在护士分诊笔记预测任务中的表现，为资源受限环境提供实用指导	研究仅基于单一医疗系统数据，外部泛化能力需进一步验证；未考虑其他可能影响住院预测的临床因素	评估不同计算复杂度模型在预测急诊患者住院需求方面的性能差异，为医疗系统资源管理提供决策依据	急诊科护士分诊笔记	自然语言处理	NA	自然语言处理	逻辑回归, BERT	文本	1,391,988名患者（来自2017-2022年Mount Sinai医疗系统急诊科）	NA	Bio-Clinical-BERT	受试者工作特征曲线下面积	NA
1220	2025-12-21	Development and validation of a deep learning model based on cascade mask regional convolutional neural network to noninvasively and accurately identify human round spermatids 2026-Jan, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.03.059 PMID:40185275	研究论文	本文开发并验证了一种基于级联掩码区域卷积神经网络的深度学习模型，用于无创且准确地识别人类圆形精子细胞	提出了一种基于级联掩码R-CNN的深度学习模型，首次实现了对人类圆形精子细胞的无创准确识别，避免了传统Hoechst染色的毒性问题	模型基于有限的光学显微镜图像数据集（3457张）开发，可能需要在更广泛的数据集上进行进一步验证	评估深度学习模型在无创准确识别人类圆形精子细胞方面的能力，以促进人类圆形精子注射技术的临床应用	人类圆形精子细胞	计算机视觉	男性不育症	流式细胞术分析、光学显微镜成像	CNN	图像	3457张已分选人类圆形精子细胞的光学显微镜图像	NA	级联掩码区域卷积神经网络	平均精度均值	NA