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
1441	2025-12-07	Detection of leptomeningeal angiomas in brain MRI of Sturge-Weber syndrome using multi-scale multi-scan Mamba 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1699700 PMID:41341263	研究论文	本研究提出了一种基于Mamba的编码器-解码器架构，结合多尺度多扫描策略，用于在Sturge-Weber综合征患者的脑部MRI中自动检测软脑膜血管瘤	采用多尺度多扫描策略将3D体积转换为1D序列，以较低计算复杂度捕获长程依赖，并首次将Mamba架构应用于软脑膜血管瘤的自动检测	数据集规模较小（仅40名患者），且模型性能在SWS数据集上的Dice分数（78.67%）虽优于现有方法，但仍低于在BraTS数据集上的表现（91.53%）	研究Sturge-Weber综合征中软脑膜血管瘤的自动检测方法，以实现临床自动化诊断	Sturge-Weber综合征患者的脑部MRI图像	计算机视觉	Sturge-Weber综合征	MRI	Mamba	图像	40名SWS患者的T1增强MRI数据，并使用公共BraTS数据集进行预训练	NA	基于Mamba的编码器-解码器架构	Dice分数	NA
1442	2025-12-07	YOLO-PLNet: a lightweight real-time detection model for peanut leaf diseases based on edge deployment 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1707501 PMID:41341300	研究论文	本研究提出了一种名为YOLO-PLNet的轻量级实时检测模型，专为花生叶部病害的边缘设备部署而设计	在YOLO11n基础上，对主干网络和Neck结构进行轻量化改进，引入了轻量注意力增强卷积模块以降低计算开销，并融合通道-空间注意力机制来增强对小病灶和边缘模糊目标的特征表示，同时检测头采用渐进特征金字塔网络以提升多尺度检测性能	NA	实现花生叶部病害的早期准确检测，并平衡模型大小、实时检测精度与边缘设备部署需求	花生叶部病害	计算机视觉	NA	NA	CNN	图像, 视频	NA	NA	YOLO11n, YOLO-PLNet	mAP@0.5, mAP@0.5:0.95, 延迟, FPS, GPU使用率, 功耗	Jetson Orin NX平台, CSI摄像头实时视频输入, FP16精度, INT8精度
1443	2025-12-07	Species-level detection of thrips and whiteflies on yellow sticky traps using YOLO-based deep learning detection models 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1668795 PMID:41341315	研究论文	本研究评估了基于YOLO的深度学习检测模型在非显微RGB黄色粘虫板图像上实时进行物种级别检测蓟马和白粉虱的潜力与局限性	首次实现了在黄色粘虫板图像上对蓟马和白粉虱进行有效的物种级别检测，为针对性害虫控制策略提供了可能	研究仅针对特定类型的黄色粘虫板和有限害虫物种，未来需扩展至更多害虫种类、粘虫板类型和环境光照条件	开发一种实时、自动化的物种级别害虫监测系统，以减少农药使用并提高农业产量	蓟马（Frankliniella occidentalis 和 Thrips tabaci）和白粉虱（Trialeurodes vaporariorum 和 Bemisia tabaci）	计算机视觉	NA	深度学习图像检测	YOLO	图像	一个平衡且标注的图像数据集，包含在一种黄色粘虫板上捕获的害虫物种	NA	YOLO11, YOLO-NAS	mAP@50, F1@50, AP@50	NA
1444	2025-12-07	Deep-learning radiomics and hand-crafted radiomics utilizing contrast-enhanced MRI to predict early peritumoral recurrence after DEB-TACE with hepatocellular carcinoma: a two-center study 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1642828 PMID:41341387	研究论文	本研究利用基于术前多期MRI的深度学习放射组学，预测肝细胞癌患者DEB-TACE后的早期瘤周复发	结合深度学习放射组学与手工放射组学特征，构建多中心预测模型，并比较不同瘤周区域影像特征的预测性能	回顾性研究设计，样本量相对有限（157例），仅基于MRI数据	预测肝细胞癌患者DEB-TACE后的早期瘤周复发	接受DEB-TACE治疗的肝细胞癌患者	数字病理学	肝细胞癌	多期磁共振成像	深度学习, 放射组学	MRI图像	157例患者（训练队列114例，外部验证队列43例）	NA	ResNet34	AUC, 校准曲线, NRI, DCA	NA
1445	2025-12-07	Preoperative prediction of aggressive endometrial cancer using multiparametric MRI-based deep transfer learning models 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1694223 PMID:41341401	研究论文	本研究提出了一种基于多参数MRI和深度迁移学习模型的方法，用于术前预测子宫内膜癌的侵袭性	首次将多参数MRI序列（T2WI、ADC、CE-T1WI）的深度迁移学习特征与临床特征相结合，通过决策级融合策略构建联合模型，用于术前非侵入性预测子宫内膜癌侵袭性	回顾性单中心研究，样本量相对有限（n=207），且DWI序列因性能欠佳被排除在最优模型外	提高子宫内膜癌侵袭性的术前预测准确性，以支持个体化治疗规划	经病理证实的子宫内膜癌患者	数字病理	子宫内膜癌	多参数MRI（T2加权成像、扩散加权成像、表观扩散系数图、对比增强T1加权成像）	CNN	医学影像	207名患者（训练集144例，测试集63例）	NA	ResNet50, ResNet101, DenseNet121	AUC, 决策曲线分析, 校准曲线	NA
1446	2025-12-07	DTBind: A Mechanism-Driven Deep Learning Framework for Accurate Prediction of Drug-Target Molecular Recognition 2025, Research (Washington, D.C.) DOI:10.34133/research.1022 PMID:41341719	研究论文	本文介绍了一种名为DTBind的机制驱动深度学习框架，用于准确预测药物-靶标分子识别，包括结合发生、结合位点定位和结合亲和力估计	DTBind是一个统一的机制驱动框架，基于分子识别的共享机制决定因素，分层适应序列、结构和复合体级别的输入，克服了现有方法独立处理这些任务的局限性	NA	开发一个深度学习框架以准确预测药物-靶标分子识别，支持早期药物发现	药物-靶标分子识别，包括结合发生、结合位点定位和亲和力估计	机器学习	NA	深度学习，分子动力学模拟	深度学习模型	序列数据，结构数据，复合体数据	NA	NA	DTBind	准确性，泛化性	NA
1447	2025-12-07	Predicting cardiovascular disease risk using retinal optical coherence tomography imaging 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1624550 PMID:41341807	研究论文	本研究利用视网膜光学相干断层扫描（OCT）成像和深度学习技术，预测未来心血管疾病事件的风险	首次将自监督变分自编码器（VAE）用于从高维3D OCT图像中提取低维潜在表征，并结合临床数据训练随机森林分类器，以识别心血管疾病高风险个体；同时采用了一种新的模型可解释性方法揭示了脉络膜层的关键预测作用	研究样本量相对有限（共2846名参与者），且仅基于UK Biobank数据，可能缺乏外部验证和人群多样性	探索视网膜OCT成像作为预测未来心血管疾病事件的附加成像技术的潜力	UK Biobank中的参与者，包括612名在成像后五年内发生心肌梗死或中风的患者，以及2234名无心血管疾病的对照者	数字病理学	心血管疾病	光学相干断层扫描	VAE, Random Forest	图像	2846名参与者（612例患者，2234名对照）	NA	变分自编码器	AUC, 灵敏度, 特异性, 准确率	NA
1448	2025-12-07	Deep learning-assisted widefield endothelial imaging in Descemet membrane endothelial keratoplasty 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1715673 PMID:41341834	研究论文	本研究评估了一种深度学习算法，用于在Descemet膜内皮角膜移植术后，通过宽场镜面显微镜图像自动评估图像质量并检测中央、旁中央和周边区域低角膜内皮细胞密度	首次将深度学习算法应用于宽场镜面显微镜图像，实现自动图像质量评估和低内皮细胞密度检测，扩展了内皮评估范围至旁中央和周边区域	研究样本量相对较小（53只眼），且仅针对特定疾病（FECD和PBK），可能限制结果的普适性	评估深度学习算法在DMEK术后宽场镜面显微镜图像中自动评估图像质量和检测低内皮细胞密度的应用	DMEK术后患者的角膜内皮细胞	计算机视觉	角膜内皮营养不良	宽场镜面显微镜成像	CNN	图像	53只眼（43名受试者），共1,362张图像	NA	SqueezeNet	AUC	NA
1449	2025-12-07	International Validation of Echocardiographic AI Amyloid Detection Algorithm 2024-Dec-16, medRxiv : the preprint server for health sciences DOI:10.1101/2024.12.14.24319049 PMID:39763545	研究论文	本研究通过国际多中心回顾性病例对照研究，验证了基于计算机视觉的深度学习算法EchoNet-LVH在超声心动图视频中检测心脏淀粉样变性的性能	开发并国际验证了首个基于超声心动图视频的计算机视觉深度学习算法EchoNet-LVH，用于检测心脏淀粉样变性，其高特异性旨在最大化阳性预测值，以应对这种罕见疾病的诊断挑战	研究为回顾性设计，未来需前瞻性验证以确认其临床实用性；算法性能在不同亚组中虽表现一致，但需在更广泛人群中进一步评估	评估计算机视觉深度学习算法在国际多中心环境中检测心脏淀粉样变性的诊断性能	心脏淀粉样变性患者与对照组的超声心动图研究	计算机视觉	心脏淀粉样变性	经胸超声心动图	深度学习	视频	涉及多个国际站点的回顾性病例对照研究，具体样本量未在摘要中明确说明	NA	EchoNet-LVH	AUC, 敏感度, 特异度, 阳性预测值, 阴性预测值	NA
1450	2025-12-07	Deep learning automation of MEST-C classification in IgA nephropathy 2023-06-30, Nephrology, dialysis, transplantation : official publication of the European Dialysis and Transplant Association - European Renal Association DOI:10.1093/ndt/gfad039 PMID:36792061	研究论文	本研究开发了一种基于神经网络的工具，用于自动化IgA肾病中MEST-C分类的识别和量化	首次使用深度学习自动化MEST-C分类，解决了病理学家间观察者变异性的问题	样本量相对较小，且M评分的kappa系数仅为中等水平	自动化IgA肾病的MEST-C分类以提高诊断一致性和预后评估	IgA肾病患者的肾活检样本	数字病理学	IgA肾病	肾活检	神经网络	图像	训练队列42例，测试队列66例，应用队列88例	NA	NA	AUC, kappa系数, 风险比	NA
1451	2025-12-06	Explainable Convolutional Neural Networks for the identification of the Ampullariidae genus 2026-Apr, Parasitology international IF:1.5Q3 DOI:10.1016/j.parint.2025.103200 PMID:41271157	研究论文	本研究提出了一种基于VGG16和Grad-CAM的可解释卷积神经网络架构，用于分类和解释Ampullariidae及相关属的形态特征	结合VGG16和Grad-CAM构建可解释的CNN模型，在分类的同时提供视觉解释，聚焦于属特异性壳特征（如螺旋高度、卷绕方向和孔口方向），增强了分类学的精确性和生态决策的实用性	模型主要基于尼日利亚北部采集的标本，可能在其他地理区域的泛化能力有限；数据集虽经增强，但样本量相对较小（350个Ampullariidae标本），可能影响模型的鲁棒性	开发可解释的深度学习模型，用于自动识别和分类Ampullariidae及相关属的淡水蜗牛，以支持生态监测和寄生虫控制项目	Ampullariidae家族及其相关属（如Biomphalaria、Bulinus、Lymnae、Melanoides）的淡水蜗牛标本	计算机视觉	NA	深度学习	CNN	图像	350个野外采集的Ampullariidae标本，并增强了Biomphalaria、Bulinus、Lymnae和Melanoides的标记图像	NA	VGG16	验证准确率	NA
1452	2025-12-06	Deep learning enhanced quantitative debonding evaluation in tile panels using Lamb waves 2026-Feb, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107821 PMID:40945330	研究论文	本研究提出了一种利用Lamb波信号和数据驱动的深度学习方法定量评估外部陶瓷砖面板脱粘的新方法	结合Lamb波信号的时间-频率表示与二维卷积神经网络，通过混合数据集（模拟与实验数据）训练，生成全面的二维损伤指数图以识别脱粘缺陷的位置和大小	NA	开发一种可靠的定量评估陶瓷砖面板脱粘的非破坏性评估方法	外部陶瓷砖面板的脱粘缺陷	计算机视觉	NA	连续小波变换	CNN	图像	NA	NA	二维卷积神经网络	NA	NA
1453	2025-12-06	Modified UNet-enhanced ultrasonic superb microvascular imaging feature extraction and grading of carpal tunnel syndrome 2026-Feb, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107834 PMID:41039691	研究论文	本研究结合超快超微血管成像与改进的UNet分割模型，通过定量图像分析客观提取微血管特征，用于腕管综合征的分级	采用分类引导的改进UNet分割模态，结合非线性二次回归模型，实现了对腕管综合征微血管特征的自动提取和分级，提高了分类准确性和AUC值	样本量相对较小（105名患者），且未提及模型在其他人群或设备上的泛化能力验证	开发一种基于超声超微血管成像和深度学习的非侵入性方法，用于腕管综合征的客观分级	腕管综合征患者（包括轻度、中度和重度）及健康对照者的腕部超微血管成像数据	计算机视觉	腕管综合征	超快超微血管成像	CNN	图像	105名患者（21名轻度、71名中度、13名重度）和21名健康对照者	NA	改进的UNet	分类准确率, AUC, Kappa系数	NA
1454	2025-12-06	Firearm brand classification using deep learning on cartridge case images 2026-Feb, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2025.112671 PMID:41061388	研究论文	本研究提出了一种基于深度学习的枪械品牌分类方法，利用弹壳图像的归一化高度图和形状指数变换，以提高法医弹道学中的枪械识别准确性和效率	首次将深度学习方法应用于弹壳图像的枪械品牌分类，通过归一化高度图和形状指数变换提取特征，并利用过采样技术处理类别不平衡问题	研究主要基于土耳其的枪械品牌数据，可能在其他地区的适用性有限；且未详细讨论模型在真实犯罪场景中的泛化能力	开发一种自动化枪械品牌分类系统，以优化法医弹道学中的弹壳比较流程，减少检查时间并提高调查效率	弹壳图像，涵盖土耳其犯罪案件中常见的21种最流行枪械品牌，包括手工枪械和改装空包手枪	计算机视觉	NA	归一化高度图，形状指数变换，图像处理	CNN, Transformer	图像	超过35万弹壳样本，通过旋转过采样扩展至超过100万样本	NA	ResNet, Vision Transformer	准确率	NA
1455	2025-12-06	Deep learning enhanced label-free cervical screening via stimulated Raman cytology 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128982 PMID:41109050	研究论文	本文提出了一种基于刺激拉曼细胞学的无标记宫颈筛查平台，结合深度学习实现宫颈细胞的快速筛查和诊断	开发了VAD-SRC平台，通过刺激拉曼散射显微镜获取细胞内在生物分子对比，结合深度卷积神经网络实现高精度诊断和细胞类型自动分割	未提及研究的具体局限性	提高宫颈癌筛查的诊断通量和灵敏度	宫颈细胞样本	数字病理学	宫颈癌	刺激拉曼散射显微镜	CNN	图像	未提及具体样本数量	NA	深度卷积神经网络	准确率, 灵敏度	NA
1456	2025-12-06	SE-PDS enhanced NIR spectral transfer learning: A machine learning approach for cross-instrument jet fuel property quantification 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.129005 PMID:41124770	研究论文	本研究提出了一种改进的共享嵌入增强分段直接标准化算法，结合随机森林模型，实现了跨仪器对喷气燃料16种理化性质的定量预测	提出了改进的SE-PDS算法，整合了所有光谱段的光谱矩阵和窗口索引，使单个模型能够利用不同特征间的共享信息，并自动识别和消除光谱数据中的不规则波动和突变	研究仅使用了86个喷气燃料样本进行验证，样本量相对较小	实现跨仪器近红外光谱的迁移学习，用于喷气燃料性质的定量预测	喷气燃料的理化性质	机器学习	NA	近红外光谱	随机森林	光谱数据	86个喷气燃料样本	NA	随机森林	相关系数, 决定系数, 相对误差率	NA
1457	2025-12-06	Characterization of Gastrodiae Rhizoma from different geographical origins by HS-GC-IMS and authenticity identification combined with deep learning 2026-Jan-04, Journal of chromatography. A DOI:10.1016/j.chroma.2025.466482 PMID:41172769	研究论文	本研究结合顶空气相色谱-离子迁移谱（HS-GC-IMS）与深度学习算法，对不同产地天麻的挥发性成分进行表征并建立产地真实性鉴别方法	首次将GC-IMS二维谱图与深度学习（CNN、ResNet）相结合用于天麻产地鉴别，准确率超过99.54%，显著优于传统机器学习方法（约90%）	样本数量有限（未明确具体样本数），仅分析了挥发性成分，未涵盖其他化学组分	建立天麻产地鉴别与掺假筛查策略，确保市场产品质量	不同地理来源的天麻（Gastrodiae Rhizoma）样本	计算机视觉	NA	顶空气相色谱-离子迁移谱（HS-GC-IMS）	CNN, ResNet	图像（2D GC-IMS色谱图）	未明确具体样本数量，涉及不同产地天麻样本	NA	卷积神经网络（CNN）, 残差网络（ResNet）	准确率	NA
1458	2025-12-06	Evolution of chromatographic modeling: From mechanistic models to hybrid models with physics-based deep learning 2026-Jan-04, Journal of chromatography. A DOI:10.1016/j.chroma.2025.466565 PMID:41297511	综述	本文系统总结了基于物理的深度学习（PBDL）方法在色谱建模中的三代演进过程	提出了色谱建模从传统机理模型到融合机理理解与数据驱动的混合模型的演进框架，并阐述了PBDL如何实现物理与数据的相互反馈	未提及具体应用案例的性能局限或数据要求	综述色谱建模技术的发展历程，探讨物理驱动深度学习方法的演进与潜力	色谱建模方法	机器学习	NA	物理驱动的深度学习	神经网络	模拟数据与物理方程	NA	NA	物理信息神经网络	NA	NA
1459	2025-12-06	Multiparametric MRI deep learning model based on dynamic Contrast-enhanced and apparent diffusion coefficient map enables accurate prediction of benign and malignant breast lesions 2025-Dec-05, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-025-00970-1 PMID:41345985	研究论文	本研究开发了一种基于动态对比增强磁共振成像和表观扩散系数图的多参数深度学习模型，用于准确区分乳腺良恶性病变	首次将DCE-MRI和ADC图结合构建深度学习模型，用于乳腺病变的良恶性鉴别，并证明其性能优于单一参数模型及初级放射科医生	研究为回顾性设计，样本量有限，且来自单一中心，未来需要在前瞻性、多中心、多扫描仪和跨国队列中进行验证	开发一个基于多参数MRI的深度学习模型，以区分乳腺良恶性病变，并评估其辅助临床决策的潜力	乳腺病变（包括良性和恶性）	数字病理	乳腺癌	动态对比增强磁共振成像，表观扩散系数图	深度学习模型	医学影像（MRI图像）	训练/验证集包含509名患者的556个病灶（307个恶性，249个良性）；独立测试集包含225名患者的243个病灶	NA	NA	AUC，准确率，灵敏度，特异性	NA
1460	2025-12-06	Potential radiation dose reduction in computed tomography with deep learning reconstruction: a retrospective monocentric study 2025-12-05, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.4274/dir.2025.253513 PMID:41346133	研究论文	本研究评估了深度学习重建算法在常规临床CT扫描中相比迭代重建算法，能否在维持或提升图像质量的同时降低辐射剂量	首次在单中心、大规模回顾性研究中，系统评估了深度学习重建算法在四种不同CT协议（胸部、头部、胸腹盆肿瘤学、下肢CTA）中降低辐射剂量的一致性和有效性，证实了其广泛的临床应用潜力	研究为回顾性、单中心设计，可能存在选择偏倚，且图像质量评估仅基于子样本（200名患者）	评估深度学习重建算法在降低CT扫描辐射剂量方面的有效性和一致性	接受CT扫描的患者	医学影像	NA	计算机断层扫描	深度学习重建算法	CT图像	总人群13,060名患者，图像质量评估子样本200名患者（每组每个协议25名）	NA	NA	主观图像质量评估，标准化信噪比，对比噪声比	NA