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
141	2025-12-20	[Current Landscape and Commercialization of AI Models in Musculoskeletal Imaging] 2025-Sep, Journal of the Korean Society of Radiology DOI:10.3348/jksr.2025.0058 PMID:41113373	综述	本文综述了基于人工智能的医疗设备在肌肉骨骼影像领域的商业化现状及其临床应用	总结了肌肉骨骼影像AI模型的商业化进展，并提供了临床应用的有益考虑	NA	提供肌肉骨骼影像AI模型的商业化信息，辅助临床决策	肌肉骨骼影像AI模型及其商业化应用	数字病理学	肌肉骨骼疾病	深度学习	NA	影像	NA	NA	NA	诊断性能	NA
142	2025-12-20	Field phenotyping for soybean density tolerance using time-series prediction and dynamic modeling 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100083 PMID:41416187	研究论文	本研究提出了一种结合时空深度学习与动态建模的创新方法，利用无人机高通量表型技术量化冠层参数动态变化，以揭示大豆耐密植性状的关键调控机制	首次将时空深度学习与动态性状建模相结合，显著提高了叶面积指数估计的时间连续性和稳定性，相比传统单时间点预测方法，能更精确量化不同生长阶段的冠层发育速率	研究基于中国东北特定黑土区域的两年田间试验，结果可能受地域和气候条件限制，且模型在更广泛环境或品种中的泛化能力有待验证	开发高通量表型分析方法，以筛选耐密植的大豆品种，实现高产稳产	208个大豆品种在高低密度处理下的冠层动态性状	计算机视觉	NA	无人机高通量表型技术，多光谱无人机成像	时空残差网络, 长短期记忆网络, 随机森林	图像, 时间序列数据	208个大豆品种，在2022-2023年进行两年田间试验，设置高密度（50万株/公顷）和低密度（30万株/公顷）处理，每季采集15-18次多光谱无人机图像及地面真实数据	NA	ST-ResNet, LSTM, RF	R, RMSE	NA
143	2025-12-20	FSEA: Incorporating domain-specific prior knowledge for few-shot weed detection 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100086 PMID:41416189	研究论文	本研究提出了一种结合领域先验知识的少样本杂草检测框架FSEA，以解决新杂草物种检测中数据不足的问题	提出了少样本增强注意力网络，通过通道注意力特征融合模块、特征增强模块和针对植物遮挡场景优化的损失函数，将植物检测的领域特定先验知识融入少样本学习	仅使用每物种30个样本进行训练，可能对模型泛化能力有一定限制；研究集中于特定作物和杂草物种，未涵盖所有农业环境	开发一种能够快速适应新杂草物种的少样本杂草检测方法，以提高精准杂草控制的实用性	常见作物和杂草物种（如甜菜、甘蔗、稗草等）以及较少出现的杂草物种（如马齿苋、亚洲铜叶草等）	计算机视觉	NA	深度学习，少样本学习	Faster R-CNN	图像	每物种30个样本，涉及多种作物和杂草物种	PyTorch	Faster R-CNN，FSEA网络	mAP（平均精度均值）	NA
144	2025-12-20	Volumetric Deep Learning-Based Precision Phenotyping of Gene-Edited Tomato for Vertical Farming 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100095 PMID:41416190	研究论文	本研究利用CRISPR-Cas9系统开发了适合垂直农业的番茄新品种，并提出了一种基于体积深度学习的模型，通过叶绿素荧光的无损分析来有效识别基因编辑突变体	引入了三维深度学习框架，能够自动提取叶绿素荧光成像数据的时空特征，相比传统机器学习方法和一维CNN方法，在分类精度上有所提升	未明确说明模型在其他作物或性状上的泛化能力验证情况，且样本规模可能有限	开发适合垂直农业的番茄突变品种，并建立精准表型分析方法以加速育种进程	通过CRISPR-Cas9编辑的番茄植株，特别是涉及基因的突变体	计算机视觉	NA	CRISPR-Cas9基因编辑，叶绿素荧光成像	深度学习模型	叶绿素荧光成像数据	未明确指定具体样本数量，但涉及三重决定性番茄植株和基因编辑植物	未明确指定，可能基于常见深度学习框架如TensorFlow或PyTorch	体积深度学习模型（具体架构未指定），对比了1D-CNN	分类准确率	NA
145	2025-12-20	Analysis of Wheat Spike Morphological Traits by 2D Imaging 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100096 PMID:41416197	研究论文	本研究开发了一个名为Speakerphone的深度学习流程，用于通过2D成像精确获取小麦穗部表型性状，并分析其与产量的关系	开发了基于深度学习的自动化小麦穗部表型获取流程，能够高精度地分割小麦穗并提取45个复杂表型性状，突破了传统测量方法的局限	研究仅基于中国河北赵县的221个小麦品种，样本来源和数量可能限制了结论的普适性	开发高精度的小麦穗部表型获取方法，并分析穗部形态与产量性状（千粒重和穗产量）的相关性	小麦穗部形态	计算机视觉	NA	2D成像	深度学习	图像	来自中国河北赵县不同地区的221个小麦品种	NA	NA	平均交并比（mIoU）, 皮尔逊相关系数	NA
146	2025-12-20	RsegNet: An Advanced Methodology for Individual Rubber Tree Segmentation and Structural Parameter Extraction from UAV LiDAR Point Clouds 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100090 PMID:41416207	研究论文	提出了一种名为RsegNet的优化双通道聚类方法，用于从无人机LiDAR点云中分割单个橡胶树并提取其结构参数	设计了CosineU-Net网络通过计算点的空间和位置特征的余弦相似度来解决枝叶重叠问题，并构建了双通道聚类模块以减少预测误差，结合动态聚类优化算法增强高维数据处理中的聚类识别与分离精度	NA	改进橡胶树结构评估和性状分析，为精准监测、种植园管理和健康评估提供支持	橡胶树	计算机视觉	NA	无人机LiDAR点云	深度学习网络	点云数据	自建数据集及FOR-instance森林数据集的五个区域	NA	CosineU-Net, RsegNet	F-score	NA
147	2025-12-20	ChatLeafDisease: a chain-of-thought prompting approach for crop disease classification using large language models 2025-Sep, Plant phenomics (Washington, D.C.) DOI:10.1016/j.plaphe.2025.100094 PMID:41416205	研究论文	本研究提出了一种基于GPT-4o和思维链提示的训练免费框架ChatLeafDisease，用于仅通过文本描述进行作物病害分类	提出首个结合思维链提示和病害描述数据库的LLM训练免费框架，无需训练过程即可实现跨作物的高精度病害分类	仅针对六种番茄病害进行验证，未在更广泛的作物和病害类型上进行测试	开发基于大语言模型的作物病害分类方法，解决深度学习模型需要大量训练数据的问题	番茄叶片病害	自然语言处理	作物病害	思维链提示，文本描述分析	大语言模型	文本	六种番茄病害	NA	GPT-4o, Gemini, CLIP	分类准确率	NA
148	2025-12-20	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射线微计算机断层扫描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如对比标记	对于苹果组织中的薄壁血管分割仍具挑战性，且尝试的各种数据增强方法未能提升测试性能	加速和改进苹果和梨果实组织微观结构的表征	苹果和梨果实组织的微观结构，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	3D图像	NA	NA	NA	聚合Jaccard指数, Dice相似系数	NA
149	2025-12-20	Bias in deep learning-based image quality assessments of T2-weighted imaging in prostate MRI 2025-Aug-25, Abdominal radiology (New York) DOI:10.1007/s00261-025-05163-9 PMID:40853469	研究论文	本研究探讨了基于深度学习的T2加权图像质量评估在前列腺MRI中是否存在由临床显著前列腺癌引起的偏倚	首次在三个中心的大规模回顾性研究中，通过病例对照匹配方法，揭示了深度学习图像质量评估模型在临床显著前列腺癌患者中可能存在的系统性偏倚	研究为回顾性设计，可能存在选择偏倚；仅评估了T2加权图像，未涵盖多参数MRI序列；深度学习模型与放射科医生的中等一致性（κ=0.53）可能影响结论的稳健性	评估基于深度学习的图像质量评估在前列腺MRI中是否受临床显著前列腺癌存在的影响而产生偏倚	前列腺MRI的T2加权图像序列	数字病理学	前列腺癌	深度学习	CNN	医学图像	开发集1,719个序列，测试集386个序列，额外应用11,723次检查	NA	NA	二次加权kappa系数	NA
150	2025-12-20	Progress and new challenges in image-based profiling 2025-Aug-07, ArXiv PMID:40799808	综述	本文回顾了基于图像的细胞表型分析在计算方法上的演变，包括当前流程、局限性及未来发展方向	深度学习重塑了图像分析，提升了特征提取、可扩展性和多模态数据整合能力，并借鉴单细胞转录组学推动了单细胞分析和批次效应校正等方法的进步	该领域仍面临重大挑战，需要创新性解决方案	为研究人员提供基于图像的细胞表型分析技术进展及新挑战的路线图	基于图像的细胞表型分析的计算方法	计算机视觉	NA	显微镜成像	深度学习	图像	NA	NA	NA	NA	NA
151	2025-12-20	Retinal image-based disease classification using hybrid deep architecture with improved image features 2025-Aug-05, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-025-03660-w PMID:40762730	研究论文	本文提出了一种基于视网膜图像的疾病分类混合深度学习架构，通过改进图像特征提高分类准确性	提出了一种结合改进的LinkNet（ILinkNet）和SqueezeNet的混合深度学习模型（ILink-SqNet），并整合了改进的多纹理特征与统计特征，以提升视网膜疾病的分类性能	未明确提及样本量、计算资源细节或模型在更广泛数据集上的泛化能力	开发一种准确、高效的视网膜疾病自动分类方法，以辅助眼科诊断	视网膜眼底图像	计算机视觉	视网膜疾病	NA	深度学习	图像	NA	NA	ResNet, VGG16, ILinkNet, SqueezeNet	精确度	NA
152	2025-12-20	An optimized multi-scale dilated attention layer for keratoconus disease classification 2025-Jul-30, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-025-03688-y PMID:40736610	研究论文	本文提出了一种优化的多尺度扩张注意力层模型（Optimized MSDALNet），用于基于角膜地形图图像的圆锥角膜疾病分类	引入了多尺度扩张注意力层（MSDAL）以捕获不同空间分辨率的局部和全局角膜特征，并采用北极海雀优化算法（APO）进行训练优化，结合了可解释AI（XAI）能力	数据集规模有限且缺乏多模态输入	自动化圆锥角膜（KCN）的检测与分类	圆锥角膜疾病	计算机视觉	圆锥角膜	角膜地形图成像	深度学习模型	图像	超过1,100张标记的角膜地形图图像，分为正常、疑似和KCN三类	NA	Optimized MSDALNet（包含多尺度扩张注意力层）	准确率, 精确率, 召回率, 特异性, FNR, MCC, AUC	NA
153	2025-12-20	Advances in machine learning for ABCA4-related retinopathy: segmentation and phenotyping 2025-Jul-23, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-025-03690-4 PMID:40699379	综述	本文探讨了机器学习在ABCA4相关视网膜病变（ABCA4R）中的应用，重点关注图像分割和表型分型	综述了机器学习在ABCA4R中分割和表型分型的最新进展，包括集成建模、自注意力机制、软标签方法和动态框架等先进技术	数据集较小且疾病表现多变，这构成了显著挑战	自动化ABCA4R评估中的关键步骤，以监测疾病进展和分类患者亚组	ABCA4相关视网膜病变（Stargardt病）患者	数字病理学	视网膜病变	眼底成像，视网膜电图（ERG），微视野检查	深度学习	图像，电生理数据	15篇选定文章（源自264篇），具体样本量未明确说明	NA	NA	DICE系数，准确率	NA
154	2025-12-20	Multi-site, multi-vendor development and validation of a deep learning model for liver stiffness prediction using abdominal biparametric MRI 2025-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11312-3 PMID:39779515	研究论文	本研究开发并验证了一种基于深度学习的模型，利用腹部双参数MRI预测肝脏硬度，以评估慢性肝病患者的肝纤维化程度	开发了首个基于多机构、多厂商的腹部双参数MRI（T1加权和T2加权）数据，用于预测MRE衍生的肝脏硬度的深度学习模型，并在大规模、多样化的儿科和成人患者数据集中进行了验证	模型性能仍有提升空间，且未整合临床特征，未来可能需要进一步优化以减少对MRE的需求	开发并验证深度学习模型，利用常规临床非对比腹部T1加权和T2加权MRI数据预测MRE衍生的肝脏硬度，以评估慢性肝病	儿科和成人慢性肝病患者，来自四个机构，接受了2011年至2022年的临床MRI与MRE检查	数字病理学	慢性肝病	MRI（磁共振成像），包括T1加权和T2加权序列，以及MRE（磁共振弹性成像）	深度学习模型	图像（MRI扫描）	4295名患者的4695次MRI检查，包括428名儿科患者和2159名男性患者	NA	DeepLiverNet2.0	AUROC（受试者工作特征曲线下面积）	NA
155	2025-12-20	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，结合新型数据级融合方法，实现了大豆产量估算和倒伏等级判别	提出了基于交叉环绕倾斜航线和SfM-MVS技术的大豆冠层三维重建方法，并开发了新型点云深度学习模型SoyNet和SoyNet-Res，实现了空间结构与颜色信息在数据层面的有效融合	未明确说明模型在其他生长阶段或不同环境条件下的泛化能力，且样本规模和多样性可能有限	优化大豆育种表型研究，通过无人机平台和深度学习技术提高产量估算和倒伏判别的准确性	大豆（Glycine max (L.) Merr.）冠层	计算机视觉	NA	无人机摄影，Structure-from-Motion with Multi-View Stereo (SfM-MVS)	深度学习模型	点云数据，RGB图像，植被指数	未明确说明具体样本数量，但涉及S7生长阶段的大豆冠层数据	NA	SoyNet, SoyNet-Res	RMSE, F1-score, accuracy top-2, accuracy top-3	NA
156	2025-12-20	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，包括三维重建、模拟数据生成和SegVoteNet多任务模型	开发了可扩展的低空无人机视频采集协议，结合NeRF生成高质量点云；提出了SegVoteNet多任务深度学习模型，集成VoteNet和PointNet++，利用分割结果优化目标检测	未提及模型在更广泛环境条件下的泛化能力，且实际数据集性能（0.850 mAP）低于合成数据集（0.986 mAP）	开发一种可扩展的高粱穗形态表型分析方法，用于育种和商业应用	高粱冠层和穗部	计算机视觉	NA	无人机视频采集、NeRF三维重建	深度学习	点云数据	未明确指定具体样本数量，涉及合成和真实点云数据集	未明确指定，可能为PyTorch或TensorFlow	VoteNet, PointNet++, SegVoteNet	mAP @ 0.5 IOU	NA
157	2025-12-20	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，一款基于深度学习和移动计算的表型软件，用于快速自动检测玫瑰花瓣上的灰霉病病变	首次开发了快速且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、客观的表型工具，用于玫瑰灰霉病抗性育种选择	玫瑰花瓣上的灰霉病病变	计算机视觉	灰霉病	深度学习	实例分割模型	图像	NA	NA	NA	F-score, Spearman Rank相关系数	移动计算
158	2025-12-20	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	本研究开发了一种名为Plant-MAE的自监督学习框架，用于植物器官的三维点云分割，旨在提高植物表型分析的自动化水平	创新性地将自监督学习范式应用于植物表型领域，并提出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）	NA	实现植物器官的可靠且自动化的三维分割，以提取器官水平的表型性状	植物器官的三维点云数据	计算机视觉	NA	点云分割	自监督学习框架	三维点云数据	多个点云数据集（具体数量未提及）	NA	Plant-MAE（包含核点卷积嵌入模块和多角度特征提取块）	平均精确率, 召回率, F1分数, IoU	NA
159	2025-12-20	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	本研究开发了一个名为FreezeNet的轻量级深度学习模型，用于基于图像表型分析准确量化小麦冻害，并利用提取的性状进行全基因组关联分析以鉴定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全基因组关联研究结合，用于小麦耐冻性评估和遗传位点鉴定，并验证了所鉴定位点在育种中的实际应用价值	研究仅使用了220份小麦种质资源，样本量相对有限；模型评估依赖于智能手机采集的标准化图像，在实际田间复杂环境下的泛化能力有待进一步验证	开发一种准确、客观的小麦耐冻性评估方法，并鉴定与耐冻性相关的关键遗传位点	小麦幼苗的冻害表型	计算机视觉	非疾病类（植物胁迫响应）	图像表型分析，全基因组关联研究	深度学习模型	图像	220份小麦种质资源	未明确说明	FreezeNet（轻量级自定义架构）	与传统目测评分的相关性，遗传力	未明确说明
160	2025-12-20	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模型XFruitSeg，用于高精度分割植物果实内部组织	引入了结合多任务学习、大卷积核网络RepLKNet、多尺度跳跃连接、深度监督机制和轮廓特征学习分支的U型编码器-解码器架构，并优化了复合损失函数以处理类别不平衡问题	模型仅在三种果实（橙子、山竹、榴莲）上进行了详细评估，对于其他九种植物果实品种的泛化能力未充分验证	开发一种通用的深度学习模型，用于准确分割植物果实CT图像中的内部组织，以支持表型分析	十二种植物果实品种的CT图像，特别是橙子、山竹和榴莲的精确标注数据	计算机视觉	NA	CT成像	深度学习	图像	包含十二种植物果实品种的高分辨率CT图像数据集XrayFruitData，其中橙子、山竹和榴莲有精确标注	NA	U-Net, RepLKNet	Dice系数, mIoU	NA