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
1581	2026-01-10	STD-Net: a spatio-temporal decoupling network for multiphasic liver lesion segmentation and characterization 2025-Dec-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02181-1 PMID:41361359	研究论文	本文提出了一种时空解耦网络（STD-Net），用于多期相肝脏病变的分割和表征，通过分离空间特征提取与时间动态建模来提升性能	引入时空解耦网络设计，将空间特征提取与时间动态建模明确分离，使用共享权重的3D编码器学习稳健的解剖表示，并采用基于Transformer的时间模块捕获序列对比模式（如动脉期高强化和静脉期洗脱），模拟临床推理并减少空间外观、时间变化和运动伪影的纠缠	未明确提及具体局限性，但可能包括对数据质量和标注的依赖，以及在小样本或异质数据集上的泛化能力需进一步验证	提升多期相肝脏病变（如肝细胞癌）在CT和MRI图像中的分割和表征准确性，以辅助临床诊断和治疗指导	肝细胞癌（HCC）病变，使用多期相CT和MRI图像	数字病理学	肝癌	多期相CT和MRI成像	CNN, Transformer	图像	基于TCGA-LIHC、LiTS和MSD数据集，具体样本数量未明确提及	未明确提及，但可能基于PyTorch或TensorFlow等深度学习框架	STD-Net（时空解耦网络），包含共享权重的3D编码器和基于Transformer的时间模块	Dice系数, HD95, 分类准确率	未明确提及
1582	2026-01-10	Cross-modal deep learning framework for 3D reconstruction and information integration of Zhejiang wood carving heritage 2025-Dec-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30042-0 PMID:41350556	研究论文	本文提出了一种用于浙江木雕遗产三维重建与信息融合的自适应跨模态深度学习框架	引入了表面复杂度感知的门控网络，可根据局部信息丰富度动态加权几何与视觉模态，克服了传统固定权重融合策略忽略文物局部表面特性的问题	未明确说明框架在不同类型文化遗产（如石雕、金属文物）上的泛化能力，也未讨论计算效率与实时性表现	开发高精度三维重建与语义信息融合框架，用于文化遗产数字化保护与传承	浙江木雕遗产文物	计算机视觉	NA	混合激光扫描与八相机RGB-D阵列采集	深度学习框架	三维点云、RGB-D图像	300件带标注的木雕文物	未明确说明（可能为PyTorch或TensorFlow）	表面复杂度感知门控网络	倒角距离、F分数、平均交并比	NA
1583	2026-01-10	Artificial intelligence-assisted prediction of Demodex mite density in facial erythema 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29791-9 PMID:41345235	研究论文	本研究开发并评估了用于预测面部红斑中蠕形螨密度的深度学习模型DemodexNet，并评估了其对皮肤科医生诊断性能的影响	开发了首个基于深度学习的非侵入性、自动化预测面部红斑中蠕形螨密度的模型，并证明了AI辅助能显著提升皮肤科医生的诊断准确性	概念验证研究仅限于韩国患者（Fitzpatrick皮肤类型III-IV），需要在多样化人群中进行验证	预测面部红斑中的蠕形螨密度并提升皮肤科医生的诊断准确性	面部红斑患者	数字病理学	皮肤疾病	深度学习	CNN	图像	1,124名患者	NA	DemodexNet	AUC	NA
1584	2026-01-10	HyperGraph-based capsule temporal memory network for efficient and explainable diabetic retinopathy detection in retinal imaging 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30128-9 PMID:41339440	研究论文	提出了一种基于超图胶囊时序记忆网络（HGCTN）的深度学习框架，用于高效且可解释的糖尿病视网膜病变检测	结合超图神经网络建模视网膜病变的高阶空间关系、胶囊网络实现特征层次结构，以及时序胶囊记忆单元（TCMU）处理长短期时序依赖，通过元学习和噪声注入提升模型适应性和鲁棒性	未明确提及模型在更大规模或多样化临床数据集上的泛化能力验证，以及计算资源消耗的具体比较	开发一种准确、可扩展且可解释的糖尿病视网膜病变检测方法，以解决现有深度学习模型计算成本高、鲁棒性差和可解释性不足的问题	视网膜图像中的糖尿病视网膜病变病变，如微动脉瘤、出血和渗出物	计算机视觉	糖尿病视网膜病变	视网膜成像	超图神经网络, 胶囊网络, 时序记忆网络	图像	使用DRIVE和Diabetic Retinopathy数据集进行验证，具体样本数量未明确提及	未明确提及具体框架，推断可能基于PyTorch或TensorFlow	HyperGraph Capsule Temporal Network (HGCTN)	准确率, 召回率, 特异性	未明确提及具体计算资源
1585	2026-01-10	A transformer-based prognostic signature integrating tumor and body composition CT images predicts postoperative recurrence in gastric cancer 2025-Dec-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02183-z PMID:41339473	研究论文	本研究开发了一种基于Vision Transformer的深度学习模型，整合肿瘤和身体成分CT图像，以预测胃癌患者的术后复发风险	首次将骨骼肌、脂肪组织等身体成分CT图像与原发性肿瘤CT图像进行多模态整合，用于胃癌预后预测，并构建了SMAT-TC综合评分	研究为回顾性设计，外部验证队列的样本代表性可能有限，模型在更广泛人群中的泛化能力需进一步验证	提高胃癌患者术前预后分层的准确性，以指导个体化治疗策略	胃癌患者	计算机视觉	胃癌	CT成像	Transformer	CT图像	1862名患者（整个队列）	NA	Vision Transformer	C-index, 净重分类改善, 综合判别改善, 3年及5年无复发生存率	NA
1586	2025-12-04	A deep learning model for multiclass lung cancer classification using multimodal data fusion 2025-Dec-02, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-04168-6 PMID:41331169	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1587	2026-01-10	DeepRNA-DTI: a deep learning approach for RNA-compound interaction prediction with binding site interpretability 2025-Dec-02, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01132-y PMID:41331479	研究论文	本文提出了一种基于深度学习的RNA-化合物相互作用预测方法DeepRNA-DTI，该方法具有结合位点可解释性	采用迁移学习结合预训练嵌入（RNA-FM和Mole-BERT），并利用多任务学习框架同时预测相互作用存在和核苷酸级结合位点，提供RNA-化合物识别模式的机制性见解	未明确说明实验数据的具体限制或模型可能存在的泛化边界	开发一种计算预测RNA-化合物相互作用的方法，以支持RNA靶向治疗和药物发现	RNA序列和化合物	自然语言处理	NA	深度学习	深度学习模型	序列数据	整合了蛋白质数据库和文献来源的综合数据集，并应用于超过4800万种化合物的高通量虚拟筛选	未明确指定	未明确指定	未明确指定	未明确指定
1588	2026-01-10	Non-invasive prediction of Ki-67 and p53 biomarkers in spinal ependymoma via deep learning: using multimodal magnetic resonance imaging and clinical data 2025-Dec-02, Biomarker research IF:9.5Q1 DOI:10.1186/s40364-025-00879-8 PMID:41331485	研究论文	本研究开发了一种深度学习框架，利用术前多模态磁共振成像和临床数据，非侵入性地预测脊髓室管膜瘤的Ki-67和p53生物标志物表达水平	首次将深度学习应用于脊髓室管膜瘤的生物标志物预测，解决了该罕见肿瘤因数据集不足和技术挑战而研究不足的问题；提出了集成神经网络模型LGBMNet，并验证了多模态信息融合（MRI与临床数据）的附加价值	研究基于相对较小的样本量（352例患者），且脊髓室管膜瘤本身罕见，可能影响模型的普适性；依赖自动分割的质量，分割误差可能影响特征提取	开发一种非侵入性方法，在术前预测脊髓室管膜瘤的Ki-67和p53生物标志物表达，以辅助精准神经外科治疗决策	脊髓室管膜瘤患者	数字病理学	脊髓室管膜瘤	磁共振成像（MRI），免疫组织化学（IHC）	集成神经网络	图像（MRI），临床数据	352例经组织学确诊的脊髓室管膜瘤患者，具备术前MRI和IHC评估的Ki-67及p53状态	未明确指定，但提及了SegFormer和LGBMNet模型	SegFormer, LGBMNet（结合多层感知机和Light Gradient Boosting Machine）	AUC（受试者工作特征曲线下面积）	NA
1589	2026-01-10	Mitigating distributed denial of service attacks using attribute subset selection with temporal convolutional networks 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30137-8 PMID:41331500	研究论文	本文提出了一种基于樽海鞘群特征选择和深度学习架构的新型智能攻击检测框架，用于实时检测分布式拒绝服务攻击	结合樽海鞘群算法进行特征选择和时序卷积网络进行攻击分类，构建了一个新型的智能攻击检测框架	NA	开发一个实时DDoS攻击检测系统，利用先进的优化算法提高检测性能	分布式拒绝服务攻击	机器学习	NA	NA	TCN	网络流量数据	使用CIC-IDS-2017和Edge-IIoT两个数据集	NA	时序卷积网络	准确率	NA
1590	2026-01-10	An immersive mirror: a descriptive study of peer observer and active participant experiences in simulation 2025-Dec-02, Advances in simulation (London, England) DOI:10.1186/s41077-025-00395-7 PMID:41331705	研究论文	本研究通过定性描述设计，探索了护理模拟中同伴观察者和积极参与者的体验，以理解共享学习经历如何改善护理实践	首次深入探讨护理模拟中同伴观察者的情感与认知反应，强调观察者角色在促进移情和深层学习中的作用	研究样本仅限于预注册二年级护理学生，可能无法推广到其他教育阶段或专业背景	探索护理模拟中同伴观察者和积极参与者的思维与反应，以提升治疗关系和整体护理	预注册二年级护理学生	护理教育	NA	定性描述设计、反思性主题分析	NA	自我报告体验的定性数据	175名同伴观察者账户和234名积极参与者账户	NA	NA	NA	NA
1591	2026-01-10	Automated cervix biometry, volumetry and normative models for 3D motion-corrected T2-weighted 0.55-3T fetal MRI during 2nd and 3rd trimesters 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29744-2 PMID:41326549	研究论文	本文介绍了一种用于胎儿MRI中宫颈自动多层分割和生物测量的深度学习流程	首次提出用于妊娠期宫颈3D T2加权重建图像的自动化多层分割和生物测量深度学习流程	仅评估了20个数据集，样本量相对有限	开发自动化方法以改进胎儿MRI中宫颈的测量和分析	妊娠期宫颈的3D T2加权MRI图像	数字病理学	NA	3D T2加权MRI	深度学习	3D MRI图像	20个数据集用于评估，270个正常足月病例用于处理	NA	NA	与手动测量相比表现出良好性能	NA
1592	2025-12-03	Automated abdominal aortic calcification scoring via deep learning: a multi-center validation of LVLCRNet 2025-Dec-01, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02072-7 PMID:41327056	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1593	2026-01-10	AI-driven diffusion weighted imaging-based non-contrast protocol for breast cancer diagnosis: a multicentre, multidimensional validation study 2025-Dec, EClinicalMedicine IF:9.6Q1 DOI:10.1016/j.eclinm.2025.103694 PMID:41497515	研究论文	本研究开发了一种仅基于非对比扩散加权成像的深度学习模型，用于乳腺癌诊断，并在多中心、多维验证中证明了其有效性	首次提出并验证了仅使用非对比DWI的深度学习模型进行乳腺癌诊断，其性能与基于增强的模型相当，并显著优于仅解读DWI的放射科专家，同时将解读时间减少了55.5%	该模型的诊断性能仍低于解读标准乳腺MRI的专家放射科医生	开发并验证一种基于非对比扩散加权成像的深度学习模型，以实现准确、快速的乳腺癌诊断	经病理证实的乳腺病变患者	数字病理学	乳腺癌	扩散加权成像	深度学习模型	医学影像	2493名患者（内部开发集1286人，外部测试集661人，前瞻性队列546人）	NA	NA	AUC	NA
1594	2026-01-10	Cost-effectiveness of opportunistic osteoporosis screening using artificial-intelligence assisted chest radiographs in Japan 2025-Dec, Osteoporosis and sarcopenia IF:2.5Q1 DOI:10.1016/j.afos.2025.10.003 PMID:41498102	研究论文	本研究评估了在日本50岁及以上女性中，利用人工智能辅助的胸部X光片进行机会性骨质疏松筛查的成本效益	首次将人工智能辅助的胸部X光片用于机会性骨质疏松筛查，并评估其在日本特定人群中的成本效益，尤其是在高骨折发生率地区	研究基于模型估计，可能未完全反映所有现实世界变量；结果依赖于AI系统的诊断性能假设	评估人工智能辅助的胸部X光片在机会性骨质疏松筛查中的成本效益	日本50岁及以上的女性，包括全国范围、特定城市（吴市）及低发生率场景	医疗人工智能	骨质疏松症	深度学习	深度学习模型	胸部X光图像	NA	NA	NA	成本效益比（每质量调整生命年成本）	NA
1595	2026-01-10	AIFS: an efficient face recognition method based on AI and enhanced few-shot learning 2025-Nov-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29992-2 PMID:41318652	研究论文	本文提出了一种名为AIFS的高效人脸识别方法，该方法结合了传统特征学习和现代少样本深度学习，在共享的孪生网络架构下运行	提出了一种混合人脸识别框架，将基于Viola-Jones算法和粒子群优化的轻量级边缘路径与使用EfficientNetV2和InceptionV3作为特征编码器的深度学习云路径相结合，在孪生网络架构下统一优化，以在资源受限和少样本条件下实现高效识别	NA	开发一种在资源受限环境（如边缘设备）和少样本条件下高效、可扩展的实时人脸识别解决方案	人脸图像	计算机视觉	NA	人脸识别，少样本学习	孪生网络	图像	使用Kaggle人脸识别数据集在单样本、低数据设置下进行测试	NA	EfficientNetV2, InceptionV3	准确率	CPU, Raspberry Pi（代表资源受限边缘设备）, GPU（代表高容量云环境）
1596	2026-01-10	HyperFusionNet combines vision transformer for early melanoma detection and precise lesion segmentation 2025-Nov-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30184-1 PMID:41318765	研究论文	本文提出了一种名为HyperFusionNet的新型混合深度学习架构，用于早期黑色素瘤检测和精确病变分割	结合了多路径视觉变换器（MPViT）和注意力U-Net，通过互注意力融合块有效融合语义和空间特征，优于现有模型	未明确提及具体局限性，可能包括对数据预处理依赖或计算资源需求	早期和准确诊断黑色素瘤，同时进行分类和分割	皮肤镜图像中的黑色素瘤病变	计算机视觉	黑色素瘤	深度学习	混合架构（Vision Transformer, U-Net）	图像	超过60,000张皮肤镜图像（来自四个公共ISIC数据集）	未明确指定，可能为PyTorch或TensorFlow	Multi-Path Vision Transformer (MPViT), 注意力U-Net	准确率, AUC, Dice系数	未明确指定
1597	2026-01-10	Development and validation of a predictive model for adherent perirenal fat based on CT radiomics and deep learning 2025-Oct-29, World journal of urology IF:2.8Q2 DOI:10.1007/s00345-025-06049-7 PMID:41160174	研究论文	本研究旨在开发并验证一个结合CT影像组学和深度学习的模型，用于术前预测肾周脂肪粘连	首次将CT影像组学与深度学习结合，开发了用于预测肾周脂肪粘连的预测模型，并在多中心数据集中进行了验证	外部测试集样本量较小（43例），可能影响模型的泛化能力评估	开发并验证一个用于术前预测肾周脂肪粘连的预测模型	肾肿瘤患者	数字病理学	肾癌	CT影像	深度学习, 逻辑回归	CT图像	460例患者（291例交叉验证集，126例内部测试集，43例外部测试集）	NA	3D-UNet	Dice相似系数, AUC	NA
1598	2026-01-10	The CT-based deep learning model outperforms traditional anatomical classification models in preoperatively predicting complications and risk grade in partial nephrectomy 2025-Oct-25, World journal of urology IF:2.8Q2 DOI:10.1007/s00345-025-05893-x PMID:41137930	研究论文	本研究开发了一种整合CT影像组学和临床特征的深度学习模型，用于预测肾部分切除术患者的围手术期并发症和风险等级，并与传统解剖分类模型进行比较	首次将CT影像组学与临床特征结合，利用深度学习模型预测肾部分切除术的并发症和风险等级，并在外部验证中显示出优于传统RENAL和PADUA评分模型的性能	模型在中高风险组患者中的预测性能与传统模型无显著差异，且研究为回顾性设计	开发并验证一种基于深度学习的模型，以更准确地预测肾部分切除术患者的围手术期并发症和手术风险等级	被诊断为肾细胞癌或肾囊肿并接受肾部分切除术的患者	数字病理学	肾细胞癌	CT影像组学	深度学习	CT图像, 临床数据	1214名患者（训练/内部验证）和260名患者（外部验证）	PyTorch, pyradiomics	nnU-Net	AUC, 准确率	NA
1599	2026-01-10	Deep Learning-Based Automatic Segmentation and Analysis of Mitochondrial Damage by Zika Virus and SARS-CoV-2 2025-Sep-19, Viruses DOI:10.3390/v17091272 PMID:41012699	研究论文	本文提出了一种基于深度学习的自动分割和分析方法，用于从透射电子显微镜图像中识别和分析线粒体损伤，以研究寨卡病毒和SARS-CoV-2感染引起的免疫反应	开发了一种基于U-Net架构的卷积神经网络，首次实现了对病毒感染引起的线粒体损伤的自动分割和分析，显著减少了处理时间并避免了观察者偏差	未明确说明样本量的具体细节或模型的泛化能力到其他病毒或细胞类型	研究病毒感染引起的线粒体形态变化，以预测免疫反应类型	感染了两种SARS-CoV-2变体或寨卡病毒的细胞的线粒体	数字病理学	传染病	透射电子显微镜成像	CNN	图像	NA	NA	U-Net	准确率	NA
1600	2026-01-10	Current Applications and Limitations of Augmented Reality in Urological Surgery: A Practical Primer and 'State of the Field' 2025-Jul-11, Current urology reports IF:2.5Q2 DOI:10.1007/s11934-025-01283-3 PMID:40643724	综述	本文综述了增强现实（AR）在泌尿外科手术中的当前应用、技术基础、最新进展及局限性，并探讨了未来研究方向	系统总结了近五年AR在泌尿外科手术中的进展，特别是从术前规划扩展到术中应用，并探讨了人工智能和深度学习在解决软组织变形自动配准挑战中的作用	重建外科和男科学等亚专业在AR/MR应用中的研究代表性不足，且当前研究多限于描述性，缺乏大样本前瞻性研究	为泌尿外科医生提供AR技术的基础知识，综述其最新应用进展，并讨论限制其广泛采用的问题及解决方向	泌尿外科手术，特别是机器人辅助根治性前列腺切除术、经皮肾镜取石术和肾移植等	数字病理	前列腺癌	增强现实（AR）、混合现实（MR）、人工智能、深度学习	NA	术前影像、术中实时数据	NA	NA	NA	NA	NA