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
1601	2025-12-18	ITSEF: Inception-based two-stage ensemble framework for P300 detection 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108014 PMID:40857922	研究论文	本文提出了一种基于Inception的两阶段集成框架（ITSEF），用于提高P300脑机接口中P300信号的检测准确率	设计了一种结合Inception卷积神经网络（ICNN）进行多尺度特征提取和跨通道学习的两阶段集成框架，并采用预训练和微调策略，通过动态加权两个分支的预测结果，使模型学习重点从多数类逐渐转向少数类，从而提升分类性能和泛化能力	NA	解决P300脑机接口中信号信噪比低、被试个体差异大以及类别不平衡的问题，以提高P300检测准确率	P300脑电信号	脑机接口	NA	脑电图（EEG）	CNN, 集成学习	脑电信号数据	两个数据集：BCI Competition III的Dataset II和BCIAUT-P300数据集	NA	Inception-based CNN (ICNN)	分类准确率	NA
1602	2025-12-18	Hypothesis spaces for deep learning 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107995 PMID:40882408	研究论文	本文为基于深度神经网络（DNNs）的深度学习引入了一个假设空间，通过将DNN视为输入变量和参数变量的函数，构建了一个Banach空间，并证明其为再生核Banach空间（RKBS），进而研究了正则化学习和最小范数插值问题	提出将DNN视为双变量函数来构建假设空间，并证明该空间为RKBS，为深度学习提供了新的理论框架	未在具体数据集或实际应用中验证理论框架的有效性	为深度学习建立理论假设空间并研究学习模型	深度神经网络（DNNs）及其参数空间	机器学习	NA	NA	深度神经网络（DNNs）	NA	NA	NA	NA	NA	NA
1603	2025-12-18	AutoProfile: Automated profiling in deep learning-based side-channel analysis 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108009 PMID:40882410	研究论文	本文提出了一种名为AutoProfile的新方法，用于增强基于深度学习的侧信道分析中配置攻击的效果	AutoProfile针对侧信道分析定制了贝叶斯优化的两个核心组件：建模策略和获取函数，从而显著提升了攻击性能	NA	提高基于深度学习的侧信道分析在强密码系统中的攻击效率	公开可用的真实侧信道测量数据集	机器学习	NA	深度学习	NA	侧信道测量数据	NA	NA	NA	攻击所需轨迹数量减少百分比	NA
1604	2025-12-18	Spatial-frequency domain aggregation upsampling for pan-sharpening 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108007 PMID:40884893	研究论文	本文提出了一种新颖的空间-频域聚合上采样方法，用于提升全色锐化的性能	提出了空间-频域聚合上采样方法，包含双域非线性融合、区域特定注意力机制和自适应特征融合门三个核心模块，有效平衡空间与光谱信息	NA	提升遥感图像全色锐化的质量，生成高分辨率多光谱图像	高分辨率全色图像与低分辨率多光谱图像	计算机视觉	NA	深度学习	CNN	图像	NA	PyTorch	SFAU	NA	NA
1605	2025-12-18	LBNet: an optimized lightweight CNN for mammographic breast cancer classification with XAI-based interpretability 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31642-6 PMID:41402449	研究论文	本文提出了一种名为LBNet的轻量级可解释卷积神经网络，用于乳腺X线摄影图像的乳腺癌分类	提出了一种参数仅240万的轻量级CNN架构，在保持高精度的同时显著降低了计算复杂度，并集成了SHAP和Grad-CAM等XAI方法以增强模型的可解释性	未来研究可探索其在多视角乳腺X线摄影和实时临床部署中的应用	开发一种准确、高效且可解释的乳腺癌筛查解决方案，特别适用于资源受限的环境	乳腺X线摄影图像	计算机视觉	乳腺癌	乳腺X线摄影	CNN	图像	RSNA数据集（具体数量未明确），并在CBIS-DDSM和MIAS外部数据集上验证	未明确指定	LBNet（包含5个卷积层，使用ReLU激活、批归一化和最大池化）	准确率, 精确率, 召回率	未明确指定
1606	2025-12-18	Deep learning-based seed variety classification: a case study in maize 2025-Dec-17, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-025-07919-3 PMID:41402752	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1607	2025-12-18	Toward Complete Molecular Structure Prediction from Infrared Spectroscopy Using Deep Learning 2025-Dec-17, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01834 PMID:41403343	研究论文	本研究提出了一种基于深度学习的双损失架构，用于从红外光谱数据中预测完整的分子结构（以SMILES字符串表示）	采用受图像描述模型启发的双损失深度学习架构，首次从红外光谱直接预测完整分子结构，而非仅识别单个官能团	模型在未见测试集上单次尝试的完整结构预测正确率仅为16.26%，表明仍有较大提升空间	利用深度学习解决从红外光谱逆向推断分子结构的挑战，提升光谱解析的自动化能力	有机化合物的红外光谱数据及其对应的分子结构	机器学习	NA	红外光谱分析，量子力学密度泛函理论计算	深度学习模型（受图像描述模型启发）	光谱数据（红外光谱吸收值），文本数据（SMILES字符串）	超过17,000个独特的红外光谱，其中1,710个作为未见测试集	NA	受图像描述模型启发的双损失架构	完整结构预测正确率，官能团再生准确率	劳伦斯伯克利国家实验室的Lawrencium集群高性能计算资源
1608	2025-12-18	Deep Learning for Coronary Stenosis Detection in Heavily Calcified Plaques at Coronary CT Angiography: A Stepwise, Multicenter Study 2025-Dec-17, Radiology. Artificial intelligence DOI:10.1148/ryai.250109 PMID:41405428	研究论文	开发并验证了一种用于在冠状动脉CT血管造影中自动评估重度钙化斑块血管狭窄的深度学习模型	提出了一种专门针对重度钙化斑块的深度学习模型，并进行了多中心、分步骤的验证，包括模拟真实世界部署的前瞻性数据集评估	研究为回顾性设计，且模型性能在重度钙化（Agatston评分>300）的特定人群中评估	开发并验证一个深度学习模型，用于在冠状动脉CT血管造影中自动检测重度钙化斑块引起的冠状动脉狭窄	冠状动脉CT血管造影图像，特别是包含重度钙化斑块的血管	数字病理学	心血管疾病	冠状动脉CT血管造影，定量冠状动脉造影	深度学习模型	医学图像	开发集10,101例CCTA，外部测试集1包含442例CCTA，外部测试集2包含120例CCTA，外部测试集3包含150例前瞻性收集的CCTA	NA	NA	特异性，受试者工作特征曲线下面积，科恩卡帕系数	NA
1609	2025-12-18	A deep learning framework to stratify Nottingham histologic grade 2 breast tumors based on dynamic contrast-enhanced MRI 2025-Dec-17, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12208-6 PMID:41405689	研究论文	本研究开发了一个基于动态对比增强MRI的深度学习框架，用于对诺丁汉组织学分级2级乳腺癌肿瘤进行风险分层	首次利用深度学习模型基于常规DCE MRI将NHG2肿瘤重新分类为NHG1样和NHG3样亚组，并证明这种分类与复发风险独立相关	研究使用了回顾性数据，且外部验证样本量较小（n=37），需要前瞻性研究进一步验证	开发一种基于MRI的深度学习工具，对中间风险（NHG2）乳腺癌进行更精确的风险分层，以指导个体化治疗决策	乳腺癌患者，特别是诺丁汉组织学分级2级的肿瘤	数字病理学	乳腺癌	动态对比增强MRI	CNN	MRI图像	训练集877例，外部验证集37例，NHG2肿瘤456例	NA	DeepRadGrade	AUC, C-index, 风险比	NA
1610	2025-12-18	Deep learning-based assessment of paraspinal muscle degeneration and its relationships to muscle function and disability outcomes in chronic low back pain: a prospective study 2025-Dec-17, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12171-2 PMID:41405693	研究论文	本研究利用深度学习模型评估慢性腰痛患者脊柱旁肌肉脂肪分数，并探讨肌肉功能在肌肉退化与功能障碍之间的中介作用	首次将深度学习与Otsu阈值法结合，从3D T2加权图像中量化肌肉脂肪分数和功能肌肉体积，并与Dixon MRI金标准进行验证	样本量相对有限，且为单中心研究，可能影响结果的普适性	评估深度学习模型在量化脊柱旁肌肉退化方面的准确性，并探索肌肉功能在肌肉退化与功能障碍关系中的中介作用	慢性腰痛患者和健康参与者的脊柱旁肌肉（多裂肌和竖脊肌）	数字病理学	慢性腰痛	3T MRI, Dixon MRI, 3D T2加权成像	深度学习模型	医学图像	96名慢性腰痛患者和86名健康参与者	NA	DL-Otsu阈值模型	Lin's一致性相关系数, Bland-Altman分析, Passing-Bablok分析	NA
1611	2025-12-18	Comparison of deep learning reconstruction algorithms to improve image quality of dual-energy carotid CT angiography under dual-low scan 2025-Dec-17, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-025-03803-x PMID:41405722	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1612	2025-12-18	Vision and convolutional transformers for Alzheimer's disease diagnosis: a systematic review of architectures, multimodal fusion and critical gaps 2025-Dec-17, Brain informatics DOI:10.1186/s40708-025-00286-7 PMID:41405782	系统综述	本文对使用Vision Transformer和卷积Vision Transformer进行阿尔茨海默病诊断的研究进行了系统综述，分析了模型架构、多模态融合策略及领域关键差距	提出了新颖的分类法，系统性地按模型架构、数据模态、融合策略和诊断目标对研究进行分类；首次全面评估了算法可重复性等实际实施细节；前瞻性地分析了大型视觉模型并提出了未来研究方向	纳入的研究时间范围仅限于2021-2025年；发现领域存在对轻度认知障碍向阿尔茨海默病进展的关注有限、算法可重复性普遍存在挑战等关键差距	系统分析Vision Transformer和卷积Vision Transformer在阿尔茨海默病诊断中的应用，识别关键趋势和研究空白，并为未来研究方向提供建议	从五个主要数据库（Scopus, Web of Science, ScienceDirect, IEEE Xplore, PubMed）中筛选出的68项相关研究（源自564篇出版物）	计算机视觉	阿尔茨海默病	NA	Vision Transformer, 卷积Vision Transformer	多模态数据	NA	NA	Vision Transformer, 卷积Vision Transformer, 混合CViT框架	NA	NA
1613	2025-12-18	Robust CNN multi-nested-LSTM framework with compound loss for patch-based multi-push ultrasound shear wave imaging and segmentation 2025-Dec-16, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae2db8 PMID:41401501	研究论文	提出一种用于超声剪切波成像和分割的两阶段深度学习框架，结合CNN和多层嵌套LSTM进行重建，并使用复合损失驱动的CNN去噪器进行分割	提出首个结合CNN与多层嵌套LSTM的两阶段深度学习框架，采用基于补丁的训练策略缓解数据稀缺问题，并设计多目标复合损失函数同时优化去噪、融合和掩码生成任务	方法在模拟和体模数据集上验证，虽在离体猪肝组织上测试，但尚未进行大规模临床验证	解决超声剪切波弹性成像中噪声敏感、多推策略效率低和标注数据有限的问题，实现鲁棒的重建和分割	超声剪切波弹性成像的连续多推声辐射力数据	医学影像分析	NA	超声剪切波弹性成像	CNN, LSTM	超声运动数据	模拟数据集、CIRS体模数据集和离体猪肝组织	NA	ResNet3D, Nested CNN-LSTM, 双解码器去噪网络	PSNR, CNR, IoU	NA
1614	2025-12-18	Rapid culture-free diagnosis of clinical pathogens via integrated microfluidic-Raman micro-spectroscopy 2025-Dec-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66996-y PMID:41402282	研究论文	本研究提出了一种集成了微流控、拉曼显微光谱和深度学习的无培养诊断平台，可在20分钟内完成临床病原体的快速诊断	开发了一种结合透析-介电泳（DEP）技术的微流控富集系统，可直接从临床样本中快速分离病原体，检测限低至<2 CFU/ml；并构建了包含29种细菌和7种真菌共342个临床分离株的单细胞拉曼指纹数据库，结合一维ResNet深度学习模型实现快速准确识别	该方法在临床应用前仍需更广泛的验证	开发一种快速、准确的诊断平台以应对抗菌素耐药性（AMR）这一全球健康挑战，指导及时的抗微生物治疗	临床病原体，包括细菌和真菌	数字病理学	感染性疾病	微流控技术，拉曼显微光谱技术	CNN	光谱数据	实验室环境：342个临床分离株（来自29种细菌和7种真菌）；临床验证：305名患者的尿液及其他临床样本	NA	ResNet	准确率，灵敏度	NA
1615	2025-12-18	A pooled Cell Painting CRISPR screening platform enables de novo inference of gene function by self-supervised deep learning 2025-Dec-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66778-6 PMID:41402283	研究论文	本文介绍了一种基于Cell Painting的CRISPR筛选平台，结合自监督深度学习，实现无假设的基因功能推断	开发了与光学池筛选兼容的Cell Painting平台，通过多路形态分析进行无偏基因功能发现，无需依赖特定生物标志物	未明确说明技术成本、适用范围或潜在实验限制	建立一种高通量、信息丰富的基因功能筛选方法，以无偏方式发现基因功能	基因功能、形态学表型、基因网络	计算机视觉	NA	CRISPR筛选、Cell Painting、光学池筛选、多路形态分析	自监督深度学习	图像	NA	NA	NA	NA	NA
1616	2025-12-18	An open bone marrow megakaryocyte dataset for automated morphologic studies 2025-Dec-16, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06450-2 PMID:41402328	研究论文	本文介绍了MK-11数据集，这是一个用于自动形态学研究的公开骨髓巨核细胞图像数据集，包含11个临床相关亚型的标注图像	首次提供了公开的巨核细胞亚型分类数据集，填补了高质量、开放许可数据在巨核细胞分类领域的空白	数据集规模相对有限（7,204张图像），且仅基于Wright-Giemsa染色图像，可能无法覆盖所有形态变异	开发并评估用于骨髓巨核细胞亚型自动形态学分类的深度学习模型	骨髓中的巨核细胞，特别是11个临床相关亚型	数字病理学	血液系统疾病	Wright-Giemsa染色	CNN, Transformer	图像	7,204张单细胞图像	NA	卷积神经网络, 基于Transformer的模型	NA	NA
1617	2025-12-18	SLEEPYLAND: trust begins with fair evaluation of automatic sleep staging models 2025-Dec-16, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02237-2 PMID:41402410	研究论文	本文介绍了SLEEPYLAND框架，一个用于自动睡眠分期模型公平评估的开源平台，包含大量多导睡眠图数据，并提出了SOMNUS集成模型以提升性能	提出了SLEEPYLAND开源框架，整合了约220,000小时域内和84,000小时域外多导睡眠图数据，并引入SOMNUS集成模型，通过软投票集成多个模型，在多个数据集上超越现有最佳模型和人类评分者	尽管SOMNUS提升了泛化能力，但未发现任何模型架构能一致地最小化人口统计学或临床偏倚	推动自动睡眠分期模型的公平评估和临床采用，解决泛化性差、模型偏倚和评估不一致的问题	多导睡眠图记录数据，涵盖不同年龄、睡眠障碍和硬件配置	机器学习	睡眠障碍	多导睡眠图记录	深度学习模型	多导睡眠图信号	约220,000小时域内数据和84,000小时域外数据，涉及24个数据集，包括Bern-Sleep-Wake-Registry（N=6633）	NA	集成模型（SOMNUS），具体架构未指定	macro-F1, ROC-AUC	NA
1618	2025-12-18	Research on engine power-loss fault diagnosis method based on time-series data mining 2025-Dec-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32777-2 PMID:41402412	研究论文	本研究提出了一种基于时间序列数据挖掘的商用车发动机动力损失故障智能诊断方法	提出了一种结合时间序列数据挖掘的双框架诊断策略，根据油门开度变化率将数据分类，并针对不同意图分别采用机器学习和深度学习模型进行故障诊断	NA	解决商用车发动机动力损失故障诊断中传统方法依赖现场路试、人力和物力消耗高的问题	商用车发动机动力损失故障	机器学习	NA	时间序列数据挖掘	机器学习算法, 深度学习模型	时间序列数据	NA	NA	NA	准确性, 特异性	NA
1619	2025-12-18	Patch-sampled contrastive learning for dense prediction pretraining in metallographic images 2025-Dec-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32855-5 PMID:41402416	研究论文	提出一种用于金相图像密集预测预训练的新型补丁采样对比学习方法，以解决标注成本高的问题	设计了结合图像级和补丁级对比学习的多尺度框架，并引入基于特征相似性的采样方法以捕获不同类别微结构的可区分特征	仅使用一张标注图像进行微调，可能限制了模型在更广泛数据上的泛化能力验证	开发适用于金相图像微结构分割的自监督预训练框架	金相图像中的微结构（形状、尺寸和分布）	计算机视觉	NA	自监督学习	对比学习	图像	未明确说明，但实验中仅使用一张标注图像进行微调	未明确说明	未明确说明具体架构，但提及与现有自监督学习方法使用相同的模型结构	Dice系数	NA
1620	2025-12-18	Deep learning based real-time prediction of depth of penetration during activated tungsten inert gas welding of 10 mm thick 316LN stainless steel 2025-Dec-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31414-2 PMID:41402476	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA