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
1681	2026-01-09	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，通过自监督深度学习实现基因功能的从头推断	开发了一种与光学池化筛选兼容的Cell Painting平台，结合丰富的形态学数据与深度学习，无需特定生物标志物即可揭示基因网络，实现无偏见的基因功能发现	NA	实现无假设的逆向遗传筛选，通过多路形态学分析探索基因功能	基因功能、基因网络	机器学习	NA	CRISPR筛选、Cell Painting、光学池化筛选	自监督深度学习	图像	NA	NA	NA	NA	NA
1682	2026-01-09	Controllable diffusion framework for imbalanced Phi OTDR events classification 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29691-y PMID:41360874	研究论文	本文提出了一种可控扩散框架（ConDiff），用于解决Φ-OTDR事件分类中的长尾不平衡问题	首次将可控扩散模型应用于Φ-OTDR事件分类的长尾不平衡问题，通过反馈引导的增强器、高质量样本选择模块和动态阈值调整模块协同工作	未提及模型在更广泛数据集上的泛化能力，也未讨论计算效率方面的限制	解决Φ-OTDR事件分类中因异常事件样本稀缺导致的长尾不平衡问题	Φ-OTDR系统监测到的异常事件（如挖掘、浇水、摇晃）和正常事件（噪声）	机器学习	NA	Φ-OTDR（相位光时域反射计）	扩散模型	时间序列数据	BJTU-OTDR-LT数据集（具体数量未说明）	未明确说明	ConDiff（可控扩散框架），包含反馈引导Φ-OTDR增强器、高质量样本选择模块、动态阈值调整模块	分类准确率	NA
1683	2026-01-09	Improving prediction region accuracy in marine animal movement with temporal fusion transformer 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29520-2 PMID:41339653	研究论文	本研究利用Temporal Fusion Transformer神经网络模型，基于434头南象海豹的卫星追踪数据，预测其未来位置并填补数据缺失，以提高海洋动物运动预测的准确性	首次将Temporal Fusion Transformer模型应用于海洋动物运动预测，相比传统状态空间模型将定位误差降低了15%，并显著缩小了预测区域范围	模型在训练数据未覆盖的新地理区域表现下降约30%，表明将学习到的模式迁移到陌生环境存在挑战	提高海洋动物运动预测的准确性，以支持保护工作和生态系统管理	南象海豹的卫星追踪数据	机器学习	NA	卫星追踪	Temporal Fusion Transformer	时间序列数据	434头南象海豹的追踪数据	NA	Temporal Fusion Transformer	定位误差, 预测区域效率	NA
1684	2026-01-09	Comparative performance of deep learning models and non-dermatologists in diagnosing psoriasis, dermatophytosis, and eczema 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29562-6 PMID:41345213	研究论文	本研究开发并评估了基于宏观临床图像的深度学习模型，用于区分银屑病、湿疹和皮肤癣菌病，并与非专科医生的诊断性能进行比较	首次比较了深度学习模型与非专科医生在诊断三种常见皮肤疾病（银屑病、湿疹和皮肤癣菌病）中的性能，并利用Grad-CAM可视化验证了模型关注临床相关病变特征	样本量有限（仅30张图像和30名评估者），结果应视为探索性，需要更大数据集和更多样化的临床医生群体进行验证	开发并评估深度学习模型以准确分类三种常见的鳞屑性红斑皮疹，并比较其与非专科医生的诊断性能	银屑病、湿疹和皮肤癣菌病的宏观临床图像	计算机视觉	皮肤疾病	宏观临床图像采集	深度学习模型	图像	2940张图像（来自公共数据集、Siriraj皮肤病数据库和泰国参与者新收集的图像），以及30张图像用于与非专科医生的比较	NA	Swin Transformer	诊断准确性	NA
1685	2026-01-09	Enhancing breast magnetic resonance imaging segmentation with a federated semi-supervised approach 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29112-0 PMID:41345433	研究论文	本文提出了一种用于乳腺磁共振图像自动分割的联邦半监督学习框架	提出了一种结合联邦学习和半监督学习的方法，通过多扰动策略增强模型鲁棒性，并设计了联合损失函数优化标注与未标注数据的性能	研究仅在三家医院进行验证，样本多样性可能有限；未详细讨论通信开销和模型聚合效率	开发一种隐私保护的自动化乳腺MRI分割方法，以解决单个医疗机构标注数据不足的问题	乳腺磁共振图像	数字病理学	乳腺癌	磁共振成像	深度学习模型	图像	来自三家医院的乳腺MRI图像（具体数量未说明）	NA	NA	Dice相似系数, 交并比	NA
1686	2026-01-09	Design of an integrated model using U-Net, DeepSurv, and cross-attention for lung cancer classification and survival prediction 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29781-x PMID:41339682	研究论文	本文提出了一种结合U-Net、DeepSurv和交叉注意力的集成模型，用于肺癌分类和生存预测	提出了一种迭代多模态深度学习框架，通过特征级融合和交叉注意力机制整合放射学、组织病理学和基因组数据，并采用贝叶斯优化和弹性权重巩固实现增量学习	未明确说明模型在外部验证集上的泛化性能，也未详细讨论计算资源需求	改进肺癌亚型分类和生存率预测	肺癌患者的多模态数据（放射学图像、组织病理学图像、基因组数据和临床数据）	数字病理学	肺癌	多模态深度学习	CNN, MLP, 深度学习生存模型	图像, 基因组数据, 临床数据	未明确说明	未明确说明	U-Net, DeepSurv	Dice相似系数, 准确率, C指数	未明确说明
1687	2026-01-09	Deep learning framework for barcode localization and decoding using simulated UAV imagery 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29720-w PMID:41339720	研究论文	本文提出了一种基于深度学习的框架，用于在模拟无人机图像中定位和解码条形码，以支持自动化仓库库存管理	采用YOLOv8模型在模拟无人机图像中同时定位1D和2D条形码，并结合OpenCV解码模块与MySQL数据库实现实时库存更新模拟	研究仅在模拟无人机图像上进行测试，未在真实无人机采集图像中验证	开发一个用于自动化仓库库存跟踪的条形码定位与解码系统	模拟无人机图像中的条形码（包括1D和2D类型）	计算机视觉	NA	NA	CNN	图像	NA	PyTorch	YOLOv8	平均精度均值(mAP)	NA
1688	2026-01-09	Dense extreme inception network-based edge detection with deep reinforcement learning for object localization in an underwater environment 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29378-4 PMID:41331029	研究论文	本文提出了一种基于密集极端初始网络边缘检测与深度强化学习的水下物体定位技术，旨在有效检测边缘并分类水下环境中的物体	结合了Dense Extreme Inception Network（DexiNed）进行边缘检测、YOLOv5进行物体检测以及Q-强化学习（QRL）进行分类，形成了一种新颖的混合方法	NA	提高水下环境中物体检测和分类的准确性与效率	水下环境中的物体，包括自然特征（如地质构造、海洋生物、珊瑚礁）和人造物（如碎片、沉船、水下基础设施）	计算机视觉	NA	光学相机、声纳、激光雷达成像技术	CNN, 强化学习	图像	NA	NA	Dense Extreme Inception Network（DexiNed）, YOLOv5	准确率	NA
1689	2026-01-09	AttBiLSTM_DE: enhancing anticancer peptide prediction using word embedding and an optimized attention-based BiLSTM framework 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29767-9 PMID:41326521	研究论文	本文提出了一种名为AttBiLSTM_DE的计算框架，用于增强抗癌肽的预测性能	结合了注意力机制的双向LSTM架构与优化的加权特征，并采用随机差分进化算法构建混合特征和优化特征权重	未明确提及	开发一种计算框架以准确预测抗癌肽，支持癌症治疗和药物开发	抗癌肽序列	自然语言处理	癌症	One-Hot Encoding, GloVe, fastText, Word2Vec, k-mer嵌入	BiLSTM	文本	未明确提及	未明确提及	Attention-based Bidirectional LSTM	准确率, AUC	未明确提及
1690	2026-01-09	Identification of Indigenous fish species in lake Tana using deep learning 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29455-8 PMID:41326545	研究论文	本研究利用深度学习技术，特别是YOLO系列算法，开发了一种用于识别塔纳湖本土鱼类物种的自动化方法	引入了一个包含13,000张图像的新数据集，涵盖16种本土鱼类，并采用综合预处理流程结合多种YOLO版本进行优化比较	NA	开发一种准确、高效的自动化方法来识别本土鱼类物种，以支持可持续渔业管理和生物多样性保护	埃塞俄比亚塔纳湖的16种本土鱼类物种	计算机视觉	NA	图像增强、CSPDarkNet、方向梯度直方图、基于分割的图像特征提取	YOLOv5, YOLOv7, YOLOv8, YOLOv11	图像	13,000张图像，涵盖16种鱼类物种	NA	YOLO系列算法	平均精度均值	NA
1691	2026-01-09	Automated classification of lung cancer subtypes cells using microscopic images and ensembled deep learning architectures 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29492-3 PMID:41326575	研究论文	本研究提出了一种结合ResNet-50和Attention U-Net的混合深度学习框架，用于基于显微图像自动分类肺癌亚型细胞	首次将ResNet-50的全局特征提取能力与Attention U-Net的空间注意力机制相结合，应用于单细胞肺癌亚型分类，并开发了包含CLAHE、中值滤波、Otsu阈值和灰度中调提亮的图像预处理流程，将信噪比提升23%	研究仅使用灰度图像，未考虑彩色信息；样本量相对有限（共4650张图像）；未在外部独立数据集上进行验证	实现肺癌亚型在细胞水平的早期自动检测与分类	单个肺癌细胞的显微图像	数字病理学	肺癌	显微成像	CNN, U-Net	图像	4650张灰度图像（每个亚型1500张），包括腺癌、神经内分泌癌和鳞状细胞癌	NA	ResNet-50, Attention U-Net	准确率, 精确率, 召回率, F1分数	NA
1692	2026-01-09	Prediction of PEMFC life based on IGJO-TCN-BiGRU-Attention 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29800-x PMID:41326586	研究论文	本文提出了一种结合智能优化算法与深度学习框架的IGJO-TCN-BiGRU-Attention算法，用于精确预测质子交换膜燃料电池的寿命	提出了一种改进的金豺优化算法（IGJO）来优化混合深度学习模型的超参数，并构建了TCN-BiGRU-Attention混合模型来预测PEMFC寿命，在静态和动态工况下均显示出更高的预测精度	NA	精确预测质子交换膜燃料电池的寿命	质子交换膜燃料电池	机器学习	NA	NA	TCN, BiGRU, Attention机制	电压-温度参数序列数据	NA	NA	TCN-BiGRU-Attention混合模型	均方根误差	NA
1693	2026-01-09	Optimizing chlorophyll content prediction in tea leaves via spectral transformations and deep learning 2025-Dec-01, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-025-07863-2 PMID:41326998	研究论文	本研究通过光谱变换和深度学习模型优化茶叶叶绿素含量的预测	结合四种预处理技术（原始反射率、连续统去除、去趋势、标准正态变量）与四种深度学习模型（1D-CNN、SSL、ViT、Conformer），系统评估了预处理与模型架构配对对叶绿素含量预测性能的影响	研究仅针对茶叶叶片，未扩展到其他植物或更广泛的环境条件	优化基于光谱反射率的叶绿素含量预测，以支持精准农业和植物生理状态监测	茶叶叶片（Camellia sinensis）	机器学习	NA	光谱反射率测量	1D-CNN, SSL, ViT, Conformer	光谱数据	NA	NA	1D-CNN, Vision Transformer, Conformer	R², RPD	NA
1694	2026-01-09	S-ResNet-34: small sample-ResNet-34 for predicting cervical degeneration in x-ray image data 2025-Dec-01, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-025-09273-9 PMID:41327180	研究论文	本研究提出了一种改进的深度学习模型S-ResNet-34，用于X射线图像数据中颈椎退行性变的预测	在ResNet-34架构的残差块中引入了可学习权重矩阵与卷积操作相结合，增强了模型的非线性表示能力	研究基于240名患者的小样本数据，可能限制了模型的泛化能力	构建更准确且成本效益更高的深度学习模型，用于诊断颈椎生理曲度异常	颈椎X射线图像数据	计算机视觉	颈椎病	X射线成像	CNN	图像	240名患者的X射线图像	NA	ResNet-34, YOLO-V3	准确率, F1分数, 召回率	NA
1695	2026-01-09	G2PDeep-v2: A Web-Based Deep-Learning Framework for Phenotype Prediction and Biomarker Discovery for All Organisms Using Multi-Omics Data 2025-Dec-01, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121673 PMID:41463329	研究论文	介绍了一个基于深度学习的网络平台G2PDeep-v2，用于多组学数据的表型预测和生物标志物发现	开发了一个集深度学习、超参数优化、可视化和下游分析于一体的统一网络平台，支持跨多种生物（包括人类和植物）的多组学数据分析	未在摘要中明确说明	为研究人员提供一个易于使用的工具，用于多组学数据的表型预测和生物标志物发现	多种生物（包括人类和植物）的多组学数据	机器学习	复杂疾病	多组学数据整合分析	深度学习模型	多组学数据	NA	NA	NA	NA	高性能计算资源
1696	2026-01-09	Design of an iterative physiologically guided hybrid deep learning framework for robust hand vein segmentation, blood flow analysis, and early vascular diagnosis 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103590 PMID:41492530	研究论文	本文提出了一种名为Bio-TransUNet的混合深度学习框架，用于手部静脉的稳健分割、血流分析和早期血管疾病诊断	结合了多尺度时空注意力机制、生物物理正则化学习、概率图建模以及基于Transformer的分类和领域自适应，以提升分割精度、解剖学一致性和疾病分类性能	未明确提及具体的数据集规模限制或计算资源需求	开发一个可靠的成像与解释方法，用于血管疾病的早期、无创诊断，特别是手部血流评估和静脉检测	人体手部静脉	计算机视觉	心血管疾病	近红外成像	深度学习, Transformer	图像	NA	NA	U-Net, Transformer	NA	NA
1697	2026-01-09	Hybrid quantum-classical deep learning framework for balanced multiclass diabetic retinopathy classification 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103605 PMID:41492535	研究论文	本文提出了一种新颖的混合量子-经典深度学习框架，用于解决糖尿病视网膜病变五分类中的类别不平衡和高分辨率数据挑战	融合深度学习和量子计算技术，构建混合量子-经典框架，并采用分层采样和混合精度训练优化计算效率与类别平衡泛化能力	NA	开发一种可扩展的基于人工智能的诊断方法，用于糖尿病视网膜病变的早期准确分类	糖尿病视网膜病变患者	医学影像	糖尿病视网膜病变	深度学习，量子计算	混合量子-经典深度学习框架	图像	APTOS 2019数据集	NA	ResNet-50, 8-qubit VQC	平衡准确率	NA
1698	2026-01-09	Computer Vision Applications in Spinal Orthopaedics: A Scoping Review of Imaging-Based Algorithms for Diagnosis, Measurement, and Surgical Planning 2025-Dec, Cureus DOI:10.7759/cureus.98486 PMID:41492595	综述	本文是一篇范围综述，系统性地梳理和描述了计算机视觉在脊柱骨科成像领域（包括诊断、测量和手术规划）的当前应用、临床任务、成像模态和计算方法	系统性地对1995年至2025年间发表的计算机视觉在脊柱骨科成像中的应用研究进行了范围综述，明确了当前的技术方法、性能水平以及临床转化中的关键差距	纳入的研究中仅20%包含外部验证，且没有研究进行前瞻性测试，这限制了对其临床适用性的评估	梳理和描述计算机视觉在脊柱骨科成像领域的应用现状，包括其临床任务、使用的成像模态和计算方法	应用于脊柱成像（如X光、CT、MRI）的自动化或半自动化计算机视觉算法	计算机视觉	NA	NA	深度学习	图像	NA	NA	U-Net, ResNet, YOLOv5	Dice系数, 准确率, AUC, 组内相关系数	NA
1699	2026-01-09	An integrated facial recognition system for classroom resource optimization using MobileNet and SSA-SVM 2025-Nov-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29327-1 PMID:41318694	研究论文	本文提出了一种集成面部识别系统，结合MobileNet和SSA-SVM，用于优化大学教室资源利用	结合MobileNet特征提取与SSA-SVM分类模型，在实时监控和出勤跟踪中提高了面部检测与识别准确率	NA	通过实时监控和出勤跟踪，支持大学教室的高效利用和资源分配	大学教室中的面部识别与资源优化	计算机视觉	NA	深度学习	CNN, SVM	图像	NA	NA	MobileNet	准确率, 识别率, 帧率	NA
1700	2026-01-09	Using Artificial Intelligence to Automate the Analysis of Psoriasis Severity: A Pilot Study 2025-Nov-21, Dermatology (Basel, Switzerland) DOI:10.1159/000549640 PMID:41269911	研究论文	本研究利用YOLOv8深度学习模型，基于2D临床图像特征，自动分类银屑病皮损的严重程度，旨在提高银屑病面积与严重性指数（PASI）评分的客观性和一致性	首次将YOLOv8模型应用于基于PASI关键子成分（红斑、厚度和鳞屑）的银屑病严重程度自动分类，并通过分层k折交叉验证增强模型在不同数据集上的可靠性	研究为试点性质，样本量有限，且仅使用2D临床图像，可能未涵盖所有临床变异	利用人工智能提高银屑病严重程度评估的客观性和一致性	银屑病皮损的2D临床图像	计算机视觉	银屑病	深度学习	YOLOv8	图像	三个不同数据集（具体数量未明确）	Google Colab	YOLOv8	混淆矩阵, 准确率	云端环境（Google Colab）