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
1701	2025-12-04	Extrapolation Convolution for Data Prediction on a 2-D Grid: Bridging Spatial and Frequency Domains With Applications in Image Outpainting and Compressed Sensing 2025-Dec, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3598745 PMID:40844942	研究论文	本文提出了一种外推卷积框架，用于解决图像修复和压缩感知任务中传统卷积神经网络在外推能力上的局限性	提出了外推卷积框架，将缺失数据预测建模为深度学习架构内的线性预测问题，并应用于图像外绘和傅里叶域压缩感知MRI重建	未明确说明模型的计算复杂度和训练时间，也未讨论在更广泛数据集或不同模态图像上的泛化能力	提升卷积神经网络在图像外推任务中的性能，特别是在图像外绘和压缩感知MRI重建中的应用	二维网格数据，具体为图像数据和MRI频率域信号	计算机视觉	NA	深度学习，压缩感知MRI	CNN，编码器-解码器网络	图像，频率域信号	NA	NA	EC-DecNet, FDRN	峰值信噪比, 结构相似性指数, 核初始距离/弗雷歇初始距离	NA
1702	2025-12-04	ReCL: A Plug-and-Play Module for Enhancing Generalized Category Discovery Using Transport-Based Method to Uncover the Relationship in Samples 2025-Dec, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3598594 PMID:40853786	研究论文	本文提出了一种基于关系的对比学习模块（ReCL），用于增强广义类别发现（GCD）任务，通过运输分配方法挖掘未标记样本间的关系	提出了一种基于运输的分配方法，为每个未标记数据点寻找合适的样本，并通过原型融合方法创建正锚点，以改进对比学习中未标记样本的特征学习	未在极端数据不平衡或噪声标签场景下进行验证，且模块的计算复杂度可能较高	解决广义类别发现（GCD）问题，即在部分标记数据中同时分类已标记和未标记类别的样本	深度学习模型在开放集环境下的性能提升，特别是针对未标记样本的关系挖掘	机器学习	NA	对比学习，运输分配方法，原型融合	深度学习模型	图像数据（基于实验领域推断）	NA	PyTorch, TensorFlow	NA	准确率，F1分数，AUC	GPU（具体型号未指定），可能使用云平台进行实验
1703	2025-12-04	A Bioinspired Deep Learning Framework for Saliency-Based Image Quality Assessment 2025-Dec, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3598716 PMID:40857193	研究论文	本文提出了一种受生物启发的深度学习框架BioSIQNet，用于基于显著性的无参考图像质量评估	通过将显著性分为高低两个焦点注意力水平，并基于多任务学习框架构建网络，模拟大脑视觉皮层的分层处理机制，首次在深度学习中探索了显著性在无参考图像质量评估中的最优利用	NA	提升无参考图像质量评估模型在处理复杂多样自然图像时的性能	数字图像	计算机视觉	NA	NA	深度神经网络	图像	NA	NA	BioSIQNet	NA	NA
1704	2025-12-04	Automated detection of chewing movements in videofluoroscopic swallowing studies using deep learning for landmark detection and motion analysis 2025-Dec-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111361 PMID:41330067	研究论文	本研究提出首个全自动分析视频荧光吞咽研究中咀嚼相关下颌运动的流程	首个针对VFSS中咀嚼运动的自动化分析流程，整合了关键点检测、视频分割和分类三个模块	未明确提及	开发自动化工具以评估咀嚼功能，并探索其与吞咽安全性的关系	健康参与者和吞咽困难患者	数字病理学	老年疾病	视频荧光吞咽研究	深度学习	视频	来自多项临床研究的数据集，包含健康参与者和吞咽困难患者	NA	NA	NA	NA
1705	2025-12-04	Linking fish activity and turbidity through visual and sensor data fusion and deep learning 2025-Dec-01, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2025.119070 PMID:41330340	研究论文	本研究提出了一种融合高分辨率水下成像、高科技水质传感与深度学习模型的新方法，用于检测鱼类、估算浊度并分析其相互作用	首次将水下视觉数据与水质传感器数据进行同步融合，并开发了基于CNN的图像浊度估算模型，同时利用无需训练的YOLOWorld模型进行鱼类检测，揭示了鱼类数量与浊度之间的非线性关系	收集的图像中有相当一部分由于相机与传感器同步问题而缺乏有效的浊度值	通过视觉与传感器数据融合及深度学习，监测水下环境并分析鱼类活动与浊度的关联	澳大利亚麦凯港水域的鱼类活动与水质浊度	计算机视觉	NA	水下成像、水质传感	CNN, YOLOWorld	图像、传感器数据	在麦凯港部署IP水下相机和两个先进水质传感器收集的同步数据	NA	自定义CNN, YOLOWorld-v1 Large	准确率, 均方根误差, 相关系数R	NA
1706	2025-12-04	The role of artificial intelligence in enhancing triage decisions in healthcare settings: A systematic review 2025-Dec, Applied nursing research : ANR IF:2.7Q1 DOI:10.1016/j.apnr.2025.152024 PMID:41330654	系统综述	本文通过系统综述探讨了人工智能在增强医疗环境中分诊决策过程中的作用	系统性地回顾了2020年至2025年间关于AI在分诊中应用的最新研究，并综合评估了其有效性、挑战和伦理考量	纳入的研究时间范围有限（2020-2025），且仅包含22项研究，可能无法全面反映AI在分诊中的所有应用和长期效果	探索人工智能在增强医疗环境中分诊决策过程中的作用	医疗环境中的分诊决策过程	自然语言处理, 机器学习	NA	NA	机器学习, 深度学习, 自然语言处理	NA	211项研究被筛选，其中22项符合纳入标准	NA	NA	诊断准确性, 分诊效率, 决策支持	NA
1707	2025-12-04	Predicting postrestorative facial appearance in edentulous patients using deep learning: A prospective cohort study 2025-Dec-01, The Journal of prosthetic dentistry IF:4.3Q1 DOI:10.1016/j.prosdent.2025.10.053 PMID:41330832	研究论文	本研究开发了名为FacePointNet的双向深度学习模型，用于预测无牙颌患者在接受牙齿修复后的面部外观变化	提出了一个基于点集神经网络的双向深度学习模型，通过复合损失函数学习几何变换，首次在无牙颌患者中实现术后面部外观的定量预测	样本量较小（仅16名患者），未整合生物力学数据，动态建模能力有待提升	开发一种深度学习模型，以预测无牙颌患者牙齿修复后的面部外观变化，改善修复前治疗规划	无牙颌患者	计算机视觉	NA	3D面部扫描	点集神经网络	3D图像	16名无牙颌患者	NA	FacePointNet	Chamfer距离, 欧几里得距离, 视觉相似度评分	NA
1708	2025-12-04	A deep learning radiomics model for predicting non-sentinel lymph node metastases in early-stage breast cancer patients 2025-Nov-30, Future oncology (London, England) DOI:10.1080/14796694.2025.2595688 PMID:41319290	研究论文	本研究开发并验证了一种深度学习放射组学模型，用于预测早期乳腺癌患者中非前哨淋巴结转移	结合临床因素、腋窝超声发现和放射组学特征构建CAR模型，显著提升了非前哨淋巴结转移的预测性能	研究为回顾性和前瞻性混合设计，可能存在选择偏倚；样本量虽大但未提及外部验证	预测早期乳腺癌患者的非前哨淋巴结转移	早期乳腺癌患者（具有1-2个阳性前哨淋巴结转移）	数字病理学	乳腺癌	超声成像	深度学习模型	超声图像	1647名患者	NA	NA	AUC, 决策曲线分析, 校准曲线分析	NA
1709	2025-12-04	AI-enhanced synergistic chemo-immunotherapy: From mechanistic insights to clinical translation 2025-Nov-29, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2025.105064 PMID:41325797	综述	本文全面探讨了化疗与免疫检查点抑制剂联合治疗的机制基础、临床应用及当前挑战，并重点介绍了人工智能在优化此类联合治疗中的新兴作用	强调了人工智能（包括多组学整合、影像组学和深度学习）在识别协同药物组合、预测治疗反应和患者分层方面的应用，以推动个性化癌症治疗	面临化疗诱导的免疫抑制、肿瘤异质性和数据可解释性等关键挑战	优化化疗与免疫检查点抑制剂的协同治疗策略，以提升抗肿瘤疗效并推动临床转化	化疗与免疫检查点抑制剂联合治疗的机制、临床应用及患者	机器学习	肿瘤学	多组学整合、影像组学、深度学习	深度学习	多组学数据、影像数据	NA	NA	NA	NA	NA
1710	2025-12-04	Geometric deep learning for local growth prediction on abdominal aortic aneurysm surfaces 2025-Nov-29, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103323 PMID:41330258	研究论文	本文提出了一种基于SE(3)对称Transformer的几何深度学习模型，用于直接从富含局部多物理特征的血管模型表面预测腹主动脉瘤的局部生长	首次使用SE(3)对称Transformer模型直接在血管表面进行AAA生长预测，保留了血管表面的解剖结构和几何保真度，而无需对AAA形状进行参数化	训练数据量较小（仅24名患者），且采样间隔不规则；外部验证集规模有限（仅7名患者）	开发个性化的腹主动脉瘤生长预测方法，以改进临床监测策略	腹主动脉瘤患者	几何深度学习	腹主动脉瘤	计算机断层扫描血管造影	Transformer	3D血管模型表面	训练集：24名患者的113次CTA扫描；外部验证集：7名患者的25次CTA扫描	NA	SE(3)-symmetric transformer	中位直径误差, 准确率	NA
1711	2025-12-04	Artificial intelligence and sleep medicine II: A scoping review of applications, advancements, and future directions 2025-Nov-28, Sleep medicine reviews IF:11.2Q1 DOI:10.1016/j.smrv.2025.102212 PMID:41330180	综述	本文是一篇范围综述，总结了人工智能在睡眠医学中的应用、进展及未来方向	全面梳理了AI在睡眠医学中的最新应用，包括从阻塞性睡眠呼吸暂停检测到睡眠分期等多个领域，并指出了未来研究需优先考虑多中心验证和伦理治理	存在显著的真实世界验证差距，且实施挑战仍存	综述人工智能在睡眠医学领域的应用、技术进步及未来发展方向	聚焦于睡眠医学中的人工智能研究，包括原始研究、系统综述和荟萃分析	机器学习	睡眠障碍	NA	深度学习	NA	NA	NA	NA	准确率, 灵敏度, 特异性	NA
1712	2025-12-04	Deep learning for autism detection using clinical notes: A comparison of transfer learning for a transparent and black-box approach 2025-Nov-27, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103318 PMID:41330257	研究论文	本研究比较了使用BioBERT的透明可解释机器学习方法与黑盒方法在临床文本中检测自闭症谱系障碍的性能，并评估了迁移学习的效果	引入了一种透明且可解释的机器学习方法，利用BioBERT分析非结构化临床文本，通过标注行为描述并映射到诊断标准来分配最终标签，同时评估了迁移学习在两种不同真实世界数据集上的表现	训练数据的顺序对性能有影响，且黑盒模型在顺序或混合数据训练下表现较差，可能限制了其泛化能力	开发一种透明且可解释的机器学习方法，用于自动化自闭症谱系障碍的诊断，并评估其在真实世界数据集上的泛化能力	自闭症谱系障碍（ASD）的诊断	自然语言处理	自闭症谱系障碍	机器学习	BioBERT	文本	两个不同的真实世界数据集	NA	BioBERT	灵敏度, 特异性	NA
1713	2025-12-04	Deep learning-derived arterial input function for dynamic brain PET 2025-Nov-26, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121609 PMID:41314271	研究论文	本研究提出了一种深度学习衍生的动脉输入函数（DLIF），能够直接从动态PET图像序列中估计代谢物校正的动脉输入函数，无需任何血液采样	首次利用深度学习框架直接从动态PET图像序列中估计代谢物校正的动脉输入函数，无需任何侵入性血液采样，结合了复杂时间动态捕捉和典型AIF形状的先验知识	未明确说明样本量大小、模型泛化能力或在不同疾病群体中的验证情况	开发一种快速、准确且完全非侵入性的动脉输入函数测量方法，以替代传统的侵入性血液采样	动态脑部PET成像数据	医学影像分析	阿尔茨海默病, 帕金森病	动态正电子发射断层扫描（PET）成像	深度学习	动态PET图像序列	NA	NA	NA	准确性, 鲁棒性	NA
1714	2025-12-04	Bubble Detection in Gas-Solid Separation Fluidized Beds Based on Deep Learning 2025-Nov-25, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c09389 PMID:41322525	研究论文	本研究提出了一种基于改进YOLOv8的气泡检测模型，用于气固流化床中的气泡动态监测，并分析了气泡特征与分选性能的关联	模型集成了多头自注意力机制增强全局特征提取，采用多尺度特征融合结构实现高效特征整合，并使用基于Involution的解耦头在提高检测精度的同时降低计算复杂度	NA	实现气固流化床中气泡的准确、实时监测，并探究气泡动态与分选效率的耦合关系	干法选煤气固流化床中的气泡	计算机视觉	NA	深度学习	CNN	图像	120个实验数据集	NA	YOLOv8, Faster R-CNN, Mask R-CNN	精确率, 召回率, mAP@0.5	NA
1715	2025-12-04	Efficient Channel Attention-Gated Graph Transformer for Aero-Engine Remaining Useful Life Prediction 2025-Nov-25, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c07687 PMID:41322556	研究论文	本文提出了一种名为高效通道注意力门控图变换器的新预测框架，用于航空发动机剩余使用寿命预测	结合图卷积网络、基于高效通道注意力的自适应特征融合机制和基于Transformer的时间编码器，有效建模多源传感器读数的局部序列依赖性和捕获长运行周期内的渐进退化行为	NA	提高航空发动机剩余使用寿命预测的准确性和可靠性	航空发动机	机器学习	NA	NA	GCN, Transformer	多源传感器读数	基准C-MAPSS数据集	NA	图卷积网络, Transformer	均方根误差, Score指数	NA
1716	2025-12-04	Identification of Potential Nontoxic Human BTK Inhibitors through an Integrated Deep Learning and Structure-Based Drug Repositioning Strategy 2025-Nov-25, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c01756 PMID:41322579	研究论文	本研究通过整合深度学习和基于结构的药物重定位策略，识别潜在的非毒性人类BTK抑制剂	开发了一个结合深度学习、基于结构的药物重定位和毒性分析的集成管道，用于识别BTK抑制剂，并通过分子模拟和基于GNN的毒性分析验证了候选化合物的稳定性和安全性	需要进一步的临床试验来验证gozetotide、micafungin和candicidin作为BTK靶向疗法的有效性和安全性	识别潜在的非毒性人类BTK抑制剂，以提供更安全有效的自身免疫性疾病治疗方法	BTK（Bruton's tyrosine kinase）及其抑制剂，特别是针对FDA批准药物库中的化合物	机器学习	自身免疫性疾病	深度学习、分子对接、分子模拟、毒性分析	人工神经网络（ANN）、图神经网络（GNN）	化合物数据、药物库数据	经过严格过滤的高质量化合物数据集，以及FDA批准药物库	NA	人工神经网络（ANN）、图神经网络（GNN）	RMSD、RMSF、RoG、氢键分析、PCA、FEL、DCCM	NA
1717	2025-12-04	Spatial transcriptomics expression prediction from histopathology based on cross-modal mask reconstruction and contrastive learning 2025-Nov-25, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103889 PMID:41330094	研究论文	提出一种基于对比学习和跨模态掩码重建的深度学习方法，从全切片图像预测空间转录组表达	采用跨模态对比学习建立组织病理形态与空间基因表达的特征对应，并设计跨模态掩码重建作为预训练任务实现特征级融合，无需大规模预训练数据或抽象语义表示	未明确说明方法在极低样本量（如少于10个样本）下的稳定性，且未与其他模态融合方法（如注意力机制）进行系统比较	从组织病理图像预测空间转录组表达，以降低数据获取成本并支持肿瘤微环境分析	六种不同疾病数据集的全切片图像与空间转录组数据	数字病理学	肿瘤（多种癌症类型）	空间转录组技术，全切片图像分析	深度学习，对比学习	图像（全切片图像），基因表达数据	六个疾病数据集（具体样本数未明确说明）	未明确说明（代码库未指定框架）	CMRCNet（自定义网络）	皮尔逊相关系数（PCC）	未明确说明
1718	2025-12-04	Deep learning based CT grading system for sacroiliitis: a multi-center studydemonstrating superior accuracy and efficiency compared to human readers 2025-Nov-22, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112557 PMID:41330312	研究论文	本研究开发并验证了一种基于深度卷积神经网络的CT图像骶髂关节炎自动分级系统，并在多中心研究中证明了其相对于人类阅片者具有更高的准确性和效率	首次将3D-ResNet50模型应用于骶髂关节炎的CT图像自动分级，并在多中心外部验证中证明了其诊断性能优于人类专家，特别是在II级分级方面有显著提升	对于IV级骶髂关节炎的诊断性能提升未达到统计学显著性，且模型仅在特定医院的数据集上进行了训练和验证	开发并验证用于中轴型脊柱关节炎患者骶髂关节炎自动分级的深度学习系统	骶髂关节炎患者的CT图像	数字病理学	中轴型脊柱关节炎	CT成像	CNN	医学影像（CT图像）	共1590名患者（1341名用于模型开发，130名内部验证，249名外部验证）	NA	3D-ResNet50	准确率, AUC	NA
1719	2025-12-04	CCK * (Convex Closure K *): A Suite of Algorithms for the De Novo Design of L- and D-peptide Binders 2025-Nov-22, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.21.689740 PMID:41332631	研究论文	本文介绍了一种名为CCK*的计算框架，用于从头设计L-和D-肽结合物	提出了一种统一的计算框架，支持L-和D-肽的设计，扩展了设计空间，并引入了一套手性不变算法（scope、montage、arise）	NA	开发一个计算框架，用于设计L-和D-肽结合物，以克服D-肽设计中的进化背景和结构数据缺乏问题	L-和D-肽结合物	机器学习	NA	几何建模、几何哈希、迭代残基搜索	NA	结构数据	NA	NA	NA	NA	NA
1720	2025-12-04	Variability vs. phenotype: Multimodal analysis of Dravet syndrome brain organoids powered by deep learning 2025-Nov-21, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.113831 PMID:41323276	研究论文	本文利用深度学习开发了ImPheNet工具，通过分析Dravet综合征脑类器官的活体成像数据，克服了类器官变异性，实现了早期表型分类和药物效应评估	开发了基于深度学习的ImPheNet预测工具，首次将活体成像与深度学习结合用于克服脑类器官的变异性，实现Dravet综合征的早期表型分类和抗癫痫药物暴露分析	研究主要基于脑类器官模型，可能无法完全模拟体内复杂环境；深度学习模型的泛化能力需在更多数据集上验证	研究Dravet综合征的分子病理生理学，开发深度学习工具以克服脑类器官变异性，加速发育性癫痫性脑病研究和治疗发现	Dravet综合征脑类器官，包括健康对照和疾病模型，以及抗癫痫药物暴露下的类器官	深度学习	Dravet综合征	脑类器官活体成像，深度学习分析	深度学习模型	活体成像数据集	未明确指定样本数量，但涉及健康与DS表型的脑类器官	未明确指定	ImPheNet（具体架构未详细说明）	准确分类（准确率），但未明确具体指标	未明确指定