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
18041	2026-01-03	Deep Learning and Machine Learning Modeling Identifies Thidiazuron as a Key Modulator of Somatic Embryogenesis and Shoot Organogenesis in Ferula assa-foetida L 2025-Nov-29, Biology DOI:10.3390/biology14121703 PMID:41463476	研究论文	本研究开发了Ferula assa-foetida L的体外再生系统，并利用深度学习和机器学习算法预测了体细胞胚胎发生和芽器官发生的最佳植物生长调节剂	首次在Ferula assa-foetida L中应用基于图像的AI驱动框架来预测最佳植物生长调节剂，为濒危药用植物的微繁殖提供了可扩展的方法	未明确说明样本量大小，且传统统计方法在处理复杂非线性输入时存在局限性，可能导致预测误差	优化Ferula assa-foetida L的体外再生协议，通过AI模型预测最佳植物生长调节剂以促进大规模培养	Ferula assa-foetida L（阿魏）的叶片外植体诱导的愈伤组织	机器学习	NA	体外器官发生、图像形态分析	CNN, MobileNet, RCNN, ResNet, VGG19, RF, SVM, kNN, DT, XG Boost, Naïve Bayes, Logistic Regression	图像	NA	NA	CNN, MobileNet, RCNN, ResNet, VGG19	准确率	NA
18042	2026-01-03	Advances in Image-Based Diagnosis of Diabetic Foot Ulcers Using Deep Learning and Machine Learning: A Systematic Review 2025-Nov-28, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines13122928 PMID:41462941	综述	本文系统评估了基于机器学习和深度学习的图像方法在糖尿病足溃疡诊断中的应用，重点关注检测、分割和分类任务	对2010年至2025年间的研究进行了全面系统的回顾，揭示了热红外成像等新兴诊断技术的应用趋势，并量化了当前公开数据集的可用性问题	仅45%的分割数据集和67.3%的分类数据集公开可用，这限制了研究的可重复性和进一步发展	系统评估机器学习和深度学习在糖尿病足溃疡图像诊断中的应用趋势、挑战和质量评估	糖尿病足溃疡的诊断图像	计算机视觉	糖尿病足溃疡	热红外成像	SVM, CNN	图像	从4653篇初筛文章中筛选出102篇符合纳入标准的研究	NA	U-Net, 全卷积神经网络	准确率, 特异性, 灵敏度	NA
18043	2026-01-03	Host-Microbe Interactions: Prospects of Machine Learning and Deep Learning Technologies in Animal Viral Disease Management 2025-Nov-27, Veterinary sciences IF:2.0Q2 DOI:10.3390/vetsci12121129 PMID:41472108	综述	本文综述了机器学习和深度学习技术在动物病毒性疾病研究与管理中的应用进展	整合ML和DL框架以更精确建模复杂生物过程，为数据驱动的兽医学提供新工具，并探讨强化学习优化疫苗接种策略和无监督学习检测新发病原体的潜力	数据集不平衡、病毒结构和进化复杂性高、预测模型跨物种可转移性差	促进动物病毒性疾病的预防策略开发，支持动物健康和可持续畜牧业发展	动物病毒性疾病，重点关注肠道、呼吸道和生殖系统的病毒攻击	机器学习	动物病毒性疾病	NA	机器学习, 深度学习	多变量时间序列数据	NA	NA	NA	NA	NA
18044	2026-01-03	Integrating WGCNA, TCN, and Alternative Splicing to Map Early Caste Programs in Day-2 Honeybee Larvae 2025-Nov-26, Genes IF:2.8Q2 DOI:10.3390/genes16121409 PMID:41465082	研究论文	本研究整合RNA-seq、WGCNA和选择性剪接分析，探索了2日龄工蜂、雄蜂和蜂王幼虫间的基因表达差异，并利用深度学习TCN模型进行高精度分类	首次将WGCNA、TCN深度学习模型与选择性剪接分析相结合，系统性地揭示了蜜蜂早期幼虫阶段种姓和性别分化的关键基因与分子机制	研究仅针对2日龄幼虫阶段，未覆盖更广泛的发育时期；样本量可能有限，且模型在更广泛物种中的普适性未验证	探究蜜蜂幼虫阶段种姓和性别分化的分子机制	2日龄的工蜂、雄蜂和蜂王幼虫	机器学习	NA	RNA-seq, WGCNA, 选择性剪接分析	TCN	基因表达数据	2日龄工蜂、雄蜂和蜂王幼虫的RNA-seq样本	NA	TCN	分类准确率	NA
18045	2026-01-03	MACNeXt-Based Bacteria Species Detection 2025-Nov-25, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms13122689 PMID:41471893	研究论文	本研究提出了一种名为MACNeXt的新型紧凑卷积神经网络，用于细菌物种的显微图像分类	提出了一种结合GELU和ReLU两种激活函数的多分支设计CNN架构，旨在实现高精度与低计算成本的平衡	NA	开发一种适用于常规临床使用的、高精度且计算成本低的细菌物种分类深度学习模型	24种细菌物种的显微图像	计算机视觉	NA	显微成像	CNN	图像	18,221张显微图像	NA	MACNeXt	准确率, 精确率, 召回率, F1分数	NA
18046	2026-01-03	Utilization of a Deep Learning Algorithm for Automated Segmentation of Median Nerve from Ultrasound Obtained from the Distal Forearm and Wrist 2025-Nov-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121289 PMID:41463586	研究论文	本研究评估了一种四层U-Net深度学习算法，用于在手腕褶皱和远端前臂两个临床相关部位自动分割正中神经并估计其横截面积	通过针对性的基于强度的数据增强（如CLAHE、伽马校正、斑点噪声）显著提升了模型在新图像上的泛化能力，实现了稳健、可重复且与扫描站点无关的正中神经分割	模型在未增强的新静态图像上初始泛化性能较差（前臂IoU/Dice: 0.185/0.254；手腕IoU/Dice: 0.137/0.188），增强后虽有提升但仍未达到在原始数据集上的性能水平	提高超声图像中正中神经自动分割的鲁棒性，以实现一致且与扫描站点无关的横截面积评估，支持可扩展的腕管综合征超声评估	腕管综合征患者的正中神经超声图像	计算机视觉	腕管综合征	超声成像	CNN	图像	主要数据集：每个部位（手腕褶皱和远端前臂）500张图像；第二个泛化测试数据集：35张手腕静态图像和26张前臂静态图像	NA	U-Net	Dice系数, IoU, 横截面积测量与手动描绘的相关性	NA
18047	2026-01-03	High-Fidelity Transcriptome Reconstruction of Degraded RNA-Seq Samples Using Denoising Diffusion Models 2025-Nov-23, Biology DOI:10.3390/biology14121652 PMID:41463426	研究论文	本文提出了一种名为DiffRepairer的深度学习模型，用于修复降解RNA-seq样本的转录组数据	结合Transformer架构与条件扩散模型框架，通过一步修复映射来逆转RNA降解效应	NA	开发计算方法来高保真地修复临床存档样本中因RNA降解而受损的转录组数据	降解的RNA-seq样本	生物信息学	NA	RNA-seq	Transformer, 条件扩散模型	RNA-seq数据	NA	NA	Transformer	技术和生物学指标	NA
18048	2026-01-03	Construction and effectiveness test of multimodal data fusion prediction model for intracranial infection after severe craniocerebral injury in children based on deep learning 2025-Nov-22, BMC neurology IF:2.2Q3 DOI:10.1186/s12883-025-04502-z PMID:41272576	研究论文	本研究基于深度学习构建并验证了一种用于儿童重型颅脑损伤术后颅内感染早期识别的多模态数据融合预测模型	首次将深度学习特征、影像组学特征与临床数据融合，构建了针对儿童重型颅脑损伤术后颅内感染的预测模型，并证实其优于单一模态模型	研究为单中心回顾性研究，样本量有限，且外部验证队列为时间验证队列，需多中心前瞻性研究进一步验证	开发并验证一种基于深度学习的多模态数据融合模型，用于儿童重型颅脑损伤术后颅内感染的早期识别	浙江大学医学院附属儿童医院接受手术的儿童重型颅脑损伤患者	数字病理学	颅脑损伤	影像组学特征提取，深度学习特征提取	深度学习模型	临床数据，影像数据	内部验证队列203例（感染组46例，非感染组157例），时间验证队列101例（感染组25例，非感染组76例）	NA	NA	受试者工作特征曲线，临床决策曲线分析，校准曲线	NA
18049	2026-01-03	Combination Ensemble and Explainable Deep Learning Framework for High-Accuracy Classification of Wild Edible Macrofungi 2025-Nov-22, Biology DOI:10.3390/biology14121644 PMID:41463418	研究论文	本研究提出了一种结合集成学习和可解释深度学习的框架，用于高精度分类野生食用大型真菌	提出了一种结合EfficientNetB0、ResNet50和RegNetY的分层投票策略组合模型，并集成可解释AI方法以增强模型透明度	数据集仅包含24种野生食用大型真菌物种，可能限制了模型的泛化能力	开发高精度、可解释的野生食用大型真菌分类方法，以支持生物多样性保护、食品安全和生态可持续性	24种野生食用大型真菌物种	计算机视觉	NA	NA	CNN	图像	包含24种野生食用大型真菌物种的数据集	NA	EfficientNetB0, ResNet50, RegNetY, MobileNetV3-L	准确率, AUC, MCC	NA
18050	2026-01-03	PlantSAM: An object detection-driven segmentation pipeline for herbarium specimens 2025 Nov-Dec, Applications in plant sciences IF:2.7Q2 DOI:10.1002/aps3.70034 PMID:41473394	研究论文	本文提出了一种名为PlantSAM的自动化分割流程，用于去除植物标本图像的背景噪声，以提高深度学习分类的准确性	结合YOLOv10进行植物区域检测和Segment Anything Model (SAM2)进行分割，通过边界框提示引导SAM2，实现了在植物标本图像上的最先进分割性能	NA	提升植物标本图像的深度学习分类性能，通过背景去除减少噪声和伪影的干扰	植物标本图像	计算机视觉	NA	NA	CNN, Transformer	图像	NA	NA	YOLOv10, Segment Anything Model (SAM2)	IoU, Sørensen-Dice系数, 准确率, F1分数	NA
18051	2026-01-03	A Practical Study of Data Requirements for Self-Supervised Learning in Medical Image Analysis 2025-Nov, Cureus DOI:10.7759/cureus.98049 PMID:41473638	研究论文	本文研究了自监督学习在医学图像分析中数据需求的实际问题，重点关注预训练和微调所需图像数量对二元分类任务性能的影响	首次全面评估了自监督学习框架中预训练和微调阶段所需图像数量的实际需求，特别是在有限数据设置下的适用性	研究仅针对二元分类任务和对比性自监督学习方法，未涵盖多类分类或其他自监督学习技术	优化医学图像分析中基于自监督学习的流程，特别是在罕见疾病或数据极度稀缺场景下的应用	医学图像数据，特别是用于二元分类任务的图像	计算机视觉	NA	自监督学习	对比性自监督学习模型	图像	从仅4张训练图像到至少10,000张预训练图像不等	NA	Simple Siamese Representation Learning (SimSiam)	准确率	NA
18052	2026-01-03	AI-driven precision in prostate brachytherapy: A systematic review of 70 studies 2025-Oct-01, Journal of cancer research and therapeutics IF:1.4Q4 DOI:10.4103/jcrt.jcrt_1996_25 PMID:41474559	综述	本文系统回顾了70项关于人工智能在前列腺近距离放射治疗中应用的研究，评估了其在影像、治疗计划、施源器重建和结果预测等方面的进展与挑战	首次对70项AI在前列腺近距离放射治疗中的应用研究进行系统性综述，全面评估了U-Net和深度强化学习等技术在分割、剂量优化和质量保证方面的性能提升	纳入研究存在数据集多样性有限、模型泛化能力不足以及临床整合困难等挑战	评估人工智能技术在前列腺近距离放射治疗中的应用现状、效果及未来发展方向	前列腺癌患者及其放射治疗过程	数字病理学	前列腺癌	NA	机器学习, 深度学习	医学影像数据	基于70项研究的汇总数据	NA	U-Net	灵敏度, 时间节省百分比, 错误减少百分比	NA
18053	2026-01-03	Diagnostic performance of the deep learning method trained using MRI and F-18 FDG-PET/CT images in the evaluation of axillary lymph node metastasis in breast cancer patients 2025-Oct-01, Journal of cancer research and therapeutics IF:1.4Q4 DOI:10.4103/jcrt.jcrt_493_25 PMID:41474563	研究论文	本研究探讨了使用MRI和F-18 FDG-PET/CT图像训练的深度学习模型在评估乳腺癌患者腋窝淋巴结转移中的诊断性能	结合MRI和F-18 FDG-PET/CT多模态图像训练CNN模型，用于非侵入性检测腋窝淋巴结转移，并显示其性能优于单一模态的专家解读	研究为回顾性设计，样本量相对较小（177例患者），且模型尚未能替代前哨淋巴结活检等侵入性程序	评估深度学习模型在乳腺癌患者腋窝淋巴结转移诊断中的性能	被诊断为乳腺癌并接受手术的成年患者	数字病理学	乳腺癌	MRI, F-18 FDG-PET/CT	CNN	图像	177例患者	NA	CNN	灵敏度, 特异度, 准确率, F1分数	NA
18054	2026-01-03	Language models reveal a complex sequence basis for adaptive convergent evolution of protein functions 2025-Sep-30, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2418254122 PMID:40986350	研究论文	本文提出了一种基于蛋白质语言模型嵌入的框架，用于检测蛋白质功能的自适应收敛进化，超越了传统基于单个位点的方法	利用预训练的蛋白质语言模型嵌入来捕捉高阶蛋白质特征的收敛，即使在没有位点级序列相似性的情况下也能识别功能相似性	方法依赖于预训练模型的性能，可能无法覆盖所有蛋白质特征或环境因素	研究蛋白质功能自适应收敛进化的序列基础，解码复杂的序列-功能映射关系	蛋白质序列及其功能收敛案例，如回声定位和景天酸代谢相关基因	自然语言处理	NA	蛋白质语言模型	PLM	蛋白质序列	四个先前报道的案例及全基因组应用	NA	NA	显著性测试	NA
18055	2026-01-03	A Tunable Forced Alignment System Based on Deep Learning: Applications to Child Speech 2025-Jul-29, Journal of speech, language, and hearing research : JSLHR DOI:10.1044/2024_JSLHR-24-00347 PMID:40163771	研究论文	本文开发了一种基于深度学习的可调谐强制对齐系统Wav2TextGrid，专门用于儿童语音分析，通过训练直接适应临床级手动对齐标准	开发了首个可训练、说话者自适应的神经强制对齐器，支持直接基于手动对齐数据进行训练，显著提升了儿童语音中爆破音和塞擦音的对齐准确率	研究仅基于42名3至6岁神经典型儿童的数据集，未涵盖更广泛年龄范围或病理语音样本	开发一个适用于非标准语音（特别是儿童语音）的高精度自动语音对齐工具	儿童语音数据（3-6岁神经典型儿童）和TIMIT语料库	自然语言处理	NA	深度学习语音对齐	神经网络	语音音频	42名神经典型儿童（3-6岁）的语音语料库	NA	NA	对齐准确率	NA
18056	2026-01-03	Artificial intelligence-driven automated lung sizing from chest radiographs 2025-Jan, American journal of transplantation : official journal of the American Society of Transplantation and the American Society of Transplant Surgeons IF:8.9Q1 DOI:10.1016/j.ajt.2024.08.015 PMID:39182615	研究论文	本研究开发了一种基于深度学习和计算机视觉的自动化系统，用于从便携式胸部X光片中生成标准化的肺部尺寸测量，以改善肺移植中的供体-受体尺寸匹配	首次提出结合深度学习与计算机视觉的自动化肺部尺寸测量系统，能够从包含技术挑战（如实变、积液、患者旋转）的X光片中生成6种不同的肺部高度和宽度测量值	需要在更大规模的队列中进行验证	开发自动化系统以改善肺移植中的供体-受体尺寸匹配	肺移植受者的胸部X光片	计算机视觉	肺移植	胸部X光成像	深度学习	图像	50名肺移植受者的胸部X光片	NA	NA	测量误差（百分比和毫米）、评估者间一致性、评估者内一致性	NA
18057	2026-01-03	CineVN: Variational network reconstruction for rapid functional cardiac cine MRI 2025-Jan, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30260 PMID:39188085	研究论文	本文提出了一种名为CineVN的变分网络重建方法，用于快速功能心脏电影MRI，旨在实现高时空分辨率和低时间模糊	结合时空变分网络与共轭梯度下降，优化数据一致性并提升图像质量，在实时心脏电影MRI中实现高时空分辨率	NA	开发一种高度加速的心脏电影MRI重建方法，以准确评估心室容积和心肌应变	健康受试者和心脏病患者	医学影像	心血管疾病	电影MRI	变分网络	图像	18名健康受试者和46名患者	NA	变分网络	图像质量指标、心室容积、心肌应变参数	NA
18058	2026-01-03	Automated MRI-based segmentation of intracranial arterial calcification by restricting feature complexity 2025-Jan, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30283 PMID:39221515	研究论文	本文开发了一种基于MRI的自动深度学习模型，用于颅内动脉钙化的分割和检测	提出了一种在变分自编码器框架下的新型深度学习模型，并引入了一种理论基础的差异损失函数，以优化从MRI提取的网络特征并限制其复杂性，从而学习更具泛化能力的MRI特征，提高分割准确性和检测钙化的鲁棒性	NA	开发自动深度学习模型，用于MRI上颅内动脉钙化的分割和检测	颅内动脉钙化	计算机视觉	心血管疾病	MRI	变分自编码器	图像	113名受试者	NA	NA	Dice相似系数, 精确率-召回率曲线下面积, 95% Hausdorff距离, 平均对称表面距离, F1分数, 召回率, 精确率	NA
18059	2026-01-03	Classification of psychosis spectrum disorders using graph convolutional networks with structurally constrained functional connectomes 2025-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106771 PMID:39383678	研究论文	本文探讨了使用图卷积网络和结构约束的功能连接组对精神病谱系障碍进行分类的问题	采用图卷积网络处理精神病谱系障碍的分类任务，结合MultiVERSE算法生成网络嵌入，并识别了右顶下皮层PGi区域作为网络枢纽	分类准确率仅略高于63%，表明模型性能仍有提升空间，且样本可能未覆盖所有精神病谱系变体	区分精神病谱系障碍个体（包括亚综合征精神病样体验者和健康对照）	包含亚综合征精神病样体验者、可诊断障碍患者及健康对照的多样化精神病谱系条件数据集	机器学习	精神病谱系障碍	脑网络特征分析，MultiVERSE网络嵌入算法	支持向量机，图卷积网络	功能连接组，结构网络	NA	NA	图卷积网络	准确率	NA
18060	2026-01-03	Combining Biology-based and MRI Data-driven Modeling to Predict Response to Neoadjuvant Chemotherapy in Patients with Triple-Negative Breast Cancer 2025-01, Radiology. Artificial intelligence DOI:10.1148/ryai.240124 PMID:39503605	研究论文	本研究结合基于生物学的数学模型和深度学习，利用新辅助化疗前的MRI数据预测三阴性乳腺癌患者的治疗反应	将基于生物学的数学模型与基于MRI数据驱动的深度学习模型相结合，用于预测肿瘤对新辅助化疗的时空演变	回顾性研究，样本量有限（118例患者），模型性能在预测手术时肿瘤状态的AUC为0.72，仍有提升空间	预测局部晚期三阴性乳腺癌患者对新辅助化疗的治疗反应	三阴性乳腺癌患者	数字病理学	乳腺癌	MRI	CNN	图像	118名女性患者（中位年龄51岁，范围29-78岁）	NA	卷积神经网络	一致性相关系数, AUC	NA