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
18701	2025-12-22	A review of light-field imaging in biomedical sciences 2025, Med-X DOI:10.1007/s44258-025-00070-6 PMID:41409575	综述	本文综述了光场成像在生物医学科学中的应用，包括其理论基础、核心实现及在显微、介观和内窥镜中的进展	光场成像作为一种新兴范式，通过单次快照捕获空间和角度信息，实现高速体积采集，特别适用于捕捉快速生物动态	存在成像速度、空间分辨率和景深之间的基本权衡，尽管压缩感知、深度学习和元光学等进展正在解决这些限制	概述光场成像的理论基础，并调查其在生物医学成像技术中的核心实现和潜力	光场成像技术在显微、介观和内窥镜等生物医学成像领域的应用	生物医学光学	NA	光场成像	NA	体积信息（空间和角度光组件）	NA	NA	NA	NA	NA
18702	2025-12-22	DeepKinome: quantitative prediction of kinase binding affinity by a compound using deep learning based regression model 2025, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2025.1698891 PMID:41415030	研究论文	本文介绍了DeepKinome，一个基于20层卷积神经网络的深度学习回归模型，用于预测小分子化合物与激酶之间的定量结合亲和力	开发了DeepKinome模型，通过深度学习回归方法预测激酶结合亲和力，并利用可解释人工智能分析揭示了影响预测的关键氨基酸序列，这些序列与已知激酶磷酸化位点一致	模型训练数据仅来自L1000数据库的234种激酶和163种化合物，数据规模和多样性可能有限	预测小分子化合物与激酶之间的定量结合亲和力，以促进激酶抑制和化合物结合的理解	激酶和小分子化合物	机器学习	NA	深度学习回归	CNN	定量结合亲和力数据	234种激酶和163种化合物	NA	20层卷积神经网络	RMSE, R2, Pearson's correlation coefficient, acceptance interval ratio	NA
18703	2025-12-22	Comprehensive evaluation and clinical implications of kernel extreme learning machine long short term memory transformer framework 2025, American journal of translational research IF:1.7Q4 DOI:10.62347/ELRA9110 PMID:41415105	研究论文	本文提出了一种结合KELM、LSTM和Transformer的混合深度学习模型，用于提高阿尔茨海默病的诊断和预测准确性	首次将KELM、LSTM和Transformer三种架构集成到一个联合模型中，以捕捉非线性关联、时间动态和全局特征依赖	研究主要基于ADNI数据库，外部验证队列规模有限，可能影响模型的广泛适用性	开发并验证一个混合深度学习模型，以增强阿尔茨海默病的诊断和预测准确性	阿尔茨海默病患者，包括从轻度认知障碍到阿尔茨海默病的转化预测	机器学习	阿尔茨海默病	深度学习	KELM, LSTM, Transformer	临床数据	训练和验证集2,149名受试者（来自ADNI数据库），外部测试集1,012名受试者	NA	KELM-LSTM-Transformer	准确率, 召回率, AUC	NA
18704	2025-12-22	An ensemble heterogeneous transformer model for an effective diagnosis of multiple plant diseases 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1693095 PMID:41415655	研究论文	本文提出了一种集成异构Transformer模型，用于有效诊断多种植物病害	结合了U-Net和Swin Transformer V2进行分割，以及CoAtNet及其变体进行分类，并采用基于Levy Flight Honey Badger Algorithm的元启发式融合策略动态加权分类器输出，提高了模型的鲁棒性和可解释性	未提及模型在真实田间环境下的泛化能力或计算资源需求	准确识别植物中的多种病害，以支持可持续农业	植物叶片图像	计算机视觉	植物病害	图像分割与分类	Transformer, CNN	图像	54,305张图像，涵盖38个类别	NA	U-Net, Swin Transformer V2, CoAtNet	准确率, 精确率, 召回率, 特异性, F1分数	NA
18705	2025-12-22	Multimodality model investigating the impact of brain atlases, connectivity measures, and dimensionality reduction techniques on Attention Deficit Hyperactivity Disorder diagnosis using resting state functional connectivity 2024-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.6.064502 PMID:39713730	研究论文	本文提出了一种多模态模型，用于研究不同脑图谱、连接性测量和降维技术对注意力缺陷多动障碍诊断的影响	首次全面评估多种脑图谱、连接性测量和降维技术对ADHD诊断的影响，并整合表型数据构建高效多模态分类模型	未明确说明模型在外部验证集上的泛化能力，且样本量可能有限	研究不同脑图谱、连接性测量和降维技术对ADHD诊断的影响，并构建高效的多模态分类模型	注意力缺陷多动障碍患者	机器学习	注意力缺陷多动障碍	静息态功能连接分析	传统机器学习分类器	功能连接数据，表型数据	ADHD-200数据集	NA	NA	准确率，AUC，F1分数	NA
18706	2025-12-22	Traditional Machine Learning, Deep Learning, and BERT (Large Language Model) Approaches for Predicting Hospitalizations From Nurse Triage Notes: Comparative Evaluation of Resource Management 2024-Aug-27, JMIR AI DOI:10.2196/52190 PMID:39190905	研究论文	本研究比较了传统机器学习、深度学习和基于BERT的大语言模型在预测护士分诊笔记中住院需求方面的性能，以评估资源管理策略	首次系统比较了不同计算资源需求模型（从简单逻辑回归到复杂BERT模型）在护士分诊笔记预测任务中的表现，为资源受限环境提供实用指导	研究仅基于单一医疗系统数据，外部泛化能力需进一步验证；未考虑其他可能影响住院预测的临床因素	评估不同计算复杂度模型在预测急诊患者住院需求方面的性能差异，为医疗系统资源管理提供决策依据	急诊科护士分诊笔记	自然语言处理	NA	自然语言处理	逻辑回归, BERT	文本	1,391,988名患者（来自2017-2022年Mount Sinai医疗系统急诊科）	NA	Bio-Clinical-BERT	受试者工作特征曲线下面积	NA
18707	2025-12-21	Motion artifacts and image quality in stroke MRI: associated factors and impact on AI and human diagnostic accuracy 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11807-7 PMID:40664863	研究论文	本研究评估了疑似卒中患者脑部MRI中运动伪影的患病率、相关因素及其对AI和放射科医生诊断准确性的影响	首次在疑似卒中患者队列中系统评估运动伪影对AI和放射科医生诊断准确性的影响，并识别了年龄和运动症状作为独立相关因素	回顾性单中心研究，可能存在选择偏倚；运动伪影仅由两名放射科住院医师评估，可能存在主观性	评估卒中MRI中运动伪影的患病率、相关因素及其对诊断准确性的影响	疑似卒中患者的脑部MRI扫描	医学影像分析	卒中	脑部MRI	深度学习工具	医学影像	775名患者（平均年龄68岁±16，420名女性）	NA	NA	诊断准确性	NA
18708	2025-12-21	Advances in IPMN imaging: deep learning-enhanced HASTE improves lesion assessment 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11857-x PMID:40691513	研究论文	本研究评估了深度学习加速的HASTE MRI序列在IPMN成像中的优势，包括图像质量、病灶检测和扫描时间	首次将深度学习加速的HASTE序列应用于IPMN成像评估，显著提升图像质量并减少扫描时间	样本量较小（59例患者），且为单中心回顾性研究	评估新型MRI技术对胰腺导管内乳头状黏液性肿瘤的成像效果	接受腹部MRI检查的IPMN患者	数字病理学	胰腺癌	MRI, 深度学习加速的HASTE序列	深度学习模型	医学影像	59例患者	NA	NA	图像质量评分, 病灶检测大小, 观察者间一致性	3-Tesla MRI扫描仪
18709	2025-12-21	Enhancing Captive Welfare Management with Deep Learning: Video-Based Detection of Gibbon Behaviors Using YOWOvG 2026 Jan-Mar, Journal of applied animal welfare science : JAAWS IF:1.4Q2 DOI:10.1080/10888705.2025.2542844 PMID:40760848	研究论文	本研究开发了一种名为YOWOvG的深度学习模型，用于基于视频自动检测圈养东部白眉长臂猿的行为，以提升动物福利管理	首次构建了该物种的人工标注时空行为数据集，并提出了一种集成SE注意力机制和GELAN的改进深度学习模型YOWOvG，用于增强特征提取和视频行为识别	行为类别有限，未包含刻板行为，且未整合音频线索	通过自动化、非侵入式的视频监测来提升救援中心对圈养野生动物的福利评估能力	圈养的东部白眉长臂猿	计算机视觉	NA	视频分析	深度学习	视频	69,919个标注帧，涵盖四种行为	NA	YOWOvG, SE attention mechanism, GELAN	Frame-mAP	NA
18710	2025-12-21	Multimodal deep learning model for predicting prognosis following radiotherapy-based combination therapy in unresectable hepatocellular carcinoma 2026-Jan-01, Cancer letters IF:9.1Q1 DOI:10.1016/j.canlet.2025.218122 PMID:41213465	研究论文	本研究开发了一种名为TRIM-uHCC的多模态深度学习模型，用于预测不可切除肝细胞癌患者在接受基于放疗的联合疗法后的预后	提出了首个基于Transformer的多模态风险分层集成模型（TRIM-uHCC），用于对不可切除肝细胞癌患者进行个体化预后分层，其预测性能显著优于现有指南分期系统和其他深度学习模型	研究为多中心回顾性研究，可能存在选择偏倚；模型需要在更大规模的前瞻性队列中进行外部验证	开发一个精准的预后预测模型，以指导不可切除肝细胞癌患者基于放疗的联合治疗决策	不可切除肝细胞癌患者	数字病理学	肝细胞癌	多模态深度学习	Transformer, CNN	多模态数据	875名来自6个机构的不可切除肝细胞癌患者（ES队列383名，ETS队列492名）	NA	Transformer, Swin-Transformer, ViT, ResNet50, ResNeXt50	C-index, 时间依赖性AUC	NA
18711	2025-12-21	Beyond diagnosis: deep-learning-based analysis of hospitalization using abdominal radiographs in the emergency department 2025-Dec-20, Abdominal radiology (New York) DOI:10.1007/s00261-025-05347-3 PMID:41420745	研究论文	本研究开发了基于腹部X光片的深度学习模型，用于预测急诊科腹痛患者的住院风险	首次将深度学习应用于腹部X光片分析，结合图像和临床特征预测住院需求，相比放射科医生显著提高了敏感性和F1分数	模型在外部验证中性能下降（AUROC从0.70降至0.60），特异性较低（0.43），且需要进一步改进才能临床实施	提高腹部X光片在急诊科的临床效用，通过预测住院需求来辅助筛查	2021年8月至12月期间接受腹部X光检查的急诊科成年腹痛患者	数字病理学	NA	腹部X光摄影	随机森林分类器	图像, 临床数据	内部验证1,585名患者，外部验证112名患者	NA	DenseNet201	AUROC, 敏感性, 特异性, F1分数	NA
18712	2025-12-21	A teacherless lightweight classification framework for benign and malignant pulmonary nodules based on GAS 2025-Dec-19, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae268a PMID:41329998	研究论文	本文提出了一种基于GAS（Ghost-Attention Separation）网络的轻量级分类框架，用于区分肺结节的良恶性	提出了一种结合注意力机制、残差学习和改进的DWSGhost模块的GAS网络，并采用无教师知识蒸馏策略构建轻量级模型，参数量仅119,245个，占用空间仅0.45 MB	NA	开发一种轻量级、高效的计算框架，用于肺结节的良恶性分类	肺结节（良性 vs 恶性）	计算机视觉	肺癌	深度学习	CNN	图像	三个数据集：LIDC-IDRI、LungX Challenge、郑州市第九人民医院数据集	PyTorch	GAS（Ghost-Attention Separation）网络	NA	NA
18713	2025-12-21	Breast Cancer Detection in Mammography Images Using Transfer Learning Model 2025-Dec-19, Cancer investigation IF:1.8Q3 DOI:10.1080/07357907.2025.2599378 PMID:41416718	研究论文	本研究应用迁移学习模型，通过微调预训练的CNN架构来检测乳腺X线摄影图像中的乳腺癌	提出结合EfficientNet B3与DenseNet的迁移学习模型用于乳腺X线图像分类，并比较了不同架构和超参数对性能的影响	未明确说明具体的数据集规模和来源细节，损失函数值范围显示模型性能仍有优化空间	开发准确高效的乳腺癌检测诊断工具	乳腺X线摄影图像	计算机视觉	乳腺癌	迁移学习	CNN	图像	来自多个来源的多样化乳腺X线图像数据集（具体数量未说明）	NA	EfficientNet B3, DenseNet, VGG16	准确率, 灵敏度, 特异性, 精确率, 损失值	NA
18714	2025-12-21	A bibliometric analysis of the 100 most cited radiology papers on pancreatic diseases (1990-Present) 2025-Dec-19, Abdominal radiology (New York) DOI:10.1007/s00261-025-05335-7 PMID:41417080	综述	本文通过对1990年至今胰腺疾病领域被引次数最高的100篇放射学论文进行文献计量分析，绘制了该领域的知识演进图谱	首次系统性地对胰腺放射学领域的高被引文献进行文献计量分析，识别了关键贡献者、机构合作模式及从传统影像到人工智能的技术趋势演变	存在时间偏倚，早期研究（如1990年）因累积引用时间长而占优势，且分析仅限于Scopus数据库收录的核心放射学期刊	通过文献计量分析，揭示胰腺放射学研究领域的知识结构、演进趋势及影响因素	1990年至2025年间发表的胰腺疾病放射学领域被引次数最高的100篇学术论文	文献计量学	胰腺疾病	文献计量分析，网络分析	NA	文献元数据（如引用次数、作者、机构、关键词等）	100篇高被引论文（从初始检索的1000篇记录中筛选）	Bibliometrix R package, VOSviewer	NA	引用次数，引用速度（次/年），网络中心性	NA
18715	2025-12-21	Automatic segmentation-based radiomics and deep learning combined with clinical parameters for precise differentiation of lipid-poor adrenal adenomas and metastases 2025-Dec-19, Abdominal radiology (New York) DOI:10.1007/s00261-025-05345-5 PMID:41417084	研究论文	本研究探讨了基于自动分割的影像组学与深度学习结合临床参数在区分肾上腺乏脂腺瘤和转移瘤中的应用价值	结合自动分割的影像组学特征、深度学习特征及临床参数构建联合预测模型，显著提升诊断性能	NA	精确区分肾上腺乏脂腺瘤和转移瘤	肾上腺肿瘤患者	计算机视觉	肾上腺肿瘤	对比增强腹部CT成像	CNN, XGBoost	图像	535名患者（内部队列418名，外部测试集117名）	NA	ResNet50	AUC, 灵敏度, 特异性	NA
18716	2025-12-21	Deep learning-based simulated contrast-enhanced MRI for rectal cancer evaluation: a multicenter study 2025-Dec-19, Abdominal radiology (New York) DOI:10.1007/s00261-025-05311-1 PMID:41417085	研究论文	本研究评估了使用深度学习从直肠癌患者的非增强MRI序列生成模拟增强T1加权MRI扫描的可行性和准确性	首次在直肠癌的多中心研究中应用二维生成对抗网络模拟增强MRI，并评估其在肿瘤大小、增强区域和图像质量方面与真实扫描的可比性	模拟扫描在EMVI检测的AUC值略低于真实扫描，且研究仅基于三个学术机构的514名患者	评估深度学习生成的模拟增强MRI扫描在直肠癌诊断和治疗评估中的潜在应用价值	514名经病理证实的直肠癌患者	数字病理学	直肠癌	对比增强MRI	GAN	图像	514名患者	NA	二维生成对抗网络	结构相似性指数, Dice系数, ICC, AUC	NA
18717	2025-12-21	Cell-Level Free Cervical Lesion Detection in Cytology Images Via Weakly Supervised Self-Correction 2025-Dec-19, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3646371 PMID:41417998	研究论文	提出了一种名为SCIL的新型两阶段弱监督多示例学习框架，用于在细胞学图像中检测宫颈病变	提出了一个包含对比动态加权策略和基于不确定性的自校正策略的两阶段框架，以减轻噪声伪标签的影响并提高特征表示	未明确说明	在仅有切片级别监督的情况下，增强实例级别的宫颈病变检测	宫颈细胞学图像	数字病理学	宫颈癌	NA	多示例学习	图像	NA	NA	教师-学生架构	NA	NA
18718	2025-12-21	Artificial Intelligence Detection and Classification of Ventriculoperitoneal Shunt Valves Utilizing Fine-Tuning of a Detection Model 2025-Dec-19, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01794-y PMID:41419699	研究论文	本研究通过微调YOLOv8-large模型，开发了一种用于在X光片上检测和分类脑室腹腔分流阀的人工智能系统	与先前纯分类方法相比，该检测模型能明确定位每个阀门，适应多阀门患者，并为下游阀门设置判断模型奠定基础	模型对某些阀门类型的性能优于其他类型，表明存在分类性能差异	开发一种基于深度学习的自动检测与分类系统，以辅助识别脑室腹腔分流阀类型	包含11种阀门类型的2263张颅骨X光片	计算机视觉	脑积水	放射成像	CNN	图像	2263张颅骨X光片	NA	YOLOv8-large	精确度, 召回率, 平均精度均值(mAP50), mAP50-90, F1分数	NA
18719	2025-12-21	Transformer-based Deep Learning Models with Shape Guidance for Predicting Breast Cancer in Mammography Images 2025-Dec-19, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01773-3 PMID:41419700	研究论文	本研究评估了在Vision Transformer模型中应用基于形状的注意力引导策略，以提升乳腺X线摄影图像中乳腺癌的预测性能	探索了在Transformer编码器的不同层阶段（浅层和深层）应用乳腺掩码进行注意力引导的最佳策略，并比较了不同层组合的效果	研究仅使用了单一公开数据集（中国乳腺X线数据库），样本量相对有限，且未在更广泛的外部数据集上进行验证	评估基于形状的注意力引导策略在Transformer模型中的有效性，以提升乳腺癌诊断的准确性	乳腺X线摄影图像	计算机视觉	乳腺癌	NA	Vision Transformer (ViT), Swin Transformer V2, ResNet	图像	2,436张公开可用的乳腺X线摄影图像	NA	Vision Transformer (ViT), Swin Transformer V2, ResNet50	AUROC, 灵敏度, 特异性	NA
18720	2025-12-21	AI-powered pathobiology transformers predict prognosis and targeted therapy benefits in patients with colorectal cancer ovarian metastases: a multicohort study 2025-Dec-18, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004397 PMID:41417976	研究论文	本研究开发了一种基于Transformer的可解释迁移学习模型，通过整合数字病理学和RNA数据，预测结直肠癌卵巢转移患者的预后、靶向治疗获益及分子突变	首次将Transformer架构与迁移学习结合，整合多模态数据（数字病理和RNA）来预测结直肠癌卵巢转移的预后和靶向治疗反应，并增强了模型的生物学可解释性	研究为回顾性和前瞻性多队列设计，可能存在选择偏倚；模型在部分外部测试队列中的AUC较低（0.64），表明泛化能力有待进一步验证	开发精准医学工具，以个体化预测结直肠癌卵巢转移患者的术后预后、靶向治疗获益和分子突变	结直肠癌卵巢转移患者	数字病理学	结直肠癌	数字病理学, RNA测序	Transformer	图像, 文本	多队列患者样本（具体数量未在摘要中提供）	NA	Transformer	AUC, 准确率, 敏感性, 特异性, 阳性预测值, 阴性预测值, 风险比	NA