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
1881	2026-09-18	Cross-organ Deployment of EOS Detection AI without Retraining: Feasibility and Limitation 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3047040 PMID:41098621	研究论文	本研究利用在胃肠道数据上训练的CircleSnake模型，无需重新训练即可分割鼻组织全切片图像中的嗜酸性粒细胞，评估跨器官部署的可行性和局限性	首次探索将胃肠道训练的嗜酸性粒细胞分割模型直接跨器官部署到鼻组织应用，无需重新训练	模型性能在不同病例间存在差异，泛化能力有限	确定胃肠道嗜酸性粒细胞分割模型能否无需重新训练适应鼻部应用	鼻组织全切片图像中的嗜酸性粒细胞	数字病理学	慢性鼻窦炎	全切片图像分析	CircleSnake	图像	未明确提及	NA	CircleSnake	分割准确度	NA
1882	2026-09-18	Improvement in breast lesion classification utilizing deep learning and treatment response assessment maps (TRAMs) 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3047207 PMID:41111981	研究论文	本文开发了一种基于治疗反应评估图（TRAM）的深度学习模型，用于乳腺病变的良恶性分类，并与基于标准多期DCE-MRI的模型进行了对比	首次将治疗反应评估图（TRAM）与深度学习相结合用于乳腺病变分类，TRAM通过表征对比剂积聚和清除的空间分布来辅助区分良恶性病变，相比标准DCE-MRI取得了更高的诊断性能	摘要中未提及具体局限性	提高乳腺病变分类的诊断性能，减少不必要的活检和侵入性操作	乳腺病变患者	计算机视觉, 数字病理学	乳腺癌	动态对比增强磁共振成像（DCE-MRI）, 治疗反应评估图（TRAM）	CNN	图像	NA	NA	ResNet18	AUROC, 敏感性, 特异性	NA
1883	2026-09-18	Performance of deep learning models in predicting the nugent score to diagnose bacterial vaginosis 2025-01-07, Microbiology spectrum IF:3.7Q2 DOI:10.1128/spectrum.02344-24 PMID:39560430	研究论文	该研究评估了深度学习模型在预测Nugent评分以诊断细菌性阴道病方面的性能，并与实验室技术人员的标注进行了比较	首次利用深度学习模型预测Nugent评分，并在1,000倍放大图像上达到94%的准确率，优于技术人员的平均92%准确率	需要在更大规模的数据集上进行验证，且研究仅基于日本一家医院的数据	评估深度学习模型在预测Nugent评分以提高诊断一致性和准确性方面的性能	阴道涂片图像	数字病理学	细菌性阴道病	阴道涂片显微成像	卷积神经网络	图像	1,510张阴道涂片图像用于训练和验证，另106张独立图像用于测试	NA	NA	准确率	NA
1884	2026-09-18	Adaptive high-distance RGB imaging for accurate dairy cow feed intake estimation 2025-Jan-04, Journal of animal science IF:2.7Q1 DOI:10.1093/jas/skaf247 PMID:40972117	研究论文	该研究提出了一种基于红绿蓝（RGB）图像估计奶牛采食区域总采食量的方法，旨在为牧场管理提供一种经济高效且智能的测量解决方案	创新性地将自注意力机制和多尺度融合技术与ResNet相结合，设计了用于估计相机视野内总采食量的深度学习模型，并构建了专用的差分图像数据集	未在文中明确提及	为牧场管理提供一种经济高效且高效的智能测量方案，用于估计奶牛采食区域的总采食量	不同饲料堆的RGB图像及奶牛采食场景	计算机视觉	不适用	RGB成像	CNN	图像	未在文中明确提及	不适用	U2-Net, ResNet	平均绝对误差, 均方根误差	不适用
1885	2026-09-18	Detection and recognition of foreign objects in Pu-erh Sun-dried green tea using an improved YOLOv8 based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312112 PMID:39775324	研究论文	本文提出了一种改进的YOLOv8网络模型，用于普洱晒青茶中异物的检测与识别	采用MPDIoU优化损失函数、引入EfficientDet高效目标检测模块、集成BiFormer双向注意力机制，并结合切片辅助超推理技术，显著提升小目标和多尺度目标的检测精度	摘要中未提及	快速检测和准确识别普洱晒青茶中的微小异物，提升茶叶生产质量与安全	普洱晒青茶中的异物	计算机视觉	NA	深度学习目标检测	YOLOv8	图像	NA	NA	YOLOv8, EfficientDet, BiFormer	精确率, 召回率, mAP, F1分数, 准确率	NA
1886	2026-09-18	An ensemble deep learning framework for energy demand forecasting using genetic algorithm-based feature selection 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310465 PMID:39813218	研究论文	该文章提出了一种基于遗传算法特征选择的集成深度学习框架，用于能源需求预测	将遗传算法与多个深度学习模型（LSTM、BiLSTM、GRU）集成，并采用堆叠集成技术进行能源需求预测，同时将数据集划分为工作日和周末子集以进行更详细的分析	未明确提及	提高能源需求预测的准确性和鲁棒性	能源需求数据，包括历史能源消耗、天气变量和时间特征	机器学习	NA	NA	LSTM, BiLSTM, GRU, 堆叠集成	时间序列数据	NA	NA	LSTM, BiLSTM, GRU	RMSE, MAPE, MAE	NA
1887	2026-09-18	Correction: Detection and recognition of foreign objects in Pu-erh Sun-dried green tea using an improved YOLOv8 based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321409 PMID:40153338	更正	该文是对已发表文章（DOI: 10.1371/journal.pone.0312112）的更正	NA	NA	纠正原文章中的错误	NA	计算机视觉	NA	NA	NA	图像	NA	NA	YOLOv8	NA	NA
1888	2026-09-18	An updated compendium and reevaluation of the evidence for nuclear transcription factor occupancy over the mitochondrial genome 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0318796 PMID:40163815	研究论文	通过分析ENCODE中扩展的转录因子ChIP-seq数据集并结合深度学习模型，重新评估核转录因子与线粒体基因组（chrM）结合的证据，构建综合目录	利用大幅扩展的ENCODE TF ChIP-seq数据（6153个实验、942个蛋白）结合深度学习占用模型，首次全面评估核TF在chrM上的占据证据，并发现bZIP TF最可能在线粒体中发挥作用；同时揭示相同TF在不同抗体和ChIP方案下chrM占据证据的不可重复性	证据在相同TF的不同抗体和ChIP方案间不可重复；仅基于计算预测，需实验验证；chrM占据的判定标准尚未统一	重新评估核转录因子与线粒体基因组结合的现有证据，建立全面的核TF线粒体关联目录，并探讨建立chrM占据的证据标准	核转录因子（包括763个序列特异性TF）与线粒体基因组（chrM）的相互作用	机器学习	NA	ChIP-seq	深度学习模型	基因组序列数据	6153个ChIP实验，覆盖942个蛋白，其中763个为序列特异性转录因子	NA	NA	NA	NA
1889	2026-09-18	C-HDNet: A Fast Hyperdimensional Computing Based Method for Causal Effect Estimation from Networked Observational Data 2025, Social network analysis and mining IF:2.3Q3 DOI:10.1007/s13278-025-01502-2 PMID:41143237	研究论文	本文提出了一种基于超维计算的高效网络观测数据因果效应估计方法，用于解决网络混杂问题	首次将超维计算原理与匹配方法相结合，用于编码和整合网络结构信息，实现对网络混杂下因果效应的准确估计	未明确讨论方法在不同网络结构或高维特征空间下的泛化能力及理论保证	解决网络观测数据中因网络干扰和邻居影响导致的因果效应估计偏差问题	网络观测数据中的个体及其网络结构关系	机器学习	NA	超维计算	NA	网络观测数据	NA	NA	NA	因果效应估计准确性、运行时间	NA
1890	2026-09-18	An explainable hybrid deep learning framework for precise skin lesion segmentation and multi-class classification 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1681542 PMID:41158448	研究论文	本文提出了一种可解释的混合深度学习框架，用于皮肤病变的精确分割和多类分类	结合了基于U-Net的分割网络和基于EfficientNet-B0的分类模块的双任务架构，并引入Grad-CAM提高模型可解释性	存在类别不平衡问题，模型泛化能力有待提高，少数类别代表性不足，尚未在真实世界场景中验证	实现皮肤病变的精确分割和多类分类，并提高模型的可解释性以促进临床信任	皮肤病变，包括良性病变和恶性黑色素瘤等	计算机视觉	皮肤癌	皮肤镜图像分析	CNN	图像	HAM10000数据集	NA	U-Net, EfficientNet-B0	Dice系数, 准确率	NA
1891	2026-09-18	Explainable AI-enabled hybrid deep learning architecture for breast cancer detection 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1658741 PMID:41112281	研究论文	该文章提出了一种结合DENSENET121、Xception和VGG16的混合深度学习框架用于乳腺癌检测，并利用GradCAM++提供可解释性	提出了一种融合三种预训练CNN架构的混合深度学习框架，并引入GradCAM++可解释性组件以提高临床接受度	未明确提及	开发一个可靠且可解释的乳腺癌诊断系统，解决深度学习黑盒问题	乳腺癌超声图像	计算机视觉	乳腺癌	深度学习	CNN	图像	NA	NA	DENSENET121, Xception, VGG16	准确率	NA
1892	2026-09-18	Artificial intelligence in breast ultrasound: a systematic review of research advances 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1619364 PMID:41098709	系统综述	通过文献计量学可视化分析，总结人工智能集成超声技术在乳腺癌中的研究进展，揭示研究热点、发展趋势和国际合作模式。	采用VOSviewer和CiteSpace等文献计量工具对2004-2025年AI-乳腺超声领域进行系统性可视化分析，揭示了国际合作模式和研究趋势	仅基于Web of Science核心合集数据库，可能存在文献遗漏；文献计量分析无法深入评估具体AI模型的技术性能和临床效果	总结人工智能集成超声技术在乳腺癌中的研究进展，揭示研究热点、发展趋势和国际合作模式，为临床诊断和治疗决策提供参考	2004-2025年间发表的1,876篇AI-乳腺超声相关文献	医学影像分析	乳腺癌	文献计量学分析	NA	文本	1,876篇文献	NA	NA	NA	NA
1893	2026-09-18	Fault tolerance in distributed systems using deep learning approaches 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310657 PMID:39774399	研究论文	本文利用深度学习模型处理分布式系统中的故障，包括故障处理器输出恢复、输入损坏情况下的输出恢复以及未知模式发现三个场景	将深度学习模型应用于分布式系统的故障容忍中，提出三种场景下的故障处理方法，包括利用其他处理器输入输出恢复故障处理器输出、在输入损坏情况下仍能恢复正确输出以及发现未知新模式	对于非结构化数据集，模型准确率受故障数据大小影响较大，当故障数据比例为90%时准确率降至约60%；未明确说明计算资源和大规模分布式环境下的可扩展性	利用深度学习方法实现分布式系统中的故障容忍，在三种不同故障场景下恢复故障处理器的正确输出	分布式系统中的故障处理器及其输入输出数据	机器学习	NA	深度学习	CNN, LSTM	结构化数据, 非结构化数据	NA	NA	VGG16, VGG19, AlexNet, LSTM, ResNet34	准确率	NA
1894	2026-09-18	Deep learning-based differential gut flora for prediction of Parkinson's 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310005 PMID:39774383	研究论文	本文提出了一种基于深度学习的帕金森病肠道预测方法（PGPM），通过分析差异肠道菌群数据来预测帕金森病	提出了PGPM方法，结合CRFS特征选择、LSIM分类和软投票机制，利用差异肠道菌群进行帕金森病预测	样本量较小（39名帕金森病患者和39名健康配偶），需要更大规模的数据验证	开发一种高效准确的基于深度学习的预测方法，通过分析肠道菌群数据实现帕金森病的诊断	帕金森病患者和健康配偶的肠道菌群数据	机器学习	帕金森病	肠道菌群测序	LSTM, SVM	表格数据	39名帕金森病患者和39名健康配偶	NA	LSTM, SVM	准确率, AUC, ROC	NA
1895	2026-09-18	Identifying interactions across brain areas while accounting for individual-neuron dynamics with a Transformer-based variational autoencoder 2025, Advances in neural information processing systems DOI:10.52202/085713-3968 PMID:42741305	研究论文	该文章开发了一种名为GLM-Transformer的混合神经脉冲序列模型，结合了Transformer-based变分自编码器和点过程广义线性模型，用于在考虑个体神经元动态的情况下识别脑区间的交互作用	将灵活的深度潜变量模型（Transformer-based变分自编码器）整合到具有可解释跨群体交互分量的点过程广义线性模型中，能够捕获跨试验变化的非平稳个体神经元动态，同时在群体间耦合效应上引入低秩结构以提高可扩展性	文中未明确说明局限性	在考虑个体神经元动态和试验间变异性的情况下，准确识别神经群体之间的定向功能耦合和信号传递	多脑区同时记录的神经脉冲序列数据	机器学习	NA	大规模神经记录技术、神经脉冲序列分析	Transformer, 变分自编码器, 广义线性模型	神经脉冲序列数据	合成数据集、机制模拟数据以及Allen Institute Visual Coding数据集	NA	Transformer, 变分自编码器, 广义线性模型	耦合结构恢复能力、对共享背景波动的鲁棒性	NA
1896	2026-09-18	Analyzing variation of water inflow to inland lakes under climate change: Integrating deep learning and time series data mining 2024-10-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2024.119478 PMID:38917931	研究论文	该研究提出了一种名为FactorConvSTLnet（FCS）的新方法，通过整合STL分解、卷积神经网络（CNN）和因子分析来预测气候变化背景下内陆湖泊的入湖水量趋势并揭示主要驱动因素	提出了新型FactorConvSTLnet（FCS）方法，将STL分解、CNN和因子分析集成到统一框架中，通过将趋势信息分离为建模预测因子，在长期WIRL趋势预测中更具鲁棒性，同时能揭示主要驱动因素	仅应用于中亚两个典型内陆湖泊（咸海和巴尔喀什湖），方法的泛化性有待在其他区域和湖泊中进一步验证	预测河流入湖水量趋势并揭示气候变化背景下主要影响因素，为促进区域生态可持续发展提供科学依据	中亚典型内陆湖泊（咸海和巴尔喀什湖）的河流入湖水量（WIRL）	机器学习	NA	STL分解、因子分析、时间序列数据挖掘	CNN	时间序列数据	NA	NA	FactorConvSTLnet（FCS），基于CNN	Nash-Sutcliffe效率（NSE）、均方根误差（RMSE）、平均相对误差（MRE）	NA
1897	2026-09-18	An ingenious deep learning approach for pressure injury depth evaluation with limited data 2024-08, Journal of tissue viability IF:2.4Q1 DOI:10.1016/j.jtv.2024.05.009 PMID:38825443	研究论文	该研究利用深度学习对骶部压力性损伤图像进行深度评估，在有限监督数据下比较了三种卷积神经网络分类模型的性能	提出了一种组合分类模型，通过先使用二分类模型进行初步d0评估，再使用分类模型减少评估步骤，在不增加监督数据的情况下实现了优越的性能	研究为回顾性观察性研究，样本量较小（414张图像），且仅针对骶部压力性损伤，可能限制模型的泛化能力	开发能够在有限监督数据下实现高性能的深度学习模型，用于从伤口图像评估压力性损伤的深度	2017年2月至2021年12月期间接受骶部压力性损伤医学检查的患者	计算机视觉	压力性损伤	深度学习	CNN	图像	414张压力性损伤图像（五个深度阶段d0至D4）	NA	卷积神经网络（分类、二分类、组合分类模型）	F1分数, 精确率	NA
1898	2026-09-18	Revolutionizing early Alzheimer's disease and mild cognitive impairment diagnosis: a deep learning MRI meta-analysis 2024-08, Arquivos de neuro-psiquiatria IF:1.0Q4 DOI:10.1055/s-0044-1788657 PMID:39146974	meta-analysis	本文通过荟萃分析评估深度学习在MRI图像上诊断阿尔茨海默病和轻度认知障碍的诊断准确性	整合深度学习与人工智能进行MRI分析，提供无偏、高精度的诊断见解，并对T1加权和非T1加权MRI进行亚组分析	仅纳入18项研究，可能存在发表偏倚，且未详细说明深度学习模型的具体架构和计算资源	分析深度学习在MRI图像上诊断阿尔茨海默病和轻度认知障碍模型的诊断准确性	阿尔茨海默病和轻度认知障碍患者	医学影像分析	阿尔茨海默病, 轻度认知障碍	磁共振成像	深度学习	图像	18项研究	NA	NA	灵敏度, 特异度, 阳性似然比, 阴性似然比, 诊断比值比, AUROC	NA
1899	2026-09-18	Privacy-proof Live Surgery Streaming: Development and Validation of a Low-cost, Real-time Robotic Surgery Anonymization Algorithm 2024-07-01, Annals of surgery IF:7.5Q1 DOI:10.1097/SLA.0000000000006245 PMID:38390732	研究论文	开发并验证了一种低成本、实时的机器人手术匿名化算法，用于在手术视频直播中可靠地移除体外图像	首个公开可用的、与机器人平台和手术类型无关的实时手术匿名化算法，在未见手术类型上性能优于现有最先进方法	需要进一步验证在更多手术类型和机器人平台上的泛化能力	开发并验证一种实时手术匿名化算法，以在机器人手术视频直播中准确移除体外图像	63个手术视频，涵盖6种手术类型，在4种机器人系统上执行	计算机视觉	NA	深度学习	CNN	图像	496,828张图像	NA	Robotic Anonymization Network（基于CNN）	AUC	NA
1900	2026-09-18	Echocardiography-Based Deep Learning Model to Differentiate Constrictive Pericarditis and Restrictive Cardiomyopathy 2024-04, JACC. Cardiovascular imaging DOI:10.1016/j.jcmg.2023.09.011 PMID:37943236	研究论文	该研究提出了一种基于经胸超声心动图心尖四腔心切面的深度学习模型，用于区分缩窄性心包炎和限制性心肌病	首次利用ResNet50深度学习模型基于标准心尖四腔心切面超声心动图区分缩窄性心包炎与心脏淀粉样变性，并使用GradCAM进行模型可解释性分析	单中心回顾性研究，样本量较小（381例），仅使用心尖四腔心切面，需要外部验证	开发基于经胸超声心动图的深度学习方法来区分缩窄性心包炎和限制性心肌病	2003年1月至2021年12月在Mayo Clinic Rochester确诊为缩窄性心包炎和心脏淀粉样变性的患者	计算机视觉	心血管疾病	经胸超声心动图	CNN	图像	381例患者（184例缩窄性心包炎，197例心脏淀粉样变性）	NA	ResNet50	AUC	NA