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
19601	2025-12-09	Optimized T1-weighted MP-RAGE MRI of the brain at 0.55 T using variable flip angle coherent gradient echo imaging and deep learning reconstruction 2026-Feb, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70109 PMID:41024478	研究论文	本文提出并评估了一种在0.55 T磁场下用于快速脑部T1加权成像的优化MP-RAGE协议，结合可变翻转角相干梯度回波成像和深度学习重建技术	采用可变翻转角SSFP-FID内核的MP-RAGE序列，在0.55 T低场强下实现了白质信噪比平均提升21%和灰白质信号差异平均改善47%，并结合深度学习重建将扫描时间从5分17秒缩短至2分46秒	可变翻转角SSFP-FID的微分点扩散函数比标准序列略宽8%，可能影响边缘清晰度	开发在低场强（0.55 T）磁共振下快速获取高分辨率脑部T1加权图像的方法	人脑组织（重点关注白质和灰质）	医学影像分析	NA	磁共振成像（MRI），具体为MP-RAGE序列，SSFP-FID内核，可变翻转角成像	深度学习模型	磁共振图像	NA	NA	NA	白质信噪比（SNR），白质-灰质信号差异，微分点扩散函数宽度，扫描时间	NA
19602	2025-12-09	A High-resolution dataset for AI-driven segmentation and analysis of drug-treated breast tumor spheroids 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109141 PMID:41207172	研究论文	本研究介绍了一个用于AI驱动分割和分析药物处理乳腺癌肿瘤球体的高分辨率公开数据集	创建了首个公开可用的高分辨率异型肿瘤球体图像数据集，并评估了多种深度学习分割模型在药物响应量化中的应用	数据集样本量相对较小（95张图像），且仅针对一种乳腺癌细胞系和一种药物处理，可能限制模型的泛化能力	促进AI驱动的分割和分析，以更准确地评估药物对3D肿瘤球体模型的效果	由MDA-MB-231乳腺癌细胞和人成纤维细胞组成的异型肿瘤球体	数字病理学	乳腺癌	显微成像	CNN	图像	95张高分辨率图像，进一步划分为2980个图像块（512×512像素）	未明确指定，但提及了深度学习分割模型	U-Net, Fully Convolutional Network (FCN), Mask R-CNN, YOLOv12-Seg, DeepLab	Jaccard指数, 准确率	NA
19603	2025-12-09	Patients visits forecasting in emergency departments: Self-adapting LSTM models for evolving data distributions 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109153 PMID:41218323	研究论文	本研究提出了一种基于自适应Seq2Seq LSTM的深度学习框架，用于急诊科患者就诊量的预测，以应对数据分布变化	结合了序列特定缩放和持续学习策略的自适应LSTM模型，能够在数据分布变化时自动调整，无需手动重新训练	在长期预测（如1个月）中，性能接近季节性朴素基准，且在COVID相关突变期间，ARIMA偶尔表现更优	设计一个在数据分布变化条件下保持准确性的急诊科患者就诊量预测框架，无需人工干预或完全重新训练	急诊科的历史每日就诊数据，涵盖COVID前、COVID期间和COVID后阶段	机器学习	NA	深度学习预测	LSTM, Seq2Seq	时间序列数据	覆盖COVID前、COVID期间和COVID后阶段的急诊科历史每日就诊数据	NA	Seq2Seq LSTM	MSE, MAE, MAPE, MASE	NA
19604	2025-12-09	CellApop: A knowledge-guided decoupled distillation framework for label-efficient apoptotic cell segmentation and dynamic analysis in brightfield microscopy 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109156 PMID:41223808	研究论文	本文提出了一种基于知识引导解耦蒸馏的深度学习框架CellApop，用于在明场显微镜图像中实现标签高效的凋亡细胞分割和动态分析	开发了知识引导解耦蒸馏框架，通过多个专家模型指导轻量级学生网络训练，显著减少手动标注需求约80%，并引入重参数化、深度可分离卷积和边缘感知模块以提升在细胞密集重叠和边界模糊等挑战条件下的分割精度	未明确说明模型在更广泛细胞类型或不同显微镜设置下的泛化能力，以及框架对计算资源的具体需求	实现无标记、实时的凋亡细胞检测，以克服传统荧光染色方法的局限性	明场显微镜图像中的凋亡细胞	数字病理学	NA	明场显微镜成像	深度学习分割模型	图像	16,472张明场细胞图像，来自三个公共数据集（BF-C2DL-MuSC、DICC2DHHeLa、LiveCell）和一个专有凋亡数据集	未明确指定，但基于深度学习框架	CellApop（轻量级学生网络，包含重参数化、深度可分离卷积和边缘感知模块）	Dice相似系数、Hausdorff距离、IoU、灵敏度、特异性	NA
19605	2025-12-09	Explainable multimodal fusion for breast carcinoma diagnosis: A systematic review, open problems, and future directions 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109152 PMID:41232399	系统综述	本文系统综述了2015年至2025年间发表的49项关于可解释多模态融合在乳腺癌诊断与预后中的应用研究	首次系统性地梳理了乳腺癌诊断中多模态学习与可解释人工智能（XAI）的研究现状、融合策略及开放性问题	纳入研究存在数据集可用性有限、基准测试不一致、真实世界可解释模型稀缺等普遍问题	分析多模态融合与可解释人工智能在乳腺癌诊断和预后中的应用现状、挑战及未来方向	乳腺癌（BC）	数字病理学	乳腺癌	多模态数据融合（影像、临床记录、组织病理学、基因组数据）	Transformer, GNN, Autoencoder, 集成学习	影像、文本、基因组数据	NA	NA	注意力机制、门控架构、混合架构	NA	NA
19606	2025-12-09	MRomicsNet: A morphomics-radiomics-driven adaptive topological model for AD diagnosis on clinically routine T1-weighted images 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109160 PMID:41260107	研究论文	本研究提出了一种基于形态组学和影像组学的自适应拓扑模型（MRomicsNet），用于在临床常规T1加权图像上进行阿尔茨海默病诊断	首次将形态组学和影像组学特征整合到一个自适应拓扑模型中，通过深度学习框架强化重要脑区间连接并抑制无关连接，以优化脑网络构建	研究主要依赖于特定数据集（ADNI和EDSD），未在更广泛或多样化临床数据上进行验证，且模型复杂度可能较高	开发一种结合形态组学和影像组学优势的自适应拓扑模型，以提升基于T1加权图像的阿尔茨海默病诊断准确性	阿尔茨海默病患者及健康对照者的脑部T1加权图像	数字病理学	阿尔茨海默病	T1加权磁共振成像	图卷积网络	图像	ADNI和EDSD数据集，具体样本数量未在摘要中明确说明	深度学习框架（具体未指定，可能为PyTorch或TensorFlow）	MRomicsNet（包含morphGCN通道和mrGCN通道）	诊断准确率	NA
19607	2025-12-09	GICAF-Net: A cross-attentional graph-image fusion network for hyperspectral pathological diagnosis of FNH and HCC 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109171 PMID:41289808	研究论文	本研究提出了一种名为GICAF-Net的图-图像交叉注意力融合网络，用于肝局灶性结节性增生（FNH）和肝细胞癌（HCC）的高光谱病理诊断	提出了一种新颖的双分支网络架构，结合了残差卷积和残差图卷积，并引入了拓扑感知交叉注意力融合模块（TACA）以及结合交叉熵、预测置信度和跨模态注意力一致性的多约束融合损失函数，以增强跨模态信息融合和分类稳定性	研究样本量相对较小（共120例），且未在更广泛的外部数据集上进行验证	提高肝肿瘤（FNH与HCC）术中高光谱病理诊断的准确性和效率	肝局灶性结节性增生（FNH）和肝细胞癌（HCC）的病理样本	数字病理	肝癌	高光谱成像	CNN, GCN	高光谱图像	包含60例HCC和60例FNH的平衡高光谱肝肿瘤数据集，共120例	NA	GICAF-Net, 残差卷积, 残差图卷积	AUC, 准确率, F1分数	NA
19608	2025-12-09	Quantitative analysis of corn adulteration in sweet potato starch using a CNN-LSTM hybrid model 2026-Jan-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.147041 PMID:41274049	研究论文	本文利用太赫兹时域光谱技术结合CNN-LSTM混合模型，实现了对红薯淀粉中玉米掺假的快速定量分析	首次将CNN-LSTM混合深度学习模型应用于太赫兹光谱数据，用于淀粉掺假的定量检测，相比传统回归方法具有更高精度	未提及模型在其他淀粉类型或更复杂掺假场景中的泛化能力，且样本规模和多样性可能有限	开发一种快速、准确、非破坏性的淀粉掺假定量检测方法	掺假的红薯淀粉样品（含有玉米淀粉）	机器学习	NA	太赫兹时域光谱技术	CNN, LSTM	光谱数据（时域光谱）	一系列掺假样品（具体数量未明确说明）	NA	CNN-LSTM混合模型	Rp（预测相关系数）, RMSEP（预测均方根误差）	NA
19609	2025-12-09	Deep Learning HASTE for Upper Abdominal MRI: Improved Image Quality, Speed, and Energy Efficiency in a Prospective Study 2026-Jan, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70183 PMID:41346174	研究论文	本研究前瞻性地比较了深度学习重建的快速T2加权HASTE序列与传统HASTE序列在上腹部3T MRI中的图像质量、扫描时间和能效	首次将深度学习重建技术应用于上腹部MRI的HASTE序列，在保证图像质量的同时实现了62.5%的扫描时间缩减和显著的能耗降低	研究为单中心前瞻性研究，样本量相对有限（166例），且仅针对上腹部MRI，未评估其他解剖区域	评估深度学习重建的快速HASTE序列在上腹部MRI中的图像质量、诊断性能和能效优势	166名计划接受上腹部MRI检查的患者（平均年龄60±14岁）	医学影像分析	上腹部疾病	3T MRI, T2加权HASTE序列	深度学习模型	MRI图像	166例患者	未明确说明	未明确说明	图像质量评分, SNR, CNR, 放射组学特征, 扫描时间, 能耗	未明确说明
19610	2025-12-09	Copolymer Sequence Regulation Enabled by Reactivity Ratio Fingerprints via Machine Learning 2025-Dec-08, Angewandte Chemie (International ed. in English) DOI:10.1002/anie.202513086 PMID:41147785	研究论文	本研究开发了一个基于机器学习的高效平台，利用“反应活性比指纹”来测定二元和三元共聚中的反应活性比，实现序列调控	提出了“反应活性比指纹”的新设计，并利用深度学习模型在稀疏实验数据下实现毫秒级的高效测定，扩展至三元共聚体系	未明确说明模型在极端反应条件或非常规单体组合下的泛化能力	开发高效测定共聚反应活性比的方法，实现聚合物序列的按需调控	二元和三元共聚反应体系	机器学习	NA	共聚反应动力学分析，玻璃化转变表征	深度学习模型	反应活性比指纹，实验数据	数百万个反应活性比指纹	NA	NA	测定效率（毫秒级），预测准确性（通过动力学实验验证）	NA
19611	2025-12-09	From Signal to Symphony: Exploring 2D Sequence Representations for Protein Function Prediction 2025-Dec-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01768 PMID:41247925	研究论文	本研究探索了将蛋白质氨基酸序列转换为二维声谱图作为蛋白质功能预测任务的数据表示方法	提出蛋白质声谱化方法，将一维序列转换为二维声谱图，并证明这种表示结构本身是模型预测性能的关键来源	未明确说明模型在更广泛蛋白质类别或更大规模数据集上的泛化能力限制	探索蛋白质序列的最佳表示方法以提高功能预测性能	蛋白质氨基酸序列	计算生物学	NA	蛋白质声谱化	融合模型, 扩散模型	序列, 图像	18,000个序列，涵盖12个功能多样的蛋白质类别	NA	Transformer, ESM-2, ProtBERT	准确率	NA
19612	2025-12-09	MGCL-CAP: Masked Graph Contrastive Learning with Gated Cross-Attention for Chemical Allergenicity Prediction 2025-Dec-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02222 PMID:41251678	研究论文	本文提出了一种名为MGCL-CAP的深度学习框架，用于化学致敏性预测，该框架结合了掩码图对比学习和门控交叉注意力融合技术	提出了一种结合掩码图对比学习和门控交叉注意力融合的深度学习框架，用于学习结构不变的图嵌入并整合一维分子指纹，从而提升对分子拓扑和跨模态依赖关系的捕捉能力	未明确提及具体的数据集规模限制或模型在极端噪声条件下的鲁棒性	开发一种计算工具，用于高效预测化学物质的致敏性，以支持化学安全评估和更安全的配方设计	化学致敏物（存在于消费品和工业产品中）	机器学习	过敏性疾病	深度学习	图神经网络, 注意力机制	图数据（分子结构）, 一维分子指纹	NA	NA	图同构网络, 多头门控交叉注意力	NA	NA
19613	2025-12-09	Automatic detection of urinary stones from non-contrast enhanced computed tomography images 2025-Dec-08, Urolithiasis IF:2.0Q2 DOI:10.1007/s00240-025-01902-1 PMID:41359136	研究论文	本研究利用深度学习技术，开发了名为UROAID的集成模型，用于从非增强CT图像中自动检测尿路结石	提出了UROAID集成模型，结合了基于分割的结石检测模块和结石分类模块，模拟放射科医生诊断尿路结石的流程，并针对不同位置的结石实现了高检测率	未明确提及模型在外部验证集上的泛化能力，也未讨论计算效率或实时性方面的限制	实现尿路结石的自动检测，以辅助急诊诊断	成年患者的非增强腹部盆腔CT图像	数字病理学	尿路结石	非增强计算机断层扫描（CT）	深度学习，集成模型	3D CT图像	6659名患者的CT扫描	NA	Uro-UNETR（改进版），UROAID	准确率，F1分数，检测率	NA
19614	2025-12-09	Boosting brain tumor detection with an optimized ResNet and explainability via Grad-CAM and LIME 2025-Dec-05, Brain informatics DOI:10.1186/s40708-025-00279-6 PMID:41348154	研究论文	本研究通过优化ResNet架构并集成Grad-CAM和LIME等可解释性技术，提升脑肿瘤检测的准确性、泛化性和可解释性	结合动态学习率调整、架构增强（如解冻层、集成不同模块、池化和丢弃层）与可解释性AI技术，在提升模型性能的同时解决CNN在医学影像中缺乏可解释性的问题	研究依赖于公开的多类别肿瘤数据集，未在更广泛或临床实时数据上进行验证；虽然使用了三个数据集以确保泛化性，但可能仍存在特定数据分布的偏差	提高基于CNN的脑肿瘤检测模型的准确性、泛化性和临床可解释性	脑肿瘤的MRI影像	计算机视觉	脑肿瘤	MRI影像分析	CNN	图像	三个公开的多类别脑肿瘤数据集	未明确提及，推测为PyTorch或TensorFlow	ResNet	准确率	NA
19615	2025-12-09	Deep learning predicts real-world electric vehicle direct current charging profiles and durations 2025-Dec-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-65970-y PMID:41350260	研究论文	本文提出了一种基于深度学习的框架，用于预测电动汽车直流快速充电的充电曲线和持续时间	利用真实世界的大规模充电会话数据（909,135个会话），仅需最少输入即可预测充电曲线和持续时间，并提供不确定性估计；模型能够从单个数据点开始预测，并随着新观测数据的到来进行增量式实时更新	未明确说明模型在不同气候条件、电池老化或极端充电场景下的泛化能力	准确预测电动汽车直流快速充电的充电曲线和持续时间，以支持充电基础设施的优化和能源规划	电动汽车的直流快速充电会话	机器学习	NA	深度学习	深度学习模型	时间序列数据（充电功率、荷电状态）	909,135个真实世界充电会话	未明确指定	未明确指定	准确率、绝对误差	未明确指定
19616	2025-12-06	Spike train analysis in rehabilitation movement classification using deep learning approach 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-25268-x PMID:41345141	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19617	2025-12-09	SOC Prediction of Li-Ion Battery Based on EKF and CNN-BiLSTM-Attention 2025-Dec-02, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c06451 PMID:41358071	研究论文	本文提出了一种融合扩展卡尔曼滤波、卷积神经网络、双向长短期记忆网络和注意力机制的锂离子电池荷电状态预测模型	将物理模型驱动的扩展卡尔曼滤波算法与数据驱动的深度学习模型相结合，通过物理先验约束提升预测结果的物理一致性和鲁棒性	实验验证仅在10°C和25°C两种温度下的多种工况进行，未涵盖更宽的温度范围或更极端的工况	提高锂离子电池荷电状态估计的准确性、物理一致性和泛化能力	磷酸铁锂电池	机器学习	NA	NA	CNN, BiLSTM, Attention, EKF	电池运行数据	NA	NA	CNN-BiLSTM-Attention与EKF融合架构	平均估计误差	NA
19618	2025-12-09	Deep learning-driven whole-slide image analysis predicts chemo-resistance and motility subtypes in muscle-invasive bladder cancer 2025-Dec, Genes & genomics IF:1.6Q3 DOI:10.1007/s13258-025-01677-0 PMID:40906037	研究论文	本研究利用深度学习分析全切片图像，预测肌肉浸润性膀胱癌的化疗耐药性和运动亚型	首次提出使用常规组织学全切片图像的深度学习分析作为分子谱分析的实用、低成本替代方案，有效预测与化疗耐药相关的转录组亚型	样本量相对有限（152名患者），且仅基于TCGA-BLCA队列，需要外部验证	评估基于全切片图像的深度学习模型能否准确预测转录组衍生的化疗耐药-运动亚型并反映肿瘤微环境特征	肌肉浸润性膀胱癌患者	数字病理学	膀胱癌	全切片图像分析	CNN, 随机森林	图像	152名TCGA-BLCA患者的192张全切片图像	PyTorch, Scikit-learn	DenseNet169	平衡准确度, 相关系数	NA
19619	2025-09-21	Comment on: VAULT-OCT: vault accuracy using deep learning technology-an AI model for predicting implantable collamer lens postoperative vault with AS-OCT 2025-Dec-01, Journal of cataract and refractive surgery IF:2.6Q1 DOI:10.1097/j.jcrs.0000000000001794 PMID:40971892	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19620	2025-12-09	AI-enhanced orthodontic treatment planning - a scoping review on evidence-based clinical application with commercial software overview 2025-Dec, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2025.106112 PMID:40975160	综述	本文是一篇范围综述，旨在识别关于AI增强正畸治疗规划工具的证据基础研究，并评估其临床相关性和商业软件的可用性	系统性地综述了AI在正畸治疗规划中的应用，并对比了学术验证工具与商业软件之间的差异，强调了商业工具缺乏公开验证的现状	仅纳入了截至2025年2月的英文全文研究，可能存在发表偏倚，且商业软件普遍缺乏已发表的验证数据	评估AI增强正畸治疗规划工具的临床证据基础、应用潜力及商业软件的现状	正畸治疗规划中基于AI的决策支持工具，包括学术研究验证的工具和商业软件	自然语言处理, 机器学习	正畸疾病	机器学习, 深度学习, 大语言模型	大语言模型, 机器学习模型, 深度学习模型	文本, 临床数据（如口内扫描）	17项符合纳入标准的研究（从307项研究中筛选）	NA	NA	准确率（72% 至 95%）	NA