深度学习在生物医药领域中的应用

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
1	2025-07-23	Bering: joint cell segmentation and annotation for spatial transcriptomics with transferred graph embeddings 2023-Sep-22, bioRxiv : the preprint server for biology DOI:10.1101/2023.09.19.558548 PMID:37786667	research paper	提出了一种名为Bering的图深度学习模型，用于在2D和3D空间转录组数据中联合进行噪声感知细胞分割和分子注释	利用转录共定位关系，通过转移图嵌入作为多模态输入的一部分来丰富基因关系，显著提高了细胞分割的准确性和检测到的转录本数量	当前方法依赖于细胞核或细胞体染色，可能导致转录组深度的显著损失和空间共定位关系潜在表示学习能力的限制	解决空间转录组学中细胞分割和注释的准确性挑战	2D和3D空间转录组数据中的细胞	digital pathology	NA	空间转录组学	graph deep learning	spatial transcriptomics data	各种空间技术和组织
2	2025-07-23	Machine Learning for the Prediction of Procedural Case Durations Developed Using a Large Multicenter Database: Algorithm Development and Validation Study 2023-Sep-08, JMIR AI DOI:10.2196/44909 PMID:38875567	研究论文	本研究开发并验证了一种基于机器学习的算法，用于预测手术案例的持续时间，以提高手术室资源规划和患者沟通的效率	利用非线性预测模型和机器学习方法，开发了一个可扩展至多中心的预测算法，显著提高了手术持续时间的预测准确性	研究依赖于历史数据，可能无法完全适应未来手术技术或流程的变化	开发一个可扩展的机器学习算法，以准确预测手术案例的持续时间，优化手术室资源管理	手术案例的持续时间	机器学习	NA	深度学习、梯度提升和集成机器学习	梯度提升机	手术室数据	1,177,893例手术案例，来自13家学术和私立医院（2016-2019年）
3	2025-07-22	Spatially aware deep learning reveals tumor heterogeneity patterns that encode distinct kidney cancer states 2023-09-19, Cell reports. Medicine DOI:10.1016/j.xcrm.2023.101189 PMID:37729872	research paper	本研究开发了一种空间感知的深度学习模型，用于分析肾透明细胞癌(ccRCC)的肿瘤和免疫特征，揭示了与免疫检查点抑制剂(ICI)反应相关的肿瘤异质性模式	利用深度学习模型从全切片图像(WSIs)中识别出人类病理学家无法发现的肿瘤异质性模式，并发现这些模式与PBRM1功能缺失及患者预后相关	研究样本量虽然较大(n=1,102)，但仍可能存在一定的选择偏差	探索肾透明细胞癌(ccRCC)的肿瘤异质性模式及其与免疫治疗反应的关系	肾透明细胞癌(ccRCC)患者	digital pathology	kidney cancer	deep learning, multiplex immunofluorescence	spatially aware deep-learning models	whole-slide images (WSIs), multiplex immunofluorescence images	1,102名患者
4	2025-07-22	Automated Identification of Heart Failure with Reduced Ejection Fraction using Deep Learning-based Natural Language Processing 2023-Sep-11, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.10.23295315 PMID:37745445	研究论文	开发了一种基于深度学习的自然语言处理模型，用于从出院摘要中自动识别射血分数降低的心力衰竭（HFrEF）患者	采用半监督学习框架开发的新型深度学习语言模型，能够高精度地从临床笔记中识别HFrEF患者	研究主要依赖于特定医院的数据，可能在其他医疗环境中的泛化能力有待验证	开发自动化工具以评估和提高HFrEF患者的护理质量	射血分数降低的心力衰竭（HFrEF）患者	自然语言处理	心血管疾病	深度学习	深度学习语言模型	文本（出院摘要）	13,251份笔记来自5,392名独特个体，包括2,487名HFrEF患者
5	2025-07-22	T1dCteGui: A User-Friendly Clinical Trial Enrichment Tool to Optimize T1D Prevention Studies by Leveraging AI/ML Based Synthetic Patient Population 2023-09, Clinical pharmacology and therapeutics DOI:10.1002/cpt.2976 PMID:37326252	research paper	开发了一个用户友好的临床试验富集工具T1dCteGui，利用AI/ML生成的合成患者群体优化1型糖尿病预防研究	开发了一个基于深度学习的生成模型，用于生成合成患者群体，以支持临床试验富集工具的使用	工具依赖于合成患者群体，可能无法完全反映真实患者群体的多样性	优化1型糖尿病预防研究的临床试验富集策略	1型糖尿病高风险人群	digital pathology	type 1 diabetes	deep learning-based generative model	accelerated failure time model	clinical data	来自多个观察性研究的患者水平数据
6	2025-07-20	Self-Supervised Contrastive Learning to Predict the Progression of Alzheimer's Disease with 3D Amyloid-PET 2023-Sep-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10101141 PMID:37892871	研究论文	本文提出了一种自监督对比学习方法SMoCo，用于基于3D淀粉样蛋白-PET预测轻度认知障碍(MCI)向阿尔茨海默病(AD)的转化	提出了SMoCo方法，结合有标签和无标签数据捕捉图像的一般语义表示，并在预训练中利用标签信息，不同于一般的自监督学习	研究仅基于ADNI数据集，未在其他独立数据集上验证	预测轻度认知障碍(MCI)向阿尔茨海默病(AD)的转化	轻度认知障碍(MCI)患者	计算机视觉	阿尔茨海默病	3D淀粉样蛋白-PET	自监督对比学习模型SMoCo	3D图像	ADNI数据集中的样本
7	2025-07-20	The Swin-Transformer network based on focal loss is used to identify images of pathological subtypes of lung adenocarcinoma with high similarity and class imbalance 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04795-y PMID:37097394	research paper	本研究提出了一种基于Swin-Transformer和Focal Loss的FL-STNet模型，用于高相似性和类别不平衡的肺腺癌病理亚型图像识别	首次开发了基于11类分类器的深度学习模型，结合Swin-Transformer和Focal Loss，解决了CNN和Vit的不足	研究仅基于360名患者的样本，可能无法涵盖所有肺腺癌亚型的多样性	提高肺腺癌病理亚型的分类准确性，辅助临床诊断	肺腺癌病理亚型的图像数据	digital pathology	lung cancer	WSI histopathology	Swin-Transformer, FL-STNet	image	360名患者的肺腺癌和其他肺部疾病亚型样本
8	2025-07-20	Deep learning-based methods for classification of microsatellite instability in endometrial cancer from HE-stained pathological images 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04838-4 PMID:37150803	研究论文	本研究提出了一种基于深度学习的注意力模块架构，用于从H&E染色的病理图像中分类子宫内膜癌的微卫星不稳定性状态	提出了一种新的基于注意力模块的深度学习架构，用于从病理图像中提取特征，并通过词袋方法聚合预测概率，实现切片水平的微卫星状态分类	研究仅使用了TCGA子宫内膜癌队列的数据，未在其他独立数据集上进行验证	开发一种快速、低成本的自动化工具，用于子宫内膜癌微卫星不稳定性状态的检测	子宫内膜癌患者的H&E染色全切片图像	数字病理学	子宫内膜癌	深度学习	基于注意力模块的CNN	图像	来自TCGA子宫内膜癌队列的H&E染色全切片图像
9	2025-07-20	A novel staging system based on deep learning for overall survival in patients with esophageal squamous cell carcinoma 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04842-8 PMID:37154930	research paper	开发了一种基于深度学习的系统DeepSurv，用于预测食管鳞状细胞癌（ESCC）患者的总生存期（OS），并通过多队列数据验证和可视化新的分期系统	提出了一种基于深度学习的新的分期系统，该系统在预测ESCC患者生存期方面优于传统的nomogram方法，并开发了一个易于使用的基于网络的工具	研究依赖于SEER数据库的数据，可能无法涵盖所有相关临床因素，且外部验证的广泛性未明确说明	开发并验证一种基于深度学习的预测模型和分期系统，以提高ESCC患者生存预测的准确性和实用性	6020名2010年1月至2018年12月诊断为ESCC的患者	digital pathology	esophageal squamous cell carcinoma	deep learning	DeepSurv	clinical data	6020名ESCC患者
10	2025-07-20	Segmentation and classification of brain tumors using fuzzy 3D highlighting and machine learning 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04754-7 PMID:37166578	研究论文	本文提出了一种结合模糊3D高亮方法和机器学习算法（GOA-SVM和GA-DNN）的脑肿瘤分割与分类方法	采用模糊3D高亮方法进行脑肿瘤分割，并结合两种优化机器学习算法（GOA-SVM和GA-DNN）进行分类	未提及具体数据集规模或临床验证的广泛性	提高脑肿瘤诊断的准确性和效率	脑肿瘤的MRI影像	数字病理学	脑肿瘤	MRI扫描、模糊3D高亮方法、grasshopper优化算法、遗传算法	GOA-SVM、GA-DNN	MRI影像	NA
11	2025-07-20	Differential diagnosis of hepatocellular carcinoma and intrahepatic cholangiocarcinoma based on spatial and channel attention mechanisms 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04935-4 PMID:37268850	研究论文	本研究开发了一种基于通道和空间注意力机制的深度学习模型CSAM-Net，用于术前非侵入性区分肝细胞癌和肝内胆管癌	提出了一种新型的基于通道和空间注意力机制的深度学习模型CSAM-Net，显著提高了肝细胞癌和肝内胆管癌的区分准确率	研究为回顾性研究，样本量相对有限，未来需要更多前瞻性研究验证模型的泛化能力	开发一种有效的非侵入性术前诊断方法，用于区分肝细胞癌和肝内胆管癌	肝细胞癌和肝内胆管癌患者	数字病理	肝癌	CT成像	CSAM-Net（基于通道和空间注意力机制的深度学习模型）	图像	395例肝细胞癌患者和99例肝内胆管癌患者的CT图像
12	2025-07-20	A deep-learning-based clinical risk stratification for overall survival in adolescent and young adult women with breast cancer 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04955-0 PMID:37277578	research paper	本研究构建了一种基于深度学习的临床风险分层模型，用于预测青少年和年轻成年女性乳腺癌患者的总生存期	使用DeepSurv深度学习算法构建预后预测模型，并基于该模型构建了一种新的临床风险分层方法	研究数据仅来自SEER数据库，可能无法代表所有人群	构建乳腺癌青少年和年轻成年女性患者的预后预测模型	青少年和年轻成年女性乳腺癌患者	digital pathology	breast cancer	deep learning	DeepSurv	clinical data	14,243名青少年和年轻成年女性乳腺癌患者
13	2025-07-20	Machine learning and deep learning techniques for breast cancer diagnosis and classification: a comprehensive review of medical imaging studies 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04956-z PMID:37278831	review	本文综述了机器学习和深度学习技术在乳腺癌诊断和分类中的应用，重点关注五种医学影像	全面回顾了五种医学影像（乳腺X光、超声、MRI、组织学和热成像）在乳腺癌诊断中的应用，并讨论了五种流行的机器学习技术和深度学习架构	NA	探讨机器学习和深度学习技术在乳腺癌分类和诊断中的应用及其潜力	乳腺癌的医学影像数据	digital pathology	breast cancer	machine learning, deep learning	Nearest Neighbor, SVM, Naive Bayesian Network, DT, ANN, CNN	medical imaging (mammography, ultrasound, MRI, histology, thermography)	NA
14	2025-07-04	Decoding biological age from face photographs using deep learning 2023-Sep-12, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.12.23295132 PMID:37745558	研究论文	本研究开发并验证了FaceAge，一种从面部照片估计生物年龄的深度学习系统，并评估其在癌症患者中的临床效用	利用深度学习从面部照片客观估计生物年龄，并验证其在癌症预后和临终决策中的临床价值	研究主要基于美国和荷兰的癌症患者数据，可能在其他人群中的适用性有待验证	开发一种客观、定量的方法，从面部照片估计生物年龄，并评估其在医学判断中的临床效用	健康个体和癌症患者的面部照片	数字病理学	癌症	深度学习	CNN	图像	58,851名健康个体和6,196名癌症患者
15	2025-06-24	Automatic Ploidy Prediction and Quality Assessment of Human Blastocyst Using Time-Lapse Imaging 2023-Sep-02, bioRxiv : the preprint server for biology DOI:10.1101/2023.08.31.555741 PMID:37693566	研究论文	本文提出了一种名为BELA的深度学习模型，用于自动预测人类囊胚的倍性状态和质量评估，利用延时成像技术优化预测准确性	BELA模型通过多任务学习和延时成像技术，无需胚胎学家主观输入，即可实现高精度的倍性状态预测，其性能与基于胚胎学家手动评分的模型相当	BELA模型不能完全替代植入前遗传学检测（PGT-A），仍需进一步验证其临床适用性	优化体外受精（IVF）过程中胚胎质量评估和染色体异常检测的准确性	人类囊胚	数字病理	生殖健康	延时成像	深度学习模型（BELA）	图像和视频	Weill Cornell数据集中的囊胚样本
16	2025-06-20	GSDA: Generative adversarial network-based semi-supervised data augmentation for ultrasound image classification 2023-Sep, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2023.e19585 PMID:37809802	research paper	提出了一种基于生成对抗网络（GAN）的半监督数据增强方法GSDA，用于超声图像分类	结合GAN和CNN，通过半监督学习生成高质量超声图像并伪标注，同时引入新的评估标准平衡分类准确率和计算时间	仅在BUSI数据集上进行评估，需验证在其他超声数据集上的泛化能力	解决医学超声图像分析中数据稀缺问题，提升深度学习模型性能	医学超声图像	digital pathology	NA	GAN, CNN, transfer learning	GAN, CNN	image	780张超声图像
17	2025-06-20	Sentiment analysis in multilingual context: Comparative analysis of machine learning and hybrid deep learning models 2023-Sep, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2023.e20281 PMID:37809397	研究论文	本研究比较了多种机器学习和混合深度学习模型在英语和孟加拉语情感分析中的效果	在孟加拉语情感分析领域取得了显著进展，改进了文本分类模型和方法	仅针对特定电商平台(DARAZ)的评论数据进行分析	比较不同模型在情感分析领域的有效性	来自DARAZ电商平台的英语和孟加拉语评论	自然语言处理	NA	porter stemming算法	SVM, LSTM, Bi-LSTM, Conv1D, Conv1D-LSTM混合模型	文本	NA
18	2025-06-18	Expert-level pediatric brain tumor segmentation in a limited data scenario with stepwise transfer learning 2023-Sep-18, medRxiv : the preprint server for health sciences DOI:10.1101/2023.06.29.23292048 PMID:37425854	研究论文	本研究开发了一种基于逐步迁移学习的深度学习神经网络，用于在有限数据场景下实现儿科低级别胶质瘤的专家级自动分割	提出了一种新颖的领域内逐步迁移学习方法，在有限数据条件下实现了专家级的肿瘤分割性能	研究数据量仍然有限(n=284)，且仅针对儿科低级别胶质瘤	开发适用于儿科脑肿瘤的AI自动分割算法以支持临床决策	儿科低级别胶质瘤(pLGG)	数字病理	儿科脑肿瘤	深度学习	深度学习神经网络	医学影像	284例(184例来自国家脑肿瘤联盟，100例来自儿科癌症中心)
19	2025-06-04	A microwell platform for high-throughput longitudinal phenotyping and selective retrieval of organoids 2023-09-20, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2023.08.002 PMID:37734323	research paper	开发了一种基于微孔的高通量方法，用于从单细胞生长的类器官的图像参数量化，并可进一步从微孔中提取进行分子分析	使用微孔平台解决了传统批量培养类器官无法高通量追踪单个类器官生长的问题，并结合深度学习图像处理流程，实现了对类器官生长速率、细胞运动和顶-底极性等表型特征的高通量量化	未提及该方法是否适用于所有类型的类器官，或是否存在特定的技术限制	研究类器官的生长和表型特征，以探索疾病（如癌症）的发生和发展机制	人类胃类器官模型	digital pathology	cancer	CRISPR-engineered, deep learning image-processing	NA	image	两种CRISPR工程的人类胃类器官模型
20	2025-05-29	Application of artificial intelligence in the diagnosis of hepatocellular carcinoma 2023-Sep, eGastroenterology DOI:10.1136/egastro-2023-100002 PMID:39944000	review	本文综述了人工智能在肝细胞癌放射学诊断中的最新应用进展	探讨了AI特别是深度学习和神经网络模型在HCC放射学检测中的应用及其优势	需要进一步研究和临床实施以充分发挥AI在HCC管理中的潜力	提高肝细胞癌的早期检测、治疗选择和患者预后	肝细胞癌（HCC）	digital pathology	liver cancer	deep learning, neural network models	NA	imaging data	NA