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	2025-03-30	Creating High Fidelity Synthetic Pelvis Radiographs Using Generative Adversarial Networks: Unlocking the Potential of Deep Learning Models Without Patient Privacy Concerns 2023-10, The Journal of arthroplasty IF:3.4Q1 DOI:10.1016/j.arth.2022.12.013 PMID:36535448	research paper	本研究应用生成对抗网络（GANs）技术生成高保真合成骨盆X光片，以支持深度学习图像分析并保护患者隐私	利用GANs生成高保真合成骨盆X光片，这些图像在计算机和专家评估中难以与真实图像区分	研究仅针对骨盆X光片，未涉及其他类型的医学影像	开发一种方法，生成可用于深度学习模型训练的高保真合成医学影像，同时避免患者隐私问题	骨盆X光片	digital pathology	NA	GANs	GAN	image	37,640张真实X光片（来自16,782名患者）
2	2025-03-26	Deep Learning Methods for Omics Data Imputation 2023-Oct-07, Biology DOI:10.3390/biology12101313 PMID:37887023	综述	本文综述了基于深度学习的组学数据插补方法，重点讨论了自编码器、变分自编码器、生成对抗网络和Transformer等深度生成模型架构在多组学数据插补中的应用	全面概述了当前可用的基于深度学习的组学数据插补方法，并探讨了深度学习在该领域带来的机遇和挑战	未提及具体的实验验证或实际应用案例	解决组学数据分析中的缺失值问题	组学数据	机器学习	NA	NA	自编码器、变分自编码器、生成对抗网络、Transformer	组学数据	NA
3	2025-03-11	Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis 2023-10, Journal of neurointerventional surgery IF:4.5Q1 DOI:10.1136/jnis-2023-020218 PMID:37258226	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4	2025-03-11	Response to 'Application of deep learning models for detection of subdural hematoma: a systematic review and meta-analysis' 2023-10, Journal of neurointerventional surgery IF:4.5Q1 DOI:10.1136/jnis-2023-020804 PMID:37714539	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5	2025-03-10	Fibration symmetry uncovers minimal regulatory networks for logical computation in bacteria 2023-Oct-17, ArXiv PMID:37904746	研究论文	本文通过对称纤维化方法简化了细菌的基因调控网络，保留了信息流并突出了网络的计算能力	使用对称纤维化方法简化复杂的生物系统，揭示细菌基因调控网络的计算核心	NA	研究细菌基因调控网络的计算能力和信息传递机制	细菌的基因调控网络	生物信息学	NA	对称纤维化方法	NA	基因调控网络数据	NA
6	2025-03-02	Editorial for "Implementable Deep Learning for Multi-sequence Proton MRI Lung Segmentation: A Multi-center, Multi-vendor and Multi-disease Study" 2023-10, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28661 PMID:36847749	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7	2025-03-01	Commentary on "A systematic review on machine learning and deep learning techniques in cancer survival prediction": Validation of survival methods 2023-10, Progress in biophysics and molecular biology DOI:10.1016/j.pbiomolbio.2023.08.001 PMID:37579795	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8	2025-02-21	AMGCN-L: an adaptive multi-time-window graph convolutional network with long-short-term memory for depression detection 2023-10-27, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad038b PMID:37844566	研究论文	本文提出了一种名为AMGCN-L的深度学习网络，用于通过脑电图（EEG）信号中的脑功能连接和时空特征自动分类抑郁和非抑郁人群	提出了一种结合自适应多时间窗口图卷积网络（GCN）和长短期记忆（LSTM）的新型网络AMGCN-L，用于抑郁检测	依赖于公开数据集，可能在实际临床应用中需要进一步验证	开发一种更客观的抑郁诊断方法	抑郁和非抑郁人群	机器学习	抑郁症	深度学习	GCN, LSTM	EEG信号	两个公开数据集：EEG数据患者库和计算工具，以及多模态开放数据集用于精神障碍分析
9	2025-02-21	Depressive Disorder Recognition Based on Frontal EEG Signals and Deep Learning 2023-Oct-23, Sensors (Basel, Switzerland) DOI:10.3390/s23208639 PMID:37896732	研究论文	本研究基于前额六通道脑电图（EEG）信号和深度学习模型，旨在实现准确且实用的抑郁症（DD）诊断	提出了一种结合多分辨率卷积神经网络（MRCNN）与长短期记忆（LSTM）或残差压缩激励（RSE）的深度学习模型，用于抑郁症的识别，并展示了在8-30 Hz EEG信号下的高分类准确率	研究样本量相对较小，仅包括41名抑郁症患者和34名健康对照者，可能影响模型的泛化能力	开发一种客观、准确、实用且自动化的抑郁症诊断技术	抑郁症患者和健康对照者的前额六通道EEG信号	机器学习	抑郁症	脑电图（EEG）信号分析	MRCNN-LSTM, MRCNN-RSE	EEG信号	41名抑郁症患者和34名健康对照者
10	2025-02-21	A novel bidirectional LSTM deep learning approach for COVID-19 forecasting 2023-10-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-44924-8 PMID:37863921	研究论文	本文开发了一种基于双向长短期记忆网络（Bi-LSTM）的深度学习模型，用于预测COVID-19疫情早期的每日新增病例数	使用双向LSTM架构进行COVID-19预测，并验证了在减少变量数量情况下仍能保持预测准确性	模型仅在疫情早期阶段进行了验证，未涵盖疫情后期或其他变种病毒的影响	预测COVID-19疫情早期的每日新增病例数	190个国家的COVID-19数据	机器学习	COVID-19	深度学习	Bi-LSTM	时间序列数据	190个国家的数据，时间跨度为2020年1月22日至2021年1月31日
11	2025-02-21	Spatial and temporal prediction of secondary crashes combining stacked sparse auto-encoder and long short-term memory 2023-Oct, Accident; analysis and prevention DOI:10.1016/j.aap.2023.107205 PMID:37413700	研究论文	本研究旨在开发一种预测次生事故时空位置的方法，通过结合堆叠稀疏自编码器（SSAE）和长短期记忆网络（LSTM）提出了一种混合深度学习模型SSAE-LSTM	提出了结合SSAE和LSTM的混合深度学习模型SSAE-LSTM，用于次生事故的时空预测，相比现有模型在时空预测性能上表现更优	研究仅基于加州I-880高速公路2017-2021年的交通和事故数据，可能限制了模型的泛化能力	开发次生事故时空位置的预测方法，以支持预防策略的实施	次生事故的时空位置	机器学习	NA	深度学习	SSAE-LSTM, PCA-LSTM, SSAE-SVM, BPNN	交通和事故数据	加州I-880高速公路2017-2021年的数据
12	2025-02-21	An adaptive embedding procedure for time series forecasting with deep neural networks 2023-Oct, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2023.08.051 PMID:37729787	研究论文	本文提出了一种基于自适应嵌入机制的深度学习方案，用于时间序列预测	提出了一种新颖的自适应嵌入机制，用于提取输入时间序列的压缩表示，并用于后续预测	未明确提及具体局限性	解决时间序列预测问题	时间序列数据	机器学习	NA	深度学习	双向长短期记忆网络（LSTM）	时间序列数据	未明确提及具体样本数量
13	2025-02-19	Applications of Artificial Intelligence in Choroid Visualization for Myopia: A Comprehensive Scoping Review 2023 Oct-Dec, Middle East African journal of ophthalmology IF:0.5Q4 DOI:10.4103/meajo.meajo_154_24 PMID:39959595	综述	本文综述了人工智能在近视患者脉络膜可视化中的应用，特别是深度学习技术在光学相干断层扫描（OCT）图像中分割脉络膜的应用	本文首次系统性地综述了多种深度学习模型在近视患者脉络膜可视化中的应用，并评估了它们的诊断准确性和效率	需要进一步标准化AI方法，并将其应用扩展到更广泛的临床环境中	评估人工智能模型在近视患者脉络膜可视化中的有效性和作用	近视患者	计算机视觉	近视	深度学习	U-Net, LASSO回归, Attention-based Dense U-Net, ResNeSt101, Mask R-CNN	图像	12项研究中的近视患者
14	2025-02-12	Mapping the topography of spatial gene expression with interpretable deep learning 2023-Oct-13, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.10.561757 PMID:37873258	研究论文	本文提出了一种名为GASTON的无监督且可解释的深度学习算法，用于分析空间转录组数据中的基因表达模式	引入了称为isodepth的新概念，用于描述组织切片中的基因表达梯度，并开发了GASTON算法来同时学习isodepth、空间基因表达梯度以及基因表达的连续梯度和不连续空间变化	NA	解决空间转录组数据稀疏性问题，分析空间基因表达模式	空间转录组数据	数字病理学	NA	空间转录组技术	深度学习	基因表达数据	多个生物系统（包括大脑和肿瘤样本）
15	2025-01-25	Shape-Aware 3D Small Vessel Segmentation with Local Contrast Guided Attention 2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-43901-8_34 PMID:38500803	研究论文	本文提出了一种新颖的自监督网络，用于从3D成像数据中改进小血管的检测	提出了一种形状感知的基于通量的测量方法，以及局部对比度引导的注意力和增强模块，以提高低对比度血管区域的血管性响应	依赖于现有成像技术的相对有限分辨率，且需要熟练专家进行精确的像素级注释	改进从3D成像数据中检测小血管的自动化分割和分析	小血管	计算机视觉	NA	自监督学习	自监督网络	3D成像数据	多个3D数据集
16	2025-01-23	Gadolinium-Free Cardiac MRI Myocardial Scar Detection by 4D Convolution Factorization 2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-43895-0_60 PMID:39829676	研究论文	本文提出了一种新型的深度时空残差注意力网络（ST-RAN），用于在无钆对比剂的心脏磁共振成像中检测心肌瘢痕	提出了一个新型的因子化4D（3D+时间）卷积层，结合时空注意力机制，以提取丰富的全心脏特征并跟踪帧间的长程时间关系，同时引入了残差注意力块来提取不同尺度的时空特征，以检测与瘢痕相关的细微对比变化	尽管模型在缺血性和非缺血性心脏病中表现出色，但仍需进一步验证其在更广泛临床环境中的适用性和稳定性	开发一种无需钆对比剂的心脏磁共振成像技术，用于检测心肌瘢痕	心脏磁共振成像数据	计算机视觉	心血管疾病	心脏磁共振成像（CMR）	深度时空残差注意力网络（ST-RAN）	图像	3000名患者
17	2025-01-22	Feasibility of Universal Anomaly Detection without Knowing the Abnormality in Medical Images 2023-Oct, Medical image learning with limited and noisy data : second international workshop, MILLanD 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 8, 2023, proceedings. MILLanD (Workshop) : (2nd : 2023 : Vancouver, B... DOI:10.1007/978-3-031-44917-8_8 PMID:38523773	研究论文	本研究探讨了在医学图像中进行通用异常检测的可行性，比较了多种异常检测方法，并提出了一种简单的决策级集成方法	提出了一种不依赖已知异常信息的决策级集成方法，增强了异常检测的鲁棒性	评估的方法在所有数据集上未能一致达到最佳性能	研究医学图像中通用异常检测的可行性	医学图像	计算机视觉	NA	深度学习	集成方法	图像	四个医学数据集
18	2025-01-12	Experimental validation of computer-vision methods for the successful detection of endodontic treatment obturation and progression from noisy radiographs 2023-10, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-023-00685-8 PMID:37097541	研究论文	本研究评估了去噪和数据平衡对深度学习从X光片中检测牙髓治疗结果的影响，并开发了预测牙髓治疗质量的深度学习模型和分类器	首次将去噪和数据平衡技术应用于牙髓治疗结果的深度学习检测，并开发了基于YOLO系列模型的实时深度学习计算机视觉系统	样本量相对较小，仅包含250张去标识的牙科X光片，且数据集经过增强处理，可能影响模型的泛化能力	评估去噪和数据平衡对深度学习检测牙髓治疗结果的影响，并开发预测牙髓治疗质量的深度学习模型	牙髓治疗结果的X光片	计算机视觉	牙科疾病	深度学习	YOLOv5s, YOLOv5x, YOLOv7	图像	250张去标识的牙科X光片，增强后生成2226张图像
19	2025-01-12	Effect of data size on tooth numbering performance via artificial intelligence using panoramic radiographs 2023-10, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-023-00689-4 PMID:37405624	研究论文	本研究探讨了数据量对使用全景X光片进行牙齿编号检测的模型性能的影响	通过不同大小的数据集（1000、1500、2000和2500张全景X光片）来研究数据量对模型性能的影响，并采用YOLOv4算法进行模型训练	研究仅使用了3000张匿名成人牙齿全景X光片，样本量可能不足以全面反映数据量对模型性能的影响	研究数据量对牙齿编号检测模型性能的影响	3000张匿名成人牙齿全景X光片	计算机视觉	NA	图像处理和深度学习算法	YOLOv4	图像	3000张匿名成人牙齿全景X光片
20	2024-12-20	Extensive T1-weighted MRI Preprocessing Improves Generalizability of Deep Brain Age Prediction Models 2023-Oct-30, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.10.540134 PMID:37214863	研究论文	本文研究了T1加权磁共振图像（T1w MRI）预处理对深度学习脑龄预测模型性能的影响	本文发现广泛的T1w预处理可以提高模型的平均绝对误差（MAE），尤其是在应用于新数据集时	本文仅评估了四种预处理管道，未涵盖所有可能的预处理方法	研究T1w图像预处理对深度学习脑龄预测模型性能的影响	T1加权磁共振图像（T1w MRI）和深度学习脑龄预测模型	计算机视觉	NA	深度学习	深度学习模型	图像	NA