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	2025-05-31	Dimensionality Reduction for Improving Out-of-Distribution Detection in Medical Image Segmentation 2023-Oct, Uncertainty for safe utilization of machine learning in medical imaging : 5th international workshop, UNSURE 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 12, 2023, proceedings. UNSURE (Workshop) (5th : 2023... DOI:10.1007/978-3-031-44336-7_15 PMID:40443712	research paper	该研究提出了一种利用降维技术改进医学图像分割中分布外检测的方法	通过主成分分析降低Swin UNETR模型瓶颈特征的维度，高效检测模型失败的图像	方法仅在肝脏T1加权磁共振成像上进行了验证，未涉及其他器官或成像模式	提高医学图像分割模型对分布外数据的检测能力	肝脏T1加权磁共振图像	digital pathology	liver disease	principal component analysis	Swin UNETR	MRI image	NA
2	2025-05-28	MRI-based Deep Learning Assessment of Amyloid, Tau, and Neurodegeneration Biomarker Status across the Alzheimer Disease Spectrum 2023-10, Radiology IF:12.1Q1 DOI:10.1148/radiol.222441 PMID:37815445	research paper	该研究利用深度学习和MRI数据预测阿尔茨海默病中PET确定的淀粉样蛋白、tau蛋白和神经退行性生物标志物状态	首次使用深度学习结合MRI和常规诊断数据非侵入性地预测ATN生物标志物状态，避免了PET的高成本和电离辐射	研究为回顾性设计，需要在前瞻性队列中验证模型的泛化能力	开发基于MRI的深度学习方法替代PET进行阿尔茨海默病ATN生物标志物分类	阿尔茨海默病患者	digital pathology	geriatric disease	PET扫描、MRI扫描	CNN与逻辑回归结合的混合模型	医学影像(MRI/PET)与临床数据	2099对淀粉样蛋白PET-MRI数据(75±10岁)、557对tau蛋白PET-MRI数据(75±7岁)、2768对FDG PET-MRI数据(75±7岁)
3	2025-05-17	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效果和角色	综合评估了多种AI模型在脉络膜分割中的诊断准确性，并探讨了其在近视诊断和管理中的潜力	需要进一步标准化AI方法，并扩大其在更广泛临床环境中的应用	评估人工智能在近视患者脉络膜可视化中的应用效果	近视患者	数字病理	近视	光学相干断层扫描（OCT）	U-Net, LASSO回归, Attention-based Dense U-Net, ResNeSt101, Mask R-CNN	图像	12项研究，涉及不同近视程度的患者
4	2025-05-16	Chromatin accessibility in the Drosophila embryo is determined by transcription factor pioneering and enhancer activation 2023-10-09, Developmental cell IF:10.7Q1 DOI:10.1016/j.devcel.2023.07.007 PMID:37557175	research paper	该研究通过深度学习模型分析果蝇胚胎中的转录因子结合和染色质可及性数据，揭示了染色质可及性的两层次机制	利用可解释的深度学习模型解析了先驱转录因子Zelda与轴模式转录因子在染色质可及性中的层级关系	研究仅基于果蝇胚胎数据，在其他生物系统中的普适性有待验证	探究染色质可及性在转录因子识别顺式调控DNA序列中的作用机制	果蝇胚胎中的转录因子结合和染色质可及性	computational biology	NA	deep learning, high-resolution TF binding and chromatin accessibility analysis	interpretable deep learning model	genomic sequencing data	果蝇胚胎数据（具体数量未说明）
5	2025-05-14	Application of an artificial intelligence-based tool in [18F]FDG PET/CT for the assessment of bone marrow involvement in multiple myeloma 2023-10, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-023-06339-5 PMID:37493665	研究论文	本研究验证了一种基于三维深度学习的工具，用于自动化评估多发性骨髓瘤患者骨髓代谢强度的PET/CT图像分析	首次应用深度学习工具自动化评估多发性骨髓瘤患者的骨髓代谢强度，并验证其与临床相关参数的相关性	样本量较小（35例患者），需要在更大患者队列中进行前瞻性研究进一步验证	验证一种自动化评估多发性骨髓瘤患者骨髓代谢强度的PET/CT图像分析方法	多发性骨髓瘤患者的PET/CT图像	数字病理	多发性骨髓瘤	PET/CT成像	深度学习	医学影像	35例未经治疗的多发性骨髓瘤患者
6	2025-04-25	Structural characterization of an intrinsically disordered protein complex using integrated small-angle neutron scattering and computing 2023-10, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4772 PMID:37646172	研究论文	本文提出了一种结合小角中子散射和计算方法的集成方法，用于解析两个内在无序区域形成的复合物的结构集合	结合选择性氘标记的小角中子散射实验、微秒级全原子分子动力学模拟和基于自动编码器的深度学习算法，提出了一种新的集成方法来表征内在无序蛋白质的结构集合	实验时间尺度通常捕获的是多个构象的平均测量值，导致复杂的小角中子散射数据难以解析	研究内在无序蛋白质和蛋白质内在无序区域的结构集合，以理解其结构与功能关系	由两个内在无序区域形成的复合物	结构生物学	NA	小角中子散射(SANS)、分子动力学(MD)模拟、深度学习(DL)	自动编码器	中子散射数据、分子动力学模拟数据	NA
7	2025-04-06	DensePPI: A Novel Image-Based Deep Learning Method for Prediction of Protein-Protein Interactions 2023-10, IEEE transactions on nanobioscience IF:3.7Q3 DOI:10.1109/TNB.2023.3251192 PMID:37028059	研究论文	提出了一种基于图像的深度学习方法DensePPI，用于预测蛋白质-蛋白质相互作用	引入了一种颜色编码方案，将氨基酸的双字母相互作用可能性嵌入RGB颜色空间，以增强学习和预测任务	NA	预测蛋白质-蛋白质相互作用，以理解生物行为并识别疾病关联	蛋白质对	计算机视觉	NA	深度学习	CNN	图像	550万张128×128的子图像，来自近3.6万对相互作用和3.6万对非相互作用的基准蛋白质对
8	2025-04-06	Temporal Convolutional Network-Based Signal Detection for Magnetotactic Bacteria Communication System 2023-10, IEEE transactions on nanobioscience IF:3.7Q3 DOI:10.1109/TNB.2023.3262555 PMID:37030804	研究论文	本文提出了一种改进的时间卷积网络（TCN），用于基于磁趋细菌（MTB）的分子通信系统中的信号检测	提出了一种改进的TCN模型，用于MTB通信系统中的信号检测，展示了优于现有深度学习和次优MAP检测器的性能	在性能上仍不及最优MAP检测器，且在某些情况下与BiLSTM检测器表现相似	解决分子通信系统中由于符号间干扰和外部噪声导致的信号检测难题	磁趋细菌（MTB）作为信息载体的分子通信系统	机器学习	NA	深度学习（DL）	TCN（时间卷积网络）	信号数据	NA
9	2025-04-04	Accurate prediction of protein tertiary structural changes induced by single-site mutations with equivariant graph neural networks 2023-Oct-13, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.03.560758 PMID:37873289	research paper	开发了一种基于等变图神经网络（EGNN）的深度学习方法，用于直接预测单点突变引起的蛋白质三级结构变化	首次使用等变图神经网络（EGNN）直接预测单点突变引起的蛋白质三级结构变化，并显著优于广泛使用的蛋白质结构预测方法AlphaFold	未提及该方法在复杂突变或多点突变情况下的表现	研究蛋白质单点突变引起的三级结构变化	蛋白质及其单点突变体	machine learning	NA	equivariant graph neural networks (EGNN)	EGNN	protein tertiary structure data	NA
10	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）
11	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
12	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
13	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
14	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
15	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
16	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
17	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
18	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
19	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
20	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