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	2025-04-02	An Ensemble Deep Learning Algorithm for Structural Heart Disease Screening Using Electrocardiographic Images: PRESENT SHD 2024-Dec-27, medRxiv : the preprint server for health sciences DOI:10.1101/2024.10.06.24314939 PMID:39417095	研究论文	开发并验证了一种名为PRESENT-SHD的集成深度学习算法，用于通过心电图图像自动检测和预测结构性心脏病	首次利用12导联心电图图像开发集成深度学习模型PRESENT-SHD，实现多种结构性心脏病的自动化筛查和风险分层	研究主要基于医院数据，在普通人群中的验证样本量相对较小（ELSA-Brasil队列仅3014人）	开发可扩展的自动化工具用于结构性心脏病的早期筛查和风险预测	结构性心脏病患者（左室射血分数<40%、中重度左侧瓣膜疾病或严重左室肥厚）	数字病理学	心血管疾病	深度学习、XGBoost集成学习	CNN、XGBoost	图像（12导联心电图）	开发集：261,228份心电图（93,693名患者）；验证集：YNHH医院11,023人，外部医院44,591人，ELSA-Brasil队列3,014人
2	2025-04-02	[Identification of kidney stone types by deep learning integrated with radiomics features] 2024-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202310043 PMID:40000211	research paper	本文提出了一种结合放射组学和深度学习的框架，用于高精度自动分类肾结石类型	结合放射组学特征和CNN深度特征，通过LightGBM模型实现肾结石类型的自动化高精度分类	实验准确率为84.5%，仍有提升空间	实现肾结石类型的自动化术前分类	感染性和非感染性肾结石	digital pathology	kidney stone	radiomics, deep learning	3D CNN, LightGBM	medical imaging	NA
3	2025-04-02	[Cardiac magnetic resonance image segmentation based on lightweight network and knowledge distillation strategy] 2024-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202312015 PMID:40000210	研究论文	本文提出了一种轻量化的扩张并行卷积U-Net（DPU-Net）及多尺度适应向量知识蒸馏（MAVKD）训练策略，用于心脏磁共振图像分割	提出DPU-Net减少网络参数和浮点运算量，结合MAVKD策略提升分割精度	未提及具体局限性	解决深度学习网络在心脏MRI图像分割中参数量大、计算量高的问题	心脏磁共振图像	医学图像分割	心血管疾病	深度学习、知识蒸馏	DPU-Net（基于U-Net的改进模型）	医学影像（MRI）	公共数据集ACDC
4	2025-04-02	[Coronary artery segmentation based on Transformer and convolutional neural networks dual parallel branch encoder neural network] 2024-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202403058 PMID:40000209	research paper	提出了一种基于Transformer和CNN双并行分支编码器神经网络的新型冠状动脉分割模型DUNETR	采用Transformer和CNN双编码器设计，通过NRFF模块融合全局和局部特征，显著提升3D冠状动脉分割效果	未提及模型在临床实际应用中的验证情况	提升冠状动脉CTA图像分割的准确率	冠状动脉CTA图像	computer vision	cardiovascular disease	deep learning	DUNETR（Transformer+CNN双编码器U-Net）	3D医学图像	公开数据集（未说明具体样本量）
5	2025-04-02	[Research progress on endoscopic image diagnosis of gastric tumors based on deep learning] 2024-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.202404004 PMID:40000222	综述	本文综述了深度学习在胃肿瘤内镜图像分类、目标检测和分割中的应用，并总结了相关的计算机辅助诊断系统和多模态算法	总结了深度学习在胃肿瘤内镜诊断中的应用，并展望了未来研究方向	指出了当前深度学习方法存在的问题	促进深度学习方法在胃肿瘤内镜诊断中的临床应用	胃肿瘤内镜图像	数字病理学	胃癌	深度学习	NA	图像	NA
6	2025-04-02	State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging 2024-12, Radiographics : a review publication of the Radiological Society of North America, Inc IF:5.2Q1 DOI:10.1148/rg.240095 PMID:39612283	review	本文综述了深度学习CT重建算法在腹部成像中的最新进展及其临床应用	深度学习重建（DLR）算法能够有效减少低辐射剂量协议下的图像噪声，并提高重建速度，解决了传统CT图像重建算法在低辐射剂量下无法保持图像纹理和诊断性能的问题	文章概述了DLR算法在CT中的当前局限性，并展望了未来的发展方向	探讨深度学习CT重建算法的技术细节及其在腹部成像中的临床应用	深度学习CT重建算法及其在腹部CT成像中的应用	digital pathology	NA	deep learning reconstruction (DLR)	deep neural networks	image	NA
7	2025-04-02	Periapical lesion detection in periapical radiographs using the latest convolutional neural network ConvNeXt and its integrated models 2024-10-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-75748-9 PMID:39455655	研究论文	本研究提出了一种新型深度学习集成模型YoCNET，结合Yolov5的目标检测能力和ConvNeXt的图像分类能力，用于根尖周X光片中牙齿的自动分割和多颗牙齿根尖周病变的并发检测	提出YoCNET集成模型，首次将Yolov5的目标检测能力与ConvNeXt的图像分类能力相结合，实现牙齿自动分割和多颗牙齿根尖周病变的并发检测	乳牙被排除在数据集之外，可能影响模型在乳牙病变检测上的表现	开发一种能够同时识别根尖周X光片中多个病变目标的深度学习模型	根尖周X光片中的牙齿和根尖周病变	数字病理学	牙科疾病	深度学习	YoCNET (Yolov5 + ConvNeXt), YoRNET (Yolov5 + ResNet34)	X光图像	1305张根尖周X光片用于训练和验证，另外从200张X光片中提取717颗单独牙齿图像用于集成模型验证
8	2025-04-02	AI-enabled CT-guided end-to-end quantification of total cardiac activity in 18FDG cardiac PET/CT for detection of cardiac sarcoidosis 2024-Sep-23, medRxiv : the preprint server for health sciences DOI:10.1101/2024.09.20.24314081 PMID:39399046	research paper	提出了一种基于深度学习的全自动流程，用于通过CT衰减图分割心脏腔室来量化[18F]FDG PET活动，并评估了基于该框架的几种定量方法	首次提出了一种全自动的基于CT衰减图的心脏腔室分割方法，用于量化[18F]FDG PET活动，并评估了多种定量方法的预测性能	样本量较小（69例患者），且特异性较低（65%）	开发一种全自动的方法来量化[18F]FDG PET活动，以检测心脏结节病	疑似心脏结节病的患者	digital pathology	cardiac sarcoidosis	PET/CT, deep learning	DL	image	69例患者
9	2025-04-02	Computer Vision Identification of Trachomatous Inflammation-Follicular Using Deep Learning 2024-Sep-20, Cornea IF:1.9Q2 DOI:10.1097/ICO.0000000000003701 PMID:39312712	research paper	该研究开发并评估了一种基于深度学习的计算机视觉模型，用于识别沙眼性炎症-滤泡（TF），以减少调查成本并提高可靠性	首次使用MobileNetV3大型深度卷积神经网络（CNN）模型对沙眼性炎症-滤泡进行自动分类，显著提高了筛查效率和准确性	需要在具有不同TF流行率的多样化人群中进行进一步验证，以确保模型的泛化能力	开发一种能够准确、高效地进行大规模沙眼筛查的自动化方法	0至9岁儿童的56,725张眼睑内翻照片	computer vision	沙眼	deep learning	MobileNetV3 large CNN	image	56,725张照片来自11,358名儿童
10	2024-09-25	Construction of Risk Prediction Model of Type 2 Diabetic Kidney Disease Based on Deep Learning (Diabetes Metab J 2024;48:771-9) 2024-09, Diabetes & metabolism journal IF:6.8Q1 DOI:10.4093/dmj.2024.0490 PMID:39313234	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11	2025-04-02	Evaluating cell type deconvolution in FFPE breast tissue: application to benign breast disease 2024-Sep, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqae098 PMID:40162103	research paper	评估FFPE乳腺组织中细胞类型去卷积方法的应用，特别是在良性乳腺疾病中的表现	构建了乳腺组织的单细胞RNA-seq参考数据，并测试了多种去卷积方法，发现基于深度学习的Scaden方法在FFPE伪影影响下表现最优	FFPE伪影显著影响了去卷积方法的性能，RMSE在0.04到0.17之间	优化从FFPE样本中定义个体细胞类型组成的策略	FFPE乳腺组织样本	digital pathology	breast cancer	RNA-seq, single-cell RNA-seq	deep learning (Scaden)	RNA-seq数据	62例良性乳腺疾病RNA-seq样本
12	2025-04-02	AmyloidPETNet: Classification of Amyloid Positivity in Brain PET Imaging Using End-to-End Deep Learning 2024-06, Radiology IF:12.1Q1 DOI:10.1148/radiol.231442 PMID:38860897	research paper	开发了一种名为AmyloidPETNet的深度学习模型，用于对脑部PET扫描进行淀粉样蛋白阳性或阴性的自动分类	该模型能够在不依赖经验丰富的读者或结构MRI的情况下，自动准确地对脑部PET扫描进行分类	研究为回顾性研究，可能受到数据收集和处理方法的限制	开发并评估一种深度学习模型，用于分类脑部PET扫描中的淀粉样蛋白阳性或阴性	脑部PET扫描	digital pathology	Alzheimer's disease	PET imaging	deep learning	image	8476 PET scans (6722 patients)
13	2025-04-02	Artificial intelligence-powered pharmacovigilance: A review of machine and deep learning in clinical text-based adverse drug event detection for benchmark datasets 2024-04, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2024.104621 PMID:38447600	综述	本文综述了机器学习和深度学习方法在临床基准数据集中提取药物不良事件（ADEs）的有效性，并比较了这些方法在命名实体识别（NER）和关系分类（RC）任务中的优缺点	深入分析了机器学习和深度学习在药物不良事件提取中的表现，特别关注了BERT模型在端到端任务中的优异表现	研究仅基于有限的文献（12篇文章），且未涵盖所有可能的机器学习和深度学习方法	评估机器学习和深度学习方法在药物不良事件提取中的效果，推动药物安全监测和医疗保健结果的改进	临床基准数据集中的药物不良事件	自然语言处理	NA	命名实体识别（NER）、关系分类（RC）	BERT、梯度提升、多层感知机、随机森林	临床文本、生物医学文献、社交媒体数据、药物标签	275篇参考文献中的12篇文章
14	2025-04-02	Examining the Role of Passive Design Indicators in Energy Burden Reduction: Insights from a Machine Learning and Deep Learning Approach 2024-Feb-15, Building and environment IF:7.1Q1 DOI:10.1016/j.buildenv.2023.111126 PMID:39155966	研究论文	本研究结合深度学习和机器学习技术，探讨被动设计指标在降低住宅建筑能源负担中的作用	采用深度学习驱动的计算机视觉与机器学习相结合的方法，解决被动设计特征数据稀缺的问题	研究仅基于芝加哥大都市区的数据，可能无法推广到其他地区	评估被动设计特征对住宅能源负担的影响，为智能和可持续城市建设提供见解	芝加哥大都市区的住宅建筑	计算机视觉	NA	深度学习、机器学习	CNN、决策树回归、随机森林回归、支持向量回归	图像、人口统计数据	基于Google街景图像的芝加哥大都市区住宅建筑
15	2025-04-02	Deep learning of sleep apnea-hypopnea events for accurate classification of obstructive sleep apnea and determination of clinical severity 2024-02, Sleep medicine IF:3.8Q1 DOI:10.1016/j.sleep.2024.01.015 PMID:38232604	研究论文	本研究评估了一种结合鼻呼吸流量、外周血氧饱和度和心电图信号的深度学习方法，用于改进睡眠呼吸暂停/低通气事件的检测和阻塞性睡眠呼吸暂停的严重程度筛查	提出了一种结合多种生理信号和人口统计数据的Xception网络，显著提高了睡眠呼吸暂停/低通气事件的检测准确率和阻塞性睡眠呼吸暂停的严重程度分类性能	在低通气事件为主的参与者中分类错误较多	开发一种自动检测睡眠呼吸暂停/低通气事件并确定阻塞性睡眠呼吸暂停临床严重程度的方法	睡眠呼吸暂停/低通气事件和阻塞性睡眠呼吸暂停患者	机器学习	阻塞性睡眠呼吸暂停	多导睡眠图(PSG)	Xception网络	生理信号(呼吸流量、血氧饱和度、心电图)和人口统计数据	NA
16	2025-04-02	Sleep, physical activity and panic attacks: A two-year prospective cohort study using smartwatches, deep learning and an explainable artificial intelligence model 2024-02, Sleep medicine IF:3.8Q1 DOI:10.1016/j.sleep.2023.12.013 PMID:38154150	研究论文	一项为期两年的前瞻性队列研究，利用智能手表、深度学习和可解释的人工智能模型预测恐慌发作及焦虑状态	首次结合智能手表数据、深度学习和可解释AI方法预测恐慌发作及焦虑状态，并识别关键影响因素	样本量中等且依赖自评问卷	预测恐慌发作(PA)、状态焦虑(SA)、特质焦虑(TA)和恐慌障碍严重程度(PDS)	114名恐慌障碍(PD)患者	机器学习	恐慌障碍	RNN, LSTM, GRU深度学习模型及SHAP可解释方法	LSTM	可穿戴设备记录的睡眠、体力活动和心率数据，以及临床问卷数据	114名PD患者，数据收集时间为2020年6月16日至2022年6月10日
17	2025-04-01	Accurate de novo design of high-affinity protein binding macrocycles using deep learning 2024-Nov-18, bioRxiv : the preprint server for biology DOI:10.1101/2024.11.18.622547 PMID:39605685	研究论文	本文介绍了一种基于深度学习的去噪扩散管道RFpeptides，用于设计针对特定蛋白质靶点的大环肽结合物	首次提出了一种稳健的方法用于设计蛋白质结合大环肽，克服了传统大规模筛选方法的资源密集和结合模式控制不足的问题	研究仅测试了四种不同蛋白质的设计效果，样本量相对有限	开发一种高效、可定制的大环肽设计方法，用于诊断和治疗应用	蛋白质靶点的大环肽结合物	机器学习	NA	深度学习	去噪扩散模型	蛋白质序列和结构数据	针对四种不同蛋白质各测试了20个或更少的设计大环肽
18	2025-04-01	The Updated Registry of Fast Myocardial Perfusion Imaging with Next-Generation SPECT (REFINE SPECT 2.0) 2024-Nov-01, Journal of nuclear medicine : official publication, Society of Nuclear Medicine IF:9.1Q1 DOI:10.2967/jnumed.124.268292 PMID:39362762	research paper	介绍更新后的REFINE SPECT 2.0注册表的设计和初步结果，该注册表扩展了患者数量和CT衰减校正成像	更新后的注册表包含更多患者数据和CT衰减校正成像，利用深度学习软件检测冠状动脉钙化（CAC），并整合了多模态成像	仅有8.4%的患者有侵入性冠状动脉造影数据，CT衰减校正成像仅适用于13,405名患者	评估SPECT心肌灌注成像的价值，验证新的人工智能工具在多模态成像中预测不良结局的效果	45,252名来自13个中心的患者	digital pathology	cardiovascular disease	SPECT, CT attenuation correction imaging, deep learning	deep learning	image, clinical data	45,252名患者（55.9%男性，平均年龄64.7±11.8岁）
19	2024-10-02	Deep learning sharpens vistas on biodiversity mapping 2024-Oct-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2416358121 PMID:39348547	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
20	2025-04-01	A Deep Learning-based Pipeline for Segmenting the Cerebral Cortex Laminar Structure in Histology Images 2024-Oct, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-024-09688-0 PMID:39417954	研究论文	本文提出了一种基于深度学习的流程，用于在组织学图像中分割大脑皮层的层状结构	开发了一种新颖的计算框架，结合AI工具获取皮层标签，并使用深度学习模型进行皮层分层分割，相比现有方法在分割质量上有显著提升	仅针对普通狨猴的Nissl染色和髓鞘染色切片图像进行研究，未在其他物种或染色方法上验证	理解大脑皮层层状结构的解剖学特征及其连接模式，为神经系统疾病研究提供见解	普通狨猴大脑的Nissl染色和髓鞘染色切片图像	数字病理学	神经系统疾病	深度学习	深度学习模型（未明确具体类型）	图像	普通狨猴大脑切片图像（具体数量未说明）