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
181	2025-10-05	Development and evaluation of a deep learning framework for the diagnosis of malnutrition using a 3D facial points cloud: A cross-sectional study 2024-07, JPEN. Journal of parenteral and enteral nutrition DOI:10.1002/jpen.2643 PMID:38796717	研究论文	开发并评估了一个基于3D面部点云的深度学习框架用于营养不良诊断	首次使用3D面部点云数据和PointNet++深度学习模型进行营养不良诊断	样本量相对有限（482名患者），且为横断面研究设计	开发准确的营养不良诊断工具	营养不良患者	计算机视觉	营养不良	3D摄像技术	PointNet++	3D点云数据	482名患者（150名中度营养不良，54名重度营养不良）	NA	PointNet++	AUC, 准确率, 特异性, 敏感性, F1分数	NA
182	2025-10-05	Deep Learning-Based H-Score Quantification of Immunohistochemistry-Stained Images 2024-Feb, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2023.100398 PMID:38043788	研究论文	开发基于深度学习的自动算法用于免疫组化图像H-Score定量分析	首次提出仅基于苏木精染色训练深度学习模型进行区域识别，实现IHC图像的自动H-Score量化	未提及模型在多样本或不同组织类型上的泛化能力验证	提高免疫组化图像分析的效率和准确性	免疫组化染色图像	数字病理学	NA	免疫组化染色	深度学习	图像	NA	NA	NA	像素精度	NA
183	2025-10-05	Linking transcriptome and morphology in bone cells at cellular resolution with generative AI 2024-Dec-31, Journal of bone and mineral research : the official journal of the American Society for Bone and Mineral Research IF:5.1Q1 DOI:10.1093/jbmr/zjae151 PMID:39303095	观点文章	探讨生成式AI在细胞分辨率下整合骨细胞转录组与形态学数据的潜力与应用前景	首次系统提出将生成式AI应用于骨细胞多模态数据整合，实现细胞分辨率下的转录组与形态学关联分析	骨单细胞数据存在技术偏差、重要骨细胞类型缺乏分析、空间信息不足等问题需要解决	推动生成式AI在骨细胞生物学研究中的应用发展	骨细胞	计算机视觉,自然语言处理,机器学习	骨骼疾病	单细胞测序,空间转录组学	生成式AI	组织学图像,单细胞分子数据,空间转录组数据	NA	NA	NA	NA	NA
184	2025-10-05	Deep learning based binary classification of diabetic retinopathy images using transfer learning approach 2024-Dec, Journal of diabetes and metabolic disorders IF:1.8Q4 DOI:10.1007/s40200-024-01497-1 PMID:39610484	研究论文	提出基于迁移学习的深度学习二分类方法，用于糖尿病视网膜病变图像的自动诊断	使用20种预训练网络进行迁移学习，结合三种鲁棒数据集，通过数据预处理和增强技术提升模型性能	仅进行二分类（健康/不健康），未细分糖尿病视网膜病变的严重程度等级	开发准确的糖尿病视网膜病变自动检测系统，实现早期诊断	糖尿病患者的视网膜图像	计算机视觉	糖尿病视网膜病变	深度学习，迁移学习	CNN	医学图像	来自三个数据库（DRD-EyePACS、IDRiD、APTOS-2019）的组合数据集	NA	ResNet101, 及其他19种预训练网络（分为Series、DAG和轻量级三类）	准确率, 灵敏度, 特异性, 精确率, F1分数, ROC-AUC	NA
185	2025-10-05	Using machine learning to identify risk factors for short-term complications following thumb carpometacarpal arthroplasty 2024-Dec, Journal of hand and microsurgery IF:0.3Q4 DOI:10.1016/j.jham.2024.100156 PMID:39669732	研究论文	本研究使用机器学习技术分析拇指腕掌关节成形术后的短期并发症风险因素	首次在拇指CMC关节成形术领域应用多种机器学习算法进行并发症预测，并识别关键风险因素	模型预测性能中等（AUC 0.55-0.61），仅使用30天短期随访数据	预测拇指腕掌关节成形术后短期并发症和再手术风险	接受拇指CMC关节成形术的患者	机器学习	骨关节炎	机器学习分析	Random Forest, Elastic-Net Regression, XGBoost, Neural Network	临床数据	7711例手术病例	NA	随机森林、弹性网络回归、极端梯度提升树、神经网络	AUC	NA
186	2025-10-05	Impact of wearable device data and multi-scale entropy analysis on improving hospital readmission prediction 2024-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocae242 PMID:39301656	研究论文	本研究通过可穿戴设备数据和多尺度熵分析改进医院再入院预测模型	首次将多尺度熵分析应用于可穿戴设备时间序列数据，结合LSTM深度学习模型预测90天内非计划再入院	回顾性研究设计，需要前瞻性研究验证结果，样本量相对有限	提高医院非计划再入院的预测准确性	612名拥有可穿戴设备数据的出院患者	机器学习	老年疾病	可穿戴设备监测，多尺度熵分析	FNN, LSTM	时间序列数据，人口统计学数据，实验室数据	612名患者，来自35家医疗机构	NA	前馈神经网络，长短期记忆网络	ROC曲线下面积	NA
187	2025-10-05	Deep learning for the harmonization of structural MRI scans: a survey 2024-Aug-31, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-024-01280-6 PMID:39217355	综述	本文系统综述了基于深度学习的结构MRI图像协调方法，分析不同网络架构和算法的优缺点	首次从网络架构、学习算法、监督策略和输出类型四个维度系统分析结构MRI协调技术，特别关注解耦表示学习等新兴方法	缺乏不同方法间的全面定量比较，评估标准不统一	为研究人员和从业者选择合适图像协调架构提供指导，推动该领域发展	结构MRI医学图像	医学图像处理	NA	磁共振成像(MRI)	深度学习	医学图像	NA	NA	U-Net,GAN,VAE,流式生成模型,Transformer,自定义网络架构	常用评估指标	NA
188	2025-10-05	Cardiovascular Disease Risk Stratification Using Hybrid Deep Learning Paradigm: First of Its Kind on Canadian Trial Data 2024-Aug-28, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14171894 PMID:39272680	研究论文	本研究开发了一种基于混合深度学习的AtheroEdge™ 3.0HDL系统，用于心血管疾病风险分层	首次在加拿大试验数据上应用混合深度学习范式进行心血管疾病风险分层，相比单向深度学习、双向深度学习和机器学习范式有显著性能提升	研究样本量相对有限（500人），需要在更大人群中进一步验证	开发并验证基于颈动脉斑块特征的混合深度学习系统用于心血管疾病风险分层	接受颈动脉B型超声和冠状动脉造影检查的500名患者	数字病理	心血管疾病	颈动脉B型超声，冠状动脉造影	混合深度学习，单向深度学习，双向深度学习，机器学习	医学影像数据	500名患者	NA	AtheroEdge™ 3.0HDL	p值，曲线下面积	NA
189	2025-10-05	Using artificial intelligence to study atherosclerosis from computed tomography imaging: A state-of-the-art review of the current literature 2024-11, Atherosclerosis IF:4.9Q1 DOI:10.1016/j.atherosclerosis.2024.117580 PMID:38852022	综述	本文综述了人工智能在计算机断层扫描成像中研究动脉粥样硬化的最新文献进展	介绍了基于深度学习的斑块分析新方法及新兴的放射转录组学技术，并提及国际大型ORFAN研究平台	讨论了当前AI方法的局限性及需要解决的挑战	开发AI风险评估工具以检测易损动脉粥样硬化斑块并指导治疗策略	冠状动脉炎症、冠状动脉斑块及相关风险	医学影像分析	心血管疾病	计算机断层扫描(CT)	CNN	CT图像	NA	NA	卷积神经网络	NA	NA
190	2025-10-05	Influence of training and expertise on deep neural network attention and human attention during a medical image classification task 2024-04-01, Journal of vision IF:2.0Q2 DOI:10.1167/jov.24.4.6 PMID:38587421	研究论文	本研究比较了人类专家与深度学习模型在医学图像分类任务中的视觉注意力机制	首次直接比较人类视觉注意力与机器视觉注意力在相同医学诊断任务中的表现，并发现模型注意力与专家注意力的相似性	研究仅限于小肠内窥镜图像和克罗恩病诊断，样本来源相对单一	探索人类专家与深度学习模型在视觉决策过程中的相似性，为医学培训和新算法设计提供参考	新手和胃肠病学专家参与者，以及三种深度学习模型	计算机视觉	克罗恩病	眼动追踪，深度学习	深度学习模型	医学图像，眼动数据	新手和胃肠病学专家参与者，具体数量未明确说明	NA	三种最先进的深度学习模型架构	注意力相似性比较	NA
191	2025-10-05	Improved robustness for deep learning-based segmentation of multi-center myocardial perfusion cardiovascular MRI datasets using data-adaptive uncertainty-guided space-time analysis 2024, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2024.101082 PMID:39142567	研究论文	提出一种数据自适应不确定性引导时空分析方法，用于提高多中心心肌灌注心血管MRI数据集分割的鲁棒性	利用空间-时间滑动补丁分析自动生成像素级不确定性图，并通过DNN池选择最优分割方案	训练数据有限，仅包含三个医疗中心的150名受试者数据	开发能够分析多中心数据集的深度学习技术，克服训练数据有限和软硬件差异的挑战	心肌灌注心血管磁共振成像数据集	医学影像分析	心血管疾病	心血管磁共振成像	深度神经网络	医学影像	150名受试者（21,150张首过图像），包含内部数据集（95名）和外部数据集（55名）	NA	时空U-Net	Dice系数	NA
192	2025-10-05	Accelerated chemical shift encoded cardiovascular magnetic resonance imaging with use of a resolution enhancement network 2024, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2024.101090 PMID:39243889	研究论文	开发基于深度学习的快速化学位移编码技术，用于加速心血管磁共振成像	提出基于超分辨率生成对抗网络的FastCSE方法，首次将复杂值图像锐化增强应用于化学位移编码心血管成像	研究样本量有限，前瞻性研究仅包含21名参与者	开发加速心血管磁共振化学位移编码成像的深度学习技术	心肌脂肪成像	医学影像分析	心血管疾病	化学位移编码磁共振成像，两点Dixon重建	GAN	磁共振图像	训练集1519名患者，前瞻性研究21名参与者（16名患者+5名健康人）	NA	超分辨率生成对抗网络	模糊度量指标，方差分析	NA
193	2025-10-06	Enhancing predictive analytics in mandibular third molar extraction using artificial intelligence: A CBCT-Based study 2024-Dec, The Saudi dental journal DOI:10.1016/j.sdentj.2024.11.007 PMID:40952877	研究论文	本研究开发了一种基于CBCT报告的人工智能预测模型，用于预测下颌第三磨牙拔除的难度	首次将基于规则的NLP算法与深度学习神经网络相结合，从CBCT报告中自动提取特征并预测拔牙难度	回顾性研究设计，样本量相对有限（738例CBCT报告）	开发AI驱动的预测模型来评估下颌第三磨牙拔除的复杂性	下颌第三磨牙的CBCT影像报告	自然语言处理	口腔疾病	CBCT（锥形束CT）	深度学习神经网络	文本数据（CBCT报告）	738份CBCT报告（训练集556份，验证集182份）	NA	深度学习神经网络	准确率, 精确率, 召回率, F1分数	NA
194	2025-10-06	Human microscopic vagus nerve anatomy using deep learning on 3D-MUSE images 2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3009682 PMID:40949787	研究论文	本研究使用深度学习技术对3D-MUSE图像中的人类迷走神经进行微观解剖分析，旨在构建首个迷走神经连接组	开发了3D-MUSE成像技术用于迷走神经微观解剖研究，并首次应用多种深度学习模型进行自动分割	训练样本数量有限（仅25张标注图像），需要更多样本进一步提升模型性能	构建人类迷走神经连接组以支持神经调控治疗的建模	人类迷走神经微观解剖结构	数字病理学	NA	3D-MUSE成像技术	CNN, Transformer	3D显微图像	25张手动标注图像和200张未标注图像	NA	U-Net, Attention U-Net, Vision Transformer, U-Net Transformer	Dice系数	NA
195	2025-10-06	PseudoCell: Hard Negative Mining as Pseudo Labeling for Deep Learning-Based Centroblast Cell Detection 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2024.3407351 PMID:39050971	研究论文	提出一种名为PseudoCell的目标检测框架，用于在数字病理全切片图像中自动检测中心母细胞	通过将困难负样本挖掘作为伪标记策略，减少对病理学家精细标注的依赖	未明确说明模型在多样化数据集上的泛化能力	开发自动化的中心母细胞检测方法以辅助滤泡性淋巴瘤分级	数字病理全切片图像中的中心母细胞	数字病理	滤泡性淋巴瘤	深度学习，细胞形态特征分析	目标检测模型	全切片图像	NA	NA	NA	组织区域排除率(58.18-99.35%)	NA
196	2025-10-06	UKSSL: Underlying Knowledge Based Semi-Supervised Learning for Medical Image Classification 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2023.3305190 PMID:38899016	研究论文	提出一种基于底层知识的半监督学习框架UKSSL，用于医学图像分类	通过MedCLR从未标记数据中提取特征表示，结合UKMLP利用有限标记数据进行微调，在仅使用50%标记数据的情况下性能优于完全监督方法	NA	解决医学图像分析中标记数据稀缺的问题，提高有限标记数据下的分类性能	医学图像分类	计算机视觉	肺癌	深度学习	半监督学习	医学图像	LC25000和BCCD数据集，使用50%标记数据	NA	MedCLR, UKMLP	准确率, 精确率, 召回率, F1分数	NA
197	2025-10-06	Simultaneous EEG-fNIRS Data Classification Through Selective Channel Representation and Spectrogram Imaging 2024, IEEE journal of translational engineering in health and medicine IF:3.7Q2 DOI:10.1109/JTEHM.2024.3448457 PMID:39247844	研究论文	提出一种多模态DenseNet融合模型，通过将EEG数据转换为二维图像并与fNIRS特征融合，提升脑机接口中EEG-fNIRS数据的分类性能	通过短时傅里叶变换将EEG数据转换为二维图像，结合选择性通道表示和频谱图成像技术，有效整合EEG的时间丰富性和fNIRS的空间特异性	NA	解决EEG-fNIRS数据融合中特征选择效率低的问题，提升脑机接口的分类准确性和多功能性	脑电图（EEG）和功能性近红外光谱（fNIRS）数据	脑机接口	神经诊断与康复	短时傅里叶变换，频谱熵特征提取	深度学习	EEG信号，fNIRS信号，二维图像	两个公共数据集	NA	多模态DenseNet融合模型（MDNF）	分类准确率	NA
198	2025-10-06	Deep Learning and fMRI-Based Pipeline for Optimization of Deep Brain Stimulation During Parkinson's Disease Treatment: Toward Rapid Semi-Automated Stimulation Optimization 2024, IEEE journal of translational engineering in health and medicine IF:3.7Q2 DOI:10.1109/JTEHM.2024.3448392 PMID:39247846	研究论文	提出一种基于深度学习和fMRI的深度脑刺激优化流程，用于帕金森病治疗	将深度脑刺激优化时间从约1年缩短至数小时，实现快速半自动化参数优化	研究基于39名先前临床优化的患者数据，样本量有限	优化帕金森病治疗中的深度脑刺激参数设置	39名接受深度脑刺激治疗的帕金森病患者	医学影像分析	帕金森病	fMRI，血氧水平依赖功能磁共振成像	自编码器，多层感知机	fMRI影像数据	122个fMRI数据集，来自39名患者	NA	自编码器，多层感知机	准确率，精确率，召回率，F1分数，AUC	NA
199	2025-10-06	Masked Modeling-Based Ultrasound Image Classification via Self-Supervised Learning 2024, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2024.3374966 PMID:38606402	研究论文	提出一种基于掩码建模的自监督学习方法用于超声图像分类	设计了三种掩码策略（随机、垂直、水平掩码）的预训练方法，并提出新的困难样本挖掘策略	未提及方法在更大规模数据集上的泛化能力	解决超声图像分类中标注数据稀缺和困难样本问题	超声图像数据	计算机视觉	NA	自监督学习	深度学习	图像	在两个数据集上进行实验	NA	掩码建模	分类性能	NA
200	2025-10-06	Intelligent Recognition and Segmentation of Blunt Craniocerebral Injury CT Images Based on DeepLabV3+ Model 2024-Oct-25, Fa yi xue za zhi DOI:10.12116/j.issn.1004-5619.2024.440801 PMID:39992333	研究论文	基于DeepLabV3+模型实现钝性颅脑损伤CT图像的智能识别与分割	首次将DeepLabV3+模型应用于法医学领域钝性颅脑损伤的自动诊断，并探索了活体CT图像训练模型在尸体CT图像上的应用价值	直接使用活体颅脑损伤模型进行尸体损伤识别存在一定局限性，在尸体CT图像上的分割性能相对较差	探索深度学习在法医学钝性颅脑损伤自动诊断中的应用价值	钝性颅脑损伤CT图像，包括活体和尸体来源	计算机视觉	颅脑损伤	CT成像	CNN	医学图像	活体CT图像5486张（训练/验证/测试集），活体盲测集255张损伤图像+156张正常图像，尸体盲测集340张损伤图像+120张正常图像	NA	DeepLabV3+	Dice系数,准确率,精确率,F1值	NA