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
521	2025-10-31	AI-Powered Telemedicine for Automatic Scoring of Neuromuscular Examinations 2024-Sep-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11090942 PMID:39329684	研究论文	开发基于人工智能的远程医疗工具，用于自动化重症肌无力神经肌肉检查的评分	首次将计算机视觉、深度学习和自然语言处理技术结合，用于远程医疗视频的自动分段和神经肌肉检查的定量评估	NA	提高重症肌无力评估的效率和准确性，减少人为评估的主观性	重症肌无力患者的远程医疗视频检查	计算机视觉,自然语言处理	重症肌无力	远程医疗视频分析	深度学习模型	视频,临床评估数据	NA	NA	NA	NA	NA
522	2025-10-29	A Robust and Data-Efficient Deep Learning Model for Cardiac Assessment without Segmentation 2024-Oct-28, Research square DOI:10.21203/rs.3.rs-5290766/v1 PMID:39574901	研究论文	提出一种无需心室分割的鲁棒且数据高效深度学习模型用于心脏评估	通过分解和转换卷积编码器输出估计与心动周期相关的帧级权重，无需分割模型即可处理噪声输入	未明确说明模型在极端噪声条件下的性能表现	开发无需心室分割的鲁棒心脏评估深度学习算法	经胸超声心动图视频数据	计算机视觉	心血管疾病	深度学习	R(2+1)D CNN	视频	NA	NA	R(2+1)D卷积编码器	NA	NA
523	2025-10-29	Predicting the effort required to manually mend auto-segmentations 2024-Jun-13, medRxiv : the preprint server for health sciences DOI:10.1101/2024.06.12.24308779 PMID:38947045	研究论文	本研究探讨如何评估医学图像自动分割结果所需的人工修正工作量	提出混合指标Mendability Index (MI)评估修正工作量，并探索使用深度学习模型预测修正工作量的可行性	研究仅基于7个对象的数据集，样本量相对有限	探索评估医学图像自动分割结果临床适用性的合适方法	医学图像自动分割结果及其人工修正过程	医学图像分析	NA	CT成像	深度学习模型	CT图像, 分割掩码	来自三个不同机构的7个对象数据集	NA	NA	Dice系数, Hausdorff距离, 表面Dice系数, 添加路径长度, Mendability指数	NA
524	2025-10-28	Deep learning analysis of histopathological images predicts immunotherapy prognosis and reveals tumour microenvironment features in non-small cell lung cancer 2024-Dec, British journal of cancer IF:6.4Q1 DOI:10.1038/s41416-024-02856-8 PMID:39455880	研究论文	本研究开发了一种基于深度学习分析H&E组织病理图像的免疫检查点抑制剂预后预测模型	首次基于H&E染色图像开发免疫相关病理预后特征，采用改进的ResNet模型结合渐进式增长策略和AdamW优化器	样本量相对有限，仅包含本地队列106例和TCGA队列899例患者	预测非小细胞肺癌患者对免疫检查点抑制剂的治疗反应和预后	非小细胞肺癌患者的H&E染色组织病理图像	数字病理	肺癌	H&E染色	CNN	图像	本地队列106例，TCGA队列899例	PyTorch	ResNet18-PG	AUC, 召回率, 风险比, 对数秩检验P值	NA
525	2025-10-27	Deep learning-based automatic contour quality assurance for auto-segmented abdominal MR-Linac contours 2024-Oct-25, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad87a6 PMID:39413822	研究论文	开发基于深度学习的自动轮廓质量评估模型，用于评估腹部MR-Linac中自动分割的胰腺和十二指肠轮廓质量	首次提出基于3D卷积神经网络的自动轮廓质量评估模型，能够快速识别需要编辑的自动分割轮廓	训练数据集规模有限（103个数据集），且使用内部开发的轮廓分类工具进行质量标注	优化MR引导在线自适应放疗中自动分割轮廓的质量保证流程	腹部MRI中的胰腺和十二指肠自动分割轮廓	数字病理	腹部恶性肿瘤	MRI	CNN	3D医学图像	103个训练数据集，34个独立测试数据集	NA	3D卷积神经网络	准确率	NA
526	2025-10-25	Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation 2024, The journal of machine learning for biomedical imaging DOI:10.59275/j.melba.2024-g93a PMID:40453064	研究论文	本研究通过降维和最近邻方法改进医学图像分割中的分布外检测	将马氏距离和k近邻距离应用于分割模型的瓶颈特征，结合PCA和UMAP降维技术，显著提升分布外检测性能	方法仅在肝脏分割任务上验证，需要扩展到其他器官和模态	提高医学图像分割模型对分布外数据的检测能力	T1加权磁共振成像和计算机断层扫描的肝脏图像	计算机视觉	肝脏疾病	医学图像分割	Swin UNETR, nnU-net	医学图像	NA	NA	Swin UNETR, nnU-net	检测性能	NA
527	2025-10-23	Bayesian-Edge system for classification and segmentation of skin lesions in Internet of Medical Things 2024-Aug, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13878 PMID:39081158	研究论文	提出一种结合贝叶斯推理和边缘智能的皮肤病变分割模型	首次将贝叶斯推理与边缘智能相结合用于皮肤病变分割，在不增加计算参数的情况下提升诊断性能	NA	开发高效的皮肤病变分类和分割系统	皮肤病变图像	计算机视觉	皮肤疾病	深度学习	贝叶斯-边缘网络	图像	NA	NA	贝叶斯-边缘网络	分割性能	边缘计算
528	2025-10-23	Artificial Intelligence Models Are Limited in Predicting Clinical Outcomes Following Hip Arthroscopy: A Systematic Review 2024-Aug-01, JBJS reviews IF:1.7Q2 DOI:10.2106/JBJS.RVW.24.00087 PMID:39172870	系统评价	系统评价分析了人工智能模型在预测髋关节镜术后临床结局方面的应用现状和局限性	首次系统评估AI模型在髋关节镜手术预后预测领域的应用效果和泛化能力	纳入研究数量有限（13项），所有模型均未经过外部验证，限制了临床适用性	评估基于AI的预测模型在髋关节镜手术中的结局预测性能、有效性和泛化能力	接受髋关节镜手术的患者	机器学习	骨科疾病	人工智能预测模型	NA	临床数据	13项研究（共6,568例患者）	NA	NA	AUC, 准确率	NA
529	2025-10-23	Machine Learning-Assisted Decision Making in Orthopaedic Oncology 2024-Jul-01, JBJS reviews IF:1.7Q2 DOI:10.2106/JBJS.RVW.24.00057 PMID:38991098	综述	探讨机器学习在骨肿瘤科临床决策辅助中的应用现状与前景	系统阐述机器学习在骨肿瘤影像评估和生存预测中的创新应用	面临数据多样性不足、伦理问题和模型可解释性等挑战	评估机器学习在骨肿瘤临床决策支持中的潜力	原发性肉瘤和转移性骨病患者	机器学习	骨肿瘤	影像组学	机器学习算法	医学影像, 临床数据	NA	NA	NA	准确率	NA
530	2025-10-19	Exploring the uncertainty principle in neural networks through binary classification 2024-Nov-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-79028-4 PMID:39551816	研究论文	通过不确定性原理探索神经网络在准确性与鲁棒性之间的内在权衡关系	首次将量子力学中的不确定性原理引入神经网络分析，为理解模型脆弱性提供理论框架	研究主要基于理论分析，缺乏大规模实验验证	揭示神经网络准确性与对抗攻击鲁棒性之间的内在矛盾关系	神经网络模型	机器学习	NA	理论分析	神经网络	NA	NA	NA	NA	准确率, 鲁棒性	NA
531	2025-10-19	Decoding the brain: From neural representations to mechanistic models 2024-Oct-17, Cell IF:45.5Q1 DOI:10.1016/j.cell.2024.08.051 PMID:39423801	综述	本文详细阐述神经编码与解码的核心概念及其在运动、视觉和语言处理领域的应用	整合深度学习等数学工具系统解析神经编码与解码机制，推动基础与转化神经科学发展	NA	探讨大脑分布式计算中神经编码与解码的数学原理及其应用	大脑神经元网络与分布式神经回路	神经科学	NA	深度学习	NA	神经信号数据	NA	NA	NA	NA	NA
532	2025-10-16	Deep learning-based virtual H& E staining from label-free autofluorescence lifetime images 2024, Npj imaging DOI:10.1038/s44303-024-00021-7 PMID:38948152	研究论文	提出基于深度学习的虚拟H&E染色方法，可从无标记荧光寿命图像生成临床级虚拟染色图像	首次将荧光寿命信息作为额外维度整合到深度学习模型中，实现从无标记FLIM图像到虚拟H&E染色图像的准确重建	未明确说明模型在跨癌症类型应用时的泛化能力评估	开发无需生物标志物的组织病理学分析方法，实现FLIM图像的即时准确解读	肿瘤微环境中的七种常见细胞类型	数字病理学	多癌种	荧光寿命成像显微镜(FLIM)	深度学习	无标记荧光寿命图像，强度图像	NA	NA	NA	图像质量指标	NA
533	2025-10-15	Automated classification of cellular expression in multiplexed imaging data with Nimbus 2024-Jun-03, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.02.597062 PMID:38895405	研究论文	开发了名为Nimbus的深度学习模型，用于从多重成像数据中自动分类细胞标记物表达	创建了包含1.97亿个标记物表达注释的Pan-M数据集，并开发了无需重新训练即可跨不同细胞类型、组织和显微镜平台应用的预训练模型	NA	开发自动化工具来准确表征组织空间拓扑结构中的细胞表型	多重成像数据中的细胞标记物表达	数字病理学	NA	多重成像	深度学习	图像	包含1.97亿个标记物表达注释，涵盖15种不同细胞类型	NA	NA	NA	NA
534	2025-10-13	Characterization of arteriosclerosis based on computer-aided measurements of intra-arterial thickness 2024-Sep, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.5.057501 PMID:39398866	研究论文	开发基于计算机视觉的动脉内厚度测量方法，用于量化肾脏活检数字病理图像中的动脉粥样硬化	首次提出结合多类深度学习分割和径向采样的动脉内形态量化方法，通过数值模拟验证测量技术的鲁棒性	研究样本量有限（仅33个全切片图像），仅使用三色染色图像，未验证其他染色类型	开发计算生物标志物用于动脉粥样硬化的量化表征	肾脏活检数字病理图像中的动脉结构	计算机视觉	动脉粥样硬化	数字病理成像	深度学习分割模型	图像	33个三色染色全切片图像中的753条动脉（训练集：24个WSI的648条动脉；测试集：9个WSI的105条动脉）	NA	NA	Dice系数	NA
535	2025-10-06	A medical image classification method based on self-regularized adversarial learning 2024-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.17320 PMID:39078069	研究论文	提出一种基于自正则化对抗学习的医学图像分类框架GAN-DL，通过对抗网络提供补充正则化来提升分类性能	创新性地将GAN模型作为补充正则化项来支持分类任务，无需额外数据标注即可自动生成正则化损失函数	未明确说明计算资源需求和模型训练时间，在两个数据集上的验证需要扩展到更多医学影像类型	开发一种能够应对医学图像小样本、类别不平衡和质量变异等挑战的分类方法	COVID-19胸部X光图像和口咽鳞状细胞癌PET图像	计算机视觉	COVID-19, 口咽鳞状细胞癌	医学影像分析	GAN, CNN	图像	COVID-19数据集13,958张胸部X光图像，OPSCC数据集3,255张PET图像	NA	特征提取网络(F-Net), 分类器, 重建网络(R-Net), 判别器网络(D-Net)	精确率, 敏感度, 特异度, F1分数	NA
536	2025-10-05	Evaluating the Quality of Brain MRI Generators 2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-72117-5_28 PMID:40364898	研究论文	提出一个评估脑部MRI生成模型质量的框架，重点关注生成图像的解剖结构合理性	开发了一个专门针对脑部MRI生成模型的评估框架，通过标准化处理和自动分割来量化解剖结构合理性，解决了传统自然图像评估指标的不足	仅评估了6种生成模型，样本量相对有限；框架依赖于分割结果的可靠性	改进脑部MRI生成模型的评估方法，使其更好地反映解剖结构的合理性	脑部结构MRI图像	医学影像分析	脑部疾病	深度学习生成模型	生成模型	MRI图像	超过3000个脑部MRI	NA	6种最先进的生成模型	解剖结构合理性量化指标	NA
537	2025-10-05	Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning 2024-Sep-12, ArXiv PMID:39314499	研究论文	本研究提出一种基于深度学习的数字体积活检核心方法，用于改进前列腺癌的Gleason分级	提出新型数字病理数据源'体积核心'，通过形态保持对齐框架从连续组织切片中提取并对齐，并采用改进的视频变换器处理体积数据	NA	开发深度学习方法来改进前列腺癌的Gleason分级	前列腺癌活检组织	数字病理学	前列腺癌	数字病理学，连续组织切片	注意力多实例学习(ABMIL)，视频变换器	体积图像数据	10,210个体积核心	PyTorch	改进的视频变换器，注意力多实例学习框架	AUC，F1分数，精确度，召回率	NA
538	2025-10-05	Optimizing mammography interpretation education: leveraging deep learning for cohort-specific error detection to enhance radiologist training 2024-Sep, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.5.055502 PMID:39372519	研究论文	本研究探索利用卷积神经网络和迁移学习对乳腺X线摄影中的假阳性区域进行分类，以优化放射科医师培训	首次针对具有相似地理特征的放射科医师群体，开发基于深度学习的假阳性错误检测方法	概念验证研究，样本量有限，仅包含两个地理群体	通过深度学习技术优化乳腺X线摄影解读培训	乳腺X线摄影图像中的假阳性区域	计算机视觉	乳腺癌	乳腺X线摄影	CNN	图像	两个地理群体（群体A和B）的放射科医师评估的乳腺X线摄影测试集	NA	ResNet-50	AUC	NA
539	2025-10-05	qMAP enabled microanatomical mapping of human skin aging 2024-Jul-06, bioRxiv : the preprint server for biology DOI:10.1101/2024.04.03.588011 PMID:39005293	研究论文	本研究开发了一种名为qMAP的组织图像分析工作流程，用于定量分析人类皮肤衰老过程中的微观解剖结构变化	首次建立了能够全面标记组织和细胞区室的定量微观解剖表型分析工作流程，填补了组织水平衰老研究的空白	研究仅针对皮肤组织，样本量相对有限（99名捐赠者），需要进一步验证在其他组织类型中的适用性	开发定量分析组织微观解剖结构的方法，探索皮肤衰老的组织水平特征	人类皮肤组织样本	数字病理学	衰老相关疾病	组织切片成像，深度学习，机器视觉	深度学习	组织图像	99名年龄在14-92岁之间的捐赠者	NA	NA	平均绝对误差（MAE）	NA
540	2025-10-05	Prediction of MRI-Induced Power Absorption in Patients with DBS Leads 2024-Jun, Proceedings. IEEE International Symposium on Computer-Based Medical Systems DOI:10.1109/cbms61543.2024.00087 PMID:41030917	研究论文	使用机器学习和深度学习算法预测深部脑刺激患者MRI扫描中DBS导线尖端的局部比吸收率值	首次将XgBoost和残差网络家族应用于DBS患者MRI功率吸收预测，显著超越了现有最佳方法的性能	研究处于小数据机制，已提取的有限特征更适合集成学习而非深度网络	开发高效算法预测DBS患者MRI扫描时的组织加热风险	植入深部脑刺激系统的患者	机器学习	神经系统疾病	电磁仿真，MRI	XgBoost，深度学习	仿真数据	260个实例（包含患者来源和人工生成数据）	XgBoost	残差网络家族	RMSE	NA