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
941	2025-04-08	Deep learning for intracranial aneurysm segmentation using CT angiography 2024-Jul-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad6372 PMID:39008990	研究论文	本研究采用两阶段深度学习方法，在计算机断层扫描血管造影图像中准确检测小动脉瘤（4-10毫米大小）	提出了一种轻量级且快速的头部区域选择（HRS）算法和自适应的3D nnU-Net网络，用于分割动脉瘤，并将推理时间减少了50%以上	未提及	准确检测和分割小动脉瘤	计算机断层扫描血管造影图像中的小动脉瘤	计算机视觉	心血管疾病	计算机断层扫描血管造影（CTA）	3D nnU-Net	图像	956名患者来自6家医院和一个公共数据集，使用6台不同制造商的CT扫描仪获取
942	2025-04-08	Evaluation of enzyme activity predictions for variants of unknown significance in Arylsulfatase A 2024-Jun-17, bioRxiv : the preprint server for biology DOI:10.1101/2024.05.16.594558 PMID:38798479	research paper	评估机器学习方法在预测未知意义变异（VUS）对芳基硫酸酯酶A（ARSA）基因功能影响方面的性能	一项由遗传学和编程训练营参与者开发的模型在预测性能上表现最佳，且深度学习方法的预测性能有显著提升	研究中仅使用了219个实验验证的错义VUS，样本量可能有限	评估机器学习方法在预测VUS功能影响方面的准确性及其在遗传和临床研究中的潜在应用	芳基硫酸酯酶A（ARSA）基因中的219个错义VUS	machine learning	NA	machine learning, deep learning	NA	genetic variants	219个实验验证的错义VUS
943	2025-04-08	Critical assessment of missense variant effect predictors on disease-relevant variant data 2024-Jun-08, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.06.597828 PMID:38895200	研究论文	评估错义变异效应预测工具在疾病相关变异数据上的性能	通过CAGI6挑战赛评估多种错义变异效应预测工具，包括临床遗传学社区常用工具和最新开发的深度学习方法，并探讨了不同临床和研究应用场景下的性能表现	评估数据集中可能存在标签不平衡问题，且某些预测工具在区分致病性变异和极罕见良性变异时性能下降	评估错义变异效应预测工具的临床和研究实用性，并为未来改进提供方向	错义变异效应预测工具	生物信息学	遗传病	深度学习	NA	基因组数据	来自疾病相关数据库的罕见错义变异数据集
944	2025-04-07	Identifying nucleotide-binding leucine-rich repeat receptor and pathogen effector pairing using transfer-learning and bilinear attention network 2024-Oct-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae581 PMID:39331576	研究论文	提出了一种名为ProNEP的深度学习算法，用于高通量识别NLR-效应子对	将CNE预测任务概念化为蛋白质-蛋白质相互作用预测任务，并结合迁移学习和双线性注意力网络进行预测	CNE数据非常稀缺，已知的CNE数量远少于已确认的NLR数量	识别NLR与效应子之间的对应关系，以促进生物学、免疫学和育种研究	核苷酸结合富含亮氨酸重复序列受体（NLR）和病原体效应子	生物信息学	NA	深度学习	双线性注意力网络	蛋白质序列数据	91,291个NLR和387个已知CNE
945	2025-04-07	Interpretable Cognitive Ability Prediction: A Comprehensive Gated Graph Transformer Framework for Analyzing Functional Brain Networks 2024-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3343365 PMID:38109241	研究论文	本文提出了一种基于门控图变换器（GGT）的新框架，用于根据fMRI的功能连接（FC）预测个体的认知能力	结合先验空间知识，采用随机游走扩散策略捕捉大脑区域间的复杂结构功能关系，利用可学习的结构和位置编码（LSPE）及门控机制有效分离位置编码（PE）和图嵌入的学习	NA	预测个体的认知能力并增强功能脑网络生物标志物的可解释性	功能脑网络	神经科学研究	NA	fMRI	GGT（门控图变换器）	功能连接（FC）数据	两个大规模脑成像数据集：费城神经发育队列（PNC）和人类连接组计划（HCP）
946	2025-04-07	Developing and comparing deep learning and machine learning algorithms for osteoporosis risk prediction 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1355287 PMID:38919268	研究论文	本研究开发并比较了深度学习和机器学习算法在骨质疏松风险预测中的性能	提出了一种新的深度神经网络（DNN）框架，用于骨质疏松风险预测，并证明其在性能上优于传统的机器学习模型和回归模型	研究样本仅限于路易斯安那骨质疏松研究（LOS）中的8,134名40岁以上受试者，可能不具有普遍代表性	评估深度神经网络（DNN）在骨质疏松风险预测中的性能，并与传统机器学习模型进行比较	8,134名40岁以上受试者的髋部骨密度（BMD）及广泛的 demographic 和常规临床数据	机器学习	骨质疏松	深度学习（DL）和机器学习（ML）	DNN, RF, ANN, KNN, SVM, OST	临床数据和 demographic 数据	8,134名40岁以上受试者
947	2025-04-06	Domain Progressive Low-dose CT Imaging using Iterative Partial Diffusion Model 2024-Nov-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3492260 PMID:39509314	研究论文	提出了一种基于迭代部分扩散模型（IPDM）的新型域渐进低剂量CT成像框架，以解决现有深度学习方法在低剂量CT成像中的泛化性问题	利用迭代部分扩散模型完成去噪任务，同时减少时间消耗和收敛困难；提出条件引导采样方法减轻采样偏差；基于像素级噪声估计的自适应权重策略逐步调整引导强度	未明确提及具体局限性	提高低剂量CT成像的质量和泛化能力	低剂量CT图像	计算机视觉	NA	扩散模型	迭代部分扩散模型（IPDM）	CT图像	多样化的数据集（未明确提及具体样本数量）
948	2025-04-06	N2GNet tracks gait performance from subthalamic neural signals in Parkinson's disease 2024-Oct-31, Research square DOI:10.21203/rs.3.rs-5112726/v1 PMID:39574884	研究论文	本研究提出了一种名为N2GNet的深度学习回归模型，能够从帕金森病患者丘脑底核局部场电位（STN LFPs）实时追踪步态表现	N2GNet是一种新型深度学习模型，能够利用全面的频带（不仅限于β频段）从STN LFPs中追踪步态表现，相比现有算法具有更高的相关性和性能	研究样本量较小（18名帕金森病患者），且仅在原地踏步任务中验证了模型性能	开发一种能够实时追踪帕金森病患者步态表现的深度学习模型，以改进自适应脑深部电刺激（DBS）疗法	帕金森病患者的丘脑底核局部场电位和步态表现	机器学习	帕金森病	局部场电位（LFP）记录	深度学习回归模型（N2GNet）	神经信号（LFP）和力学数据（地面反作用力）	18名帕金森病患者
949	2025-04-06	A Hierarchical Framework With Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems 2024-Oct-21, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3477320 PMID:39437286	研究论文	提出了一种分层框架HSTCL，用于复杂自适应系统中涌现现象的检测，通过学习系统和代理表示来解决现有方法的不足	设计了时空编码器（STEs）来捕捉代理间的非线性关系和系统的复杂演化，并通过自监督学习保持时空一致性	未提及具体的数据集规模或实验设置的局限性	检测复杂自适应系统中的涌现现象，以监控系统状态并预警有害现象	复杂自适应系统（CASs）及其交互代理	机器学习	NA	时空变换器	transformer	时空数据	三个数据集
950	2025-04-06	An Automated Deep Learning-Based Framework for Uptake Segmentation and Classification on PSMA PET/CT Imaging of Patients with Prostate Cancer 2024-Oct, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01104-y PMID:38587770	研究论文	开发并评估了一种基于深度学习的自动化框架，用于在前列腺癌患者的PSMA PET/CT成像上进行摄取分割和分类	采用解剖学先验引导策略，使深度学习框架专注于PSMA高摄取病变，并构建了多模态决策融合分类框架	样本量相对有限（193例扫描），且仅来自两个机构	自动化全身肿瘤负荷评估	前列腺癌患者的PSMA PET/CT扫描图像	数字病理学	前列腺癌	PSMA PET/CT成像	CNN, 多模态决策融合框架	医学影像	193例[F]DCFPyL PET/CT扫描（137例用于训练和内部测试，56例用于外部测试）
951	2025-04-06	Few-shot Class-incremental Learning for Retinal Disease Recognition 2024-Sep-18, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3457915 PMID:39292587	研究论文	本文提出了一种名为Re-FSCIL的新框架，用于少样本类增量视网膜疾病识别，通过整合RETFound模型和细粒度模块，采用前向兼容训练策略和监督对比学习来提高模型的适应性和特征判别能力	提出Re-FSCIL框架，整合RETFound模型和细粒度模块，采用前向兼容训练策略和监督对比学习，显著提升了少样本类增量学习在视网膜疾病识别中的性能	NA	开发能够持续学习新类别且保留现有知识的深度学习模型，特别适用于视网膜疾病诊断系统	视网膜疾病	数字病理	视网膜疾病	监督对比学习，特征融合	RETFound	图像	两个新基准数据集RFMiD38和JSIEC39
952	2025-04-06	Timely ICU Outcome Prediction Utilizing Stochastic Signal Analysis and Machine Learning Techniques with Readily Available Vital Sign Data 2024-09, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3416039 PMID:38889027	research paper	该研究提出了一种结合随机信号分析和机器学习技术的新方法，用于从ICU患者的实时生命体征时间序列中提取具有强预测能力的特征，以实现准确及时的ICU结果预测	该方法通过随机信号分析和机器学习技术提取有意义的特征，显著提高了ICU结果预测的准确性，超越了包括APACHE IV和深度学习模型在内的基线方法	该方法可能仍面临模型可解释性不足的问题，限制了其在临床实践中的广泛应用	开发一种新方法，用于准确及时地预测ICU患者的结果，以减轻重症监护需求带来的经济和医疗负担	ICU患者的实时生命体征时间序列数据	machine learning	NA	随机信号分析，机器学习	NA	时间序列数据	NA
953	2025-04-06	Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering 2024-Aug, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2023.3263866 PMID:37030701	research paper	提出了一种新颖的深度学习方法，用于联合估计点云法线和滤波点云	引入了基于3D块的对比学习框架，将噪声作为增强手段，训练能够生成鲁棒点云块表示的特征编码器，并通过联合损失同时估计点法线和位移	NA	解决点云滤波和法线估计这两个3D领域的基础研究问题	点云数据	computer vision	NA	对比学习	深度学习	3D点云	NA
954	2024-08-07	Trend Identification and Prediction of Worker Stress Rate Using Deep Learning Algorithm in Indonesia 2024-08, Workplace health & safety IF:2.3Q1 DOI:10.1177/21650799241263623 PMID:38907692	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
955	2025-04-06	Neural Network Layer Algebra: A Framework to Measure Capacity and Compression in Deep Learning 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3241100 PMID:37027551	research paper	提出了一种新的框架来测量深度神经网络的固有特性，特别是容量和压缩性	引入了层代数的概念，并提出了两个新的度量指标：层复杂度和层内在能力，这些指标仅依赖于网络结构而非参数	虽然框架可以推广到任何网络架构，但研究主要集中在卷积网络上	测量深度神经网络的固有特性，即容量和压缩性	深度神经网络，特别是卷积网络	machine learning	NA	NA	CNN	image	NA
956	2025-04-06	Probabilistic Attention Based on Gaussian Processes for Deep Multiple Instance Learning 2024-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3245329 PMID:37027623	research paper	提出了一种基于高斯过程的概率注意力机制（AGP），用于深度多实例学习（MIL），以提供预测的不确定性估计	首次将高斯过程引入MIL中的注意力机制，提供实例级可解释性和预测不确定性	未明确提及具体限制，但可能面临高斯过程计算复杂度高的问题	开发一种能够提供预测不确定性的深度MIL方法，特别适用于医学领域	多实例学习模型及其在医学图像分析中的应用	machine learning	cancer	Gaussian processes	AGP (Attention Gaussian Process)	image	小于100个标签的小型数据集以及MNIST和CIFAR-10合成数据
957	2025-04-06	Artificial Intelligence (AI)-Based Computer-Assisted Detection and Diagnosis for Mammography: An Evidence-Based Review of Food and Drug Administration (FDA)-Cleared Tools for Screening Digital Breast Tomosynthesis (DBT) 2024-Aug, AI in precision oncology DOI:10.1089/aipo.2024.0022 PMID:40182614	综述	本文回顾了基于人工智能的计算机辅助检测和诊断工具在数字乳腺断层合成摄影筛查中的应用及其FDA批准情况	总结了新一代深度学习AI工具在乳腺筛查中的潜力，并评估了FDA批准的六种AI工具的性能	现有证据有限，仅包括两项小规模的实施后临床研究，需要更多前瞻性研究来全面评估影响	评估AI在数字乳腺断层合成摄影筛查中的应用效果	FDA批准的六种基于AI的计算机辅助检测/诊断工具	数字病理学	乳腺癌	深度学习	NA	医学影像	多项多读者多病例研究、回顾性分析和两项真实世界评估
958	2025-04-06	DM-Fusion: Deep Model-Driven Network for Heterogeneous Image Fusion 2024-Jul, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3238511 PMID:37022081	research paper	本文提出了一种深度模型驱动的神经网络DM-Fusion，用于解决异构图像融合问题，结合了基于模型技术的可解释性和深度学习方法的一般化能力	设计了一种深度模型驱动的神经网络，结合了模型技术的可解释性和深度学习方法的泛化能力，提出了任务驱动的损失函数策略以实现特征增强和保留	未提及具体局限性	解决异构图像融合问题，提升融合质量和效率	异构图像	computer vision	NA	deep learning	CNN	image	未提及具体样本数量
959	2025-04-06	Invertible Residual Blocks in Deep Learning Networks 2024-Jul, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3238397 PMID:37022256	research paper	本文研究了深度学习中可逆残差块的条件，并提出了相应的逆算法	提出了残差块可逆的充分必要条件，并针对广泛使用的卷积残差块，展示了在弱条件下通过特定零填充方法实现可逆性	研究仅针对包含一层ReLU的残差块，未涉及更复杂的网络结构	探索深度学习中残差块的可逆性条件及其应用	深度学习网络中的残差块	machine learning	NA	NA	CNN	NA	NA
960	2025-04-06	Development and external validation of a dynamic risk score for early prediction of cardiogenic shock in cardiac intensive care units using machine learning 2024-Jun-30, European heart journal. Acute cardiovascular care DOI:10.1093/ehjacc/zuae037 PMID:38518758	研究论文	开发并外部验证了一种名为CShock的动态风险评分系统，用于早期预测心脏重症监护病房中的心源性休克	提出了一种基于深度学习的动态风险评分系统CShock，能够自动化检测并提供心源性休克的早期预警	研究样本量相对较小，外部验证队列仅有131名患者	改善心脏重症监护病房中心源性休克的早期检测	心脏重症监护病房中因急性失代偿性心力衰竭和/或心肌梗死入院的患者	机器学习	心血管疾病	深度学习	深度学习模型	临床数据	训练集1500名患者（其中204名有心源性/混合休克），外部验证集131名患者（其中25名有心源性/混合休克）