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
1181	2026-05-06	Applicability of Deep Learning to Dynamically Identify the Different Organs of the Pelvic Floor in the Midsagittal Plane 2024-12, International urogynecology journal IF:1.8Q3 DOI:10.1007/s00192-024-05841-0 PMID:38913129	研究论文	利用卷积神经网络对动态超声中盆底不同器官进行自动识别	首次验证深度学习在动态超声中实时识别盆底不同器官的可行性，比较了UNet、FPN和LinkNet三种架构，并通过Dice相似指数评估性能	样本量较小（仅86例训练和24例测试），膀胱和子宫的Dice系数较低（约0.71和0.70），可能受器官变形或标记差异影响	创建并验证卷积神经网络在中矢面动态超声中识别盆底不同器官的实用性	110例患者的盆底器官（包括膀胱、子宫、肛门、提肛肌等）	数字病理学	盆底功能障碍疾病	动态超声	卷积神经网络	视频	110例患者（86例训练，24例测试）	NA	UNet, FPN, LinkNet	Dice相似指数	NA
1182	2026-05-06	Leveraging the Capabilities of AI: Novice Neurology-Trained Operators Performing Cardiac POCUS in Patients with Acute Brain Injury 2024-10, Neurocritical care IF:3.1Q2 DOI:10.1007/s12028-024-01953-z PMID:38506968	研究论文	利用深度学习算法引导神经科初级医生对急性脑损伤患者进行心脏床旁超声检查，评估图像质量及对临床决策的影响	首次在神经重症监护病房中评估深度学习引导下非心脏专科医生进行心脏床旁超声的可行性与临床价值	单中心研究、样本量有限、未与正式超声心动图进行随机对照比较	评估神经科初级医生使用深度学习引导的心脏床旁超声获取诊断质量图像的频率及其对临床管理和正式超声检查时间的影响	神经重症监护病房中接受心脏床旁超声检查的急性脑损伤患者	计算机视觉	急性脑损伤	深度学习	CNN（深度学习模型）	超声图像	153名患者，184次扫描，共943个图像视图	NA	深度学习算法（未具体说明架构）	图像可解释性比例、管理变化比例、首次获得合格图像时间	NA
1183	2026-05-06	Machine learning and deep learning tools for the automated capture of cancer surveillance data 2024-08-01, Journal of the National Cancer Institute. Monographs DOI:10.1093/jncimonographs/lgae018 PMID:39102883	研究论文	应用机器学习和深度学习模型自动化从非结构化临床文本中提取癌症监测数据	利用先进计算能力自动化数据提取，弥补关键信息空白，创建灵活平台以便添加基因组学等新信息源	NA	自动化癌症监测数据捕获，提高报告及时性，加深对癌症驱动因素和结果的理解	病理报告、放射学报告、生物标志物信息、复发识别	自然语言处理	癌症	NA	机器学习，深度学习	文本	NA	NA	NA	NA	NA
1184	2026-05-06	HisCl1 regulates gustatory habituation in sweet taste neurons and mediates sugar ingestion in Drosophila 2024-May-08, bioRxiv : the preprint server for biology DOI:10.1101/2024.05.06.592591 PMID:38765964	研究论文	本研究利用深度学习姿态估计和光遗传学刺激，发现果蝇甜味神经元中的HisCl1基因调控味觉习惯化，并影响糖分摄取	首次揭示HisCl1基因在甜味神经元中通过调节尖峰频率适应来介导味觉习惯化，为研究昆虫味觉习惯化提供了新方向	未提及	探究甜味神经元在果蝇味觉习惯化中的细胞自主机制及其对糖分摄取的调控	果蝇（Drosophila）的甜味神经元	机器学习，数字病理学	NA	RNA干扰筛选，单感器电生理，光遗传学刺激	深度学习姿态估计模型	行为数据，电生理数据	果蝇样本，具体数量未提及	NA	NA	NA	NA
1185	2026-05-06	Panoramic Radiography in the Evaluation of the Relationship of Maxillary Molar Teeth and Maxillary Sinuses on the Deep Learning Models Improved with the Findings Obtained by Cone Beam Computed Tomography 2024-May-01, Nigerian journal of clinical practice IF:0.7Q3 DOI:10.4103/njcp.njcp_220_24 PMID:38842718	研究论文	利用深度学习模型评估全景放射片中上颌磨牙与上颌窦的关系，并通过锥束计算机断层扫描结果进行验证	首次利用锥束计算机断层扫描确认的数据来提升深度学习模型在全景放射片上判断上颌磨牙与上颌窦关系的诊断性能	未提及	评估深度学习应用在全景放射片上评估上颌磨牙与上颌窦关系的诊断性能	上颌第一磨牙和上颌第二磨牙与上颌窦底的接触关系	数字病理学	口腔疾病	全景放射摄影，锥束计算机断层扫描	卷积神经网络	图像	2162颗上颌第一磨牙和上颌第二磨牙	未提及	GoogLeNet, VGG16, VGG19, DarkNet19, DarkNet53	准确率	NA
1186	2026-05-06	Use of artificial intelligence in determination of bone age of the healthy individuals: A scoping review 2024-04, Journal of the World federation of orthodontists IF:2.6Q1 DOI:10.1016/j.ejwf.2023.10.001 PMID:37968159	综述	系统梳理人工智能在健康个体骨龄测定中的应用	首次采用范围综述方法全面总结AI、ML、DL在健康个体骨龄评估中的应用，并发现自动化方法可靠性与手动方法相当	样本在不同成熟阶段的分布不均，缺乏三维影像输入（如MRI和CBCT），影响模型泛化能力	评估AI、ML、DL在健康个体骨骼年龄或骨龄测定中的作用	健康个体	机器学习	NA	NA	CNN, 深度学习模型, 机器学习模型	图像	19篇文章	NA	BoneXpert, 深度学习模型, 机器学习模型	可靠性	NA
1187	2026-05-06	Predicting recovery following stroke: Deep learning, multimodal data and feature selection using explainable AI 2024, NeuroImage. Clinical DOI:10.1016/j.nicl.2024.103638 PMID:39002223	research paper	本研究评估了基于深度学习的多种特征选择策略，结合MRI影像和表格数据（如人口统计学和临床特征）预测中风后言语恢复情况	提出将MRI提取的感兴趣区域（ROI）图像与表格数据的符号表示结合，训练卷积神经网络的新方法，并利用可解释AI进行特征选择	数据集规模相对较小，样本量仅758人，且受限于特定的中风后言语评估指标	开发并评估结合多模态数据（MRI影像和表格数据）的深度学习方法，提高中风后恢复预测的准确性	758名英语中风幸存者，来自PLORAS研究，分为五组（其中四组用于训练验证，一组作为锁箱测试集）	machine learning	stroke	MRI	CNN, ResNet	image, tabular	758名中风幸存者	PyTorch	2D ResNet, 3D CNN	accuracy, area under the curve, F1 score	NA
1188	2026-05-06	MHCII-peptide presentation: an assessment of the state-of-the-art prediction methods 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1293706 PMID:38646540	研究论文	对MHCII-肽段结合预测方法的现状进行全面评估	通过独立测试集系统评估11种预测方法，揭示深度学习算法和数据增长带来的性能提升，为研究者选择预测工具提供指导	仅评估了截至2022年1月的11种预测方法，未涵盖最新进展；仅使用人类MHCII蛋白数据，未包含其他物种	评估现有MHCII-肽段结合预测方法的性能，为免疫治疗和癌症疫苗设计提供方法选择指导	20种人类MHCII蛋白亚型的结合与非结合肽段	机器学习	癌症相关免疫疾病	免疫肽组学	深度学习模型	氨基酸序列	来自免疫表位数据库的20种人类MHCII蛋白亚型的结合与非结合肽段	NA	MixMHC2pred, NetMHCIIpan-4.1	预测性能	NA
1189	2026-05-05	Deep learning enables accurate brain tissue microstructure analysis based on clinically feasible diffusion magnetic resonance imaging 2024-10-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120858 PMID:39317273	研究论文	基于深度学习的方法使用临床可行的扩散磁共振成像实现了准确的脑组织微观结构分析	首次证明深度学习用于组织微观结构重建能够基于临床可行的dMRI扫描产生可靠的脑组织微观结构分析，并准确识别与疾病和年龄相关的微小组织变化	未提及	验证深度学习方法在临床可行dMRI下进行组织微观结构重建的可靠性及其在临床应用的潜力	脑组织微观结构	数字病理学、机器学习	NA	扩散磁共振成像	深度学习模型	图像	四个不同的脑dMRI数据集	NA	NA	NA	NA
1190	2026-05-05	XDL-ESI: Electrophysiological Sources Imaging via explainable deep learning framework with validation on simultaneous EEG and iEEG 2024-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120802 PMID:39173694	研究论文	提出一种基于可解释深度学习的脑电/脑磁源成像框架XDL-ESI，通过迭代优化与深度学习融合解决逆问题	设计可解释的深度学习框架，将迭代优化算法与神经网络模块展开结合，引入拓扑损失函数提升定位鲁棒性	NA	解决脑电/脑磁源成像中的病态逆问题，实现高效、准确且可解释的脑源估计	模拟数据及临床同步脑电与颅内脑电数据	机器学习	NA	脑电图（EEG）、脑磁图（MEG）、颅内脑电图（iEEG）	可解释深度学习	脑电信号、脑磁信号	NA	PyTorch	展开型神经网络	定位误差、重建准确性、可解释性	NA
1191	2026-05-05	Separating group- and individual-level brain signatures in the newborn functional connectome: A deep learning approach 2024-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120806 PMID:39179011	research paper	利用深度生成模型分离新生儿功能连接组中群体和个体水平的脑信号特征	首次将变分自编码器应用于新生儿静息态功能磁共振成像，证明新生儿个体指纹存在性，并突破线性模型限制，成功分离与年龄变化和个体独特性相关的连接特征	未明确提及模型泛化能力验证及临床可解释性分析	探索新生儿功能连接数据中个体独特性的存在性，并利用深度学习模型提取年龄和个体表征	成人和新生儿的静息态功能磁共振成像数据	machine learning	NA	rs-fMRI	VAE	image	100名成人rs-fMRI扫描和464名新生儿rs-fMRI扫描	NA	变分自编码器	年龄预测相关系数、个体识别准确率	NA
1192	2026-05-05	Fully Automated Hippocampus Segmentation using T2-informed Deep Convolutional Neural Networks 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120767 PMID:39103064	研究论文	提出一种全自动海马体分割流程，利用T2加权MRI图像和深度卷积神经网络，提升基于临床T1加权图像的海马体分割性能	利用高分辨率T2加权图像创建更精确的标注真值，并训练分割网络，从而提升T1加权图像的分割准确性	T2加权序列在临床常规中不可行，且多对比度数据集的获取需要额外时间和资源	开发一种基于深度学习的方法，利用T2加权图像增强对临床T1加权图像中海马体的自动化分割，以准确估计阿尔茨海默病中的海马体萎缩	多对比度数据集中的成对T1加权和高分辨率T2加权MRI图像	计算机视觉	阿尔茨海默病	MRI成像	卷积神经网络（CNN）	图像	NA	NA	3D 卷积神经网络	视觉比较和多种定量测量指标	NA
1193	2026-05-05	RS2-Net: An end-to-end deep learning framework for rodent skull stripping in multi-center brain MRI 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120769 PMID:39122056	研究论文	提出RS2-Net端到端深度学习框架，用于多中心脑部MRI中啮齿动物的颅骨剥离	开发基于Swin-UNETR的轻量级框架，无需预处理即可自动适应多种MRI图像分辨率，降低人工标注依赖	未明确提及论文局限性	自动化啮齿动物MRI颅骨剥离流程，减少预处理步骤和工作量	小鼠和大鼠的脑部MRI扫描图像	计算机视觉	NA	MRI	Swin-UNETR	图像	来自89个中心的1037只啮齿动物共1142张图像	PyTorch	Swin-UNETR	Dice系数	NA
1194	2026-05-05	A comprehensive overview of diffuse correlation spectroscopy: Theoretical framework, recent advances in hardware, analysis, and applications 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120793 PMID:39153520	综述	全面介绍扩散相关光谱学的理论框架、硬件、分析方法和应用的最新进展	整合了连续波、频域和时域三种主要硬件架构，并探讨了硅单光子雪崩二极管传感器及深度学习在数据分析中的新应用	未提及具体实验验证或定量比较，主要提供概述性指导	为扩散相关光谱学领域的新研究者提供全面的知识基础和实践指南	扩散相关光谱学硬件架构、传感器（如SPAD）、激光器、相关器及数据分析工具	机器学习	NA	扩散相关光谱学	深度学习	NA	NA	NA	NA	NA	NA
1195	2026-05-05	Differentiating loss of consciousness causes through artificial intelligence-enabled decoding of functional connectivity 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120749 PMID:39033787	研究论文	通过人工智能解码功能连接来区分意识丧失的病因	首次开发利用功能连接变化模式进行不同病因意识丧失鉴别诊断的人工智能模型	未在论文标题和摘要中明确说明	开发人工智能模型以区分急性意识丧失的不同病因	非惊厥性癫痫持续状态、代谢性脑病和苯二氮卓类中毒引起的意识丧失患者	机器学习	意识丧失	脑电图	卷积神经网络及多种机器学习算法	脑电图信号	前瞻性队列数据	NA	卷积神经网络	AUC	NA
1196	2026-05-05	Anatomically constrained tractography of the fetal brain 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120723 PMID:39029605	研究论文	提出一种基于深度学习的胎儿脑组织分割方法，并结合解剖约束的纤维束追踪技术，以改善胎儿脑白质纤维束的重建	通过在dMRI空间直接进行精确的胎儿脑组织分割，并结合深度学习自动计算，实现了高弯曲度纤维束（如视辐射）的重建，且可适用于常规胎儿dMRI扫描	NA	提高胎儿脑dMRI纤维束追踪的准确性，解决假阳性纤维束和主要白质纤维束重建失败的问题	胎儿脑组织和白质纤维束	数字病理学	NA	扩散加权磁共振成像（dMRI）、扩散张量成像	深度学习模型	图像	独立测试数据（具体数量未提及）	NA	NA	分割准确率、纤维束追踪结果质量	NA
1197	2026-05-05	Brain age prediction using interpretable multi-feature-based convolutional neural network in mild traumatic brain injury 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120751 PMID:39048043	研究论文	利用可解释的多特征卷积神经网络预测轻度创伤性脑损伤患者的大脑年龄	提出结合多结构特征的三维组合CNN模型，利用大规模异构数据集实现大脑年龄预测，并引入基于脑图谱的遮挡分析方案，揭示了健康对照组和mTBI患者中与年龄分层相关的贡献性脑区	未在标题和摘要中明确提及	开发可解释的深度学习框架，准确预测健康个体和轻度创伤性脑损伤患者的大脑年龄，并分析年龄预测差距与认知损伤及神经退行性标志物的关联	健康对照者和轻度创伤性脑损伤患者	计算机视觉	轻度创伤性脑损伤	MRI结构成像	卷积神经网络（CNN）	图像	总样本量1464人，其中154名健康对照者用于测试，其余用于训练和验证	NA	3D组合CNN	平均绝对误差（MAE）、皮尔逊相关系数（Pearson's r）	NA
1198	2026-05-05	Disentangling brain atrophy heterogeneity in Alzheimer's disease: A deep self-supervised approach with interpretable latent space 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120737 PMID:39004409	研究论文	提出一种基于深度学习的自监督框架，通过可解释的潜在空间表征来解析阿尔茨海默病的大脑萎缩异质性	首次将特征工程、分类和聚类协同整合到自监督框架中，在潜在空间同时揭示疾病进展和亚型两个核心异质性维度，并识别出两种不同的疾病进展路径	NA	解析阿尔茨海默病的大脑萎缩异质性	阿尔茨海默病患者的大脑萎缩模式	机器学习	阿尔茨海默病	NA	自监督深度学习模型	神经影像数据	NA	NA	NA	NA	NA
1199	2026-05-05	Predicting changes in brain metabolism and progression from mild cognitive impairment to dementia using multitask Deep Learning models and explainable AI 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120695 PMID:38942101	研究论文	利用多任务深度学习模型和可解释人工智能预测轻度认知障碍向痴呆进展中的脑代谢变化	首次在阿尔茨海默病预测建模中引入多任务学习框架，整合脑代谢变化数据以增强识别进展型轻度认知障碍患者的能力	基于ADNI数据集，可能存在样本选择偏差，且未提及模型在不同人群中的泛化性	探索利用脑代谢变化（FDG-PET评估）建模多维度疾病信息，识别轻度认知障碍患者向痴呆进展的风险	轻度认知障碍患者（MCI）及进展为痴呆的个体（pMCI）	机器学习	阿尔茨海默病	FDG-PET	深度学习模型（多任务学习）	图像（FDG-PET扫描）	1,617名参与者（来自ADNI数据库）	NA	NA	敏感性、特异性	NA
1200	2026-05-05	Deep learning based decoding of single local field potential events 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120696 PMID:38909761	研究论文	使用无监督机器学习方法从单次试验的局部场电位事件中提取有意义信息	首次证明单通道LFP事件形状在自发活动期间采样了可能的刺激诱发事件形状的范畴，这一发现此前仅在多通道群体编码中被证实	NA	探索使用无监督机器学习从单次试验的神经电生理记录中提取信息，解码皮层信息处理机制	鼠类细胞外神经记录和人类颅内脑电图记录	机器学习	NA	细胞外神经记录, 颅内脑电图	自编码器网络	局部场电位事件	NA	NA	自编码器	NA	NA