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	2025-10-06	Deep learning-based binary classification of beta-amyloid plaques using 18 F florapronol PET 2024-Dec-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001904 PMID:39350612	研究论文	本研究开发了一种基于深度学习的二分类模型，用于通过18F florapronol PET图像对β-淀粉样蛋白斑块沉积进行分类	首次将卷积神经网络应用于18F florapronol PET图像的淀粉样蛋白斑块二分类，展示了深度学习在阿尔茨海默病诊断中的潜力	研究为回顾性研究，样本量相对有限（175例患者），且仅使用单一医疗中心的数据	开发辅助工具以提高阿尔茨海默病临床诊断的准确性	疑似轻度认知障碍或痴呆的患者	医学影像分析	阿尔茨海默病	18F florapronol PET/CT成像	CNN	PET图像	175例患者（77名男性，98名女性），其中阳性62例，阴性113例	NA	NA	准确率, AUC	NA
1182	2025-10-06	Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy 2024-Jul-15, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.15.562439 PMID:37986950	研究论文	提出基于深度学习的像差补偿方法，提升荧光显微镜在厚样本成像中的对比度和分辨率	通过引入合成像差训练神经网络进行像差补偿，无需降低采集速度、增加剂量或添加额外光学元件	NA	改善厚样本荧光显微镜成像质量	小鼠组织血管、胚胎细胞膜和细胞核	计算机视觉	NA	荧光显微镜技术	神经网络	显微镜图像	NA	NA	NA	图像对比度、分辨率、分割质量	NA
1183	2025-10-06	Union is strength: the combination of radiomics features and 3D-deep learning in a sole model increases diagnostic accuracy in demented patients: a whole brain 18FDG PET-CT analysis 2024-Jul-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001853 PMID:38632972	研究论文	本研究比较了放射组学特征、3D深度学习CNN及其融合模型在痴呆患者全脑18F-FDG PET图像诊断中的性能	首次将放射组学特征与3D深度学习CNN结合到单一模型中，应用于全脑18FDG PET研究	样本量相对有限（共210名受试者），仅使用单一影像模态（PET-CT）	提高痴呆患者的诊断准确性	85名痴呆患者和125名健康对照者	医学影像分析	痴呆症	18F-FDG PET-CT成像	CNN	3D医学影像	210名受试者（85名痴呆患者，125名健康对照），其中40名用于测试	NA	3D-CNN	灵敏度, 特异性, 分类得分	NA
1184	2025-10-06	Machine learning diagnosis of active Juvenile Idiopathic Arthritis on blood pool [ 99M Tc] Tc-MDP scintigraphy images 2024-May-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001822 PMID:38312058	研究论文	本研究使用深度学习技术通过血池图像诊断幼年特发性关节炎	首次将深度学习应用于基于[99m Tc] Tc-MDP骨显像血池图像的幼年特发性关节炎诊断	样本量相对有限（326名儿童和青少年），仅评估了膝关节和踝关节	开发基于深度学习的幼年特发性关节炎自动诊断方法	326名健康及确诊幼年特发性关节炎的儿童和青少年（1-16岁）	计算机视觉	幼年特发性关节炎	[99m Tc] Tc-MDP骨显像	CNN	图像	1304张血池图像（来自326名受试者）	NA	自设计多输入CNN, VGG16, ResNet50, Xception	AUC	NA
1185	2025-10-06	Greater accuracy of radiomics compared to deep learning to discriminate normal subjects from patients with dementia: a whole brain 18FDG PET analysis 2024-Apr-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001810 PMID:38189449	研究论文	比较放射组学与深度学习在区分痴呆患者和正常受试者方面的准确性	首次在脑部18FDG PET图像分析中证明放射组学特征比传统CNN模型具有更高的分类准确性	样本量相对较小（210名受试者），仅使用单一模态PET数据	开发更准确的痴呆诊断方法	85名痴呆患者和125名健康对照者	医学影像分析	痴呆症	18F-FDG PET脑部成像	神经网络, CNN	PET图像	210名受试者（85名患者+125名健康对照）	NA	神经网络, CNN	准确率	NA
1186	2025-10-06	Early prediction of distant metastasis in patients with uterine cervical cancer treated with definitive chemoradiotherapy by deep learning using pretreatment [ 18 F]fluorodeoxyglucose positron emission tomography/computed tomography 2024-Mar-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001799 PMID:38165173	研究论文	开发基于深度学习模型，利用治疗前[18F]FDG-PET/CT图像预测局部晚期子宫颈癌患者远处转移风险	采用三维图像增强技术的深度学习模型，首次基于基线PET/CT图像预测子宫颈癌远处转移	需要外部验证来确定模型的预测性能，样本量相对有限	早期预测接受确定性放化疗的子宫颈癌患者远处转移风险	局部晚期子宫颈癌患者	数字病理	子宫颈癌	[18F]FDG-PET/CT成像	深度学习	医学影像（PET/CT图像）	训练队列186例患者，验证队列25例患者	NA	NA	AUC, 敏感度, 特异度, 准确度	NA
1187	2025-10-06	Capability and reliability of deep learning models to make density predictions on low-dose mammograms 2024-Jul, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.4.044506 PMID:39114539	研究论文	评估深度学习模型在低剂量乳腺X光片上预测乳腺密度的能力和可靠性	首次系统评估深度学习模型在低剂量与标准剂量乳腺X光片上的密度预测一致性，并分析影响预测质量的关键因素	模型在致密乳腺和小面积乳腺上的预测质量会降低	评估深度学习模型在低剂量乳腺X光片上预测乳腺密度的能力和可靠性，为年轻女性乳腺癌风险估计提供依据	配对的低剂量和标准剂量乳腺X光片	计算机视觉	乳腺癌	数字乳腺X光摄影	深度学习模型	医学图像	包含配对标准剂量和低剂量图像的乳腺X光数据集	NA	NA	相关系数	NA
1188	2025-10-06	Length of Stay Prediction With Standardized Hospital Data From Acute and Emergency Care Using a Deep Neural Network 2024-Apr-01, Medical care IF:3.3Q1 DOI:10.1097/MLR.0000000000001975 PMID:38345863	研究论文	本研究开发了一种基于深度神经网络的方法，利用急症护理标准化数据预测患者住院时长	使用嵌入技术和前馈神经网络对住院各阶段进行细粒度预测，相比传统方法有显著性能提升	研究仅基于法国里昂6所大学医院的数据，可能限制模型的普适性	开发住院时长预测方法以改善医疗资源管理和护理质量	2011-2019年间515,199名患者的1,140,100次住院记录	医疗健康信息学	急症护理	深度学习	前馈神经网络	结构化医疗数据	1,140,100次住院记录，涉及515,199名患者	NA	嵌入层+前馈神经网络	准确率, Cohen kappa, Bland-Altman图	NA
1189	2025-10-06	Unified deep learning models for enhanced lung cancer prediction with ResNet-50-101 and EfficientNet-B3 using DICOM images 2024-03-18, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01241-4 PMID:38500083	研究论文	开发基于ResNet-50、ResNet-101和EfficientNet-B3的融合深度学习模型，用于DICOM图像的肺癌预测分类	提出融合三种深度学习模型的统一框架，并采用迁移学习技术提升肺癌预测性能	深度学习在癌症数据分析能力方面仍在发展中，模型精度存在不精确问题	通过深度学习模型早期检测和预防肺癌，降低死亡率	肺癌DICOM图像	计算机视觉	肺癌	迁移学习	CNN	医学图像	1000张来自LIDC-IDRI数据库的DICOM肺癌图像	NA	ResNet-50, ResNet-101, EfficientNet-B3	精确度	NA
1190	2025-10-06	Deep learning-based automatic segmentation of meningioma from T1-weighted contrast-enhanced MRI for preoperative meningioma differentiation using radiomic features 2024-03-05, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01218-3 PMID:38443817	研究论文	本研究开发了基于深度学习的脑膜瘤自动分割模型，并利用自动分割提取的影像组学特征进行术前脑膜瘤分级	首次将SegResNet网络应用于脑膜瘤自动分割，并验证了基于自动分割的影像组学特征在脑膜瘤分级中的可行性	样本量相对有限（326例），未进行外部验证	开发脑膜瘤自动分割模型并建立术前脑膜瘤分级系统	经病理证实的脑膜瘤患者	数字病理	脑膜瘤	T1加权增强MRI	深度学习	医学影像	326例患者，按6:2:2比例分为训练集、验证集和测试集	PyRadiomics	SegResNet	Dice系数, 95% Hausdorff距离, ICC, 灵敏度, 特异度, 准确率, AUC	NA
1191	2025-10-06	Transfer learning-based PET/CT three-dimensional convolutional neural network fusion of image and clinical information for prediction of EGFR mutation in lung adenocarcinoma 2024-03-04, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01232-5 PMID:38438844	研究论文	开发基于迁移学习的PET/CT三维卷积神经网络，融合影像和临床信息预测肺腺癌EGFR突变状态	提出三流迁移学习模型，首次将PET/CT影像与临床数据融合用于EGFR突变预测	回顾性研究，样本量有限（516例），存在类别不平衡问题	预测肺腺癌患者的EGFR突变状态	516例肺腺癌患者	医学影像分析	肺腺癌	PET/CT成像	3D CNN	医学影像（PET/CT）、临床数据	516例患者（训练集404例，测试集112例）	NA	三维卷积神经网络，双流融合模型，三流迁移学习模型	AUC, ROC曲线	NA
1192	2025-10-06	PulmoNet: a novel deep learning based pulmonary diseases detection model 2024-02-28, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01227-2 PMID:38418987	研究论文	提出一种基于深度卷积神经网络的肺部疾病检测模型PulmoNet，用于识别COVID-19、细菌性肺炎和病毒性肺炎	采用优化的图像增强技术，在肺部疾病检测中实现了高精度和快速检测	NA	开发高效的肺部疾病自动检测系统	肺部疾病患者（COVID-19、细菌性肺炎、病毒性肺炎）和健康人群	计算机视觉	肺部疾病	放射影像学（X射线和CT扫描）	深度卷积神经网络（DCNN）	医学影像	总样本16,435个（健康10,325例，COVID-19 3,749例，细菌性肺炎883例，病毒性肺炎1,478例）	NA	PulmoNet	准确率	NA
1193	2025-10-06	Automated assessment of cardiac pathologies on cardiac MRI using T1-mapping and late gadolinium phase sensitive inversion recovery sequences with deep learning 2024-02-13, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01217-4 PMID:38350900	研究论文	开发基于深度学习的模型，使用心脏MRI的T1-mapping和晚期钆增强相位敏感反转恢复序列自动检测心脏病理	首次将深度学习应用于心脏MRI的T1-mapping和PSIR序列进行自动病理检测，无需对比剂的T1 mapping序列表现出潜在临床价值	样本量较小（共200例），模型特异性较低（PSIR序列38%，T1-mapping序列54%）	开发自动检测心脏病理的深度学习模型以简化诊断流程	心脏疾病患者（包括急慢性心肌梗死、心肌炎、扩张型心肌病、肥厚型心肌病）和正常对照者	医学影像分析	心血管疾病	心脏磁共振成像（MRI），T1-mapping序列，晚期钆增强相位敏感反转恢复（PSIR）序列	CNN	医学影像	200例（137例心脏病理患者，63例正常对照）	PyTorch, fastai	DenseNet-161	敏感度, 特异性, 准确率	NA
1194	2025-10-06	Multimodal Biomedical Image Segmentation using Multi-Dimensional U-Convolutional Neural Network 2024-02-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01197-5 PMID:38331800	研究论文	提出了一种用于多模态生物医学图像分割的多维U卷积神经网络框架	对传统U-Net模型进行了多项改进，提出多维U卷积神经网络作为U-Net框架的潜在继任者	在完美图像情况下改进较小，主要提升体现在困难图像的分割效果上	提高多模态生物医学图像分割的准确性和全面性	多模态生物医学图像	医学影像分析	NA	深度学习图像分割	CNN	多模态医学图像	五个不同数据集	NA	U-Net, MDU-CNN	分割性能提升百分比	NA
1195	2025-10-06	Artifact suppression for breast specimen imaging in micro CBCT using deep learning 2024-02-06, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01216-5 PMID:38321390	研究论文	提出基于深度学习的锥束CT乳腺标本成像中条纹伪影和金属伪影抑制方法	结合U-Net和ResU-Net的双网络架构，同时处理投影数据域和图像域的伪影问题	未提及方法在临床大规模应用中的验证情况	提升乳腺标本CBCT图像质量，抑制伪影干扰	乳腺标本的锥束CT图像	计算机视觉	乳腺癌	锥束CT成像	深度学习	CT投影数据（正弦图）和重建图像	NA	NA	U-Net, ResU-Net	对比噪声比, 峰值信噪比, 结构相似性指数	NA
1196	2025-10-06	Deep learning in computed tomography to predict endotype in chronic rhinosinusitis with nasal polyps 2024-01-24, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01203-w PMID:38267881	研究论文	本研究开发了一种基于鼻窦CT影像的深度学习模型，用于预测慢性鼻窦炎伴鼻息肉的内型分类	首次使用深度学习技术通过鼻窦CT影像无创预测CRSwNP的内型分类	回顾性研究设计，样本量相对有限（251例患者）	构建深度学习模型预测慢性鼻窦炎伴鼻息肉的内型分类	慢性鼻窦炎伴鼻息肉患者	医学影像分析	慢性鼻窦炎	计算机断层扫描	CNN	CT影像	251例患者，29,993张CT图像	NA	ResNet-18	AUC,准确率,Kappa分数,混淆矩阵,ROC曲线	NA
1197	2025-10-06	Recognition of eye diseases based on deep neural networks for transfer learning and improved D-S evidence theory 2024-01-18, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-023-01176-2 PMID:38238662	研究论文	提出基于深度神经网络和改进D-S证据理论的融合模型，用于多种眼部疾病的识别	提出改进的D-S证据理论(ID-SET)消除模型决策偏差，并应用于眼部疾病识别模型的决策融合	未具体说明研究的眼部疾病种类和数量限制	提高眼部疾病识别的准确性和鲁棒性	眼部疾病	计算机视觉	眼部疾病	深度学习	深度神经网络	图像	NA	NA	NA	准确率,Kappa系数,F1分数,精确率,召回率,AUC	NA
1198	2025-10-06	Development of HepatIA: A computed tomography annotation platform and database for artificial intelligence training in hepatocellular carcinoma detection at a Brazilian tertiary teaching hospital 2024, Clinics (Sao Paulo, Brazil) DOI:10.1016/j.clinsp.2024.100512 PMID:39388738	研究论文	开发用于肝细胞癌人工智能检测的CT标注平台和数据库HepatIA	创建了巴西首个整合MONAI Label预标注分割模型的肝脏CT标注平台和数据库	数据来源单一（仅来自一家医院），样本量相对有限	支持肝脏疾病特别是肝细胞癌的人工智能研究	肝细胞癌患者和健康个体的腹部CT扫描数据	医学影像分析	肝细胞癌	计算机断层扫描（CT）	深度学习分割模型	CT医学影像	656名患者的692个CT扫描体积	Django, Vue.js, MONAI	NA	NA	NA
1199	2025-10-06	Early multi-cancer detection through deep learning: An anomaly detection approach using Variational Autoencoder 2024-12, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2024.104751 PMID:39571772	研究论文	本研究开发了一种基于变分自编码器的深度学习模型，用于通过转录组数据早期检测多种癌症	采用异常检测方法将癌症视为转录组数据中的异常模式，不局限于特定癌症类型	仅使用了六种癌症类型的数据进行训练和验证	开发能够早期检测多种癌症的深度学习模型	转录组数据中的癌症异常模式	机器学习	多癌种	转录组测序	VAE	转录组数据	TCGA和GTEx数据库中的六种癌症数据	NA	变分自编码器	准确率, 召回率	NA
1200	2025-10-06	Structural analysis and intelligent classification of clinical trial eligibility criteria based on deep learning and medical text mining 2024-12, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2024.104753 PMID:39603550	研究论文	提出基于深度学习和医学文本挖掘的临床试验资格标准自动分类模型CTEC-AC	整合ClinicalBERT和MetaMap增强特征表达，构建可计算解释的临床试验资格标准分类体系	仅基于ClinicalTrials.gov的2500项临床试验数据，分类体系需专家验证	提升临床试验效率、质量和创新能力	临床试验资格标准文本	自然语言处理	NA	医学文本挖掘	ClinicalBERT, 层次聚类	文本	2500项临床试验生成的20000多条资格标准数据	NA	BERT	宏平均F1分数	NA