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
1641	2025-03-12	Deep Learning Reconstruction in Abdominopelvic Contrast-Enhanced CT for The Evaluation of Hemorrhages 2024-11, Radiologic technology IF:0.7Q4 PMID:39472011	研究论文	本研究探讨了深度学习重建在腹盆部增强CT中描绘动脉和评估出血的效果，并与混合迭代重建进行了比较	首次在腹盆部增强CT中应用深度学习重建技术，显著改善了动脉描绘和出血评估的图像质量	样本量较小（16例患者），需要更大规模的前瞻性研究来验证结果	评估深度学习重建在腹盆部增强CT中描绘动脉和评估出血的效果	16例急性出血患者	医学影像	出血	深度学习重建、混合迭代重建、滤波反投影	深度学习	CT图像	16例患者（8男8女，平均年龄54.2±22.1岁）
1642	2025-03-12	Carafe enables high quality in silico spectral library generation for data-independent acquisition proteomics 2024-Oct-18, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618504 PMID:39463980	研究论文	本文介绍了Carafe，一种通过直接在DIA数据上训练深度学习模型来生成高质量实验特异性光谱库的工具	Carafe直接在DIA数据上训练深度学习模型，而不是依赖DDA数据或基于DDA数据训练的模型，从而提高了碎片离子强度预测和肽段检测的性能	NA	开发一种工具，用于生成高质量的光谱库，以支持数据独立采集（DIA）质谱分析	DIA质谱数据	质谱分析	NA	深度学习	深度学习模型	质谱数据	多种DIA数据集
1643	2025-03-12	CTLESS: A scatter-window projection and deep learning-based transmission-less attenuation compensation method for myocardial perfusion SPECT 2024-Sep-12, ArXiv PMID:39314501	研究论文	本文提出了一种基于散射窗口投影和深度学习的无传输衰减补偿方法（CTLESS），用于心肌灌注SPECT成像	该方法无需单独的X射线CT扫描，通过深度学习从散射能量窗口投影中重建衰减图，并利用多通道输入多解码器网络进行区域分割，从而实现衰减补偿	需要进一步临床评估以验证其广泛适用性	解决心肌灌注SPECT成像中衰减补偿的问题，减少辐射剂量和成本，并提高诊断准确性	心肌灌注SPECT图像	数字病理学	心血管疾病	深度学习	多通道输入多解码器网络	图像	匿名临床SPECT/CT应激心肌灌注图像
1644	2025-03-12	Automatic Quantitative Assessment of Muscle Strength Based on Deep Learning and Ultrasound 2024-09, Ultrasonic imaging IF:2.5Q2 DOI:10.1177/01617346241255590 PMID:38881032	研究论文	本文提出了一种基于深度学习和超声技术的自动肌肉力量评估方法	利用深度学习和超声技术自动评估肌肉力量，减少对操作者专业知识的依赖	研究仅针对肱二头肌，未涉及其他肌肉群	开发一种自动评估肌肉力量的方法，以辅助运动员康复和力量训练	运动员的肱二头肌	计算机视觉	NA	深度学习	深度学习模型	超声图像	多名运动员的肱二头肌B型超声数据
1645	2025-03-12	Deep learning-based multi-parametric magnetic resonance imaging (mp-MRI) nomogram for predicting Ki-67 expression in rectal cancer 2024-09, Abdominal radiology (New York) DOI:10.1007/s00261-024-04232-9 PMID:38489038	研究论文	本文探讨了基于深度学习的多参数磁共振成像（mp-MRI）列线图在预测直肠癌Ki-67表达中的价值	结合深度学习和临床模型构建列线图，显著提高了预测Ki-67表达的准确性	研究为回顾性分析，可能存在选择偏倚	预测直肠癌中Ki-67的表达状态	491名直肠癌患者	医学影像分析	直肠癌	多参数磁共振成像（mp-MRI）	深度学习模型	医学影像数据	491名患者，分为训练集、内部验证集和外部验证集
1646	2025-03-12	CD4+ T cells exhibit distinct transcriptional phenotypes in the lymph nodes and blood following mRNA vaccination in humans 2024-Sep, Nature immunology IF:27.7Q1 DOI:10.1038/s41590-024-01888-9 PMID:39164479	研究论文	本文通过单细胞转录组学评估了BNT162b2 mRNA疫苗接种后3个月和6个月时，血液和引流淋巴结中针对SARS-CoV-2刺突蛋白的CD4 T细胞反应	使用深度学习反向表位映射方法Trex预测抗原特异性，揭示了人类引流淋巴结中刺突特异性CD4滤泡辅助T细胞的异质性表型	研究样本量相对较小，且仅关注了特定时间点的细胞反应	研究SARS-CoV-2 mRNA疫苗接种后CD4 T细胞的转录表型	接种BNT162b2 mRNA疫苗的个体以及SARS-CoV-2感染后的个体	免疫学	COVID-19	单细胞转录组学，深度学习反向表位映射方法Trex	深度学习	转录组数据	1,277个刺突特异性CD4 T细胞，包括238个通过Trex定义的细胞
1647	2025-03-12	Contrastive Self-supervised Learning for Neurodegenerative Disorder Classification 2024-Jul-04, medRxiv : the preprint server for health sciences DOI:10.1101/2024.07.03.24309882 PMID:39006425	研究论文	本文探讨了对比自监督学习在神经退行性疾病分类中的应用，特别是阿尔茨海默病（AD）和额颞叶变性（FTLD）的分类	采用对比自监督学习方法训练深度卷积神经网络作为特征提取器，无需数据标签即可学习潜在表示，并在下游分类任务中表现出色	需要进一步验证在更大规模和多样化的数据集上的泛化能力	研究自监督学习模型是否能够以可解释的方式区分不同的神经退行性疾病	阿尔茨海默病（AD）和额颞叶变性（FTLD）患者及认知正常对照组（CN）	计算机视觉	神经退行性疾病	T1加权MRI扫描	深度卷积神经网络（CNN）	图像	2694个T1加权MRI扫描，来自四个数据队列：两个ADNI数据集、AIBL和FTLDNI
1648	2025-03-12	Deep Learning-Derived Myocardial Strain 2024-Jul, JACC. Cardiovascular imaging DOI:10.1016/j.jcmg.2024.01.011 PMID:38551533	研究论文	本研究开发了一种自动化的深度学习应变（DLS）分析管道，用于从标准超声心动图B模式图像中测量全局纵向应变（GLS），并验证其在多种应用和人群中的性能	开发了一种自动化的、开源且与供应商无关的DLS方法，用于从标准超声心动图B模式图像中测量GLS，减少了操作者经验和供应商间差异的影响	尽管DLS在外部验证中与2D GLS保持中等一致性，但仍存在一定的偏差和一致性限制	开发并验证一种自动化的深度学习应变分析管道，以减少超声心动图应变测量中的操作者经验和供应商间差异	超声心动图B模式图像	数字病理	心血管疾病	深度学习	NA	图像	多个应用和人群中的患者数据
1649	2025-03-12	Cross noise level PET denoising with continuous adversarial domain generalization 2024-Apr-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad341a PMID:38484401	研究论文	本文提出了一种利用连续对抗域泛化技术进行跨噪声水平PET去噪的方法	首次从域泛化的角度解决跨噪声水平去噪中的性能下降问题，并提出了连续域泛化的新方法	模型在特定噪声水平上训练，可能在不同噪声水平上的泛化能力有限	解决PET图像去噪中由于噪声水平不同导致的分布偏移问题	PET图像	计算机视觉	阿尔茨海默病	深度学习	3D UNet	3D图像	60名受试者的97F-MK6240 tau PET研究数据，生成1400对训练图像、120对验证图像和420对测试图像
1650	2025-03-12	SAMPLER: unsupervised representations for rapid analysis of whole slide tissue images 2024-Jan, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2023.104908 PMID:38101298	研究论文	本文介绍了一种名为SAMPLER的无监督快速方法，用于生成全切片组织图像的幻灯片级别表示，以进行快速分析	SAMPLER通过编码多尺度瓦片级别特征的累积分布函数来生成幻灯片级别表示，无需监督且计算效率高	尽管SAMPLER在速度和效果上表现出色，但其在外部验证数据集上的表现仍需进一步验证	开发一种无监督且快速的方法，用于生成全切片组织图像的幻灯片级别表示，以进行下游分析	乳腺癌（BRCA）、非小细胞肺癌（NSCLC）和肾细胞癌（RCC）的全切片图像	数字病理学	乳腺癌、非小细胞肺癌、肾细胞癌	深度学习	无监督模型	图像	来自The Cancer Genome Atlas (TCGA)的BRCA、NSCLC和RCC全切片图像
1651	2025-03-12	Intraoperative molecular diagnosis of glioma through combination of radiofrequency signals from ultrasound and deep learning 2024-Jan, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2023.104933 PMID:38103513	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1652	2025-03-11	Comparison of Vendor-Pretrained and Custom-Trained Deep Learning Segmentation Models for Head-and-Neck, Breast, and Prostate Cancers 2024-Dec-18, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics14242851 PMID:39767212	研究论文	本文评估了本地患者和临床特征对商业深度学习分割模型在头颈、乳腺和前列腺癌症中性能的影响	比较了供应商预训练和自定义训练的深度学习分割模型，并展示了自定义模型在多个器官风险区域（OARs）上的显著改进	研究样本量相对较小，且仅针对头颈、乳腺和前列腺癌症	评估本地数据和临床特征对商业深度学习分割模型性能的影响	头颈、乳腺和前列腺癌症患者	数字病理	头颈癌、乳腺癌、前列腺癌	深度学习分割模型	深度学习模型	CT扫描图像	210名患者（53名头颈癌、49名左乳腺癌、55名右乳腺癌、53名前列腺癌）
1653	2025-03-11	Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning 2024-Dec-09, bioRxiv : the preprint server for biology DOI:10.1101/2024.05.05.592587 PMID:38979147	研究论文	本文介绍了一种基于深度学习的模型ICoN，用于从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并应用于高度动态的蛋白质构象采样	提出了一种新的深度学习模型ICoN，能够从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并生成新的合成构象，揭示了实验未观察到的原子级细节	模型的训练依赖于分子动力学模拟数据，可能受限于模拟的准确性和计算资源	研究高度动态蛋白质的构象集合，以理解其功能调控和疾病相关聚集	高度动态的蛋白质，特别是内在无序蛋白质（IDPs）和淀粉样β（Aβ42）单体	机器学习	NA	分子动力学模拟（MD）	深度学习模型（ICoN）	分子动力学模拟数据	NA
1654	2025-03-11	Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning 2024-Jun-28, Research square DOI:10.21203/rs.3.rs-4301803/v1 PMID:38978607	研究论文	本文开发了一种基于无监督深度学习的模型ICoN，用于从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并通过插值数据点快速识别具有复杂和大规模侧链和骨架排列的新合成构象	提出了ICoN模型，能够从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并生成新的合成构象，揭示了实验发现中未包含的重要原子细节	方法的普适性依赖于可用训练数据的质量和数量，且需要进一步的实验验证来确认生成构象的生物学相关性	研究蛋白质构象集合，特别是高度动态蛋白质的构象变化，以理解其功能调控和疾病相关聚集	高度动态的淀粉样β（Aβ42）单体	机器学习	NA	分子动力学（MD）模拟	ICoN（Internal Coordinate Net）	分子动力学模拟数据	NA
1655	2025-03-11	A novel deep learning model for diabetic retinopathy detection in retinal fundus images using pre-trained CNN and HWBLSTM 2024-Feb-19, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2024.2314269 PMID:38373067	研究论文	本文提出了一种新的深度学习模型，用于通过视网膜眼底图像检测糖尿病视网膜病变，结合了预训练的CNN和HWBLSTM	创新点在于结合了He加权双向长短期记忆网络（HWBLSTM）和有效的迁移学习技术，用于从视网膜眼底图像中检测糖尿病视网膜病变	未明确提及研究的局限性	研究目的是开发一种深度学习方法来准确检测和分类糖尿病视网膜病变	研究对象是糖尿病视网膜病变患者的视网膜眼底图像	计算机视觉	糖尿病视网膜病变	深度学习、迁移学习、图像预处理、图像分割、特征提取、降维	CNN、HWBLSTM	图像	使用了APTOS和MESSIDOR数据集
1656	2025-03-11	Adapting physics-informed neural networks to improve ODE optimization in mosquito population dynamics 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315762 PMID:39715201	研究论文	本文提出了一种改进的物理信息神经网络（PINN）框架，用于解决蚊子种群动态建模中的ODE优化问题	提出了一种改进的PINN框架，解决了梯度不平衡和刚性ODE问题，并通过逐步扩展训练时间域来解决时间因果关系问题	当前PINN框架在现实世界的ODE系统中还不够成熟，尤其是在具有极端多尺度行为的系统中	改进物理信息神经网络在ODE系统中的应用，特别是用于蚊子种群动态建模	蚊子种群动态建模	机器学习	NA	物理信息神经网络（PINN）	PINN	模拟数据	NA
1657	2025-03-10	An interpretable generative multimodal neuroimaging-genomics framework for decoding alzheimer's disease 2024-Nov-14, ArXiv PMID:38947922	研究论文	本文提出了一种可解释的生成多模态神经影像-基因组学框架，用于解码阿尔茨海默病	提出了一种新的深度学习分类框架，采用循环生成对抗网络（cGAN）在潜在空间中填补缺失数据，并采用可解释的人工智能方法（XAI）提取输入特征的相关性	未明确提及具体限制	解码阿尔茨海默病的潜在机制，进行AD检测和MCI转化预测	阿尔茨海默病患者和轻度认知障碍（MCI）患者	数字病理学	老年病	结构性和功能性磁共振成像（sMRI/fMRI），单核苷酸多态性（SNPs）	循环生成对抗网络（cGAN）	神经影像数据，基因组数据	未明确提及具体样本数量
1658	2025-03-10	Data-driven fine-grained region discovery in the mouse brain with transformers 2024-Jun-13, bioRxiv : the preprint server for biology DOI:10.1101/2024.05.05.592608 PMID:38766132	研究论文	本文开发了一种无监督训练方案和基于transformer的深度学习架构，用于利用空间转录组学数据检测小鼠全脑的空间区域	提出了一种新的transformer深度学习架构，能够从粗到细粒度地识别小鼠大脑中的空间区域，并发现了一些以前未分类的亚区域	NA	研究小鼠大脑的空间组织	小鼠大脑	数字病理学	NA	空间转录组学	transformer	空间转录组学数据	多个小鼠的全脑数据
1659	2025-03-10	Explainability of three-dimensional convolutional neural networks for functional magnetic resonance imaging of Alzheimer's disease classification based on gradient-weighted class activation mapping 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303278 PMID:38771733	研究论文	本文通过应用梯度加权类激活映射（Grad-CAM）等方法，提高了基于fMRI的3D-VGG16网络在阿尔茨海默病（AD）诊断中的可解释性	本文的创新点在于使用多种静息态功能活动图（如ALFF、fALFF、ReHo和VMHC）来降低fMRI数据的复杂性，并采用3D-VGG16网络进行AD分类，同时通过GAP层缓解过拟合问题	本文的局限性在于手动特征提取方法可能增加模型负担，且仅针对AD和正常对照组进行了研究，未涉及其他神经系统疾病	研究目的是探索模型在预测时主要关注的大脑感兴趣区域（ROI），以及AD患者和正常对照组之间这些ROI的差异	研究对象为阿尔茨海默病患者和正常对照组	数字病理学	阿尔茨海默病	fMRI	3D-VGG16	图像	未提及具体样本数量
1660	2025-03-09	Enhancing Whole Slide Image Classification with Discriminative and Contrastive Learning 2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-72083-3_10 PMID:40046787	研究论文	本研究通过结合判别式和对比学习技术，提升了全切片图像（WSI）分类的准确性和鲁棒性	与现有主要依赖基于WSI级别标签分配伪标签的对比学习方法不同，本研究直接在WSI级别构建正负样本，从而更有效地学习信息丰富的图像特征	NA	提高全切片图像分类的准确性和鲁棒性	全切片图像（WSI）	数字病理学	NA	对比学习	深度学习	图像	两个数据集