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
41	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
42	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
43	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）
44	2025-04-05	Deep learning of echocardiography distinguishes between presence and absence of late gadolinium enhancement on cardiac magnetic resonance in patients with hypertrophic cardiomyopathy 2024-Oct-14, Echo research and practice IF:3.2Q2 DOI:10.1186/s44156-024-00059-8 PMID:39396969	研究论文	本研究利用深度学习技术分析超声心动图，以区分肥厚型心肌病患者心脏磁共振中晚期钆增强的存在与否	结合临床参数和深度学习分析的超声心动图图像，开发了一种优于仅基于临床参数的模型的新方法	样本量相对较小（323例），且研究为横断面设计，未进行长期预后评估	区分肥厚型心肌病患者心脏磁共振中晚期钆增强的阳性与阴性	肥厚型心肌病患者	数字病理学	心血管疾病	心脏磁共振（CMR）和超声心动图	深度卷积神经网络（DCNN）	图像	323例肥厚型心肌病患者（训练集273例，测试集50例）
45	2025-04-05	Artificial Intelligence Applications in Oral Cancer and Oral Dysplasia 2024-Oct, Tissue engineering. Part A DOI:10.1089/ten.TEA.2024.0096 PMID:39041628	综述	本文综述了人工智能在口腔癌和口腔上皮异型增生中的应用，旨在开发预测性生物标志物	利用人工智能方法开发预测口腔上皮异型增生转化为口腔鳞状细胞癌的生物标志物，以及预测口腔鳞状细胞癌死亡率和治疗反应的生物标志物	目前尚无可靠的临床、病理、组织学或分子生物标志物来确定口腔上皮异型增生患者的个体风险	提高对口腔鳞状细胞癌和口腔上皮异型增生的预测能力，以改善患者生存率	口腔鳞状细胞癌（OSCC）和口腔上皮异型增生（OED）患者	数字病理学	口腔癌	多重免疫组织化学、深度学习、表观基因组学	深度学习（DL）	图像、表观遗传数据	NA
46	2025-04-03	Assessing substrate scope of the cyclodehydratase LynD by mRNA display-enabled machine learning models 2024-Oct-14, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.14.618330 PMID:39464139	研究论文	该研究通过mRNA展示技术和深度学习模型评估了RiPP环脱水酶LynD的底物范围	利用mRNA展示技术进行高通量底物分析，并构建深度学习模型预测LynD的底物处理	研究仅针对LynD酶，未涉及其他RiPP酶	评估和预测RiPP环脱水酶LynD的底物范围	RiPP环脱水酶LynD及其底物	机器学习	NA	mRNA展示技术	深度学习模型	肽序列数据	大规模肽库
47	2025-04-03	Substrate recognition principles for the PP2A-B55 protein phosphatase 2024-Oct-04, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adp5491 PMID:39356758	研究论文	本文通过整合AlphaFold建模和高分辨率突变扫描，揭示了PP2A-B55磷酸酶识别底物的机制，并设计了一种特异性肽抑制剂	发现了PP2A-B55通过保守机制识别底物α螺旋的关键氨基酸决定因素，并设计了特异性肽抑制剂	研究中使用的肽抑制剂可能需要在更多生物系统中验证其效果	阐明PP2A-B55磷酸酶识别底物的分子机制及其在细胞信号传导中的作用	PP2A-B55磷酸酶及其底物α螺旋结构	分子生物学	NA	AlphaFold建模、高分辨率突变扫描、深度学习蛋白设计	深度学习	蛋白质结构数据	NA
48	2025-04-02	Periapical lesion detection in periapical radiographs using the latest convolutional neural network ConvNeXt and its integrated models 2024-10-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-75748-9 PMID:39455655	研究论文	本研究提出了一种新型深度学习集成模型YoCNET，结合Yolov5的目标检测能力和ConvNeXt的图像分类能力，用于根尖周X光片中牙齿的自动分割和多颗牙齿根尖周病变的并发检测	提出YoCNET集成模型，首次将Yolov5的目标检测能力与ConvNeXt的图像分类能力相结合，实现牙齿自动分割和多颗牙齿根尖周病变的并发检测	乳牙被排除在数据集之外，可能影响模型在乳牙病变检测上的表现	开发一种能够同时识别根尖周X光片中多个病变目标的深度学习模型	根尖周X光片中的牙齿和根尖周病变	数字病理学	牙科疾病	深度学习	YoCNET (Yolov5 + ConvNeXt), YoRNET (Yolov5 + ResNet34)	X光图像	1305张根尖周X光片用于训练和验证，另外从200张X光片中提取717颗单独牙齿图像用于集成模型验证
49	2024-10-02	Deep learning sharpens vistas on biodiversity mapping 2024-Oct-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2416358121 PMID:39348547	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
50	2025-04-01	A Deep Learning-based Pipeline for Segmenting the Cerebral Cortex Laminar Structure in Histology Images 2024-Oct, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-024-09688-0 PMID:39417954	研究论文	本文提出了一种基于深度学习的流程，用于在组织学图像中分割大脑皮层的层状结构	开发了一种新颖的计算框架，结合AI工具获取皮层标签，并使用深度学习模型进行皮层分层分割，相比现有方法在分割质量上有显著提升	仅针对普通狨猴的Nissl染色和髓鞘染色切片图像进行研究，未在其他物种或染色方法上验证	理解大脑皮层层状结构的解剖学特征及其连接模式，为神经系统疾病研究提供见解	普通狨猴大脑的Nissl染色和髓鞘染色切片图像	数字病理学	神经系统疾病	深度学习	深度学习模型（未明确具体类型）	图像	普通狨猴大脑切片图像（具体数量未说明）
51	2025-03-28	Message-Passing Monte Carlo: Generating low-discrepancy point sets via graph neural networks 2024-Oct, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2409913121 PMID:39325425	研究论文	本文提出了一种名为消息传递蒙特卡洛(MPMC)的新型低差异点集生成方法，利用图神经网络工具实现	首次将几何深度学习方法应用于低差异点集生成，提出MPMC点集并在低维和小点数情况下达到最优或接近最优差异	目前主要适用于低维和小规模点集的情况	开发更有效的低差异点集生成方法以提高数值积分、计算机视觉等领域的性能	低差异点集的生成方法	机器学习	NA	几何深度学习	图神经网络(GNN)	空间点集数据	低维和小规模点集
52	2025-03-26	Prostate Cancer Risk Stratification in NRG Oncology Phase III Randomized Trials Using Multimodal Deep Learning With Digital Histopathology 2024-Oct, JCO precision oncology IF:5.3Q1 DOI:10.1200/PO.24.00145 PMID:39447096	research paper	本研究开发了一种基于多模态人工智能（MMAI）的前列腺癌风险分层系统，旨在改进当前NCCN风险分组的不足	利用数字组织病理学图像和临床数据构建的多模态人工智能模型，能够更准确地预测前列腺癌患者的转移风险	研究仅基于NRG Oncology的III期随机试验数据，可能无法完全代表更广泛的患者群体	开发一种临床可用的前列腺癌风险分层系统，以减少过度治疗和治疗不足的情况	9,787名局限性前列腺癌患者	digital pathology	prostate cancer	multimodal artificial intelligence (MMAI)	deep learning	digital histopathology images and clinical data	9,787 patients from eight NRG Oncology phase III trials
53	2025-03-23	ConvNext Mitosis Identification-You Only Look Once (CNMI-YOLO): Domain Adaptive and Robust Mitosis Identification in Digital Pathology 2024-10, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2024.102130 PMID:39233013	研究论文	本文提出了一种新的两阶段深度学习方法CNMI-YOLO，用于数字病理学中的有丝分裂检测，旨在提高不同类型癌症中有丝分裂的识别准确性	结合YOLOv7架构进行细胞检测和ConvNeXt架构进行细胞分类，解决了细胞形态变异和领域转移问题，显著提高了有丝分裂检测的准确性和鲁棒性	虽然模型在多个数据集上表现出色，但在未包含在训练数据集中的软组织肉瘤和黑色素瘤样本上的泛化能力仍需进一步验证	提高数字病理学中有丝分裂检测的准确性，以支持癌症的诊断和预后	数字病理学中的有丝分裂细胞	数字病理学	癌症	深度学习	YOLOv7, ConvNeXt	图像	Mitosis Domain Generalization Challenge 2022数据集，以及外部的黑色素瘤和肉瘤测试集
54	2025-03-22	Body composition analysis by radiological imaging - methods, applications, and prospects 2024-10, RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin DOI:10.1055/a-2263-1501 PMID:38569516	综述	本文综述了使用放射学方法对人体组织组成（体成分，BC）进行定量评估的方法、应用及前景	强调了放射学横断面成像在体成分分析中的重要性，并探讨了人工智能（深度学习）在自动化组织分割中的应用	分析工具和适合AI训练的数据集的可用性被认为是当前的一个限制	介绍和推广体成分分析方法，特别是在肿瘤学和代谢问题中的应用	人体组织组成	数字病理学	NA	MRI和CT	深度学习	图像	NA
55	2025-03-22	Deep Learning Accelerated Brain Diffusion-Weighted MRI with Super Resolution Processing 2024-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.02.049 PMID:38521612	研究论文	本研究探讨了使用深度学习图像重建和超分辨率技术加速脑部扩散加权成像（DWI）的临床可行性和图像质量	利用深度学习技术进行图像重建和超分辨率处理，显著提高了脑部扩散加权成像的图像质量和诊断信心	研究样本量较小（85名患者），且仅在3T MRI扫描仪上进行，可能限制了结果的普遍性	研究加速脑部扩散加权成像的临床可行性和图像质量	85名临床需要MRI检查的患者	医学影像	脑部疾病	深度学习图像重建和超分辨率处理	深度学习模型	MRI图像	85名患者
56	2025-03-22	Diagnostic Performance of Radiomics and Deep Learning to Identify Benign and Malignant Soft Tissue Tumors: A Systematic Review and Meta-analysis 2024-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.03.033 PMID:38614826	系统综述与荟萃分析	本文系统评估了放射组学和深度学习在良恶性软组织肿瘤鉴别诊断中的应用价值	首次系统性地结合放射组学和深度学习技术，对良恶性软组织肿瘤进行鉴别诊断，并通过荟萃分析提供了综合的敏感性和特异性数据	研究设计和方法学质量存在异质性，未来需要更多多中心前瞻性验证以提高研究严谨性	评估放射组学和深度学习在良恶性软组织肿瘤鉴别诊断中的应用价值	良性和恶性软组织肿瘤	数字病理学	软组织肿瘤	放射组学和深度学习	深度学习模型	影像数据	21项研究，涉及3866名患者
57	2025-03-22	Ultrasound-Based Deep Learning Radiomics Nomogram for the Assessment of Lymphovascular Invasion in Invasive Breast Cancer: A Multicenter Study 2024-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.04.010 PMID:38658211	研究论文	本研究旨在开发一种基于B型超声和彩色多普勒血流成像图像的深度学习放射组学列线图，用于术前评估浸润性乳腺癌的淋巴血管侵犯状态	结合深度学习和手工放射组学特征，开发了一种新的深度学习放射组学列线图，用于评估浸润性乳腺癌的淋巴血管侵犯状态	研究为回顾性多中心研究，可能存在选择偏倚	开发一种深度学习放射组学列线图，用于术前评估浸润性乳腺癌的淋巴血管侵犯状态	浸润性乳腺癌患者	数字病理学	乳腺癌	B型超声和彩色多普勒血流成像	深度学习放射组学列线图	图像	832名病理确诊的浸润性乳腺癌患者
58	2025-03-22	Feasibility of Artificial Intelligence Constrained Compressed SENSE Accelerated 3D Isotropic T1 VISTA Sequence For Vessel Wall MR Imaging: Exploring the Potential of Higher Acceleration Factors Compared to Traditional Compressed SENSE 2024-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.03.041 PMID:38664146	研究论文	本研究探讨了使用深度学习加速的3D T1加权VISTA序列进行血管壁磁共振成像的可行性，并与传统的压缩感知技术进行比较	首次将深度学习约束的压缩感知技术（CS-AI）应用于3D T1 VISTA序列，以优化加速因子（AF），提高血管壁磁共振成像的质量	研究样本量较小（40例患者），且仅限于颅内或颈动脉粥样硬化斑块患者	探索深度学习加速的3D T1 VISTA序列在血管壁磁共振成像中的可行性，并优化加速因子以获得高质量的临床图像	40例颅内或颈动脉粥样硬化斑块患者	医学影像	动脉粥样硬化	深度学习约束的压缩感知技术（CS-AI）	深度学习	磁共振图像	40例患者
59	2025-03-22	Automated Detection and Grading of Extraprostatic Extension of Prostate Cancer at MRI via Cascaded Deep Learning and Random Forest Classification 2024-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.04.011 PMID:38670874	研究论文	本文提出了一种基于深度学习和随机森林分类的自动化工作流程，用于从前列腺T2W MRI、ADC图和High B DWI中自动检测和分级前列腺癌的包膜外侵犯（EPE）	结合深度学习模型和随机森林分类器，自动化评估前列腺癌的EPE分级，接近医生的准确度	模型的平衡准确率较低（0.390 ± 0.078），且ROC AUCs在不同EPE分级中表现不一	开发一种自动化AI工作流程，用于预测前列腺癌的包膜外侵犯（EPE）分级，以辅助医生决策	634名患者的MRI扫描数据	数字病理学	前列腺癌	深度学习、随机森林分类	CNN、随机森林	MRI图像	634名患者（507名训练集，127名测试集）
60	2025-03-22	Deep Learning Radiomics Model of Contrast-Enhanced CT for Differentiating the Primary Source of Liver Metastases 2024-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.04.012 PMID:38702214	研究论文	本文开发并验证了一种基于增强CT的深度学习放射组学模型，用于识别肝转移的原发来源	提出了一种新的深度学习放射组学模型，通过逐步分类方法提高了模型分类效率	样本来源仅限于特定临床中心，可能影响模型的泛化能力	开发并验证一种深度学习放射组学模型，用于识别肝转移的原发来源	肝转移病灶	数字病理学	肝转移	增强CT	深度学习放射组学模型	图像	657个肝转移病灶，来自428名患者，外加112个病灶作为外部测试集