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
281	2025-10-07	A lung nodule segmentation model based on the transformer with multiple thresholds and coordinate attention 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82877-8 PMID:39738386	研究论文	提出一种基于Transformer和多阈值坐标注意力的肺结节分割模型MCAT-Net	构建多阈值特征分离模块捕获边缘纹理特征，引入坐标注意力机制增强空间信息感知，结合Transformer捕获长程依赖关系	NA	提高肺结节分割的准确性以辅助肺癌早期检测	肺结节医学图像	计算机视觉	肺癌	深度学习	Transformer, CNN	医学图像	LIDC-IDRI和LNDb数据集	NA	MCAT-Net, Transformer, 编码器-解码器结构	Dice相似系数, 灵敏度	NA
282	2025-10-07	IoT based intelligent pest management system for precision agriculture 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83012-3 PMID:39738391	研究论文	本文提出了一种基于物联网的智能害虫管理系统，用于精准农业中的害虫检测和分类	开发了配备嵌入式计算的智能昆虫陷阱原型，结合多种图像特征训练的CNN分类器，在真实田间环境中实现害虫自动识别	数据集仅包含东方果实蝇图像，在单一作物（番石榴园）中采集，样本多样性有限	开发智能害虫管理系统以提升作物保护能力和农业生产效率	东方果实蝇及其他昆虫	计算机视觉	农业害虫	图像采集，物联网技术	CNN	图像	1000+张在番石榴园不同光照条件下采集的图像，分为果实蝇和非果实蝇两类	NA	CNN	准确率，精确率，召回率，F1分数，特异性，FNR，mAP	嵌入式计算设备
283	2025-10-07	A deep learning-based ADRPPA algorithm for the prediction of diabetic retinopathy progression 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82884-9 PMID:39738461	研究论文	本研究开发了一种基于深度学习的糖尿病视网膜病变进展预测算法（ADRPPA），利用纵向视网膜图像数据预测疾病进展	首次结合DR严重程度分级和微动脉瘤量化评分，利用纵向数据预测非参考性DR向参考性DR的进展	回顾性研究设计，数据集来源有限，模型在独立验证集上的表现需要进一步验证	开发能够预测糖尿病视网膜病变进展的人工智能算法	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	视网膜眼底成像	CNN	图像	EyePACS数据集：12,768张图像（6,384只眼睛）；e-ophtha数据集：148张图像	NA	ResNeXt, Mask-RCNN	AUC, 召回率, 精确率, F1分数	NA
284	2025-10-07	Classification of cervical cancer using Dense CapsNet with Seg-UNet and denoising autoencoders 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82489-2 PMID:39738568	研究论文	提出一种结合Seg-UNet分割、去噪自编码器特征提取和Dense CapsNet分类的宫颈癌分类系统	首次将四种深度学习方法集成于宫颈癌分类流程，通过m-GAN数据增强和Seg-UNet分割解决细胞分组难题	未说明模型在数据分布严重不平衡时的泛化能力，未与其他先进方法进行充分对比	提升宫颈癌多类别分类的准确性和鲁棒性	宫颈涂片图像数据	计算机视觉	宫颈癌	Pap smear	GAN, Autoencoder, CapsNet, UNet	医学图像	SIPaKMeD数据集	NA	Seg-UNet, Denoising Autoencoder, Dense CapsNet, m-GAN	准确率	NA
285	2025-10-07	Automatic ovarian follicle detection using object detection models 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82904-8 PMID:39738599	研究论文	本研究开发了基于深度学习的目标检测模型来自动检测卵巢组织切片中的卵泡结构	首次将单阶段目标检测模型YOLO和RetinaNet应用于卵巢卵泡检测，并采用迁移学习、数据增强和焦点损失函数解决类别不平衡问题	仅使用1000张图像的小规模数据集进行训练和验证	开发自动化的卵巢卵泡检测方法以替代人工计数	卵巢组织切片中的窦卵泡和黄体	计算机视觉	生殖系统疾病	组织学切片成像	目标检测模型	图像	1000张卵巢组织切片图像	NA	YOLO, RetinaNet	平均精度均值(mAP)	NA
286	2025-10-07	Dental bur detection system based on asymmetric double convolution and adaptive feature fusion 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83241-6 PMID:39738621	研究论文	提出基于非对称双卷积和自适应特征融合的牙科车针检测系统YOLO-DB	设计轻量级非对称双卷积模块(LADC)减少冗余特征干扰，结合SlimNeck与BiFPN-Concat的新型融合网络实现高效特征融合	NA	提升微小尺寸牙科车针的检测精度和计数效率	牙科车针（牙科医疗器械）	计算机视觉	NA	深度学习	YOLO	图像	NA	NA	YOLO-DB, LADC, SlimNeck, BiFPN-Concat	mAP@0.5, mAP@0.5:0.95, 帧率, 参数量, 计算量, 计数准确率	NA
287	2025-10-07	Peptidomics and Machine Learning-based Evaluation of Noncoding RNA-Derived Micropeptides in Breast Cancer: Expression Patterns and Functional/Therapeutic Insights 2024-12, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2024.102150 PMID:39393531	研究论文	通过肽组学和机器学习方法评估非编码RNA来源的微肽在乳腺癌中的表达模式及功能/治疗潜力	首次大规模整合肽组学数据和多种机器学习工具系统评估ncRNA来源微肽在乳腺癌亚型中的表达特征和功能潜力	研究基于预测性微肽数据集，需要实验验证确认其生物学功能	深入探索非编码RNA来源微肽在乳腺癌亚型中的表达模式及其在疾病中的作用机制	乳腺癌组织和不同分子亚型肿瘤样本	机器学习	乳腺癌	高通量质谱分析，肽组学	机器学习，深度学习	质谱数据，肽序列数据	16,349个预测微肽序列，58个在乳腺组织中表达的肽段	AntiCP 2.0, MULocDeep, PEPstrMOD, Peptipedia, PreAIP	NA	差异表达分析，功能预测，理化特征评估	NA
288	2025-03-25	Deep learning models reveal the link between dynamic brain connectivity patterns and states of consciousness 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76695-1 PMID:39738114	研究论文	该研究利用深度学习模型探索动态脑功能连接模式与意识状态之间的关系	使用低维变分自编码器(VAE)研究脑动力学，扩展了潜在空间表征和建模方法，并提出了可解释的脑计算模型	未明确说明样本量或数据收集的具体限制	解码脑活动中的意识状态，研究动态脑功能连接与意识的关系	人脑动态功能连接模式	神经科学	意识障碍	静息态fMRI，变分自编码器(VAE)	VAE	fMRI图像数据	NA	NA	NA	NA	NA
289	2025-03-25	Deep learning radiomics on grayscale ultrasound images assists in diagnosing benign and malignant of BI-RADS 4 lesions 2024-12-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83347-x PMID:39733121	研究论文	本研究探索了一种基于灰度超声图像的深度学习放射组学（DLR）模型，用于辅助放射科医生区分乳腺良性病变（BBL）和恶性病变（MBL）	提出了一个名为CLDLR的模型，结合临床参数和DLR，通过灰度超声图像诊断乳腺病变，并通过AI评分和热图提升放射科医生的诊断性能	研究样本量相对较小（382例患者），且未提及模型在其他数据集上的泛化能力	开发一种非侵入性影像生物标志物，用于预测BI-RADS 4类乳腺病变的良恶性	乳腺病变患者（183例良性，199例恶性）	数字病理	乳腺癌	深度学习放射组学（DLR）	CLDLR（结合临床参数和DLR的模型）	灰度超声图像	382例患者（183例良性，199例恶性）	NA	NA	NA	NA
290	2025-03-25	Development and Validation of a Biparametric MRI Deep Learning Radiomics Model with Clinical Characteristics for Predicting Perineural Invasion in Patients with Prostate Cancer 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.07.013 PMID:39043515	研究论文	开发并验证了一种结合双参数MRI深度学习和临床特征的模型，用于预测前列腺癌患者的神经周围侵犯	整合了临床特征、放射组学和深度学习特征，构建了一个综合预测模型DLRC	研究样本量有限，且仅基于术前MRI和根治性前列腺切除术的数据	非侵入性预测前列腺癌患者的神经周围侵犯(PNI)	557名接受术前MRI和根治性前列腺切除术的前列腺癌患者	数字病理学	前列腺癌	双参数MRI	深度学习放射组学模型(DLRC)	MRI图像和临床数据	557名患者，按7:3比例分为训练集和验证集	NA	NA	NA	NA
291	2025-03-25	Gated SPECT-Derived Myocardial Strain Estimated From Deep-Learning Image Translation Validated From N-13 Ammonia PET 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.047 PMID:39095261	研究论文	本研究探讨了使用深度学习生成的虚拟PET样门控SPECT（SPECTVP）评估心肌应变的可行性，以克服传统SPECT的限制	利用深度学习技术将SPECT图像转换为PET样图像（SPECTVP），提高了心肌应变测量的准确性	研究样本量较小（18名患者在应激状态，23名患者在静息状态），且仅选择了射血分数无变化的患者进行训练	提高心肌应变测量的准确性，探索SPECTVP在临床中的应用价值	心肌应变	数字病理学	心血管疾病	深度学习图像转换	深度学习模型	医学图像（SPECT和PET）	18名患者在应激状态（720对图像），23名患者在静息状态（920对图像）	NA	NA	NA	NA
292	2025-03-25	Preoperative Contrast-Enhanced CT-Based Deep Learning Radiomics Model for Distinguishing Retroperitoneal Lipomas and Well‑Differentiated Liposarcomas 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.035 PMID:39003228	research paper	评估基于术前增强CT的深度学习放射组学列线图在区分腹膜后高分化脂肪肉瘤和脂肪瘤中的效能	结合放射组学和深度学习特征开发的新型列线图模型，用于术前预测MDM2基因扩增，以区分两种疾病	研究为回顾性多中心设计，可能存在选择偏倚；样本量相对有限	开发术前影像学生物标志物以区分腹膜后高分化脂肪肉瘤和脂肪瘤	167例MDM2阳性高分化脂肪肉瘤或MDM2阴性脂肪瘤患者	digital pathology	liposarcoma	contrast-enhanced CT (CECT)	deep learning radiomics nomogram (DLRN)	medical imaging	167例患者（训练集104例/外部测试集63例）	NA	NA	NA	NA
293	2025-03-25	Predicting the Prognosis of HIFU Ablation of Uterine Fibroids Using a Deep Learning-Based 3D Super-Resolution DWI Radiomics Model: A Multicenter Study 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.027 PMID:38969576	研究论文	评估基于深度学习的3D超分辨率扩散加权成像放射组学模型在预测高强度聚焦超声消融子宫肌瘤预后中的可行性和有效性	使用深度学习构建超分辨率DWI，并在预测HIFU消融子宫肌瘤预后方面优于高分辨率DWI模型和放射科专家评估	回顾性研究设计，样本量相对有限（360例患者）	预测高强度聚焦超声（HIFU）消融子宫肌瘤的预后	子宫肌瘤患者	数字病理	子宫肌瘤	扩散加权成像（DWI），深度学习	SVM, RF, LightGBM	3D医学影像	360例患者（240例训练集，60例内部测试集，60例外部测试集）	NA	NA	NA	NA
294	2025-03-25	DeepSAP: A Novel Brain Image-Based Deep Learning Model for Predicting Stroke-Associated Pneumonia From Spontaneous Intracerebral Hemorrhage 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.025 PMID:38955592	research paper	开发了一种基于脑部CT扫描的深度学习模型DeepSAP，用于预测自发性脑出血后的卒中相关性肺炎	首次结合脑部CT图像和临床数据，通过MRI模板进行图像配准消除样本间结构差异，实现了脑出血的统计量化和空间标准化	研究为回顾性研究，样本量相对较小(n=244)，需要进一步前瞻性验证	开发快速可靠的模型及时预测卒中相关性肺炎(SAP)	244例自发性脑出血(ICH)患者	digital pathology	cardiovascular disease	CT扫描，MRI-template-based图像配准技术	deep-learning neural network	image (脑部CT扫描)和临床数据	244例ICH患者(训练集170例，测试集74例)	NA	NA	NA	NA
295	2025-03-25	Prospective Deployment of Deep Learning Reconstruction Facilitates Highly Accelerated Upper Abdominal MRI 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.044 PMID:38955591	研究论文	比较传统T1容积插值屏气检查（VIBE）与深度学习（DL）重建加速VIBE序列在上腹部MRI中的图像质量和诊断信心	使用深度学习重建技术将VIBE-SPAIR的屏气时间减少50%，同时提高图像质量	研究样本量较小（45例患者），且仅在单一三级中心进行	评估深度学习重建加速VIBE序列在上腹部MRI中的性能	上腹部MRI检查的患者	医学影像	上腹部疾病	深度学习重建技术	DL	MRI图像	45例患者	NA	NA	NA	NA
296	2025-03-25	Super-resolution Deep Learning Reconstruction for 3D Brain MR Imaging: Improvement of Cranial Nerve Depiction and Interobserver Agreement in Evaluations of Neurovascular Conflict 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.010 PMID:38897913	research paper	该研究探讨了超分辨率深度学习重建（SR-DLR）在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果	首次比较了SR-DLR与DLR在3D FASE脑部MR图像中对颅神经描绘和神经血管冲突评估的影响	研究样本量较小（37例患者），且SR-DLR显示出更高的主观图像噪声	评估SR-DLR在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果	37例患者的3D FASE脑部MR图像	digital pathology	神经血管疾病	3D fast asymmetric spin echo (3D FASE)脑部MR成像	深度学习重建（DLR）和超分辨率深度学习重建（SR-DLR）	3D MR图像	37例患者	NA	NA	NA	NA
297	2025-03-25	Predicting Lymphovascular Invasion in Non-small Cell Lung Cancer Using Deep Convolutional Neural Networks on Preoperative Chest CT 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.010 PMID:38845293	研究论文	本研究利用术前胸部CT图像和深度学习技术，构建了一个非小细胞肺癌淋巴血管侵犯的无创预测诊断模型	结合2D和3D CT成像特征以及临床放射学数据，开发了四种不同的深度卷积神经网络预测模型，用于预测非小细胞肺癌的淋巴血管侵犯	研究为回顾性观察研究，样本中LVI阳性患者较少（106例），可能影响模型的泛化能力	开发非小细胞肺癌淋巴血管侵犯的无创预测方法	非小细胞肺癌患者	数字病理学	肺癌	CT成像	DCNN（包括Dual-head Res2Net_3D23F、Dual-head Res2Net_3D3F、Dual-head Res2Net_3D和EfficientNet-B0_2D）	图像	3034例非小细胞肺癌患者（其中106例LVI阳性）	NA	NA	NA	NA
298	2025-03-25	Value of CT-Based Deep Learning Model in Differentiating Benign and Malignant Solid Pulmonary Nodules ≤ 8 mm 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.021 PMID:38806374	研究论文	本研究探讨了基于CT的深度学习模型在区分≤8mm的良性和恶性实性肺结节中的有效性	使用MDANet构建的深度学习模型，结合结节和不同周围区域特征，优于传统算法	样本量有限（n=719），且所有患者均接受了手术切除，可能影响模型的泛化能力	评估基于CT的深度学习模型在区分小实性肺结节良恶性方面的性能	≤8mm的实性肺结节	数字病理学	肺癌	CT扫描	MDANet, VGG19, ResNet50, ResNeXt50, DenseNet121	医学影像	719例患者（内部训练、内部验证和外部验证队列）	NA	NA	NA	NA
299	2025-10-07	Conceptual understanding and cognitive patterns construction for physical education teaching based on deep learning algorithms 2024-12-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83028-9 PMID:39732971	研究论文	本研究提出基于深度学习算法的体育教学概念理解与认知模式构建方法	结合关联图卷积神经网络和超图卷积神经认知诊断模型，挖掘学生长期学习序列数据	NA	提高学生对体育教学概念的理解，帮助教师分析学生认知模式	体育教学中的学生认知状态	机器学习	NA	深度学习算法	CNN, 图卷积神经网络	图像, 学习序列数据	90000个训练样本	NA	关联图卷积神经网络, 超图卷积神经认知诊断模型	准确率	NA
300	2025-10-07	Explainable artificial intelligence for stroke prediction through comparison of deep learning and machine learning models 2024-12-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82931-5 PMID:39733046	研究论文	本研究通过比较深度学习和机器学习模型在脑卒中预测中的表现，探索可解释人工智能在早期中风检测中的应用	首次系统比较八种主流机器学习和深度学习模型在中风预测中的性能，并结合SHAP方法提供模型可解释性	研究样本量相对有限（663条记录），仅来自伊朗德黑兰单一医疗中心的数据	比较深度学习和机器学习模型在中风预测中的效能，探索早期检测方法	来自伊朗Hazrat Rasool Akram医院的住院患者，包括401名健康个体和262名中风患者	机器学习	脑卒中	NA	SVM, XGB, KNN, RF, DNN, FNN, LSTM, CNN	医疗记录数据	663条患者记录（401健康，262中风）	NA	DNN, FNN, LSTM, CNN	准确率, 特异性, 敏感性, F1分数, ROC曲线	NA