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	2025-05-31	Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: A data-driven approach for improved classification 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103383 PMID:39546982	研究论文	本文提出了一种名为MAPLEZ的新方法，利用本地可执行的大型语言模型（LLM）从胸部X光报告中提取和增强发现标签，以提高分类质量	MAPLEZ不仅提取二元标签（表示发现的存在或缺失），还提取位置、严重程度和放射科医生对发现的不确定性，显著提高了标签质量和分类性能	方法仅在有限分辨率的胸部X光数据集上进行了验证，可能在其他类型或更高分辨率的数据上表现不同	提高胸部X光图像分析的标签质量和分类性能	胸部X光报告和图像	数字病理学	肺病	大型语言模型（LLM）	LLM	图像和文本	五个测试集中的八种异常情况
42	2025-05-31	Elastography-based AI model can predict axillary status after neoadjuvant chemotherapy in breast cancer with nodal involvement: a prospective, multicenter, diagnostic study 2025-Jan-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002105 PMID:39724577	research paper	开发了一种基于弹性成像和深度学习的模型，用于预测乳腺癌患者在化疗后腋窝淋巴结状态	结合剪切波弹性成像（SWE）和深度学习放射组学（DLR）模型，显著提高了预测准确性	研究仅基于术前超声图像，未考虑其他影像学或分子生物学数据	预测乳腺癌患者在接受新辅助化疗后腋窝淋巴结的状态	671名经活检证实有淋巴结转移的乳腺癌患者	digital pathology	breast cancer	shear wave elastography (SWE), B-mode ultrasound (BUS)	deep learning radiomics (DLR)	image	671名乳腺癌患者
43	2025-05-31	LD-informed deep learning for Alzheimer's gene loci detection using WGS data 2025 Jan-Mar, Alzheimer's & dementia (New York, N. Y.) DOI:10.1002/trc2.70041 PMID:39822590	research paper	介绍了一种名为Deep-Block的多阶段深度学习框架，用于从大规模全基因组测序数据中识别与阿尔茨海默病相关的遗传位点	Deep-Block框架结合了生物学知识，采用三阶段方法（基于连锁不平衡模式进行基因组分割、使用稀疏注意力机制选择相关LD块、应用TabNet和随机森林算法量化SNP特征重要性）来识别阿尔茨海默病的遗传因素	研究仅针对非西班牙裔白人参与者，可能限制了结果的普适性	开发先进的分析工具以从大规模高通量测序数据中有效识别遗传位点，特别是与阿尔茨海默病相关的位点	阿尔茨海默病相关的遗传位点	machine learning	阿尔茨海默病	WGS	TabNet, Random Forest	genomic data	7416名非西班牙裔白人参与者（3150名认知正常的老年人，4266名阿尔茨海默病患者）
44	2025-05-31	Use of artificial intelligence for gestational age estimation: a systematic review and meta-analysis 2025, Frontiers in global women's health DOI:10.3389/fgwh.2025.1447579 PMID:39950139	meta-analysis	本文通过系统综述和荟萃分析评估了人工智能模型在利用超声图像估计孕龄方面的准确性	首次对AI模型在孕龄估计中的准确性进行了系统评价和荟萃分析，特别关注了不同孕期、AI模型类型和外部验证的影响	纳入研究数量有限（17篇综述，10篇荟萃分析），且部分研究存在偏倚风险	评估AI模型在孕龄估计中的准确性，并与作为金标准的超声检查进行对比	使用AI模型进行孕龄估计的研究	数字病理	妊娠相关疾病	超声成像	CNN, DNN	2D图像, 盲扫视频	17项研究（其中10项纳入荟萃分析），涉及高收入国家、中高收入国家和低收入国家的数据
45	2025-05-31	Advanced applications in chronic disease monitoring using IoT mobile sensing device data, machine learning algorithms and frame theory: a systematic review 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1510456 PMID:40061474	系统综述	本文综述了物联网移动传感设备数据、机器学习算法和框架理论在慢性病监测中的高级应用	引入了基于深度学习、紧框架方法和实时监测系统的先进模型，填补了物联网和AI技术在特定慢性病管理中应用的文献空白	存在数据收集、算法选择和用户交互方面的潜在偏差和弱点	探索物联网和AI技术在慢性病管理中的应用及其效果	主要慢性病如心血管疾病、癌症、慢性呼吸系统疾病和糖尿病	机器学习	慢性病	物联网移动传感设备数据、机器学习算法（ANN、SVM、RF、深度学习模型）	ANN、SVM、RF、深度学习模型	传感器数据、医疗数据	NA
46	2025-05-31	Leveraging Extended Windows in End-to-End Deep Learning for Improved Continuous Myoelectric Locomotion Prediction 2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3552530 PMID:40100693	研究论文	本研究探讨了利用扩展窗口长度在端到端深度学习中改进连续肌电运动预测的方法	通过扩展窗口长度（250 ms至1500 ms）结合端到端CNN处理原始sEMG信号，克服了传统方法在预测能力上的限制	研究未涉及不同个体间的泛化能力验证	改进连续肌电运动预测的准确性和实时性	表面肌电信号（sEMG）和连续运动模式	机器学习	NA	表面肌电信号（sEMG）采集	CNN	信号数据	涉及8种运动模式和16种过渡状态
47	2025-05-31	AADNet: Exploring EEG Spatiotemporal Information for Fast and Accurate Orientation and Timbre Detection of Auditory Attention Based on a Cue-Masked Paradigm 2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3555542 PMID:40168202	research paper	该研究提出了一种基于EEG的快速准确解码听觉注意方向与音色的方法，并设计了一种新的实验范式以避免信息泄露	提出了一种新的线索掩蔽听觉注意范式，并开发了端到端深度学习模型AADNet，利用EEG信号的时空信息实现高精度低延迟解码	NA	开发快速准确的听觉注意解码技术，用于神经导向助听器等辅助听力设备的实际应用	EEG信号中的听觉注意方向(OA)和音色注意(TA)	脑机接口	NA	EEG信号分析	AADNet(端到端深度学习模型)	EEG信号	NA
48	2025-05-31	Derivative-Guided Dual-Attention Mechanisms in Patch Transformer for Efficient Automated Recognition of Auditory Brainstem Response Latency 2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3558730 PMID:40198282	research paper	提出了一种名为Patch-DAT的新型深度学习模型，用于自动识别听觉脑干反应（ABR）波I、III和V的潜伏期	引入了导数引导的双注意力机制和重叠分块策略，以更好地捕捉局部时间模式和全局依赖关系	未来工作将集中于扩大数据集多样性和提高模型可解释性	开发一种轻量级且可泛化的深度学习模型，用于自动识别ABR波潜伏期	听觉脑干反应（ABR）波I、III和V的潜伏期	machine learning	NA	深度学习	Transformer	时间序列数据	来自两家医院的大规模多样化数据集
49	2025-05-31	SMANet: A Model Combining SincNet, Multi-Branch Spatial-Temporal CNN, and Attention Mechanism for Motor Imagery BCI 2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3560993 PMID:40232894	研究论文	提出了一种结合SincNet、多分支时空CNN和注意力机制的深度学习模型SMANet，用于运动想象脑机接口分类	首次将SincNet、多分支时空CNN和注意力机制结合用于EEG信号解码，通过多目标优化方案增强判别特征	未提及模型在不同EEG设备或噪声环境下的泛化能力	提高运动想象脑机接口的分类准确率	EEG信号	脑机接口	NA	深度学习	SincNet + MBSTCNN + ECA	EEG信号	三个公开数据集（BCI Competition IV 2a四分类、2b二分类和OpenBMI二分类）
50	2025-05-31	A Multimodal Approach for Early Identification of Mild Cognitive Impairment and Alzheimer's Disease With Fusion Network Using Eye Movements and Speech 2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3561043 PMID:40232896	research paper	该研究提出了一种多模态方法，通过结合眼动和语音数据，使用融合网络早期识别轻度认知障碍和阿尔茨海默病	开发了一种基于深度学习的融合神经网络模型，整合了眼动和语音特征，显著提高了MCI和AD的分类准确率	样本量相对较小（78名参与者），可能影响模型的泛化能力	早期识别轻度认知障碍和阿尔茨海默病	78名参与者（37名健康对照，20名MCI患者，21名AD患者）	digital pathology	geriatric disease	eye-tracking, speech analysis	Fusion Neural Network	multimodal (gaze + speech)	78 participants (37 controls, 20 MCI, 21 AD)
51	2025-05-31	An Interventional Brain-Computer Interface for Long-Term EEG Collection and Motion Classification of a Quadruped Mammal 2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3562922 PMID:40257874	研究论文	提出了一种新型介入式脑机接口（BCI），用于长期收集四足哺乳动物的脑电图（EEG）信号并进行运动分类	通过静脉植入电极采集颅内EEG信号，无需开颅手术，解决了传统非侵入式BCI使用环境受限和侵入式BCI永久性神经损伤的问题	研究仅在绵羊中进行，尚未在人类身上验证	开发一种能够长期有效采集EEG信号的介入式BCI，用于解决中风患者术后运动功能障碍	绵羊	脑机接口	中风	EEG信号采集，功率谱密度（PSD）分析	深度学习模型	EEG信号	绵羊，数据收集持续五个月（前三个月用于训练，第四个月用于验证）
52	2025-05-31	Continuous Joint Kinematics Prediction Using GAT-LSTM Framework Based on Muscle Synergy and Sparse sEMG 2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3565305 PMID:40299730	研究论文	提出了一种基于肌肉协同和稀疏sEMG的GAT-LSTM框架，用于连续关节运动预测	结合肌肉协同理论和图注意力网络，有效补偿稀疏sEMG设置的局限性，显著提高预测精度	NA	提高基于sEMG的连续运动预测的准确性和可靠性	sEMG信号和关节运动	机器学习	NA	sEMG	GAT-LSTM	sEMG信号	公共数据集Ninapro DB2和自收集数据集
53	2025-05-31	Optimizing gene selection and module identification via ontology-based scoring and deep learning 2025, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbaf034 PMID:40365108	research paper	提出了一种结合统计方法和深度学习的集成框架，用于优化基因选择和模块识别	结合了基于基因本体论（GO）的新型统计算法和深度神经网络模型，提高了基因选择的准确性和生物相关性	未提及具体样本量或实验验证的局限性	优化基因选择并识别基因相互作用模块，以更好地理解复杂疾病机制	基因表达数据和基因相互作用	computational biology	NA	gene ontology (GO) scoring, deep learning	deep neural network, feed-forward architecture	omics data, gene expression data	NA
54	2025-05-31	Application of 3D nnU-Net with Residual Encoder in the 2024 MICCAI Head and Neck Tumor Segmentation Challenge 2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings DOI:10.1007/978-3-031-83274-1_20 PMID:40417457	research paper	本文探讨了深度学习技术在放射治疗计划中自动识别和勾画原发肿瘤体积（GTVp）和转移淋巴结（GTVn）的潜力，特别针对MRI数据	使用3D nnU-Net模型进行自动肿瘤分割，并通过特定背景比例的数据重新训练以提升分割性能	模型在高背景比例数据上表现不佳，仍需优化	提升头颈部肿瘤分割的准确性和可靠性，以支持临床放射治疗计划	头颈部肿瘤（GTVp）和转移淋巴结（GTVn）	digital pathology	head and neck tumor	MRI	3D nnU-Net	image	2024 MICCAI头颈部肿瘤分割挑战提供的高质量数据集
55	2025-05-31	Automatic collateral quantification in acute ischemic stroke using U2-net 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1502382 PMID:40421138	research paper	利用U2-Net深度学习框架自动量化急性缺血性卒中（AIS）中的侧支循环，并与传统视觉侧支评分（vCS）进行比较	首次使用U2-Net深度学习框架进行AIS侧支循环的自动量化，并提出了定量侧支评分（qCS）	样本量相对较小（118例AIS病例），且仅基于CTA图像	开发一种自动量化AIS侧支循环的方法，以提高诊断准确性和治疗决策	急性缺血性卒中（AIS）患者的CTA图像	digital pathology	cardiovascular disease	computed tomography angiography (CTA)	U2-Net	image	118例AIS病例（94例用于开发，24例用于测试）
56	2025-05-31	Hybrid deep learning for IoT-based health monitoring with physiological event extraction 2025 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076251337848 PMID:40421178	research paper	提出一种混合深度学习模型，结合CNN和LSTM，用于基于IoT的健康监测与生理事件提取	结合CNN和LSTM处理时空数据，引入生理事件提取(PEE)提升特征可解释性，使用集成技术和在线学习算法优化异常检测	未提及具体疾病类型的验证范围和实际临床部署的挑战	提升IoT医疗数据处理链的准确性和实时性	医疗图像和可穿戴传感器数据	machine learning	NA	Physiological Event Extraction (PEE), Isolation Forest, One-Class SVM, Incremental Gradient Descent with Momentums	CNN, LSTM	medical images, wearable sensor data	NA
57	2025-05-31	Radiomics Analysis on Computed Tomography Images for Prediction of Chemoradiation-induced Heart Failure in Breast Cancer by Machine Learning Models 2025, Journal of medical signals and sensors DOI:10.4103/jmss.jmss_51_24 PMID:40421235	研究论文	通过机器学习模型分析CT图像的放射组学特征，预测乳腺癌患者放化疗后心力衰竭的风险	结合放射组学、剂量学和临床特征，利用机器学习模型预测放化疗诱导的心力衰竭	样本量较小（54例患者），且仅针对左侧放化疗的乳腺癌患者	评估临床、剂量学和放射组学特征在预测乳腺癌患者放化疗后心力衰竭概率中的有效性	接受左侧放化疗且自然心力衰竭风险低的乳腺癌患者	数字病理	乳腺癌	CT扫描、深度学习、机器学习	决策树、K近邻、随机森林（RF）	图像	54例乳腺癌患者
58	2025-05-31	Advancements in Hematologic Malignancy Detection: A Comprehensive Survey of Methodologies and Emerging Trends 2025, TheScientificWorldJournal DOI:10.1155/tswj/1671766 PMID:40421320	综述	本文系统性地回顾了基于图像分析的血液癌症检测的最新技术，旨在识别最有效的计算策略并突出新兴趋势	对传统机器学习、深度学习和混合学习方法进行了分类和比较，并提出了未来研究方向	数据稀缺、类别不平衡以及临床环境中的泛化性问题	评估和比较血液癌症检测中的计算方法，并提出未来研究方向	白血病、淋巴瘤和多发性骨髓瘤等血液恶性肿瘤	数字病理学	血液恶性肿瘤	图像分析	CNN（如AlexNet、VGG、ResNet）、基于Transformer的模型、支持向量机、随机森林	图像	基准数据集
59	2025-05-31	Artificial intelligence based advancements in nanomedicine for brain disorder management: an updated narrative review 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1599340 PMID:40432717	review	本文概述了人工智能在纳米医学领域的最新进展，特别是在脑部疾病管理中的应用	利用AI技术（如机器学习和深度学习）改进纳米医学在脑部疾病诊断、生物标志物识别、预后评估、靶向药物输送和治疗干预等方面的应用	NA	探讨人工智能如何加速纳米医学在脑部疾病管理中的有效和快速诊断、生物标志物识别、预后、药物输送和方法学进步	脑部疾病，包括脑癌、阿尔茨海默病、帕金森病和多发性硬化症	machine learning	brain disorder	machine learning, deep learning	NA	clinical datasets	NA
60	2025-05-31	Application of deep learning convolutional neural networks to identify gastric squamous cell carcinoma in mice 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1587417 PMID:40432719	研究论文	本研究应用深度学习卷积神经网络（CNN）建立小鼠胃鳞状细胞癌（GSCC）的检测模型，以提高病理诊断的准确性和一致性	首次将五种不同的CNN模型（FCN、LR-ASPP、DeepLabv3+、U-Net和DenseNet）应用于小鼠GSCC的自动检测，并比较了它们的性能	研究样本量相对较小（93例GSCC和56例正常组织），且仅针对小鼠模型，未验证在人类样本中的适用性	开发基于深度学习的自动检测模型，提高药物非临床安全性评价中GSCC病理诊断的准确性和一致性	药物诱导的小鼠胃鳞状细胞癌（GSCC）和正常胃组织	数字病理学	胃癌	深度学习	CNN（包括FCN、LR-ASPP、DeepLabv3+、U-Net和DenseNet）	数字病理图像	149例（93例GSCC和56例正常组织）