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
1121	2026-02-25	CAUSAL MODELING OF FMRI TIME-SERIES FOR INTERPRETABLE AUTISM SPECTRUM DISORDER CLASSIFICATION 2025-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi60581.2025.10980933 PMID:41728049	研究论文	本文提出了一种基于因果关系的深度学习模型，用于利用fMRI时间序列数据进行自闭症谱系障碍的分类，并解释脑区间的因果关系	引入了一种受因果关系启发的深度学习模型，能够捕捉脑区间的非线性相互作用，而传统的基于相关性的模型无法做到这一点	研究使用了经过筛选的ABIDE数据集（平均FD小于15mm），可能限制了样本的多样性和泛化能力	开发一种准确且可解释的自闭症谱系障碍分类方法，以促进早期诊断和治疗	自闭症谱系障碍患者和对照组人群的fMRI时间序列数据	机器学习	自闭症谱系障碍	功能磁共振成像	深度学习模型	时间序列数据	ABIDE数据集中经过筛选的图像（平均FD小于15mm），具体数量未明确说明	NA	因果关系启发的深度学习模型	分类准确率, AUC	NA
1122	2026-02-25	Sparse-View CT Joint Reconstruction Strategy with Sparse Sampling Encoding Layer 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056354972250221012822 PMID:40143696	研究论文	本文提出了一种基于稀疏采样编码层的稀疏视图CT联合重建策略，旨在自动搜索高效的稀疏采样方案并提高重建质量	开发了一个采样编码层用于自动搜索稀疏采样方案，并将其集成到基于投影数据的稀疏重建神经网络模型中，同时提出了基于Radon域和图像域绘制的联合重建策略	NA	开发一种端到端的稀疏角度CT重建方法，以在剂量约束下自动搜索高效的稀疏采样方案	稀疏角度CT重建	计算机视觉	NA	CT扫描	深度学习	图像	基于公共CT数据集	NA	NA	NA	NA
1123	2026-02-25	RETRACTED: Advancing enterprise risk management with deep learning: A predictive approach using the XGBoost-CNN-BiLSTM model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319773 PMID:40179109	研究论文	本研究提出了一种基于深度学习的风险管理模型，采用XGBoost-CNN-BiLSTM框架来提升风险事件的预测与检测能力	结合XGBoost的结构化数据处理能力、CNN的特征提取能力和BiLSTM的时间序列处理能力，构建了一个综合性的风险预测模型	未在摘要中明确提及	提升企业风险管理的预测与检测能力，确保企业可持续稳定发展	企业风险事件	机器学习	NA	深度学习	XGBoost, CNN, BiLSTM	结构化数据、时间序列数据	多个数据集，包括S&P 500历史数据集	NA	XGBoost-CNN-BiLSTM	准确率, 召回率, F1分数, AUC	NA
1124	2026-02-25	Transforming Medical Imaging: The Role of Artificial Intelligence Integration in PACS for Enhanced Diagnostic Accuracy and Workflow Efficiency 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056370620250403030638 PMID:40265427	综述	本文综述了人工智能（AI）集成到医学影像存档与通信系统（PACS）中的现状，评估了其对诊断准确性、工作流程效率和患者结局的影响	系统性地回顾了AI集成到PACS中的技术演进、关键进展（如诊断准确性提升高达93.2%）、工作流程效率变革（如诊断时间减少高达90%），并识别了数据隐私、监管合规和互操作性等持续挑战	研究依赖于截至2024年10月的文献，可能未涵盖最新的技术发展；同时，数据隐私、监管合规和系统互操作性等挑战仍然存在，需要标准化框架和强大的安全协议来解决	探讨AI在PACS中的集成，并评估其对医学影像、诊断工作流程和患者结局的影响	AI在医学影像存档与通信系统（PACS）中的应用、技术创新及工作流程改进	医学影像	NA	人工智能、机器学习、深度学习	卷积神经网络（CNN）、自然语言处理（NLP）工具	医学影像数据、文本报告	基于183项符合纳入标准的研究（包括原始研究、系统综述和荟萃分析）	NA	NA	诊断准确性（高达93.2%）、图像分割准确性（高达94%）、报告时间减少（30-50%）	基于云的解决方案
1125	2026-02-25	Accuracy and Reliability of Multimodal Imaging in Diagnosing Knee Sports Injuries 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056360665250506115221 PMID:40377156	研究论文	本研究通过结合MRI、CT和超声进行集成学习，并利用深度学习模型自动分析，以提高膝关节运动损伤诊断的准确性和可靠性	采用多模态成像（MRI、CT、超声）进行集成学习，并结合深度学习算法实现膝关节损伤的自动识别与分类	未明确提及研究的具体局限性，如数据集的多样性、模型在外部验证集上的表现等	解决因医生主观经验和诊断标准不一致导致的单模态成像诊断准确性不足的问题，提高膝关节运动损伤的诊断精度和效率	膝关节运动损伤，如前交叉韧带撕裂、半月板损伤、软骨损伤和骨折	计算机视觉	运动损伤	磁共振成像（MRI）、计算机断层扫描（CT）、超声（US）	CNN	图像	NA	NA	NA	敏感性, 特异性, 诊断准确率, 总体错误率	NA
1126	2026-02-25	Deep Learning for Automated Prediction of Sphenoid Sinus Pneumatization in Computed Tomography 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056363158250429101521 PMID:40415313	研究论文	本研究开发了一种卷积神经网络模型，用于自动预测计算机断层扫描中蝶窦气化模式	首次应用深度学习自动识别蝶窦气化变异，通过数据增强提升模型在有限和不平衡数据集上的性能	数据集规模有限（仅249张CT图像），且存在类别不平衡问题	提高经蝶窦手术的安全性，通过自动识别蝶窦气化模式辅助临床决策	蝶窦气化模式	计算机视觉	NA	计算机断层扫描	CNN	图像	249张CT图像（训练集174张，测试集75张），增强后训练集增至378张	NA	NA	准确率, AUC, 敏感性, 特异性, F1分数	NA
1127	2026-02-25	Reconstruction of Heart-related Imaging from Lung Electrical Impedance Tomography Using Semi-Siamese U-Net 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056408077250610070821 PMID:40611416	研究论文	本研究提出了一种基于半孪生U-Net架构的深度学习模型，用于从肺部电阻抗断层扫描中重建心脏相关阻抗成像	采用新颖的半孪生U-Net架构，通过共享编码器和两个独立解码器分别分割肺部和心脏区域，并应用加权二元交叉熵损失以强化心脏相关学习	目前有希望的结果仅限于真实数据的定性评估和基于模拟的训练，缺乏临床验证	克服肺部阻抗变化的主导影响，从肺部电阻抗断层扫描中重建心脏相关信号成像	基于有限元法的电阻抗断层扫描模拟数据和真实人体电阻抗断层扫描数据	医学影像处理	心血管疾病	电阻抗断层扫描	深度学习	图像	NA	NA	半孪生U-Net	Dice系数, 平均绝对误差	NA
1128	2026-02-25	The Clinical Significance of Femoral and Tibial Anatomy for Anterior Cruciate Ligament Injury and Reconstruction 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056361050250605052447 PMID:40551697	综述	本文综述了股骨和胫骨解剖结构（如股骨髁间窝形态、胫骨后倾角）对前交叉韧带损伤风险及重建手术效果的影响	整合了年龄与性别特异性解剖差异对ACL损伤的影响，并强调了人工智能与先进影像技术在个性化手术规划中的应用前景	作为综述文章，未提供原始实验数据或新型模型的性能验证	探讨股骨与胫骨解剖结构对前交叉韧带生物力学、损伤风险及重建手术效果的影响机制	前交叉韧带损伤患者（涵盖青少年、成人及老年群体）的骨骼解剖特征	数字病理	骨科疾病	MRI、CT、3D重建、人工智能分割	深度学习模型	医学影像（MRI、CT）	NA	NA	NA	NA	NA
1129	2026-02-25	Optimised Convolution Layers of DnCNN using Vedic Multiplier and Hyperparameter Tuning in Cancer Detection on Field Programmable Gate Array 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056400656250616073019 PMID:40574390	研究论文	本研究提出了一种基于Vedic乘法器和POA优化的DnCNN算法，在FPGA上实现乳腺癌检测、分割和分类	在DnCNN卷积层中引入Vedic乘法器（CUTIN）替代传统算术单元，并结合POA进行超参数优化，以提高精度和效率	较大图像尺寸会增加处理器规模和门电路数量，可能限制处理能力	优化深度学习算法在硬件上的实现，以提高癌症细胞分割的准确性	乳腺癌的良性及恶性病变	计算机视觉	乳腺癌	深度学习算法，FPGA实现	DnCNN	图像	NA	NA	DnCNN	准确率, 精确率, 特异性, F分数, IoU, DSC	FPGA设备
1130	2026-02-24	Imaging pathways in spondyloarthritis: integrating radiography, ultrasonography, magnetic resonance imaging, low-dose computed tomography, and artificial intelligence methods : Radiology and AI in SpA 2025-12-15, Rheumatology international IF:3.2Q2 DOI:10.1007/s00296-025-06051-7 PMID:41396276	综述	本文综述了脊柱关节炎的影像学检查路径，整合了X线、超声、磁共振成像、低剂量CT及人工智能方法，并讨论了AI在诊断和管理中的应用	提出了一个整合多模态影像和AI辅助判读的当代诊断算法，并探讨了AI在提高脊柱关节炎诊断精度和个性化治疗中的新兴应用	AI部署成本高、存在医疗法律考量，且相关研究仍处于积极调查阶段	优化脊柱关节炎的早期检测和诊断流程，整合先进影像技术与人工智能方法	脊柱关节炎患者，特别是疑似中轴型脊柱关节炎的患者	医学影像分析	脊柱关节炎	X线摄影、超声、磁共振成像、低剂量计算机断层扫描	深度学习	影像数据（X线、CT、MRI）	NA	NA	NA	检测精度	NA
1131	2025-11-30	Integrative and deep learning-based prediction of therapy response in ovarian cancer 2025-Nov-28, Journal of experimental & clinical cancer research : CR IF:11.4Q1 DOI:10.1186/s13046-025-03554-w PMID:41316472	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1132	2026-02-24	Explainable AI for Healthcare 2025-Oct-03, Studies in health technology and informatics DOI:10.3233/SHTI251454 PMID:41728714	综述	本文介绍了可解释人工智能（XAI）在医疗保健领域的基础概念、应用、挑战及未来研究方向	系统性地分析了XAI在医疗保健领域针对不同数据模态（如时间序列、医学文本、医学图像和音频数据）的独特需求、挑战和应用方法	讨论了当前在医疗保健环境中实施XAI的局限性，例如模型复杂性与可解释性之间的权衡、不同数据模态带来的特定挑战以及临床整合的障碍	探讨如何通过可解释性增强人工智能在医疗保健应用中的透明度、可信度和可靠性	医疗保健领域的人工智能模型，特别是用于疾病诊断、治疗规划、预测分析、个性化医疗和医学影像的模型	机器学习	NA	NA	NA	时间序列数据, 医学文本, 医学图像, 音频数据	NA	NA	NA	NA	NA
1133	2026-02-24	Deep Learning-Based Sleep Apnea Classification with Hybrid 1D-CNN-LSTM and 1D-CNN-GRU Models 2025-Oct-03, Studies in health technology and informatics DOI:10.3233/SHTI251462 PMID:41728721	研究论文	本研究提出了两种混合深度学习架构（1D-CNN-LSTM和1D-CNN-GRU），用于基于ECG信号的睡眠呼吸暂停分类	提出了结合1D-CNN与LSTM/GRU的混合架构，同时利用R-R间期和R波振幅作为输入特征，以捕捉ECG信号的空间和时间依赖性	研究仅使用PhysioNet Apnea-ECG数据库的数据，未在其他独立数据集上进行验证，且未详细说明模型的计算复杂度或实时部署的可行性	开发准确、自动化的睡眠呼吸暂停分类系统，以辅助早期诊断和实时监测	睡眠呼吸暂停患者的心电图（ECG）信号	机器学习	睡眠呼吸暂停	心电图（ECG）信号分析	CNN, LSTM, GRU	一维时序信号（ECG）	使用PhysioNet Apnea-ECG数据库中的ECG信号（具体样本数量未在摘要中说明）	NA	1D-CNN-LSTM, 1D-CNN-GRU	准确率, 灵敏度, 特异性, F1分数	NA
1134	2026-02-24	A Non Deep Learning based Method for Detection of Alopecia Areta and Segmentation of Scalp and Hair regions 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253220 PMID:41335644	研究论文	本文提出了一种基于经典图像处理算法的非深度学习方法，用于检测斑秃并分割头皮和头发区域	该方法可在单视角图像上执行，适用于内存受限的便携设备，并提供皮肤和头发区域的百分比分析，而不仅仅是二分类	缺乏Dermnet数据集中头发和皮肤分割的真实标注，需使用Figaro数据集进行评估	开发一种轻量级方法，用于辅助诊断和监测斑秃治疗	头皮图像，特别是与斑秃相关的皮肤和头发区域	计算机视觉	斑秃	经典图像处理算法	非深度学习模型	图像	Dermnet数据集和Figaro数据集	NA	NA	准确率	内存受限的便携设备
1135	2026-02-24	Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253609 PMID:41335835	研究论文	本文全面评估了基于迁移学习的医学图像分类技术在疾病检测中的性能	对六种预训练模型在自定义胸部X光数据集上进行系统比较，并引入不确定性分析和运行时比较以评估模型鲁棒性和计算效率	研究仅基于自定义胸部X光数据集，未涵盖其他医学影像类型；模型选择有限，未包括最新架构	评估迁移学习技术在医学图像分类中用于疾病检测的性能	胸部X光图像	计算机视觉	NA	迁移学习	CNN	图像	NA	NA	AlexNet, VGG16, ResNet18, ResNet34, ResNet50, InceptionV3	准确率, 标准指标	NA
1136	2026-02-24	Deep learning based generation of 3D-maximum Intensity Projection (MIP) of MRA from T1-weighted MRI scans for Cerebrovascular Abnormalities Characterization 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253273 PMID:41335960	研究论文	本研究提出了一种基于U-Net框架的深度学习方法，用于从3D T1加权MRI扫描中合成3D最大强度投影MRA图像，以辅助脑血管异常的早期检测和表征	首次利用深度学习从常规T1加权MRI生成3D MIP-MRA图像，避免了传统MRA扫描时间长、可能需要造影剂的限制，并展示了模型在不同数据集上的高泛化能力和对扫描仪的不敏感性	研究主要基于公开数据集进行训练和测试，未在更大规模或更多样化的临床数据上进行验证；合成图像的质量（如SSIM为0.8219）仍有提升空间	开发一种从常规T1加权MRI合成3D MIP-MRA图像的方法，以促进脑血管疾病的早期检测、治疗评估和管理	脑血管异常，特别是血管狭窄和不连续性，用于早期血管疾病检测	医学影像分析	脑血管疾病	磁共振成像（MRI），磁共振血管造影（MRA）	CNN	3D医学影像（T1加权MRI和MIP-MRA）	使用IXI数据集进行训练和测试，并在Bullitt、Study Forrest、SIMON和ATLAS等多个独立数据集上进行评估	未明确提及，但基于U-Net框架	U-Net	峰值信噪比（PSNR），结构相似性指数（SSIM）	NA
1137	2026-02-24	Generative Forecasting of Brain Activity Enhances Alzheimer's Classification and Interpretation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253394 PMID:41336569	研究论文	本研究通过生成式预测大脑活动，利用LSTM和Transformer模型增强阿尔茨海默病的分类和解释能力	引入生成式预测作为数据增强方法，并采用新型Transformer-based BrainLM模型进行多变量时间序列预测，以提升阿尔茨海默病分类性能	数据集规模有限，特别是针对阿尔茨海默病等疾病特定群体，可能限制深度学习模型的泛化能力	通过数据驱动方法理解认知与内在大脑活动的关系，并增强阿尔茨海默病的分类和解释	静息态功能磁共振成像（rs-fMRI）数据，特别是从独立成分网络导出的多变量时间序列	机器学习	阿尔茨海默病	静息态功能磁共振成像（rs-fMRI）	LSTM, Transformer	多变量时间序列数据	NA	NA	LSTM, BrainLM	分类性能	NA
1138	2026-02-24	Deep learning-based optic nerve diameter sheath characterization and structure quantification on transorbital ultrasound images 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1705459 PMID:41601796	研究论文	本文提出了一种基于深度学习的神经网络，用于在经眼眶超声图像上进行视神经鞘直径表征和结构量化	结合共享和特定特征提取分支以及不确定性感知损失函数，以学习鲁棒的物体结构，并在多中心公开数据集上表现出优越性能	NA	实现视神经的精确分割和视神经鞘直径的量化，以作为颅内压升高等神经眼科疾病的非侵入性评估生物标志物	经眼眶超声图像中的视神经结构	计算机视觉	神经眼科疾病	超声成像	深度学习神经网络	图像	多中心公开数据集	NA	结合共享和特定特征提取分支的深度神经网络	Dice分数, AUROC	NA
1139	2026-02-24	Non-genetic factors determine deep learning identified ECG differences between black and white healthy subjects 2025, NPJ cardiovascular health DOI:10.1038/s44325-025-00087-1 PMID:41080706	研究论文	本研究探讨了机器学习模型能否从健康黑人和白人个体的心电图中识别基于种族的差异，并探索了这些差异的起源	揭示了心电图中的种族相关模式主要由非遗传因素决定，并通过大规模多机构数据分析验证了这一点	研究主要关注黑人和白人群体，可能未涵盖其他种族或族裔群体，且社会经济状态的影响分析可能受数据限制	调查人工智能模型从心电图数据中检测种族差异的能力及其公平性影响	来自多个机构的约176万名健康受试者的约1000万条心电图轨迹	机器学习	心血管疾病	心电图分析	CNN	心电图信号	约176万名受试者，约1000万条心电图轨迹	NA	1层晚期融合CNN	AUC	NA
1140	2026-02-24	Anthropometry and diagnostic aware deep learning for exercise assessment 2025, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2025.1725661 PMID:41725682	研究论文	提出一种结合人体测量和诊断信息的深度学习框架，用于评估力量训练动作的质量和风险	首次将人体测量和诊断特征与IMU运动学数据融合，通过注意力加权进行特征融合，提升动作分类和风险预测的准确性	样本量较小（仅15名健康受试者），且未在临床患者或更大样本人群中验证	开发一个多模态深度学习框架，以分类运动质量并预测运动相关风险	健康受试者进行正确和不正确的深蹲和罗马尼亚硬拉动作	机器学习	NA	IMU（惯性测量单元）数据采集	CNN, LSTM	运动学序列数据，静态人体测量/诊断数据	15名健康受试者	NA	CNN-LSTM分支与全连接分支融合，注意力加权	序列级准确率，二元风险预测准确率	NA