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
1221	2025-01-28	A Recognition System for Diagnosing Salivary Gland Neoplasms Based on Vision Transformer 2025-Feb, The American journal of pathology DOI:10.1016/j.ajpath.2024.09.010 PMID:39490441	研究论文	本研究开发了一种基于Vision Transformer (ViT)的计算机辅助诊断模型，用于准确分类唾液腺肿瘤的最常见亚型	首次将Vision Transformer (ViT)应用于唾液腺肿瘤的分类，展示了其在诊断中的卓越性能	研究仅基于3046张全切片图像，样本量可能不足以覆盖所有唾液腺肿瘤的多样性	开发一种能够准确分类唾液腺肿瘤亚型的计算机辅助诊断工具	唾液腺肿瘤的八种常见亚型，包括多形性腺瘤、肌上皮瘤、Warthin瘤、基底细胞腺瘤、嗜酸性腺瘤、囊腺瘤、粘液表皮样癌和唾液腺腺样囊性癌	计算机视觉	唾液腺肿瘤	Vision Transformer (ViT)	ViT	图像	3046张全切片图像，涵盖九种不同的组织类别
1222	2025-01-28	A prognostic and predictive model based on deep learning to identify optimal candidates for intensity-modulated radiotherapy alone in patients with stage II nasopharyngeal carcinoma: A retrospective multicenter study 2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110660 PMID:39645201	研究论文	本研究开发并验证了一个结合深度学习MRI特征和临床信息的预后和预测模型，用于识别仅需强度调制放疗（IMRT）的低风险II期鼻咽癌患者	结合深度学习MRI特征和临床信息，使用3DResNet和eXtreme Gradient Boosting模型进行整合，显著提高了预测性能	研究为回顾性多中心研究，可能存在选择偏倚	开发并验证一个预后和预测模型，以识别仅需IMRT的低风险II期鼻咽癌患者	II期鼻咽癌患者	数字病理	鼻咽癌	3DResNet, eXtreme Gradient Boosting	深度学习模型	MRI图像, 临床信息	999名II期鼻咽癌患者
1223	2025-01-28	Deep learning dose prediction to approach Erasmus-iCycle dosimetric plan quality within seconds for instantaneous treatment planning 2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110662 PMID:39647528	研究论文	本研究探讨了训练数据集大小和模型大小对Erasmus-iCycle GT计划剂量预测准确性的影响，以实现即时治疗计划	使用深度学习方法快速预测患者特定的3D剂量分布，以实现即时治疗计划，显著提高临床工作效率、患者等待时间和治疗质量	即使使用1000名患者的训练数据，预测准确性尚未达到收敛，仍需进一步研究	研究如何通过深度学习方法实现即时治疗计划，以提高临床工作效率和患者治疗质量	1250名前列腺癌患者	数字病理	前列腺癌	深度学习	Hierarchically Densely Connected U-Nets	3D剂量分布数据	1250名前列腺癌患者
1224	2025-01-28	Deep learning-assistance significantly increases the detection sensitivity of neurosurgery residents for intracranial aneurysms in subarachnoid hemorrhage 2025-Feb, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia IF:1.9Q4 DOI:10.1016/j.jocn.2024.110971 PMID:39673838	研究论文	本研究评估了深度学习模型在提高神经外科住院医师通过CT血管造影检测颅内动脉瘤敏感性方面的有效性	首次将深度学习模型应用于神经外科住院医师的动脉瘤检测培训，显著提高了检测敏感性，特别是在小动脉瘤的检测上	研究样本量较小，仅包含104例患者的CTA扫描，且仅涉及三名住院医师	评估深度学习模型在提高神经外科住院医师检测颅内动脉瘤敏感性方面的效果	104例动脉瘤性蛛网膜下腔出血患者的CTA扫描，共126个动脉瘤	数字病理	颅内动脉瘤	CT血管造影（CTA）	深度学习模型（DLM）	图像	104例患者的CTA扫描，共126个动脉瘤
1225	2025-01-28	Incorporating patient-specific prior clinical knowledge to improve clinical target volume auto-segmentation generalisability for online adaptive radiotherapy of rectal cancer: A multicenter validation 2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110667 PMID:39675574	研究论文	本研究探讨了在直肠癌在线自适应放疗中，通过结合患者特定的临床先验知识来提高临床靶区自动分割的泛化能力	创新点在于使用治疗前的分割作为患者特定的先验知识，结合基于人群的分割变异，提高了深度学习模型在多中心数据上的泛化能力	研究仅针对直肠癌患者，且样本来自三个中心，可能限制了结果的广泛适用性	研究目的是提高在线自适应放疗中临床靶区自动分割的泛化能力	研究对象为中等风险或局部晚期直肠癌患者	数字病理	直肠癌	深度学习	深度学习模型	MRI图像	来自三个中心的直肠癌患者
1226	2025-01-28	White matter hyperintensities regress at a high rate at three months after minor ischemic stroke or transient ischemic attack 2025-Feb, Journal of neuroradiology = Journal de neuroradiologie DOI:10.1016/j.neurad.2024.101239 PMID:39798248	研究论文	本研究探讨了轻微缺血性卒中或短暂性脑缺血发作后三个月内白质高信号（WMH）的早期回归及其影响因素	首次研究了轻微缺血性卒中或短暂性脑缺血发作后三个月内WMH的早期回归情况，并识别了影响这一结果的因素	样本量较小（98名患者），且为回顾性分析，可能存在选择偏倚	研究轻微缺血性卒中或短暂性脑缺血发作后三个月内WMH的早期回归及其影响因素	轻微缺血性卒中或短暂性脑缺血发作患者	数字病理学	心血管疾病	深度学习算法	NA	脑部MRI图像	98名轻微缺血性卒中或短暂性脑缺血发作患者
1227	2025-01-27	Automatic 3-dimensional quantification of orthodontically induced root resorption in cone-beam computed tomography images based on deep learning 2025-Feb, American journal of orthodontics and dentofacial orthopedics : official publication of the American Association of Orthodontists, its constituent societies, and the American Board of Orthodontics IF:2.7Q1 DOI:10.1016/j.ajodo.2024.09.009 PMID:39503671	研究论文	本研究提出了一种基于深度学习的模型，用于从CBCT图像中全自动提取牙根体积信息并定位牙根吸收	利用深度学习技术实现自动化的牙根吸收定量分析，相比传统手动方法更高效且客观	研究为回顾性研究，样本量相对有限，且未涉及长期跟踪数据	开发一种自动化的工具来评估正畸治疗中引起的牙根吸收	105名患者的4534颗牙齿	数字病理学	NA	CBCT	动态图卷积神经网络	图像	105名患者的4534颗牙齿
1228	2025-01-27	AI-powered techniques in anatomical imaging: Impacts on veterinary diagnostics and surgery 2025-Feb, Annals of anatomy = Anatomischer Anzeiger : official organ of the Anatomische Gesellschaft DOI:10.1016/j.aanat.2024.152355 PMID:39577814	综述	本文探讨了人工智能在兽医诊断成像中的创新与挑战，强调了其对诊断准确性、手术风险缓解和个性化兽医医疗的潜在影响	本文综述了AI在兽医诊断成像中的最新应用，包括深度学习与卷积神经网络在解析X光、超声波、CT扫描和MRI/乳腺摄影等医学影像中的潜力	数据隐私、算法偏见以及临床工作流程整合等挑战仍需解决	探索AI驱动的成像工具在兽医诊断和手术中的创新与挑战	兽医诊断成像	计算机视觉	NA	深度学习、卷积神经网络	CNN	图像	NA
1229	2025-01-27	Regional PM2.5 prediction with hybrid directed graph neural networks and Spatio-temporal fusion of meteorological factors 2025-Feb-01, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2024.125404 PMID:39613176	研究论文	本文提出了一种基于深度学习的混合有向图神经网络方法，用于预测区域PM2.5浓度，并考虑了相邻城市之间的区域传输相互作用	结合图神经网络（GNN）和长短期记忆网络（LSTM）进行时空编码，显著提高了PM浓度预测的准确性，并在华北平原的48小时预测中表现出色	模型主要应用于华北平原，可能在其他地区的适用性需要进一步验证	优化空气质量预测和管理	区域PM2.5浓度	机器学习	NA	深度学习	混合有向图神经网络（GNN + LSTM）	时空数据	NA
1230	2025-01-27	Predictive analysis of COVID-19 occurrence and vaccination impacts across the 50 US states 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109493 PMID:39626459	研究论文	本研究旨在通过机器学习模型评估疫苗接种在COVID-19确诊病例和死亡病例中的有效性，并使用外部验证确保对接种人群的最佳保护	开发了一个深度学习LSTM模型，用于分析疫苗接种在预测COVID-19病例和死亡中的有效性，并通过内部和外部验证评估模型性能	研究仅基于美国CDC的数据，可能无法完全适用于其他国家的疫情情况	评估COVID-19疫苗接种在减少确诊病例和死亡病例中的有效性	美国50个州的COVID-19确诊病例和死亡病例	机器学习	COVID-19	深度学习	LSTM	时间序列数据	2021年至2023年美国CDC收集的数据
1231	2025-01-27	Interpretable prediction of drug-drug interactions via text embedding in biomedical literature 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109496 PMID:39626457	研究论文	本研究提出了一种基于层次注意力机制的深度学习模型，通过生物医学文献预测药物-药物相互作用（DDIs）及其类型	使用预训练的生物医学语言模型和双向长短期记忆网络结合层次注意力机制，有效捕捉药物特性并预测DDIs，同时通过注意力机制解释预测结果	未提及模型在更大规模数据集上的泛化能力或实际临床应用中的验证	预测药物-药物相互作用及其类型，以确保安全用药	药物-药物相互作用（DDIs）	自然语言处理	NA	深度学习	双向长短期记忆网络（BiLSTM）与层次注意力网络	文本	164种DDI类型
1232	2025-01-27	A review of convolutional neural network based methods for medical image classification 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109507 PMID:39631108	综述	本文系统回顾了基于卷积神经网络（CNN）的医学图像分类方法，并分析了这些方法的发展、主要技术及其在提高分类准确性和效率方面的作用	对149篇最新和最重要的论文进行了深入分析，系统总结了CNN在医学图像分类中的应用及其面临的挑战，并指出了未来的研究方向	尽管CNN在医学图像分类任务中表现出色，但其在临床应用中仍面临困难	探讨CNN在医学图像分类中的应用及其未来研究方向	医学图像分类方法	计算机视觉	NA	CNN	CNN	图像	149篇论文
1233	2025-01-27	A smart CardioSenseNet framework with advanced data processing models for precise heart disease detection 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109473 PMID:39631110	研究论文	本文提出了一种名为CardioSenseNet的智能框架，用于精确检测心脏病，该框架通过先进的数据处理模型提高了检测的准确性和效率	引入了新的数据预处理方法DGPN、特征选择方法STHIO和预测模型SADNet，这些方法在特征表示、特征选择和预测准确性方面具有创新性	未提及具体的数据集限制或模型在实际应用中的潜在问题	提高心脏病检测的准确性和效率，以支持心血管健康管理	心脏病患者的数据	机器学习	心血管疾病	深度学习	SADNet	结构化数据	使用了Cleveland和CVD等基准数据集
1234	2025-01-27	Leveraging deep transfer learning and explainable AI for accurate COVID-19 diagnosis: Insights from a multi-national chest CT scan study 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109461 PMID:39631112	研究论文	本文提出了一种基于深度迁移学习和可解释AI的自动化计算机辅助诊断框架XCT-COVID，用于从胸部CT扫描图像中准确预测COVID-19感染	首次在一个统一框架内开发了三种不同的模型，利用了之前未探索的大数据集和两个广泛使用的小数据集，并通过可解释AI分析模型功能	在图像质量较低的小数据集上性能显著下降	提高COVID-19诊断的准确性和可解释性	胸部CT扫描图像	计算机视觉	COVID-19	深度迁移学习	CNN（VGG16）	图像	大数据集和两个小数据集
1235	2025-01-27	Advancing cancer diagnosis and prognostication through deep learning mastery in breast, colon, and lung histopathology with ResoMergeNet 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109494 PMID:39637456	研究论文	本文介绍了一种名为ResoMergeNet的深度学习模型，用于乳腺癌、结肠癌和肺癌的组织病理学图像的多类和二分类癌症分类	ResoMergeNet集成了Resboost机制和ConvmergeNet机制，增强了特征表示和提取，提高了诊断准确性	模型在泛化到不同临床环境时可能仍面临挑战	提高癌症诊断和预后的准确性，减少诊断错误和人为偏见	乳腺癌、结肠癌和肺癌的组织病理学图像	数字病理学	乳腺癌、结肠癌、肺癌	深度学习	ResoMergeNet	图像	LC-25000和BreakHis数据集
1236	2025-01-27	Progress on the development of prediction tools for detecting disease causing mutations in proteins 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109510 PMID:39637461	综述	本文综述了用于识别蛋白质中致病突变的预测方法的发展，包括现有数据库、基于序列和结构的特征，以及基于机器学习、深度学习和大型语言模型的计算工具	强调了在预测癌症、神经退行性疾病、传染病以及膜蛋白相关突变热点方面的进展，并讨论了现有方法的局限性和可能的改进	现有方法存在局限性，需要进一步改进以提高预测准确性	开发预测工具以识别蛋白质中的致病突变，从而深入理解疾病的分子机制并制定治疗策略	蛋白质中的氨基酸残基突变	生物信息学	癌症、神经退行性疾病、传染病	机器学习、深度学习、大型语言模型	NA	序列数据、结构数据	NA
1237	2025-01-27	Predicting cancer content in tiles of lung squamous cell carcinoma tumours with validation against pathologist labels 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109489 PMID:39637460	研究论文	本文提出了一种模型，用于从肺鳞状细胞癌（SqCC）肿瘤的数字化全切片图像（WSIs）中排除非癌组织，以提高模型训练的准确性	提出了一种能够预测肺鳞状细胞癌肿瘤切片中癌症含量的模型，并通过病理学家标签进行验证	模型在癌症阈值50%时的AUC为0.83，假阳性主要出现在癌症周围组织、癌症含量低于50%的切片以及免疫活性高的区域，假阴性主要出现在显微切割缺陷区域	开发一种模型，用于从肺鳞状细胞癌的WSIs中排除非癌组织，以提高治疗生物标志物预测的研究效率	肺鳞状细胞癌（SqCC）肿瘤的数字化全切片图像（WSIs）	数字病理学	肺癌	深度学习	VGG16	图像	来自35个不同中心的116个肿瘤WSIs
1238	2025-01-27	Challenges and solutions of deep learning-based automated liver segmentation: A systematic review 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109459 PMID:39642700	系统综述	本文系统回顾了基于深度学习的自动化肝脏分割面临的挑战及其解决方案	对2016年至2022年间发表的88篇相关文献进行了全面分析，将肝脏分割挑战分为五大类，并详细探讨了每类挑战的解决方案	研究仅限于Scopus和ScienceDirect数据库中的文献，可能未涵盖所有相关研究	分析肝脏分割在先前研究中的挑战，并识别研究者为应对这些挑战对网络模型所做的修改及其他增强措施	医学图像中的肝脏分割	数字病理学	肝脏疾病	深度学习	NA	医学图像	88篇文献
1239	2025-01-27	Protein-protein interaction detection using deep learning: A survey, comparative analysis, and experimental evaluation 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109449 PMID:39644584	综述	本文对用于检测蛋白质-蛋白质相互作用（PPIs）的各种深度学习（DL）技术和算法进行了全面分析，并提供了详细的实证和实验评估	本文通过实证和实验评估，比较了不同深度学习技术在PPI检测中的表现，并提出了未来改进方向	深度神经网络（DNNs）存在过拟合和低可解释性的问题，长短期记忆网络（LSTMs）在可扩展性方面存在挑战	评估和比较深度学习技术在蛋白质-蛋白质相互作用检测中的性能	蛋白质-蛋白质相互作用（PPIs）	机器学习	NA	深度学习（DL）	DNNs, CNNs, GSNs, LSTMs	生物序列数据	NA
1240	2025-01-27	Interpretable deep learning architecture for gastrointestinal disease detection: A Tri-stage approach with PCA and XAI 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109503 PMID:39647242	研究论文	本研究提出了一种用于胃肠道疾病检测的可解释深度学习架构，采用三阶段方法结合PCA和XAI技术	提出了一种轻量级的三阶段架构，结合了PSE-CNN、PCA和DELM，并在最大的胃肠道疾病数据集GastroVision上进行了验证，同时使用了多种XAI方法提高模型的可解释性	未提及具体局限性	开发一种能够自动分类胃肠道疾病的计算机辅助诊断系统	胃肠道疾病	数字病理学	胃肠道疾病	深度学习	PSE-CNN, PCA, DELM	图像	8000张图像，涵盖27种胃肠道疾病