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
1281	2025-02-20	Deep learning-based intratumoral and peritumoral features for differentiating ocular adnexal lymphoma and idiopathic orbital inflammation 2025-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11275-5 PMID:39702637	研究论文	本文评估了基于深度学习的肿瘤内和肿瘤周围特征在区分眼附属器淋巴瘤（OAL）和特发性眼眶炎症（IOI）中的价值	使用基于注意力的融合模型融合了肿瘤内和肿瘤周围区域以及多个MR序列提取的特征，显著提高了诊断性能	研究中未发现肿瘤周围特征与肿瘤内特征在性能上有显著差异	评估深度学习在区分OAL和IOI中的应用价值	97名经病理学确认的OAL和IOI患者	数字病理学	眼附属器淋巴瘤, 特发性眼眶炎症	深度学习	基于注意力的融合模型	MR图像	97名患者（43名OAL，54名IOI）	NA	NA	NA	NA
1282	2025-02-20	Identifying influential nodes in brain networks via self-supervised graph-transformer 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109629 PMID:39731922	研究论文	本文提出了一种基于图变换器的自监督图重建框架（SSGR-GT），用于识别脑网络中的关键节点	采用自监督深度学习模型，无需手动特征提取，直接从数据中学习有意义的表示，结合图变换器提取脑图的局部和全局特征，并通过图融合技术结合功能和结构信息进行多模态分析	依赖于自监督学习的效果，可能受限于数据质量和模型训练过程	识别脑网络中的关键节点（I-nodes），以增强对脑工作机制的理解	脑网络中的关键节点	脑成像	NA	自监督深度学习，图变换器	Graph-Transformer	脑图数据	56个关键节点	NA	NA	NA	NA
1283	2025-02-20	Enhanced brain tumor detection and segmentation using densely connected convolutional networks with stacking ensemble learning 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109703 PMID:39862469	研究论文	本研究旨在通过实施先进的堆叠集成学习（SEL）方法，提高脑肿瘤（BT）检测和分割的准确性和分类效果	提出了一种名为SEL-DenseNet201的堆叠DenseNet201作为元模型，结合了六种不同的基础模型，以增强脑肿瘤MRI图像的分割性能	研究中未提及样本的具体数量，且未讨论模型在实际临床环境中的适用性和泛化能力	提高脑肿瘤检测和分割的准确性，以支持早期诊断和治疗规划	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	MRI图像分析	DenseNet201, MobileNet-v3, 3D-CNN, VGG-16, VGG-19, ResNet50, AlexNet	图像	NA	NA	NA	NA	NA
1284	2025-02-20	A robust and generalized framework in diabetes classification across heterogeneous environments 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109720 PMID:39864329	研究论文	本研究提出了一种鲁棒的机器学习框架，用于在不同人群中预测糖尿病，使用PIMA和BD两个不同的数据集进行验证	提出了一个跨异构环境的糖尿病分类框架，通过数据集内、数据集间和部分融合数据集验证技术，全面评估模型的泛化能力和性能	模型在跨数据集验证时性能下降，尤其是在BD数据集上训练并在PIMA数据集上测试时，准确率仅为74%	开发一个鲁棒的机器学习框架，以提高糖尿病预测在不同人群中的泛化能力和准确性	女性人群中的糖尿病预测	机器学习	糖尿病	机器学习	XGBoost, Random Forest, Gradient Boosting, 深度学习模型	结构化数据	PIMA和BD两个数据集	NA	NA	NA	NA
1285	2025-02-20	Enhancing cardiovascular disease classification in ECG spectrograms by using multi-branch CNN 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109737 PMID:39864336	研究论文	本文提出并比较了一维（1D）、二维（2D）卷积神经网络（CNN）和多分支卷积神经网络（MB-CNN）在从一维（1D）心电图（ECG）记录的频谱图中分类各种心血管疾病（CVD）的性能	提出了一种多分支卷积神经网络（MB-CNN），能够捕捉不同层次的抽象特征，从而提高了心血管疾病的分类精度	NA	提高从心电图频谱图中分类心血管疾病的准确性	心血管疾病（包括扩张型心肌病、肥厚型心肌病、心肌梗死和冠状动脉疾病）	计算机视觉	心血管疾病	连续小波变换（CWT）	1D CNN, 2D CNN, MB-CNN	图像（ECG频谱图）	MIT-BIH数据库中的5类ECG记录	NA	NA	NA	NA
1286	2025-02-20	OCDet: A comprehensive ovarian cell detection model with channel attention on immunohistochemical and morphological pathology images 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109713 PMID:39864335	研究论文	本文提出了一种名为OCDet的卵巢细胞检测模型，该模型结合了通道注意力机制，能够在免疫组化和形态学病理图像上全面检测多种卵巢癌细胞	OCDet模型首次结合了通道注意力机制，能够高效提取病理特征，并在多种卵巢癌细胞的检测上表现出色	虽然OCDet在卵巢癌细胞检测上表现出色，但其在其他癌症类型上的应用潜力尚未完全验证	开发一种高效的深度学习框架，用于卵巢癌病理诊断中的多种细胞检测	卵巢癌相关的多种细胞，包括CD3、CD8、CD20阳性淋巴细胞、中性粒细胞和多倍体巨癌细胞	数字病理	卵巢癌	深度学习	CSPDarkNet结合Efficient Channel Attention模块	图像	未明确提及具体样本数量	NA	NA	NA	NA
1287	2025-02-20	A deep architecture based on attention mechanisms for effective end-to-end detection of early and mature malaria parasites in a realistic scenario 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109704 PMID:39869986	研究论文	本文提出了一种基于深度学习和注意力机制的计算机辅助检测框架，用于有效检测和分类疟疾寄生虫的所有感染阶段，并支持多物种识别	该研究扩展了YOLO-SPAM和YOLO-PAM模型，结合注意力机制，提高了疟疾寄生虫检测的准确性和诊断实用性	NA	开发一种自动化疟疾检测解决方案，以支持病理学家并增强现实世界中的诊断实践	疟疾寄生虫	计算机视觉	疟疾	深度学习	YOLO-SPAM, YOLO-PAM	图像	三个公开可用的数据集	NA	NA	NA	NA
1288	2025-10-07	EfficientNet-resDDSC: A Hybrid Deep Learning Model Integrating Residual Blocks and Dilated Convolutions for Inferring Gene Causality in Single-Cell Data 2025-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-024-00667-2 PMID:39578307	研究论文	提出一种结合残差块和空洞卷积的混合深度学习模型EfficientNet-resDDSC，用于从单细胞数据推断基因因果关系	在EfficientNet-B0基础结构中引入残差块增强低层特征提取能力，结合深度可分离卷积和空洞卷积扩大感受野而不增加计算量	NA	构建基因调控网络以揭示基因间的因果关系	单细胞RNA测序数据中的基因调控关系	机器学习	乳腺癌	单细胞RNA测序(scRNA-seq)	CNN	基因表达数据	四个数据集	NA	EfficientNet-B0, EfficientNet-resDDSC	NA	NA
1289	2025-10-07	Deep Learning Based Detection of Large Vessel Occlusions in Acute Ischemic Stroke Using High-Resolution Photon Counting Computed Tomography and Conventional Multidetector Computed Tomography 2025-Mar, Clinical neuroradiology IF:2.4Q2 DOI:10.1007/s00062-024-01471-7 PMID:39585389	研究论文	本研究探讨光子计数计算机断层扫描（PCCT）与传统多排探测器CT在基于深度学习的急性缺血性脑卒中大血管闭塞检测中的性能差异	首次研究PCCT图像质量对深度学习大血管闭塞检测算法性能的影响，并比较了与传统CT的性能差异	无法排除灌注缺损的存在，缺乏CT灌注成像数据，M2段闭塞样本量有限	评估PCCT与传统CT在深度学习辅助大血管闭塞检测中的性能差异	急性缺血性脑卒中患者的大血管闭塞	医学影像分析	急性缺血性脑卒中	计算机断层扫描血管成像（CTA），光子计数计算机断层扫描（PCCT）	深度学习	医学影像	443例病例（267例无闭塞，176例闭塞），其中PCCT扫描150例，传统CT扫描293例	NA	新型深度学习架构（商业原型）	灵敏度，特异性	Syngo.via version VB80软件平台
1290	2025-02-17	A deep-learning system integrating electrocardiograms and laboratory indicators for diagnosing acute aortic dissection and acute myocardial infarction 2025-Mar-15, International journal of cardiology IF:3.2Q2 DOI:10.1016/j.ijcard.2025.133008 PMID:39880045	研究论文	本研究开发了一种多模态深度学习模型，整合心电图（ECG）信号和实验室指标，以提高急性A型主动脉夹层（AAD-type A）和急性心肌梗死（AMI）的诊断准确性	通过融合ECG特征和实验室指标，利用深度学习模型提高诊断准确性，为心血管疾病的快速诊断提供了新工具	研究样本量相对较小，且仅在单一医院进行，可能影响模型的泛化能力	提高急性A型主动脉夹层和急性心肌梗死的诊断准确性	急性A型主动脉夹层（AAD-type A）和急性心肌梗死（AMI）患者	机器学习	心血管疾病	深度学习	ResNet-34, RandomForest, XGBoost, LightGBM	ECG信号和实验室指标	训练和验证集：136例AAD-type A和141例AMI患者；前瞻性测试集：30例AMI和32例AAD-type A患者	NA	NA	NA	NA
1291	2025-10-07	DEEP LEARNING-DRIVEN SEGMENTATION OF DENTAL IMPLANTS AND PERI-IMPLANTITIS DETECTION IN ORTHOPANTOMOGRAPHS: A NOVEL DIAGNOSTIC TOOL 2025-Mar, The journal of evidence-based dental practice IF:4.1Q1 DOI:10.1016/j.jebdp.2024.102058 PMID:39947781	研究论文	开发基于深度学习的牙科种植体分割和种植体周围炎检测系统，用于正畸全景片分析	首次将U-Net分割与CNN分类结合，为种植体周围炎提供自动化诊断工具	存在165个假阳性病例，模型特异性有待提升	提高种植体周围炎的诊断准确性和效率	牙科种植体和种植体周围炎	计算机视觉	牙科疾病	深度学习	CNN	医学影像	7696张正畸全景片，包含3693个种植体	Python	U-Net	准确率, Dice相似系数, IoU, 精确率, 召回率, F1分数	NA
1292	2025-10-07	Semantic segmentation for weed detection in corn 2025-Mar, Pest management science IF:3.8Q1 DOI:10.1002/ps.8554 PMID:39584373	研究论文	提出一种结合语义分割和图像处理的新方法，通过分割玉米作物像素来检测杂草	采用间接分割方法，通过作物掩码识别杂草，避免了直接检测多种杂草物种的复杂性	未明确说明训练数据集的规模和多样性限制	开发精确、快速的农田杂草检测方法，支持精准杂草管理	玉米田中的杂草检测	计算机视觉	NA	语义分割，图像处理，知识蒸馏	深度学习	图像	NA	NA	DeepLabV3+	平均准确率，平均交并比，帧率	NA
1293	2025-10-07	Active learning for extracting rare adverse events from electronic health records: A study in pediatric cardiology 2025-Mar, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2024.105761 PMID:39689449	研究论文	本研究开发了一种基于主动学习和深度学习的文本分类器，用于从电子健康记录中自动提取儿科心脏导管术相关的不良事件	采用主动学习流程进行医学文本标注，针对罕见不良事件开发了高效的深度学习分类器	数据集存在不平衡问题，不良事件较为罕见，初始预筛选产生大量假阳性	自动化从电子医疗记录文本中提取心脏导管术相关不良事件	因心脏导管术住院的儿科患者电子健康记录	自然语言处理	心血管疾病	电子健康记录文本挖掘，正则表达式，主动学习	深度学习文本分类器	文本	2,980名患者	NA	NA	召回率, 特异性	NA
1294	2025-10-07	AtSubP-2.0: An integrated web server for the annotation of Arabidopsis proteome subcellular localization using deep learning 2025-Mar, The plant genome DOI:10.1002/tpg2.20536 PMID:39924294	研究论文	开发了一个基于深度学习的网络服务器AtSubP-2.0，用于拟南芥蛋白质组亚细胞定位注释	在AtSubP v1.0基础上扩展，采用四阶段策略精确预测蛋白质亚细胞定位，包括单/双定位区分、12个单定位分类、9个双定位分类和膜蛋白类型分类	NA	开发快速准确的拟南芥蛋白质亚细胞定位预测工具	拟南芥蛋白质组	生物信息学	NA	深度学习	NA	蛋白质序列数据	NA	NA	NA	准确率, Matthews相关系数	网络服务器
1295	2025-02-13	Deep Imbalanced Regression Model for Predicting Refractive Error from Retinal Photos 2025 Mar-Apr, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100659 PMID:39931359	研究论文	本研究旨在通过整合深度不平衡回归（DIR）技术到ResNet和Vision Transformer模型中，从视网膜照片预测屈光不正	首次将深度不平衡回归（DIR）技术整合到ResNet和Vision Transformer模型中，以解决数据集不平衡问题，并进行了外部验证	研究为回顾性研究，可能存在选择偏差	预测屈光不正	视网膜照片	计算机视觉	眼科疾病	深度不平衡回归（DIR）	ResNet34, SwinV2 (Swin Transformer)	图像	总计124,514张视网膜图像（新加坡眼病流行病学研究、英国生物银行、新加坡前瞻性研究和北京眼研究）	NA	NA	NA	NA
1296	2025-10-07	Real-time assistance in suicide prevention helplines using a deep learning-based recommender system: A randomized controlled trial 2025-Mar, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2024.105760 PMID:39705915	研究论文	评估基于深度学习的AI辅助工具在自杀预防热线对话中为咨询师提供实时建议的有效性和可用性	首次在自杀预防热线中通过随机对照试验评估基于BERT句子嵌入的实时推荐系统	工具经常在不适当情境下使用，咨询师对AI辅助工具的使用熟练度不足或存在信任问题	评估AI辅助工具在自杀预防热线对话中的有效性和可用性	自杀预防热线咨询师和求助者之间的对话	自然语言处理	精神健康疾病	句子嵌入，余弦相似度	BERT	文本对话数据	48名咨询师（27名实验组，21名对照组），评估188个班次	NA	BERT	自我效能感，响应时间，使用频率，使用时长，可用信息比例	NA
1297	2025-10-07	Unsupervised tooth segmentation from three dimensional scans of the dental arch using domain adaptation of synthetic data 2025-Mar, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2024.105769 PMID:39721113	研究论文	本研究利用领域自适应技术从三维牙弓扫描中实现无监督牙齿分割	首次将领域自适应技术应用于牙齿分割任务，通过梯度反转层和孪生网络技术实现合成数据与真实数据的特征空间对齐	样本量较小（仅20个合成扫描和16个自然扫描），验证集仅包含4个未见过的自然扫描牙弓	开发无需人工标注的三维牙齿自动分割方法	人类牙弓的三维扫描数据	计算机视觉	NA	三维扫描技术	PointNet, PointNet++	三维点云数据	20个合成牙弓扫描和16个自然牙弓扫描用于训练，4个自然牙弓扫描用于验证	PyTorch或TensorFlow（基于梯度反转层的实现）	PointNet, PointNet++	平均交并比（mIoU）	NA
1298	2025-02-12	Applicability of the regression approach for histological multi-class grading in clear cell renal cell carcinoma 2025-Mar, Regenerative therapy IF:3.4Q2 DOI:10.1016/j.reth.2025.01.011 PMID:39925965	研究论文	本文探讨了回归方法在透明细胞肾细胞癌多类别分级中的适用性	首次广泛研究了回归方法在多类别癌分级中的应用，并证明其在透明细胞肾细胞癌四类分级中的有效性	研究仅基于16张全片图像和11,826个组织学图像块，样本量相对较小	评估回归方法在多类别癌分级中的适用性	透明细胞肾细胞癌的组织学图像	数字病理学	肾癌	深度学习	CNN（DenseNet-121和Inception-v3）	图像	16张全片图像和11,826个组织学图像块	NA	NA	NA	NA
1299	2025-10-07	Reducing reading time and assessing disease in capsule endoscopy videos: A deep learning approach 2025-Mar, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105792 PMID:39817978	研究论文	本研究开发了一种基于深度学习的计算机辅助诊断方法，用于加速胶囊内窥镜视频分析	使用预训练卷积神经网络自动识别异常帧，将胶囊内窥镜视频播放时间从58分钟缩短至10分钟，同时保留93.33%的异常病变	仅使用8个测试视频进行评估，样本量较小；涉及五种不同类型的胶囊内窥镜设备	开发能够加速胶囊内窥镜视频分析的计算机辅助诊断方法	胶囊内窥镜视频中的胃肠道异常病变	计算机视觉	胃肠道疾病	胶囊内窥镜检查	CNN	视频帧图像	8个胶囊内窥镜视频，包含多种异常病变	NA	预训练卷积神经网络	异常保留率	NA
1300	2025-10-07	Deep Learning Assisted Classification of T1ρ-MR Based Intervertebral Disc Degeneration Phases 2025-Mar, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29499 PMID:39010746	研究论文	本研究开发了一种深度学习模型，能够从常规T1-MR图像中分类基于T1ρ-MR的椎间盘退变阶段	首次使用深度学习模型从常规T1-MR图像预测T1ρ-MR的椎间盘退变分期，克服了T1ρ-MR扫描时间长、费用高的限制	样本量较小（仅60名患者），研究为回顾性设计，证据等级为4级	开发深度学习模型实现基于常规T1-MR图像的椎间盘退变分期分类	60名腰痛或下肢神经根病患者，随机分为训练集（50人）和测试集（10人）	医学影像分析	椎间盘退变疾病	T1-MR, T2-MR, T1ρ-MR序列（自旋回波）	深度学习模型	MR图像	60名患者（男性35人，女性25人），随机分为训练集50人和测试集10人	NA	NA	AUC, F1-score, 准确率, 精确率, 召回率	NA