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
1241	2025-05-25	Deep learning meets marine biology: Optimized fused features and LIME-driven insights for automated plankton classification 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110273 PMID:40315719	research paper	提出了一种改进的浮游生物分类模型，通过特征融合和优化算法提高分类准确性和可解释性	结合InceptionResNetV2和DeepPlanktonNet模型的特征融合，利用鲸鱼优化算法(WOA)进行特征选择，并采用LIME增强模型可解释性	模型在有限标记数据下的高准确性和计算效率仍具挑战性	提高浮游生物自动分类的准确性和效率，支持大规模生态调查和水质监测	浮游生物	computer vision	NA	特征融合, 鲸鱼优化算法(WOA), LIME	InceptionResNetV2, DeepPlanktonNet	image	WHOI数据集
1242	2025-05-25	An explainable adaptive channel weighting-based deep convolutional neural network for classifying renal disorders in computed tomography images 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110220 PMID:40315718	研究论文	提出了一种名为EACWNet的自动化深度学习模型，用于分类肾脏CT图像中的不同疾病类别	结合了自适应通道加权的深度卷积神经网络和可解释人工智能技术，提高了分类准确率	模型在结石类别的精确度较低，因为结石具有固有的变异性和异质性	提高肾脏疾病诊断的工作流程效率和准确性	肾脏CT图像	计算机视觉	肾脏疾病	深度学习	CNN (VGG-19改进版)	图像	公开可用的肾脏CT图像数据集
1243	2025-05-25	Optimizing stroke lesion segmentation: A dual-approach using Gaussian mixture models and nnU-Net 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110221 PMID:40318493	research paper	本文系统评估了高斯混合模型（GMM）和nnU-Net在识别中风体积治疗相关变化中的有效性	首次将GMM与nnU-Net结合用于中风病灶分割，并评估其在检测治疗诱导变化方面的可靠性	nnU-Net仅基于手动分割训练时无法检测显著的治疗诱导中风体积减少，可能导致假阴性结果	评估不同分割方法在检测中风治疗反应中的有效性	中风病灶分割模型	digital pathology	cardiovascular disease	GMM, nnU-Net	GMM, nnU-Net	image	NA
1244	2025-05-25	Molecular landscape of endometrioid Cancer: Integrating multiomics and deep learning for personalized survival prediction 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110284 PMID:40319755	研究论文	本研究提出了一种结合多组学数据和深度学习的创新生存分析方法，用于子宫内膜样癌的个性化生存预测	开发了一种新的深度学习自编码器，设计了专门用于自编码器的新损失函数，以捕捉生物变量与生存结果之间的复杂非线性关系	NA	研究影响子宫内膜样癌患者预后的因素，识别潜在的生存生物标志物	子宫内膜样癌患者的多组学数据（转录组、甲基化和蛋白质组数据）	数字病理学	子宫内膜癌	多组学分析（转录组、甲基化、蛋白质组）	自编码器（Autoencoder）	多组学数据	来自TCGA-UCEC项目的子宫内膜样癌样本
1245	2025-05-25	Artificial intelligence in fetal brain imaging: Advancements, challenges, and multimodal approaches for biometric and structural analysis 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110312 PMID:40319756	review	本文综述了人工智能在胎儿脑成像中的应用，重点探讨了超声和磁共振成像的多模态整合及其在提高诊断准确性方面的潜力	强调了多模态方法整合超声和磁共振成像的互补优势，以及AI在实时诊断工具和人机协作框架中的创新应用	面临的主要挑战包括高质量多样化数据集的稀缺、计算效率不足以及数据隐私和安全的伦理问题	探索人工智能如何提升胎儿脑成像的诊断准确性和效率，改善围产期护理结果	胎儿脑成像，特别是通过超声和磁共振成像进行的生物测量和结构分析	数字病理	NA	超声(US)和磁共振成像(MRI)	深度学习框架和基于注意力的架构	图像	NA
1246	2025-05-25	NFR-EDL: Non-linear fuzzy rank-based ensemble deep learning for accurate diagnosis of oral and dental diseases using RGB color photography 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110279 PMID:40319757	research paper	提出一种基于非线性模糊排序的集成深度学习模型NFR-EDL，用于通过RGB彩色摄影准确诊断口腔和牙齿疾病	结合四种深度CNN基础模型，通过非线性模糊排序和不确定性决策融合，提高诊断准确性和可靠性	未提及模型在多样化人群或不同光照条件下的泛化能力	开发高准确度的AI工具以改善口腔和牙齿疾病的早期诊断	口腔和牙齿疾病	digital pathology	oral and dental diseases	RGB color photography	CNN, NFR-EDL	image	Kaggle, MOD, ODSI-DB, and OaDD datasets
1247	2025-05-25	A transformer-based framework for temporal health event prediction with graph-enhanced representations 2025-Jun, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104826 PMID:40324665	research paper	该研究提出了一种结合图学习和Transformer框架的深度学习方法GLT-Net，用于预测时序健康事件	GLT-Net通过构建患者关联图和共病关联矩阵，利用图神经网络增强诊断代码的特征表示，并通过Transformer-Encoder框架捕捉历史入院记录的时间依赖性	未明确提及具体局限性	预测时序健康事件，深入理解患者健康状况和疾病趋势	患者入院记录和诊断代码	machine learning	NA	图神经网络, Transformer	GLT-Net (结合图学习和Transformer框架)	时序健康事件数据	未明确提及具体样本量
1248	2025-05-25	Interpretable deep neural networks for advancing early neonatal birth weight prediction using multimodal maternal factors 2025-Jun, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104838 PMID:40339967	research paper	本研究提出了一种基于可解释深度神经网络的临床决策支持系统，用于早期预测新生儿出生体重，利用早期妊娠期间的多模态母体因素	创新性地结合了全面的母体因素，特别是营养元素与生理和生活方式变量，使用TabNet架构提高了预测的精确度和可解释性	NA	开发一个临床决策支持系统，早期预测新生儿出生体重，以改善新生儿健康结果	新生儿出生体重及其与母体因素的关系	machine learning	neonatal health	deep learning, TabNet	TabNet	tabular data	广泛的数据集，涵盖多种母体健康指标
1249	2025-05-24	Effect of Deep Learning Image Reconstruction on Image Quality and Pericoronary Fat Attenuation Index 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01234-3 PMID:39299956	research paper	比较深度学习图像重建（DLIR）和自适应统计迭代重建V（ASIR-V）在不同管电压下对冠状动脉CT血管造影（CCTA）图像质量和心周脂肪衰减指数（FAI）的影响	首次在不同管电压下比较DLIR和ASIR-V对CCTA图像质量和FAI的影响，并验证DLIR-H在低管电压下保持图像质量的能力	研究仅基于中国BMI分类选择管电压，可能限制了结果的普适性	评估DLIR在不同管电压下对CCTA图像质量和FAI的改善效果	301名接受CCTA检查的患者	医学影像处理	心血管疾病	CT血管造影（CCTA）	深度学习图像重建（DLIR）	医学影像	301名患者，分为120 kV组和低管电压组（70 kV、80 kV、100 kV）
1250	2025-05-24	Children Are Not Small Adults: Addressing Limited Generalizability of an Adult Deep Learning CT Organ Segmentation Model to the Pediatric Population 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01273-w PMID:39299957	research paper	评估成人训练的深度学习CT器官分割模型在儿科患者中的泛化能力，并探索优化策略以提高儿科分割性能	揭示了成人训练的深度学习模型在儿科CT扫描中的局限性，并提出了两种优化方法（儿科专用模型和成人模型微调）以改善儿科分割准确性	研究仅关注腹部CT扫描和特定器官，可能无法推广到其他身体部位或器官	评估和改进深度学习模型在儿科CT器官分割中的性能	成人和儿科患者的腹部CT扫描	digital pathology	NA	CT扫描	3D nnU-Net	image	成人数据集（n=300）和儿科数据集（n=359）
1251	2025-05-24	A Robust Deep Learning Method with Uncertainty Estimation for the Pathological Classification of Renal Cell Carcinoma Based on CT Images 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01276-7 PMID:39313716	研究论文	本研究开发并验证了一种基于深度学习的诊断模型，通过不确定性估计帮助放射科医生基于CT图像术前区分肾细胞癌的病理亚型	结合不确定性估计的深度学习模型，为临床医生提供RCC亚型预测及诊断置信度指标	外部验证样本量较小（78例），可能影响模型泛化性能评估	开发辅助肾细胞癌病理亚型术前鉴别的AI诊断工具	肾细胞癌患者的CT影像数据	数字病理	肾细胞癌	CT成像	深度学习模型（未指定具体架构）	医学影像（CT图像）	668例训练集（中心1），78例外部验证集（中心2）
1252	2025-05-24	Automatic Segmentation of Ultrasound-Guided Quadratus Lumborum Blocks Based on Artificial Intelligence 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01267-8 PMID:39320548	研究论文	本研究开发了一种基于人工智能的深度学习模型Q-VUM，用于自动分割超声引导下的腰方肌阻滞图像	提出了一种基于VGG16网络的U型网络Q-VUM，能够精确分割腰方肌等多种组织	研究样本量相对较小（112名患者，3162张图像），且为回顾性研究	提高超声引导腰方肌阻滞的精确性和效率	腰方肌、腹外斜肌、腹内斜肌、腹横肌（统称EIT）和骨骼	医学影像分析	围手术期镇痛	深度学习	U-Net based on VGG16	超声图像	112名患者（3162张图像）
1253	2025-05-24	BSNEU-net: Block Feature Map Distortion and Switchable Normalization-Based Enhanced Union-net for Acute Leukemia Detection on Heterogeneous Dataset 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01252-1 PMID:39322814	research paper	提出了一种基于深度学习的BSNEU-net框架，用于检测急性白血病，结合了块特征图扭曲和可切换归一化技术	引入了块特征图扭曲(BFMD)和可切换归一化(SN)技术，以提高模型的泛化能力和收敛性	未提及具体局限性	开发深度学习模型以提高急性白血病的检测准确率	急性白血病(ALL和AML)及健康病例的血液涂片图像	digital pathology	acute leukemia	deep learning	BSNEU-net (基于Union Blocks的CNN变体)	image	2400张新数据集血液涂片图像 + 2700张来自公开数据集的异质数据集图像
1254	2025-05-24	Identification of Bipolar Disorder and Schizophrenia Based on Brain CT and Deep Learning Methods 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01279-4 PMID:39327378	研究论文	本研究旨在构建基于CT图像的深度学习模型，用于识别双相情感障碍和精神分裂症	开发了DenseMD模型，采用多实例学习方法，在识别双相情感障碍和精神分裂症方面表现优于其他经典深度学习模型	样本量相对有限，且仅基于CT图像进行分析	探索深度学习模型在基于脑部CT图像识别精神疾病方面的潜力	双相情感障碍和精神分裂症患者及健康对照者	数字病理学	精神疾病	深度学习	DenseMD, ResNet-18, ResNeXt-50, DenseNet-121	图像	共685名受试者（506名患者和179名健康对照者），外加105名外部测试集受试者
1255	2025-05-24	Deep Learning Classification of Ischemic Stroke Territory on Diffusion-Weighted MRI: Added Value of Augmenting the Input with Image Transformations 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01277-6 PMID:39349784	研究论文	本研究旨在利用AI构建一个患者级别的DWI中风区域分类器，以促进中风快速分诊至专用中风中心	通过图像变换增强预训练模型的输入，提高了DWI中受影响区域的分类准确性	研究样本来自两个中心，可能存在数据偏差	构建一个快速准确的中风区域分类器	急性缺血性中风患者的DWI图像	计算机视觉	心血管疾病	DWI	MobileNetV2, EfficientNetB0	图像	271名和122名连续急性缺血性中风患者（来自两个中心）
1256	2025-05-24	MobileNet-V2: An Enhanced Skin Disease Classification by Attention and Multi-Scale Features 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01271-y PMID:39354294	研究论文	该研究提出了一种结合MobileNet-V2、SE模块、ASPP和通道注意力机制的皮肤疾病分类模型，旨在提高诊断的准确性和效率	结合MobileNet-V2、SE模块、ASPP和通道注意力机制，增强了特征提取能力和多尺度上下文信息的融合	研究中存在一些局限性，并提出了未来研究的方向	开发一种高效的皮肤疾病分类工具	皮肤疾病	计算机视觉	皮肤癌	深度学习	MobileNet-V2, SE, ASPP	图像	四个数据集（PH2、HAM10000、DermNet、ISIC）
1257	2025-05-24	Dual Energy CT for Deep Learning-Based Segmentation and Volumetric Estimation of Early Ischemic Infarcts 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01294-5 PMID:39384719	research paper	该研究评估了双能CT（DECT）采集是否能提高机器学习对早期梗塞的可见性，并利用深度学习模型进行分割和体积估计	使用双能CT数据结合深度学习模型，提高了早期梗塞的分割准确性，特别是在发病后6至12小时内	体积准确性的提升在统计学上不显著（p=0.07），且研究为回顾性设计	评估双能CT对早期梗塞分割和体积估计的改进效果	早期缺血性梗塞	digital pathology	cardiovascular disease	dual-energy CT (DECT)	3D nnU-Net	CT and MRI images	330 DECT scans acquired between 2016 and 2022
1258	2025-05-24	Deep Learning-Based Estimation of Radiographic Position to Automatically Set Up the X-Ray Prime Factors 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01256-x PMID:39402356	研究论文	本文提出了一种基于深度学习的创新方法，通过拍摄X光前的照片自动估计放射位置，以选择最佳的X光主要参数	首次使用深度学习从拍摄的照片中自动估计放射位置，用于优化X光主要参数的设置	大多数错误发生在患者姿势相似的放射位置	优化X光检查中的辐射剂量和图像质量	X光主要参数（KVp、mAs和源-探测器距离）的设置	计算机视觉	NA	深度学习	轻量级ConvNeXt	图像	75名志愿者，66种放射位置
1259	2025-05-24	BCCHI-HCNN: Breast Cancer Classification from Histopathological Images Using Hybrid Deep CNN Models 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01297-2 PMID:39402357	research paper	该研究提出了一种基于深度卷积神经网络（CNN）的混合模型BCCHI-HCNN，用于从组织病理学图像中分类乳腺癌，旨在实现早期和精确的乳腺癌识别	通过结合多种分类器（如SVM、决策树和KNN）并利用迁移学习技术，提高了模型的性能，其中SVM算法结合PCA特征达到了99.5%的准确率	决策树模型虽然准确率高（99.4%），但速度较SVM慢	改进乳腺癌的早期诊断方法，提高诊断准确性和效率	乳腺癌的组织病理学图像	digital pathology	breast cancer	deep learning, transfer learning, PCA	CNN, SVM, decision tree, KNN	image	NA
1260	2025-05-24	Knee Osteoarthritis SCAENet: Adaptive Knee Osteoarthritis Severity Assessment Using Spatial Separable Convolution with Attention-Based Ensemble Networks with Hybrid Optimization Strategy 2025-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01306-4 PMID:39438366	research paper	该研究提出了一种基于深度学习的膝关节骨关节炎严重程度评估模型SCAENet，用于准确识别患者病情	提出了一种新的空间可分离卷积与注意力机制结合的集成网络SCAENet，并采用混合优化策略HESM-BESO进行特征池生成	未提及模型在临床实际应用中的验证效果及样本多样性问题	提高膝关节骨关节炎严重程度评估的准确性和效率	膝关节骨关节炎患者	digital pathology	geriatric disease	深度学习	SCAENet（集成ResNet/VGG16/DenseNet与1DCNN）	image	NA（仅提及在线资源获取图像，未说明具体数量）