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
1701	2025-04-29	Outer lumen arterial imaging with CTA: A potential tool to diagnose vertebral artery dissection 2025-Jul, Radiology case reports DOI:10.1016/j.radcr.2025.03.041 PMID:40292153	技术说明	介绍了一种新的3D CTA后处理技术，用于区分椎动脉夹层（VAD）和椎动脉发育不全（VAH）	通过突出显示外腔的新3D CTA后处理技术，能够区分VAD和VAH	技术尚需进一步扩展和改进，可能通过深度学习（DL）分割技术	开发一种更准确的诊断工具，以区分椎动脉夹层和椎动脉发育不全	椎动脉夹层（VAD）和椎动脉发育不全（VAH）患者	数字病理	心血管疾病	3D CTA后处理技术	NA	图像	个案报告（一例右侧VAD患者）	NA	NA	NA	NA
1702	2025-10-07	Generalizable, sequence-invariant deep learning image reconstruction for subspace-constrained quantitative MRI 2025-Jul, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30433 PMID:39834093	研究论文	开发了一种对比度不变的深度子空间学习网络，用于跨不同脉冲序列的定量MRI图像重建	提出了对比度不变的逐分量网络结构，相比传统时空多分量结构具有更好的性能和泛化能力	研究样本量相对有限，特别是在T1-T2-T2*-脂肪分数序列中数据较为稀缺	开发能够跨不同脉冲序列工作的深度子空间学习网络	MRI多任务成像的重建	医学影像分析	NA	MRI多任务成像，T1、T1-T2、T1-T2-T2*-脂肪分数映射序列	深度学习网络	MRI图像	共313名受试者（130名T1序列，167名T1-T2序列，16名T1-T2-T2*-脂肪分数序列）	NA	对比度不变的逐分量网络结构，时空多分量结构	图像归一化均方根误差，Bland-Altman分析	NA
1703	2025-10-07	Accelerated EPR imaging using deep learning denoising 2025-Jul, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30473 PMID:40096518	研究论文	本研究利用深度学习技术对3D电子顺磁共振成像的振幅和氧分压图进行去噪处理	首次将UNet模型与联合双边滤波器结合应用于EPRI去噪，实现10倍成像加速	训练数据集规模有限（共227个3D图像），且包含体外和体内两种数据	开发基于深度学习的EPRI去噪方法以提高图像信噪比	体外OXO71模型和C3H小鼠后肢纤维肉瘤肿瘤	医学影像处理	肿瘤	电子顺磁共振成像	深度学习	3D图像	227个3D图像（56个体内，171个体外）	MONAI	UNet, Attention UNet, UNETR, Autoencoder	多尺度结构相似性指数, 边缘敏感度保留	NA
1704	2025-10-07	Machine learning explainability for survival outcome in head and neck squamous cell carcinoma 2025-Jul, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105873 PMID:40121767	研究论文	本研究结合临床病理参数、治疗相关因素和社会人口学因素构建机器学习模型，用于预测头颈部鳞状细胞癌患者的总生存期，并提供模型可解释性分析	首次将TabNet深度学习算法应用于头颈部鳞癌生存预测，并综合使用LIME和SHAP技术提供模型可解释性，探索了多参数组合的预后潜力	研究基于单中心数据（419例患者），需要多机构数据集验证和临床试验测试	构建头颈部鳞状细胞癌患者的预后预测系统，实现个体化风险分层治疗决策	头颈部鳞状细胞癌患者	机器学习	头颈部鳞状细胞癌	机器学习预测模型	TabNet, XGBoost, 投票集成	临床表格数据	419名来自瑞典三家大学医院的头颈部鳞癌患者	NA	TabNet, XGBoost	准确率	NA
1705	2025-04-25	Artificial intelligence in bacterial diagnostics and antimicrobial susceptibility testing: Current advances and future prospects 2025-Jul-15, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2025.117399 PMID:40184880	综述	本文综述了人工智能在细菌诊断和抗菌药物敏感性测试中的当前进展和未来前景	探讨了AI如何通过机器学习和深度学习模型（如Random Forest、SVM、CNN和transformer）革新细菌检测和AST，提供更高效、可及和可靠的诊断方案	未具体提及当前AI技术的局限性	探索AI在细菌诊断和抗菌药物敏感性测试中的应用及其未来发展方向	细菌诊断和抗菌药物敏感性测试	机器学习	细菌感染	机器学习、深度学习、质谱、显微镜检测、电化学传感器、拉曼光谱等	Random Forest、SVM、CNN、transformer	图像、光谱数据、电化学数据等	NA	NA	NA	NA	NA
1706	2025-04-23	Deep Learning-Driven Glaucoma Medication Bottle Recognition: A Multilingual Clinical Validation Study in Patients with Impaired Vision 2025 Jul-Aug, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100758 PMID:40256318	research paper	临床验证一款基于CNN的Android智能手机应用，用于识别青光眼患者的局部用药	开发并验证了一款多语言的CNN驱动应用，显著提高了视力受损患者的药物识别准确率	样本量较小（41名参与者），且非英语使用者的应用易用性评分较低	验证基于CNN的智能手机应用在青光眼患者药物识别中的效果	青光眼伴视力受损患者（包括英语和非英语使用者）	computer vision	glaucoma	CNN	CNN	image	41名患者（20名非英语使用者，21名英语使用者）	NA	NA	NA	NA
1707	2025-10-07	Enhancing the application of near-infrared spectroscopy in grain mycotoxin detection: An exploration of a transfer learning approach across contaminants and grains 2025-Jul-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.143854 PMID:40117813	研究论文	本研究将迁移学习策略引入化学计量学，用于改进不同谷物或毒素光谱数据的深度学习模型	首次将迁移学习方法应用于谷物真菌毒素的近红外光谱检测，解决了单源模型适应性差的问题	仅针对小麦玉米赤霉烯酮和花生黄曲霉毒素B1进行了验证，未涵盖更多谷物和毒素类型	提高近红外光谱在谷物真菌毒素检测中的应用效果	谷物中的真菌毒素（小麦玉米赤霉烯酮和花生黄曲霉毒素B1）	化学计量学	NA	近红外光谱法，FT-NIR光谱法	深度学习模型	光谱数据	小麦玉米赤霉烯酮和花生黄曲霉毒素B1样本集	NA	NA	相关系数R，相对预测偏差RPD	NA
1708	2025-10-07	Applying deep learning algorithms for non-invasive estimation of carotenoid content in the foot muscle of Pacific abalone with different colors 2025-Jul-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.143913 PMID:40157001	研究论文	本研究应用深度学习算法基于颜色测量非侵入性估计太平洋鲍鱼足肌中类胡萝卜素含量	开发了基于颜色的类胡萝卜素估计套件(CCES)，相比传统方法效率提升450倍，成本降低47-77倍	模型的决定系数为0.415，预测精度仍有提升空间	开发非侵入性快速估计鲍鱼类胡萝卜素含量的方法	太平洋鲍鱼(Haliotis discus hannai)的足肌组织	计算机视觉	NA	靶向代谢组学，CIELAB颜色空间测量	LSTM	颜色测量数据	344个鲍鱼样本	NA	LSTM	RMSE, 决定系数R	NA
1709	2025-10-07	Autonomous Screening for Diabetic Macular Edema Using Deep Learning Processing of Retinal Images 2025 Jul-Aug, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100722 PMID:40225408	研究论文	开发并验证一种基于深度学习处理视网膜图像的自主筛查糖尿病黄斑水肿模型	在多样化多设备临床环境中验证深度学习模型对糖尿病黄斑水肿的检测能力	需要进一步的前瞻性研究验证	开发适用于糖尿病黄斑水肿筛查的深度学习模型	糖尿病患者的视网膜图像	计算机视觉	糖尿病黄斑水肿	彩色眼底成像	深度学习	图像	EyePACS数据集包含32,049张图像来自15,892名患者，其中开发集14,246例，验证集1,583例	NA	NA	灵敏度,特异度,AUC	NA
1710	2025-10-07	Enhanced Macular Telangiectasia Type 2 Detection: Leveraging Self-Supervised Learning and Ensemble Models 2025 Jul-Aug, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100710 PMID:40225407	研究论文	本研究开发了一种基于自监督学习和集成模型的黄斑毛细血管扩张症2型检测方法	结合自监督学习和集成模型方法，在有限标注数据下提升罕见疾病分类性能	仅使用419个OCT体积数据进行训练，样本量相对有限	开发准确且可解释的黄斑毛细血管扩张症2型自动检测方法	黄斑毛细血管扩张症2型患者和非患者的OCT图像	医学影像分析	黄斑毛细血管扩张症	OCT成像	深度学习,集成学习	OCT图像	5200张OCT图像（780名MacTel患者和1900名非MacTel患者）	NA	NA	AUROC,AUPRC,准确率,灵敏度,特异性	NA
1711	2025-10-07	Simulation of a Free Boundary Cell Migration Model through Physics Informed Neural Networks 2025-Jul, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2025.106961 PMID:40058062	研究论文	本研究开发了一种基于物理信息神经网络的自由边界细胞迁移模型，用于模拟一维肌动球蛋白流动	首次将物理信息神经网络应用于具有移动边界的细胞迁移问题，无需合成数据即可训练模型	模型为一维简化，可能无法完全反映真实三维细胞迁移的复杂性	开发计算模型以理解单细胞迁移中肌动球蛋白流动的动力学行为	迁移细胞中的肌动球蛋白流动和肌动蛋白浓度	计算生物学	NA	物理信息神经网络	神经网络	数值模拟数据	NA	NA	物理信息神经网络	与实验和计算数据的定性比较	NA
1712	2025-04-09	Nondestructive detection of cadmium content in oilseed rape leaves under different silicon environments using deep transfer learning and Vis-NIR hyperspectral imaging 2025-Jul-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.143799 PMID:40081073	研究论文	提出了一种基于深度迁移学习和可见-近红外高光谱成像技术的油菜叶片镉含量无损检测方法	开发了迁移堆叠去噪自编码器(T-SDAE)算法，实现了不同硅环境下油菜叶片镉含量预测模型的迁移	NA	实现不同硅环境下油菜叶片镉含量的准确无损检测	油菜叶片	计算机视觉	NA	可见-近红外高光谱成像技术	T-SDAE, SVR	高光谱图像	NA	NA	NA	NA	NA
1713	2025-04-09	An efficient method for chili pepper variety classification and origin tracing based on an electronic nose and deep learning 2025-Jul-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.143850 PMID:40101378	研究论文	本文提出了一种结合电子鼻和深度学习的方法，用于辣椒品种分类和产地溯源	提出了一种传感器感知卷积网络（SACNet），集成了电子鼻技术，通过传感器注意力模块自适应关注各传感器的重要性，并引入局部感知和广域感知结构以捕获气体信息特征	方法依赖于电子鼻系统的气体样本采集，可能在实际应用中受到环境因素的影响	解决辣椒品种和产地快速准确识别的问题	辣椒	机器学习	NA	电子鼻（e-nose）	CNN（SACNet）	气体数据	三个数据集（Dataset A、B、C），具体样本数量未提及	NA	NA	NA	NA
1714	2025-04-06	Code-Free Deep Learning Glaucoma Detection on Color Fundus Images 2025 Jul-Aug, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100721 PMID:40182983	研究论文	本研究评估了无代码深度学习(CFDL)在眼底图像中检测青光眼的性能，并与专家设计的模型进行了比较	使用无代码深度学习(CFDL)方法，使无编程经验的临床医生能够构建自己的AI模型，用于青光眼筛查	未提及具体局限性	评估无代码深度学习在青光眼检测中的性能	眼底图像	计算机视觉	青光眼	深度学习	CFDL模型	图像	101442张标记的眼底图像	NA	NA	NA	NA
1715	2025-10-07	A damage identification method for aviation structure integrating Lamb wave and deep learning with multi-dimensional feature fusion 2025-Jul, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107623 PMID:40058116	研究论文	提出一种融合Lamb波和深度学习的航空结构损伤识别方法，通过多维特征融合实现损伤定位和量化	结合Lamb波信号处理与多维特征融合深度学习模型，实现跨几何传感器阵列的迁移学习	NA	解决航空结构健康监测中损伤信息的多维提取和有效利用问题	飞机切割段的航空结构损伤	结构健康监测	NA	Lamb波传感技术	深度学习, CNN, BiLSTM	一维信号, 二维图像	NA	NA	Inception-v1, BiLSTM, 自定义卷积模块	损伤定位精度, 损伤量化精度, 鲁棒性	NA
1716	2025-10-07	Feature compensation and network reconstruction imaging with high-order helical modes in cylindrical waveguides 2025-Jul, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107631 PMID:40101471	研究论文	提出基于特征补偿和网络重建的逐步反演方法，结合高阶螺旋导波实现管道缺陷的高分辨率成像	通过深度学习结合高阶螺旋导波扩展成像视野，解决了有限视角条件下弱特征缺陷准确反演的难题	仅针对管道类圆柱波导结构进行验证，未涉及其他复杂几何形状的波导结构	开发管道缺陷无损检测的高分辨率成像方法	油气运输管道中的壁厚损失缺陷	机器学习和无损检测	NA	超声波导波技术、有限差分法	深度学习	超声波信号数据	测试集中随机选取的50个缺陷样本	NA	NA	二维皮尔逊相关系数, 最大壁厚损失估计精度	NA
1717	2025-03-25	Ink classification in historical documents using hyperspectral imaging and machine learning methods 2025-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.125916 PMID:40049019	研究论文	本研究探索了使用高光谱成像和机器学习技术对历史文献中的墨水进行分类	结合高光谱成像和多种机器学习方法（包括传统算法和深度学习模型）进行墨水分类，并在具有挑战性的条件下实现高准确率	仅针对三种特定类型的墨水进行分类，可能不适用于其他类型的墨水	开发非侵入性的墨水识别和映射方法，以促进历史文献的保护和分析	历史文献中的墨水（纯金属没食子酸墨水、含碳墨水和非含碳墨水）	计算机视觉	NA	高光谱成像	SVM, KNN, LDA, Random Forest, PLS-DA, DL-based model	图像	模拟样本和历史文献样本	NA	NA	NA	NA