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
1	2025-08-08	Deep learning-based reconstruction improves the image quality of low-dose CT enterography in patients with inflammatory bowel disease 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-024-04590-4 PMID:39305292	研究论文	本研究探讨了深度学习重建（DLR）在低剂量CT肠造影（LDCTE）中降低辐射剂量并提高图像质量的潜力	首次将深度学习重建技术应用于低剂量CT肠造影，显著降低辐射剂量同时提升图像质量	样本量较小（36例LDCTE组和40例STDCTE组），且LDCTE组为前瞻性研究而STDCTE组为回顾性研究	评估深度学习重建技术在降低CT肠造影辐射剂量中的应用效果	炎症性肠病（IBD）患者	数字病理	炎症性肠病	CT肠造影（CTE）	深度学习重建（DLR）	医学影像	76例（36例LDCTE组和40例STDCTE组）
2	2025-08-08	Association of visceral fat obesity with structural change in abdominal organs: fully automated three-dimensional volumetric computed tomography measurement using deep learning 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-025-04834-x PMID:39937214	研究论文	本研究利用基于深度学习的全自动三维体积CT测量方法，探讨腹部器官结构变化与内脏脂肪肥胖（VFO）之间的关联	首次采用全自动三维体积CT测量结合深度学习算法，系统评估VFO患者腹部器官的体积和CT衰减值变化	研究样本仅包括610名患者，可能存在选择偏差	探索内脏脂肪肥胖与腹部器官结构变化的关系	610名患者（295名男性和315名女性，平均年龄68.4岁）	数字病理学	代谢相关疾病	三维体积CT测量	深度学习算法	CT图像	610名患者（295名男性，315名女性）
3	2025-08-08	Understanding the Pathophysiology of Mental Diseases and Early Diagnosis Thanks to Electrophysiological Tools: Some Insights and Empirical Facts 2025-Sep, Clinical EEG and neuroscience IF:1.6Q3 DOI:10.1177/15500594241227485 PMID:38238934	研究论文	本文探讨了神经生理学工具在精神疾病病理生理学理解和早期诊断中的应用	聚焦于三种高度流行的精神疾病中神经生理学技术的三种新应用	未提及具体样本量或研究设计的局限性	评估神经生理学工具在精神疾病诊断和管理中的作用	三种高度流行的精神疾病（痴呆亚型、精神分裂症、成瘾）	神经科学	精神疾病	脑电图（EEG）、失匹配负波（MMN）、认知事件相关电位	深度学习	电生理数据	NA
4	2025-08-08	The Dipeptidyl Peptidase-4 Inhibitor Saxagliptin as a Candidate Treatment for Disorders of Consciousness: A Deep Learning and Retrospective Clinical Analysis 2025-Aug, Neurocritical care IF:3.1Q2 DOI:10.1007/s12028-025-02217-0 PMID:39904872	research paper	该研究通过深度学习模型筛选FDA批准的药物，发现二肽基肽酶-4抑制剂沙格列汀可能作为意识障碍的新治疗药物，并通过回顾性临床分析验证其效果	首次利用深度学习模型基于药物三维分子结构预测其作为唤醒剂的疗效，并发现沙格列汀对急性和长期意识障碍患者的潜在治疗效果	研究为回顾性分析，需要进一步的前瞻性临床试验验证药物的有效性和安全性	探索现有FDA批准药物在意识障碍治疗中的新应用	4047名因创伤性、血管性或缺氧性脑损伤导致昏迷的患者	machine learning	disorders of consciousness	deep learning-based drug screening	deep learning	clinical data, molecular structure data	4047名昏迷患者
5	2024-12-05	Correction to: Deep learning-based reconstruction improves the image quality of low-dose CT enterography in patients with inflammatory bowel disease 2025-Jun, Abdominal radiology (New York) DOI:10.1007/s00261-024-04694-x PMID:39630201	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6	2025-08-08	Integration of MRI radiomics and clinical data for preoperative prediction of vascular invasion in breast cancer: A deep learning approach 2025-May, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110339 PMID:39880177	research paper	本研究探讨了结合MRI放射组学特征和临床数据，通过深度学习方法预测乳腺癌血管侵犯的术前准确性	首次将MRI放射组学特征与临床数据结合，采用深度学习方法预测乳腺癌血管侵犯，显著提高了诊断准确性	研究样本量较小（102例），且为回顾性分析，可能存在选择偏差	评估MRI放射组学特征与临床数据结合在预测乳腺癌血管侵犯中的有效性	102例经手术病理证实的浸润性乳腺癌患者	digital pathology	breast cancer	MRI (DWI, VIBRANT序列), 放射组学特征提取	深度学习模型	MRI图像和临床数据	102例乳腺癌患者
7	2025-08-08	KaMLs for Predicting Protein pKa Values and Ionization States: Are Trees All You Need? 2025-Feb-11, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.4c01602 PMID:39882632	研究论文	本文介绍了基于决策树和图注意力网络(GAT)的KaML模型，用于预测蛋白质pKa值和电离状态，显著提高了预测准确性	创新点包括对酸和碱的分别处理、使用AlphaFold结构进行数据增强、在理论p数据库上进行模型预训练，以及引入质子化状态分类作为评估指标	机器学习方法受到实验数据稀缺的限制	提高蛋白质电离状态预测的准确性，以促进生物学理解和计算机辅助药物发现	蛋白质电离状态和pKa值	机器学习	NA	决策树、图注意力网络(GAT)	KaML-CBtree、GAT	蛋白质pKa数据库(PKAD-3)、AlphaFold结构数据	NA
8	2025-08-08	Deep learning-driven bacterial cytological profiling to determine antimicrobial mechanisms in Mycobacterium tuberculosis 2025-Feb-11, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2419813122 PMID:39913203	研究论文	本研究介绍了一种名为MycoBCP的深度学习方法，用于通过细菌细胞学分析（BCP）确定结核分枝杆菌中抗菌药物的作用机制（MOA）	MycoBCP是BCP的一种独特改进，利用卷积神经网络（CNNs）克服传统图像分析技术的挑战，能够在不依赖精确细胞分割的情况下分析抗菌化合物的形态效应	转录和翻译抑制导致的相似形态使得区分它们需要进一步改进，且存在对利福布汀的错误分类	加速结核病治疗中抗菌药物作用机制（MOA）的确定	结核分枝杆菌及其对抗菌化合物的反应	数字病理学	结核病	细菌细胞学分析（BCP）与卷积神经网络（CNNs）	CNN	图像	多种抗菌化合物对结核分枝杆菌的影响
9	2025-08-08	Signal-Guided Multitask Learning for Myocardial Infarction Classification Using Images of Electrocardiogram 2025, Cardiology IF:1.9Q3 DOI:10.1159/000542399 PMID:39504941	研究论文	本研究开发了一种基于信号引导多任务学习的深度学习算法，用于通过心电图图像数据区分心肌梗死患者与非冠状动脉疾病患者	提出了一种新的信号引导多任务学习ECG解释算法，相比之前发表的单任务算法性能更优	研究中NSTEMI的准确率显著低于STEMI，表明算法对不同类型心肌梗死的识别能力存在差异	开发深度学习算法辅助心肌梗死的快速准确诊断	心电图图像数据	数字病理学	心血管疾病	深度学习	多任务学习算法	图像	11,227份ECG图像数据
10	2025-08-07	Deep Learning-Based Detection of Malignant Bile Duct Stenosis in Fluoroscopy Images of Endoscopic Retrograde Cholangiopancreatography 2025, Digestion IF:3.0Q2 DOI:10.1159/000543049 PMID:39675349	研究论文	本研究探讨了利用深度学习技术基于ERCP荧光图像区分良恶性胆管狭窄的可行性	首次将卷积神经网络应用于ERCP荧光图像分析，以提高恶性胆管狭窄的诊断准确性和可重复性	研究为回顾性设计，需要在前瞻性研究中进一步验证	提高恶性胆管狭窄的诊断准确性	胆管狭窄患者	数字病理学	胆管疾病	深度学习	CNN	图像	251名来自德国三个大学医疗中心的成年患者
11	2025-08-08	Proactive Deep Learning-Facilitated Inpatient Penicillin Allergy Delabelling: An Implementation Study 2025, International archives of allergy and immunology IF:2.5Q3 DOI:10.1159/000542589 PMID:39827874	研究论文	本研究探讨了利用深度学习促进住院患者青霉素过敏标签去除的实施效果	首次将深度学习技术应用于住院患者青霉素过敏标签的主动去除咨询中	单中心研究，结果可能不具备广泛代表性	评估深度学习辅助的主动咨询对住院患者青霉素过敏标签去除的效果	住院患者中的青霉素过敏标签	医疗人工智能	过敏性疾病	深度学习	NA	医疗记录数据	439名住院患者，其中121名被算法识别为适合进行青霉素过敏评估
12	2025-08-08	Deep learning significantly boosts CRT response prediction using synthetic longitudinal strain data: Training on synthetic data and testing on real patients 2024-Oct-28, Biomedical journal IF:4.1Q2 DOI:10.1016/j.bj.2024.100803 PMID:39477070	研究论文	本研究利用深度学习技术构建模型，通过合成数据预测心脏再同步治疗(CRT)的反应	首次使用合成数据和深度学习技术预测CRT反应，并展示出高准确性和临床适用性	样本量相对较小(131名患者)，且依赖于合成数据增强技术	提高心脏再同步治疗(CRT)反应预测的准确性	心力衰竭患者	机器学习	心血管疾病	SMOTE(合成少数类过采样技术), t-SNE, SHAP分析	DNN, 1D-CNN	二维超声心动图应变轨迹	131名真实患者数据+2000个合成样本
13	2025-08-08	Capability and reliability of deep learning models to make density predictions on low-dose mammograms 2024-Jul, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.4.044506 PMID:39114539	研究论文	评估深度学习模型在低剂量乳腺X光片上预测乳腺密度的能力和可靠性	首次评估深度学习模型在低剂量乳腺X光片上的预测能力，并提出通过平均CC-MLO图像和多次训练模型来提高预测性能的方法	模型在预测密度较高和乳房较小的乳腺时性能下降	评估深度学习模型在低剂量乳腺X光片上预测乳腺密度的可靠性，以便为年轻女性提供风险估计	乳腺X光片	数字病理学	乳腺癌	深度学习	深度学习模型	图像	包含配对的常规剂量和低剂量乳腺X光片的数据集
14	2025-08-08	Length of Stay Prediction With Standardized Hospital Data From Acute and Emergency Care Using a Deep Neural Network 2024-Apr-01, Medical care IF:3.3Q1 DOI:10.1097/MLR.0000000000001975 PMID:38345863	研究论文	本研究提出了一种基于深度学习的住院时间预测方法，使用广泛可用的急性和急诊护理管理数据，并与其它方法进行比较	使用嵌入和前馈神经网络（FFNN）模型进行细粒度的住院时间预测，相比随机森林和逻辑回归方法表现更优	研究数据仅来自法国里昂大都会的6所大学医院，可能限制了模型的泛化能力	预测住院时间以优化医疗活动的组织和调度	515,199名患者的1,140,100次住院记录	机器学习	NA	深度学习	FFNN（前馈神经网络）	结构化医院管理数据（人口统计学、诊断、医疗程序等）	1,140,100次住院记录（来自515,199名患者）
15	2025-08-08	Unified deep learning models for enhanced lung cancer prediction with ResNet-50-101 and EfficientNet-B3 using DICOM images 2024-03-18, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01241-4 PMID:38500083	research paper	开发了一个基于ResNet-50、EfficientNet-B3和ResNet-101的深度学习模型融合系统，用于通过DICOM图像预测肺癌	结合三种不同的深度学习模型和迁移学习技术，构建了一个统一的预测系统，显著提高了肺癌分类的精确度	深度学习在癌症数据分析方面的能力仍在发展中，可能存在过拟合风险	通过深度学习技术提高肺癌的早期检测准确率，降低死亡率	肺癌DICOM图像	digital pathology	lung cancer	transfer learning	ResNet-50, EfficientNet-B3, ResNet-101	image	1000张来自LIDC-IDRI库的DICOM图像
16	2025-08-08	Deep learning-based automatic segmentation of meningioma from T1-weighted contrast-enhanced MRI for preoperative meningioma differentiation using radiomic features 2024-03-05, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01218-3 PMID:38443817	研究论文	本研究旨在建立一个基于常规MRI数据的深度学习模型，用于自动检测和分割脑膜瘤，并开发基于自动分割的放射组学模型以区分低级别和高级别脑膜瘤	开发了基于SegResNet的自动分割模型，并首次将自动分割的放射组学特征用于术前脑膜瘤分级	研究样本量相对有限（326例患者），且仅使用了T1加权增强MRI数据	建立自动分割脑膜瘤的深度学习模型并开发术前脑膜瘤分级的放射组学模型	326例经病理证实的脑膜瘤患者	数字病理	脑膜瘤	MRI	SegResNet	医学影像	326例脑膜瘤患者（训练集：验证集：测试集=6:2:2）
17	2025-08-08	Transfer learning-based PET/CT three-dimensional convolutional neural network fusion of image and clinical information for prediction of EGFR mutation in lung adenocarcinoma 2024-03-04, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01232-5 PMID:38438844	研究论文	介绍了一种基于迁移学习的三维卷积神经网络（3D CNN），用于融合PET/CT图像和临床数据以预测肺腺癌（LADC）中的EGFR突变状态	提出了一种三流迁移学习模型（TS_TL），整合了PET/CT图像和临床数据，显著提高了EGFR突变状态的预测性能	研究为回顾性设计，样本量相对有限，且未在外部验证集上测试模型性能	预测肺腺癌中的EGFR突变状态，辅助临床治疗决策	516名肺腺癌患者的术前PET/CT图像、临床信息和EGFR突变状态	数字病理	肺癌	PET/CT成像	3D CNN, 迁移学习, TS_TL	图像, 临床数据	516名患者（404名训练集，112名测试集）
18	2025-08-08	PulmoNet: a novel deep learning based pulmonary diseases detection model 2024-02-28, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01227-2 PMID:38418987	research paper	提出了一种基于深度学习的肺部疾病检测模型PulmoNet，用于检测COVID-19、细菌性肺炎和病毒性肺炎	创新性地使用深度卷积神经网络（DCNN）结合图像增强技术，提高了肺部疾病检测的准确性和效率	研究仅针对三种肺部疾病，未涵盖其他可能的肺部病变	开发一种高效准确的肺部疾病检测模型，以改善医疗诊断	肺部疾病（COVID-19、细菌性肺炎和病毒性肺炎）的X光和CT扫描图像	digital pathology	lung cancer	image augmentation	DCNN	image	16,435张图像（健康10,325，COVID-19 3,749，细菌性肺炎883，病毒性肺炎1,478）
19	2025-08-08	Automated assessment of cardiac pathologies on cardiac MRI using T1-mapping and late gadolinium phase sensitive inversion recovery sequences with deep learning 2024-02-13, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01217-4 PMID:38350900	研究论文	本研究开发了一种基于深度学习的模型，用于自动检测心脏MRI上的心脏病理	首次结合T1-mapping和PSIR序列，利用深度学习自动检测多种心脏病理	T1-mapping图像的敏感性和特异性相对较低，模型性能有待进一步提升	开发自动化心脏病理检测系统以优化诊断流程	心脏MRI图像（T1-mapping和PSIR序列）	数字病理	心血管疾病	心脏MRI（T1-mapping和PSIR序列）	DenseNet-161	医学影像	200例（137例心脏病理患者，63例正常对照）
20	2025-08-08	Multimodal Biomedical Image Segmentation using Multi-Dimensional U-Convolutional Neural Network 2024-02-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01197-5 PMID:38331800	研究论文	本文提出了一种名为多维度U卷积神经网络（MDU-CNN）的新框架，用于多模态生物医学图像分割，以提高准确性和全面性	提出了一种改进的U-Net框架MDU-CNN，在多模态医学图像分割中表现出更高的性能，特别是在处理困难图像时	在完美图像情况下改进较小，且仅在五个特定数据集上进行了测试	提高多模态生物医学图像分割的准确性和全面性	多模态生物医学图像	数字病理	NA	多维度U卷积神经网络（MDU-CNN）	CNN	图像	五个不同的数据集