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
2121	2025-05-06	Multi-class brain malignant tumor diagnosis in magnetic resonance imaging using convolutional neural networks 2025-Jun-01, Brain research bulletin IF:3.5Q2 DOI:10.1016/j.brainresbull.2025.111329 PMID:40180191	研究论文	本研究开发了一种深度学习模型FoTNet，用于提高多类脑恶性肿瘤在磁共振成像中的自动诊断准确性	整合了基于频率的通道注意力层和焦点损失函数，以解决由PCNSL样本有限引起的类别不平衡问题	样本量相对有限，尤其是PCNSL肿瘤的样本较少	提高多类脑恶性肿瘤（GBM、PCNSL和BM）在MRI中的自动诊断准确性	多中心MRI数据集，包括GBM、PCNSL和BM病例	数字病理学	脑恶性肿瘤	MRI	CNN	图像	58例GBM、82例PCNSL和269例BM的T1加权对比增强MRI图像
2122	2025-05-06	Developing a novel Temporal Air-quality Risk Index using LSTM autoencoder: A case study with South Korean air quality data 2025-May-25, The Science of the total environment DOI:10.1016/j.scitotenv.2025.179303 PMID:40245507	研究论文	提出了一种基于LSTM自编码器的新型时间空气质量风险指数（TARI），用于更全面地评估空气污染对健康的影响	首次将深度学习应用于环境指数开发，通过LSTM自编码器捕捉环境因素的复杂相互作用和时间依赖性	研究仅基于韩国空气质量数据，未在其他地区验证	开发更全面的空气质量指数以更准确地评估空气污染对健康的影响	韩国空气质量数据	机器学习	NA	LSTM autoencoder	LSTM	时间序列数据	韩国空气质量数据（具体样本量未提及）
2123	2025-05-06	Pix2Pix generative-adversarial network in improving the quality of T2-weighted prostate magnetic resonance imaging: a multi-reader study 2025-May-05, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.4274/dir.2025.243102 PMID:40320939	research paper	评估生成对抗网络Pix2Pix在提升T2加权前列腺磁共振成像质量方面的性能和可行性	使用Pix2Pix模型在合成降质图像上进行训练，有效提升前列腺MRI图像质量并保持真实性	研究主要基于合成降质图像，真实临床环境中的效果需进一步验证	提升T2加权前列腺磁共振成像的质量	前列腺磁共振成像图像	digital pathology	prostate cancer	MRI	GAN (Pix2Pix)	image	1,476名生物学男性，1,500次扫描（训练集1,300，验证集100，测试集100），外加33名患者的内部外部测试数据集
2124	2025-05-06	Detection of common bile duct dilatation on magnetic resonance cholangiopancreatography by deep learning 2025-May-05, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.4274/dir.2025.253218 PMID:40321102	研究论文	本研究利用深度学习技术从磁共振胰胆管造影（MRCP）图像中检测胆总管扩张	采用DenseNet121 CNN模型在胆总管扩张检测中实现了97%的高准确率	需要在多中心研究和更大数据集上进行验证，并解决技术、伦理和财务限制	开发一种基于深度学习的胆总管扩张检测方法	胆总管扩张	数字病理学	胆道疾病	磁共振胰胆管造影（MRCP）	CNN（包括ResNet50、DenseNet121和VGG模型）	图像	147张MRCP图像（77张无胆总管扩张，70张有胆总管扩张）
2125	2025-05-06	Predicting Postoperative Prognosis in Pediatric Malignant Tumor With MRI Radiomics and Deep Learning Models: A Retrospective Study 2025-May-05, The Journal of craniofacial surgery IF:1.0Q3 DOI:10.1097/SCS.0000000000011466 PMID:40323639	研究论文	本研究开发了一种多模态机器学习模型，结合MRI影像组学、深度学习特征和临床指标，用于预测儿童恶性肿瘤患者术后3年无病生存期	整合MRI影像组学、深度学习特征和临床指标，构建多模态预测模型，显著提高了术后预后的预测准确性	回顾性研究设计，样本量相对有限（260例），且仅针对儿童脑肿瘤患者	预测儿童恶性肿瘤患者术后3年无病生存期，为个性化治疗提供科学依据	260例接受R0切除的儿童脑肿瘤患者（年龄≤14岁）	数字病理	脑肿瘤	MRI影像组学分析、深度学习特征提取	SVM、RF、LightGBM等6种机器学习模型，其中LightGBM表现最佳	MRI图像（T1增强）和临床数据	260例儿童脑肿瘤患者
2126	2025-05-06	ASAS-NANP SYMPOSIUM: MATHEMATICAL MODELING IN ANIMAL NUTRITION: Synthetic Database Generation for Non-Normal Multivariate Distributions: A Rank-Based Method with Application to Ruminant Methane Emissions 2025-May-04, Journal of animal science IF:2.7Q1 DOI:10.1093/jas/skaf136 PMID:40319357	research paper	本研究提出了一种基于秩的方法，用于生成具有相关非正态多元分布的合成数据库，以提高预测建模工具的准确性和可靠性	提出了一种新颖的基于秩的方法，用于生成合成数据库，该方法在保留原始分布矩和相关结构方面优于基于copula的方法	可能在合成数据库的子集中引入人工（未知）关系，且随机森林回归在不同分布类型的数据上表现不佳	解决动物科学中数据可用性有限的问题，特别是在建模复杂生物过程（如反刍动物甲烷排放）时	反刍动物甲烷排放	machine learning	NA	rank-based method, copula-based approaches	random forest (RF), multiple linear model (LM)	synthetic database	生成两个合成数据库（正态和非正态分布）
2127	2025-05-06	An optimized deep neural network with explainable artificial intelligence framework for brain tumour classification 2025-May-04, Network (Bristol, England) DOI:10.1080/0954898X.2025.2500046 PMID:40320295	research paper	本文提出了一种优化的深度神经网络框架，结合可解释人工智能技术，用于脑肿瘤分类	使用Henry气体溶解度优化算法（HGSO）优化ResNet模型的关键超参数，并结合GRAD-CAM算法增强模型的可解释性	仅使用了两个数据库进行验证，可能需要更多样化的数据集来验证模型的泛化能力	提高MRI图像中脑肿瘤分类的准确性和可解释性	脑肿瘤的MRI图像	digital pathology	brain tumour	MRI	ResNet-18, ResNet-50	image	两个数据库（Database1包含四类肿瘤，Database2包含三类肿瘤）
2128	2025-05-06	Preclinical Evaluation of an Interactive Image Search System of Oral Pathology 2025-May-04, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345251329042 PMID:40320652	研究论文	评估一种基于深度学习的交互式图像搜索系统在口腔病理诊断中的效果	首次评估了交互式CBIR系统在帮助病理学家诊断口腔肿瘤方面的有效性	误诊可能由于查询输入不当、罕见形态类型检索性能差、缺乏详细临床信息或系统无法检索到准确类别	评估交互式图像搜索系统在口腔肿瘤诊断中的临床可用性	口腔肿瘤病例	数字病理	口腔肿瘤	深度学习	CBIR系统	图像	603个病例的54,676个图像块，来自85种口腔肿瘤类别
2129	2025-05-06	Model-based deep learning with fully connected neural networks for accelerated magnetic resonance parameter mapping 2025-May-03, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03356-7 PMID:40317423	研究论文	本文提出了一种基于深度学习的定量磁共振参数映射新方法qDC-CNN，旨在加速磁共振成像并提高图像质量	提出了一种集成深度学习框架qDC-CNN，结合了展开的图像重建网络和全连接神经网络进行参数估计	研究主要基于模拟数据集，需要在真实临床数据上进一步验证	提高定量磁共振成像(qMRI)的准确性和临床相关性，显著减少采集时间	脑部多切片多回波(MSME)磁共振成像数据	医学影像分析	NA	定量磁共振成像(qMRI)	qDC-CNN(包含展开的图像重建网络和全连接神经网络)	磁共振图像	基于BrainWeb数据库生成的模拟MSME数据集
2130	2025-05-06	The use of machine learning in transarterial chemoembolisation/transarterial embolisation for patients with intermediate-stage hepatocellular carcinoma: a systematic review 2025-May-03, La Radiologia medica DOI:10.1007/s11547-025-02013-y PMID:40317437	系统性综述	本文系统性综述了机器学习在中期肝细胞癌患者经动脉化疗栓塞/经动脉栓塞治疗中的应用效果	评估机器学习模型在提高TACE和TAE治疗精度和效果方面的潜力	研究异质性限制了比较，需要标准化协议和更大规模的多中心试验	评估机器学习在中期肝细胞癌治疗中的应用效果	中期肝细胞癌患者	机器学习	肝细胞癌	机器学习	深度学习、放射组学	医疗数据	7项研究，涉及4017名患者
2131	2025-05-06	Thorax-encompassing multi-modality PET/CT deep learning model for resected lung cancer prognostication: A retrospective, multicenter study 2025-May-03, Medical physics IF:3.2Q1 DOI:10.1002/mp.17862 PMID:40317503	研究论文	本研究开发了一个结合FDG PET和CT影像以及临床、手术和病理信息的深度学习模型，用于预测非小细胞肺癌（NSCLC）患者的无复发生存期（RFS）并分层风险	首次使用多模态影像结合临床、手术和病理数据预测NSCLC患者术后RFS，并优于传统分期方法	研究为回顾性设计，样本量相对有限（本地机构305例，外部验证195例）	开发优于传统癌症分期的预后预测模型，帮助识别术后需要额外治疗的高风险NSCLC患者	接受手术切除的早期NSCLC患者	数字病理	肺癌	FDG PET和CT影像分析	多模态深度学习模型（DLM）	医学影像（PET/CT）和临床数据	500例患者（本地305例+外部验证195例）
2132	2025-05-06	Modeling inter-reader variability in clinical target volume delineation for soft tissue sarcomas using diffusion model 2025-May-03, Medical physics IF:3.2Q1 DOI:10.1002/mp.17865 PMID:40317577	研究论文	开发了一种基于深度学习的扩散模型，用于模拟软组织肉瘤临床靶区勾画中的读者间变异性	提出了一种能够生成多个不同且合理的CTV轮廓的扩散模型，以模拟临床实践中读者间的变异性	研究样本量较小，验证集仅包含5名患者	开发一种能够模拟临床实践中读者间变异性的自动CTV勾画方法	软组织肉瘤患者的FDG-PET、CT和MRI扫描图像	数字病理	软组织肉瘤	扩散模型	扩散模型	医学影像（FDG-PET、CT、MRI）	51名患者（训练集）+5名患者（验证集）
2133	2025-05-06	Artificial Olfactory System Enabled by Ultralow Chemical Sensing Variations of 1D SnO2 Nanoarchitectures 2025-May-03, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202501293 PMID:40318170	研究论文	本研究开发了一种高可靠的传感器平台，通过一维SnO纳米网络功能化Au和Pd纳米催化剂，提高气体传感的标准化和深度学习性能	通过系统沉积过程制备功能化纳米催化剂，显著降低传感变异系数，并在高湿度和极低检测限下实现超过99.5%的分类准确率	研究仅针对七种目标气体进行测试，未涵盖更广泛的气体种类	开发高可靠的传感器平台，用于标准化气体传感并提升深度学习在电子鼻系统中的应用	一维SnO纳米网络功能化Au和Pd纳米催化剂	传感器技术	NA	系统沉积过程、控制老化过程	残差网络模型	气体传感数据	七种目标气体（丙酮、氢气、乙醇、一氧化碳、丙烷、异戊二烯和甲苯）
2134	2025-05-06	Molecular landscape of endometrioid Cancer: Integrating multiomics and deep learning for personalized survival prediction 2025-May-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110284 PMID:40319755	研究论文	该研究提出了一种新颖的生存分析流程，结合多组学数据和深度学习，用于子宫内膜样癌的个性化生存预测	开发了一种深度学习自编码器，设计了新的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，并识别潜在的生存生物标志物	子宫内膜样癌样本的多组学数据（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、甲基化和蛋白质组数据）	深度学习自编码器	多组学数据	来自TCGA-UCEC项目的子宫内膜样癌样本
2135	2025-05-06	Artificial intelligence in fetal brain imaging: Advancements, challenges, and multimodal approaches for biometric and structural analysis 2025-May-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110312 PMID:40319756	综述	本文探讨了人工智能在胎儿脑部影像学中的应用，重点介绍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	强调了多模态整合方法，结合超声的实时成像和磁共振的软组织对比优势，以提高诊断精度	数据稀缺、计算效率低下以及数据隐私和安全的伦理问题	探索人工智能在胎儿脑部影像学中的应用，以提高产前护理的诊断准确性和效率	胎儿脑部影像	数字病理学	NA	超声(US)和磁共振成像(MRI)	深度学习和基于注意力的架构	影像	NA
2136	2025-05-06	NFR-EDL: Non-linear fuzzy rank-based ensemble deep learning for accurate diagnosis of oral and dental diseases using RGB color photography 2025-May-03, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110279 PMID:40319757	研究论文	本文提出了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	提出了一种结合非线性模糊排序和集成深度学习的新方法，通过融合多个CNN基础模型并考虑决策中的不确定性，提高了诊断的准确性和可靠性	NA	开发一种高准确度的口腔和牙齿疾病诊断工具，以提升临床诊断的效率和可靠性	口腔和牙齿疾病	计算机视觉	口腔疾病	RGB彩色摄影	CNN	图像	Kaggle、MOD、ODSI-DB和OaDD数据集
2137	2025-05-06	Integrating genetic variation with deep learning provides context for variants impacting transcription factor binding during embryogenesis 2025-May-02, Genome research IF:6.2Q1 DOI:10.1101/gr.279652.124 PMID:40234030	研究论文	该研究通过整合遗传变异与深度学习技术，探讨了遗传变异如何影响转录因子结合，特别是在胚胎发生过程中的作用	研究扩展了WASP工具以检测indels，提高了等位基因不平衡峰的检测率30%-50%，并利用卷积神经网络预测DNA序列对转录因子结合的影响	研究主要集中在胚胎发生过程中的四个转录因子，可能无法全面反映所有遗传变异对转录因子结合的影响	理解遗传变异如何影响转录因子结合，以更好地模拟疾病相关变异	四个转录因子在胚胎发生过程中的等位基因特异性结合	机器学习和遗传学	NA	WASP扩展用于indels检测，卷积神经网络（Basenji）	CNN	DNA序列数据	使用F交叉系统产生的高遗传多样性样本
2138	2025-05-06	Semantical and geometrical protein encoding toward enhanced bioactivity and thermostability 2025-May-02, eLife IF:6.4Q1 DOI:10.7554/eLife.98033 PMID:40314227	研究论文	本文提出了一种结合序列和几何编码器的预训练框架，用于蛋白质的一级和三级结构，以指导蛋白质工程中的突变方向并评估变体效应	提出了一种新颖的预训练框架，整合了蛋白质的序列和几何编码器，能够更全面地预测蛋白质变体的效应，特别是在热稳定性和生物功能方面	缺乏对开发方法在预测蛋白质热稳定性方面的基本评估，尽管这是实践中经常研究的关键物理性质	提高蛋白质工程的效率和准确性，通过更全面的预测方法指导蛋白质修饰	蛋白质序列和结构	合成生物学	NA	深度学习	预训练框架（结合序列和几何编码器）	蛋白质序列和结构数据	超过300个深度突变扫描实验的基准测试
2139	2025-05-06	Graph Anomaly Detection in Time Series: A Survey 2025-May-02, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3566620 PMID:40315075	综述	本文对基于图的时间序列异常检测（G-TSAD）进行了全面且最新的回顾	探讨了图表示在时间序列数据中的潜力及其对异常检测的贡献，并回顾了最先进的图异常检测技术	讨论了每种方法的局限性，并指出了当前领域面临的技术和应用挑战	回顾和总结基于图的时间序列异常检测技术，以推动该领域的研究和实际应用	时间序列数据及其异常检测	机器学习	NA	图表示和深度学习架构	深度学习模型	时间序列数据	NA
2140	2025-05-06	Ultra-stable and high-performance squeezed vacuum source enabled via artificial intelligence control 2025-May-02, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adu4888 PMID:40315327	研究论文	通过人工智能控制实现超稳定和高性能的压缩真空源	利用人工智能控制系统通过深度学习识别和管理复杂参数关系，实现自适应的外部环境适应，达到创纪录的4.3分贝（无损耗5.9分贝）压缩水平	PSR理论模型在优化指导方面存在局限性，源于多个参数在此压缩水平下的相互干扰	推进量子计量学超越经典极限，实现高性能压缩光的长期稳定生成	压缩真空源	量子计量学	NA	偏振自旋转(PSR)	深度学习	NA	NA