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
2221	2025-05-29	TRG-Net: An Interpretable and Controllable Rain Generator 2025-May-27, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3565726 PMID:40424114	research paper	提出了一种基于深度学习的可解释和可控的雨生成器TRG-Net，用于增强配对数据以简化雨天图像处理模型的训练	TRG-Net不仅精细设计了雨的基本要素以模拟预期雨水，还能适应复杂多样的实际雨天图像，且无需雨要素标签即可从数据中学习这些要素的分布	未明确提及具体限制，但可能受限于训练数据的多样性和数量	探索和建模雨生成机制，以增强配对数据，简化雨天图像处理模型的训练	雨天图像	computer vision	NA	深度学习	TRG-Net	image	未明确提及具体样本数量
2222	2025-05-29	Frontalis Only Contracts in One Direction: AI-Quantum Elasticity and Resistance Gradient Reveals True Nature of Forehead Muscle Movement 2025-May-27, Aesthetic plastic surgery IF:2.0Q2 DOI:10.1007/s00266-025-04924-7 PMID:40425886	research paper	本研究通过AI驱动的生物力学模型和量子弹性与阻力梯度（QERG）模型，揭示了额肌收缩的单向性及其与皮肤相互作用的机制	引入了量子弹性与阻力梯度（QERG）模型，挑战了传统的双向收缩理论，并通过AI模型高精度预测皮肤行为	研究样本虽多样化，但可能未涵盖所有可能的种族和年龄组，且证据等级为III级，需进一步验证	探究额肌收缩的生物力学特性及其与皮肤相互作用的真实机制	额肌收缩及其对皮肤的动态影响	生物力学	NA	深度学习框架（TensorFlow, PyTorch）、有限元分析、随机森林、深度神经网络	AI-driven biomechanical model, QERG model	3D面部扫描数据	600名不同种族、性别和年龄的受试者
2223	2025-05-29	Development of a No-Reference CT Image Quality Assessment Method Using RadImageNet Pre-trained Deep Learning Models 2025-May-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01542-2 PMID:40425960	研究论文	提出了一种基于RadImageNet预训练深度学习模型的无参考CT图像质量评估方法	利用结合噪声和模糊两种退化因素的数据集训练CNN模型，并采用RadImageNet预训练模型增强对真实世界退化的适应性	仅考虑了噪声和模糊两种退化因素，可能未涵盖所有实际临床中的退化类型	开发一种无需参考图像即可准确评估CT图像质量的方法	CT图像	计算机视觉	NA	深度学习	CNN（ResNet50, DenseNet121, InceptionV3, InceptionResNetV2）	图像	人工退化图像数据集和真实临床图像数据集
2224	2025-05-29	Deep Learning Auto-segmentation of Diffuse Midline Glioma on Multimodal Magnetic Resonance Images 2025-May-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01557-9 PMID:40425959	研究论文	开发了一种基于改进CNN的3D-Unet工具，用于自动准确分割弥漫性中线胶质瘤（DMG）在磁共振（MR）图像中的区域	首次针对DMG开发了自动分割工具，采用改进的3D U-Net架构，结合多种MR图像序列，实现了高精度的肿瘤分割	样本量相对较小（52名患者，70张图像），且仅针对特定类型的儿科脑干癌	提高DMG肿瘤分割的自动化水平和准确性，以支持诊断和预测模型的开发	弥漫性中线胶质瘤（DMG）H3 K27M突变型患者的MR图像	数字病理学	脑癌	磁共振成像（MRI）	3D U-Net with residual blocks	图像	52名DMG患者，70张MR图像（包含T1W、T2W和FLAIR序列）
2225	2025-05-29	PlaNet-S: an Automatic Semantic Segmentation Model for Placenta Using U-Net and SegNeXt 2025-May-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01549-9 PMID:40425958	研究论文	本研究开发了一个名为PlaNet-S的自动胎盘语义分割模型，结合了U-Net和SegNeXt架构	通过集成学习结合U-Net和SegNeXt架构，提出了一种新的胎盘自动分割模型PlaNet-S，显著提高了分割精度	与U-Net++的性能差异无统计学意义，且样本量相对有限	开发一个全自动的胎盘语义分割模型，以解决医生辅助手动分割耗时的问题	218名疑似胎盘异常的孕妇的MRI图像	数字病理学	胎盘异常	MRI	U-Net, SegNeXt, 集成学习	图像	218名孕妇的1090张标注图像
2226	2025-05-29	Automated material flow characterization of WEEE in sorting plants using deep learning and regression models on RGB data 2025-May-26, Waste management (New York, N.Y.) DOI:10.1016/j.wasman.2025.114904 PMID:40424857	研究论文	本文提出了一种基于深度学习和回归模型的自动化方法，用于在电子废弃物分拣厂中通过RGB数据进行材料流表征	结合深度学习进行材料类型识别、回归模型预测单个颗粒质量，并将质量聚合为材料流组成	该方法尚未成功应用于粉碎后的电子废弃物	优化电子废弃物回收过程中的材料流组成分析	电子废弃物（WEEE）中的铁金属、非铁金属、印刷电路板和塑料	计算机视觉	NA	RGB摄像头、YOLO v11目标检测、K近邻回归	YOLO、k-NN	图像	NA
2227	2025-05-29	EnsembleEdgeFusion: advancing semantic segmentation in microvascular decompression imaging with innovative ensemble techniques 2025-May-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02470-5 PMID:40410312	research paper	该研究提出了一种创新的集成技术EnsembleEdgeFusion，用于提升微血管减压影像中的语义分割性能	引入了集成技术（如堆叠和装袋）来提升分割性能，特别是装袋与朴素贝叶斯方法结合表现出显著改进	公开可用的数据集稀缺，且专家标注要求高	提升微血管减压影像中的语义分割性能	2003张RGB微血管减压影像及其标注掩码	digital pathology	NA	语义分割	DeepLabv3+, U-Net, DilatedFastFCN with JPU, DANet, Vanilla architecture	image	2003张RGB微血管减压影像
2228	2025-05-29	Pancreas segmentation using AI developed on the largest CT dataset with multi-institutional validation and implications for early cancer detection 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-01802-9 PMID:40379726	research paper	该研究开发了一种基于深度学习的卷积神经网络（CNN）用于胰腺的自动化分割，并在大规模CT数据集上进行了验证	使用了迄今为止最大的单机构数据集（n=3031 CTs）进行训练，并在多机构数据集AbdomenCT-1K（n=585）上进行了外部验证，展示了模型的高空间一致性和鲁棒性	未提及具体局限性，但可能包括模型在更广泛人群或不同成像条件下的泛化能力需要进一步验证	开发一种准确且全自动的胰腺分割方法，以推动早期胰腺癌检测的影像生物标志物研究	胰腺的CT影像	digital pathology	pancreatic cancer	deep learning, CT imaging	3D nnU-Net	CT images	3031 CTs（训练集），585 CTs（外部验证集），452 CTs（测试集）
2229	2025-05-29	Multicenter development of a deep learning radiomics and dosiomics nomogram to predict radiation pneumonia risk in non-small cell lung cancer 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02045-4 PMID:40379764	研究论文	本研究旨在开发一个结合放射组学、剂量组学和深度学习的模型，以预测非小细胞肺癌患者放疗后肺炎的风险	结合放射组学、剂量组学和深度学习特征，构建多维度预测模型，提高预测准确性	研究为回顾性设计，样本量相对较小（245例患者）	提高非小细胞肺癌患者放疗后肺炎风险的预测能力	非小细胞肺癌患者	数字病理	肺癌	放射组学、剂量组学、深度学习	深度学习放射组学和剂量组学列线图（DLRDN）	CT图像、剂量测定图像	245例非小细胞肺癌患者（来自三家医院）
2230	2025-05-29	Deep Learning-Based Retinoblastoma Protein Subtyping of Pulmonary Large-Cell Neuroendocrine Carcinoma on Small Hematoxylin and Eosin-Stained Specimens 2025-May-08, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2025.104192 PMID:40345665	研究论文	本研究探讨了深度学习在基于小苏木精和伊红染色样本的肺大细胞神经内分泌癌中视网膜母细胞瘤蛋白亚型分型的应用	开发了一种定制的卷积神经网络，用于预测小样本中pRb的二元表达，显著优于病理学家的传统分类方法	样本量相对较小，仅包含143个切除标本和21例患者的活检样本	探索深度学习在肺大细胞神经内分泌癌分子亚型分型中的应用潜力	肺大细胞神经内分泌癌(LCNEC)组织样本	数字病理学	肺癌	深度学习	CNN	图像	143个切除标本和21例患者的活检样本
2231	2025-05-29	Data-driven machine learning algorithm model for pneumonia prediction and determinant factor stratification among children aged 6-23 months in Ethiopia 2025-May-02, BMC infectious diseases IF:3.4Q2 DOI:10.1186/s12879-025-10916-4 PMID:40316929	研究论文	本研究开发了一种基于机器学习的预测模型，用于预测埃塞俄比亚6-23个月儿童的肺炎及其决定因素分层	使用随机森林算法预测肺炎并分层其决定因素，准确率达到91.3%	研究依赖于2016年的数据，可能无法反映最新情况，且未使用深度学习算法以提高预测准确性	开发数据驱动的预测模型，预测儿童肺炎并分层其决定因素	埃塞俄比亚6-23个月的儿童	机器学习	肺炎	机器学习算法（随机森林等）	随机森林	结构化健康调查数据	2035名儿童样本
2232	2025-05-29	Deep learning in 3D cardiac reconstruction: a systematic review of methodologies and dataset 2025-May, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-024-03273-y PMID:39753994	系统性综述	本文提出了一种结合深度学习模型和计算技术的先进方法，用于3D心脏重建，解决了心脏建模和分割中的关键挑战	结合统计形状建模(SSM)、图卷积网络(GCNs)和渐进式GANs进行3D心脏重建，特别是利用渐进式GANs生成合成数据以增强罕见心脏病的建模	未明确提及具体局限性，但可能涉及数据集的多样性和模型泛化能力	开发一种自动化的高分辨率3D心脏重建方法，适用于临床和研究环境	心脏的3D重建，特别是先天性心脏病等复杂心脏状况	计算机视觉	心血管疾病	统计形状建模(SSM)、图卷积网络(GCNs)、渐进式GANs	GCNs, GANs	3D图像	包括UK Biobank、MICCAI MM-WHS挑战赛和先天性心脏病的临床数据集
2233	2025-05-29	Large blood vessel segmentation in quantitative DCE-MRI of brain tumors: A Swin UNETR approach 2025-May, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110342 PMID:39892479	研究论文	本研究提出了一种基于深度学习的自动大血管分割方法，用于定量DCE-MRI中的脑肿瘤分级	采用Swin UNETR架构进行大血管自动分割，并与U-Net和Attention U-Net架构进行比较，展示了优越性能	研究未提及模型在小样本或罕见肿瘤类型上的泛化能力	提高脑肿瘤自动分级的准确性及治疗计划的支持	脑肿瘤患者的大血管分割	数字病理学	脑肿瘤	定量动态对比增强磁共振成像（DCE-MRI）	Swin UNETR, U-Net, Attention U-Net	MRI图像	187名脑肿瘤患者的MRI数据，来自两个中心、两个厂商和两种场强的磁共振扫描仪
2234	2025-05-29	Deterministic Autoencoder using Wasserstein loss for tabular data generation 2025-May, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107208 PMID:39893805	研究论文	本文提出了一种基于Wasserstein损失函数的确定性自编码器（TWAE），用于表格数据生成，解决了变分自编码器在表格数据合成中的局限性	利用Wasserstein自编码器的确定性编码机制，实现了输入到潜在代码的确定性映射，增强了潜在空间的稳定性和表达能力，并实现了与浅层插值机制（如SMOTE）的无缝集成	NA	解决表格数据生成中的复杂性和局限性，提供一种更稳定和高效的合成方法	表格数据	机器学习	NA	Wasserstein自编码器，SMOTE	Autoencoder	表格数据	NA
2235	2025-05-29	Patient- and fraction-specific magnetic resonance volume reconstruction from orthogonal images with generative adversarial networks 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17668 PMID:39904621	研究论文	开发了一种基于条件生成对抗网络（GAN）的个性化微调工作流程，用于从正交2D MR图像重建合成3D MR体积，以实现在线剂量适应	采用患者和分次特定的微调方法，克服了深度学习模型在小数据集上的性能限制	研究样本量相对较小，仅包含43名患者的数据	提高从2D MR图像重建3D MR体积的准确性和效率，支持在线剂量适应	MR图像和3D MR体积	医学影像处理	前列腺癌	MR成像	条件GAN	图像	43名患者的2473个3D MR体积
2236	2025-05-29	A magnetic resonance image-based deep learning radiomics nomogram for hepatocyte cytokeratin 7 expression: application to predict cholestasis progression in children with pancreaticobiliary maljunction 2025-May, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06225-2 PMID:40186654	研究论文	利用磁共振图像构建深度学习放射组学列线图，预测胰腺胆管连接不良患儿肝细胞角蛋白7表达及胆汁淤积进展	首次开发基于MRI的非侵入性方法评估肝细胞CK7状态，结合放射组学和深度学习特征构建预测模型	样本量较小（180例），且为回顾性研究	开发术前识别肝细胞CK7状态并评估胆汁淤积进展的预测工具	胰腺胆管连接不良患儿	数字病理学	胰腺胆管连接不良	MRI、免疫组化分析	ResNet50	磁共振图像	180例胰腺胆管连接不良患者（训练集144例，验证集36例）
2237	2025-05-29	Using deep learning for estimation of time-since-injury in pediatric accidental fractures 2025-May, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06223-4 PMID:40258953	研究论文	使用深度学习模型评估儿童意外长骨骨折的受伤时间	首次应用深度学习模型对儿童长骨骨折的受伤时间进行准确估计，提高了骨折时间评估的精确度	研究数据仅来自一家儿童医院，可能缺乏地域多样性	提高儿童意外长骨骨折受伤时间的评估准确性	6岁以下儿童的长骨骨折影像	数字病理学	骨折	深度学习	深度学习模型	影像	来自399名患者的2,328张X光片
2238	2025-05-29	Evaluating and mitigating bias in AI-based medical text generation 2025-May, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00789-7 PMID:40269315	research paper	该研究评估并减轻了基于AI的医学文本生成中的偏见问题	提出了一个算法，针对服务不足的群体进行选择性优化以减少偏见	研究主要集中在医学文本生成领域，未涉及其他AI应用领域	评估和减轻AI在医学文本生成中的偏见	不同种族、性别和年龄组的医学文本生成	natural language processing	NA	deep learning	NA	text	多个数据集和模态
2239	2025-05-29	Optimizing Deep Learning Models for Luminal and Nonluminal Breast Cancer Classification Using Multidimensional ROI in DCE-MRI-A Multicenter Study 2025-May, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.70931 PMID:40347080	research paper	本研究通过多维ROI在DCE-MRI中的应用，优化深度学习模型以区分乳腺癌症的luminal和非luminal亚型	首次探索了ROI维度（2D/2.5D/3D）、瘤周扩展水平（0-8 mm）和分割场景（仅ROI vs. ROI原始）的协同效应	研究为回顾性设计，可能受到数据收集偏差的影响	优化深度学习模型以区分乳腺癌症的分子亚型	426名原发性浸润性乳腺癌患者	digital pathology	breast cancer	DCE-MRI	deep transfer learning models	image	426名患者（训练队列108名，验证队列1 165名，验证队列2 153名）
2240	2025-05-29	DNA data storage for biomedical images using HELIX 2025-May, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00793-x PMID:40360759	research paper	提出了一种名为HELIX的基于DNA的生物医学图像存储系统，该系统针对生物医学图像特性设计了图像压缩算法和纠错编码算法	HELIX系统针对生物医学图像特性定制了图像压缩算法，并引入了无需索引的纠错编码算法，提高了存储密度和解码速度	目前仅进行了体外实验，存储的生物医学图像类型和数量有限	开发适用于生物医学图像的DNA数据存储系统	生物医学图像	数字病理	NA	DNA数据存储	深度学习	图像	两张时空基因组学图像