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
221	2025-11-14	Automatic diagnosis of coronary artery stenosis by deep learning based on X-ray coronary angiography 2025-Nov-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-2415 PMID:41209223	研究论文	开发基于深度学习的X射线冠状动脉造影自动诊断冠状动脉狭窄方法	提出双输出深度卷积神经网络，实现血管分割和狭窄程度五级分类的自动诊断	样本量相对有限（168名患者的383张血管造影图像）	通过深度学习辅助冠状动脉疾病的诊断和治疗规划	冠状动脉狭窄病变	计算机视觉	心血管疾病	X射线冠状动脉造影	CNN	图像	168名患者的383张血管造影图像	NA	双输出深度卷积神经网络	IoU, Dice系数, 精确度, 敏感度	NA
222	2025-11-14	Deep learning-assisted aortic stenosis detection and grading based on multiview versus single-view echocardiography 2025-Nov-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-2025-415 PMID:41209232	研究论文	开发深度学习框架用于自动检测和分级主动脉瓣狭窄	首次探索全自动主动脉瓣狭窄分析流程，比较多视图与单视图超声心动图方法	研究样本主要来自三家医院，需要进一步外部验证	开发深度学习框架以简化临床主动脉瓣狭窄评估	主动脉瓣狭窄患者	医学影像分析	心血管疾病	超声心动图	深度学习	超声心动图像	499项AS研究（1,996个超声心动图视图），训练集302例，验证集76例，内部测试集121例，真实世界测试集3,278例	NA	NA	AUC, 相关系数, P值	NA
223	2025-11-14	Deep learning-based bone removal in head and neck computed tomography angiography: a comparative study with conventional algorithms 2025-Nov-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-2025-942 PMID:41209247	研究论文	比较深度学习与传统算法在头颈部CT血管造影中骨骼去除效果的随机对照研究	首次系统比较基于卷积神经网络的深度学习骨骼去除算法与传统阈值算法在头颈部CTA中的性能，并评估不同管电压设置下的辐射剂量优化效果	单中心研究，样本量相对有限（119例患者），仅评估两种管电压设置	评估深度学习骨骼去除算法在头颈部CTA中的图像质量和辐射剂量优化效果	119例疑似脑血管疾病患者的中位年龄57岁（IQR 50-65岁）	医学影像分析	脑血管疾病	计算机断层扫描血管造影（CTA）	CNN	医学影像	119例患者，1,014张标注CTA图像用于训练	NA	卷积神经网络	骨骼去除效果评分，血管分支完整性评分，整体血管完整性评分，CTDIvol，DLP，Cohen's d效应量	NA
224	2025-11-14	Automatic segmentation and reconstruction of lower-extremity arteries from computed tomography angiography images via a deep learning framework 2025-Nov-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-2025-1051 PMID:41209248	研究论文	开发基于3D卷积神经网络的深度学习框架，用于从CT血管造影图像自动分割和重建下肢动脉	提出首个专门用于下肢动脉三维重建的自动工具LEAS-Net，采用三阶段网络架构实现从粗定位到精细分割的血管重建	回顾性研究设计，仅针对口腔颌面部肿瘤患者群体	开发用于术前游离皮瓣移植规划的下肢动脉自动重建AI模型	口腔颌面部肿瘤患者的下肢CTA图像	计算机视觉	口腔颌面部肿瘤	计算机断层扫描血管造影(CTA)	CNN	医学图像	1,201名患者的下肢CTA图像数据	NA	三阶段网络架构(粗分辨率网络、细化网络、精细分辨率网络)	Dice相似系数,中心线Dice系数(clDice),图像质量评分,处理时间	NA
225	2025-11-14	Artificial intelligence aids doctors in diagnosing necrotizing enterocolitis and predicting surgery using abdominal radiographs: a multicenter study 2025-Nov-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-2024-2867 PMID:41209270	研究论文	开发基于卷积神经网络的人工智能模型，通过腹部X光片辅助医生诊断新生儿坏死性小肠结肠炎及预测手术需求	首次使用多中心数据开发CNN模型，能够同时识别NEC疾病状态和预测手术需求，并验证AI辅助对临床医生诊断准确率的提升效果	回顾性研究，样本量相对有限（738张X光片），外部验证集规模较小	开发AI模型辅助新生儿坏死性小肠结肠炎的诊断和手术预测	576名早产儿的738张腹部X光片	计算机视觉	新生儿坏死性小肠结肠炎	腹部X光摄影	CNN	医学图像	738张腹部X光片来自576名早产儿，来自三个医疗中心	NA	EfficientNet-b0, Inception_v3, VGG, ResNet, SqueezeNet, DenseNet	AUC	NA
226	2025-11-14	Simultaneous classification and delineation of seven types of histological growth patterns in lung adenocarcinomas using self-supervised learning and online hard patch mining 2025-Nov-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-2282 PMID:41209264	研究论文	开发基于自监督学习和在线困难样本挖掘的深度学习框架，用于同时分类和勾画肺腺癌的七种组织学生长模式	结合自监督学习与一致性正则化和伪标签技术，提出在线困难样本挖掘方法以改善组织学相似斑块的特征提取	NA	开发自动分类和勾画肺腺癌生长模式的深度学习框架，替代耗时且依赖经验的人工检查	肺腺癌组织切片中的七种生长模式和正常肺组织	数字病理	肺癌	苏木精-伊红染色	深度学习	全切片图像	288张全切片图像	NA	NA	精确率,召回率,交并比,Cohen's kappa	NA
227	2025-11-14	Fully automated deep learning model for the evaluation of cavum septum pellucidum development in normal fetuses using magnetic resonance imaging: a Chinese cohort study 2025-Nov-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-2025-458 PMID:41209231	研究论文	利用深度学习模型评估中国正常胎儿透明隔腔发育的磁共振成像研究	开发了首个用于评估胎儿透明隔腔发育的全自动深度学习模型，建立了中国人群胎儿透明隔腔发育的参考标准	研究为回顾性分析，样本仅来自中国人群，未包含中枢神经系统异常的胎儿	评估正常胎儿透明隔腔在不同孕周的发育规律，为MRI产前诊断提供参考	1047名正常妊娠参与者的胎儿磁共振影像	医学影像分析	胎儿发育	磁共振成像	深度学习模型	磁共振影像	1047名正常妊娠参与者（平均孕周31.21±3.81周）	NA	NA	线性回归、二阶多项式回归	NA
228	2025-11-14	AI-based prediction of drug-gene interactions modulating tight junction integrity: A deep learning framework highlighting multiple therapeutic targets 2025 Nov-Dec, Journal of oral biology and craniofacial research DOI:10.1016/j.jobcr.2025.10.014 PMID:41210522	研究论文	提出基于深度学习的神经网络框架，利用多组学数据预测药物对紧密连接完整性的调控作用	首次将深度学习应用于药物-基因相互作用对紧密连接完整性的预测，相比传统方法具有更优越的预测能力	NA	开发AI方法预测调控紧密连接完整性的药物-基因相互作用，为药物发现提供新策略	药物-基因相互作用及其对紧密连接完整性的调控效应	机器学习	炎症性肠病,哮喘,癌症	转录组学分析,多组学数据整合	前馈神经网络	转录组数据	NA	NA	前馈神经网络	AUC,准确率,F1分数,精确率,召回率,特异性	NA
229	2025-11-14	Interpretable convolutional neural network for autism diagnosis support in children using structural magnetic resonance imaging datasets 2025-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.6.064501 PMID:41210923	研究论文	本研究开发了一种可解释的卷积神经网络模型，利用儿童结构磁共振成像数据支持自闭症诊断	首次在儿童自闭症诊断中结合深度学习和可解释性方法，通过显著性图识别与自闭症相关的关键脑区生物标志物	研究样本仅限于9-11岁儿童，样本量相对有限，且仅使用单一数据库的数据	评估基于sMRI的可解释深度学习模型在儿童自闭症诊断中的可行性	452名9-11岁儿童的结构磁共振成像数据，包括自闭症患者和正常发育儿童	医学影像分析	自闭症	结构磁共振成像	CNN	医学影像	452例T1加权sMRI扫描	NA	卷积神经网络	AUC	NA
230	2025-11-14	Deep learning for digital pathology: A critical overview of methodological framework 2025-Nov, Journal of pathology informatics DOI:10.1016/j.jpi.2025.100514 PMID:41211482	综述	本文对数字病理学中的深度学习框架进行了批判性概述，重点介绍了计算方法的最新进展	对数字病理学深度学习框架的数学创新进行批判性审视，并提供多种模型的比较分析	NA	概述数字病理学中深度学习框架的方法论进展	数字病理学中的深度学习方法和模型	数字病理学	NA	NA	NA	全切片图像	NA	NA	NA	精度	NA
231	2025-11-14	Uncertainty-aware genomic classification of Alzheimer's disease: a transformer-based ensemble approach with Monte Carlo dropout 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf587 PMID:41212591	研究论文	开发了一种基于Transformer集成和蒙特卡洛Dropout的不确定性感知深度学习框架，用于阿尔茨海默病的基因组分类	使用蒙特卡洛Dropout进行预测置信度估计，使模型能够识别不确定的预测案例	样本量相对较小（1050个个体），模型整体准确率有待提升	开发并评估用于阿尔茨海默病预测的不确定性感知深度学习框架	阿尔茨海默病神经影像学倡议队列中的1050名个体（607名AD患者，443名对照）	机器学习	阿尔茨海默病	全基因组测序	Transformer, 随机森林	基因组数据	1050名个体（607名AD患者，443名对照），测试集525个样本	NA	Transformer	准确率, AUC, F1分数	NA
232	2025-11-14	A machine learning framework using urinary biomarkers for pancreatic ductal adenocarcinoma prediction with post hoc validation via single-cell transcriptomics 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf583 PMID:41212589	研究论文	开发基于尿液生物标志物和人口统计学数据的机器学习框架用于胰腺导管腺癌预测，并通过单细胞转录组学进行验证	首次将尿液生物标志物与人口统计学数据结合用于PDAC预测，并采用单细胞RNA测序验证生物标志物的基因表达	需要不同数据集验证框架，尚未整合其他组学数据，深度学习架构有待进一步探索	开发早期准确诊断胰腺导管腺癌的预测模型	胰腺导管腺癌患者尿液生物标志物和人口统计学数据	机器学习	胰腺癌	单细胞RNA测序(scRNA-seq)	机器学习,深度学习	生物标志物数据,人口统计学数据	NA	NA	NA	准确率	NA
233	2025-11-14	BBATProt: a framework predicting biological function with enhanced feature extraction via interpretable deep learning 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf593 PMID:41212592	研究论文	提出一种基于可解释深度学习的蛋白质功能预测框架BBATProt，通过增强特征提取提高预测性能	结合BERT预训练模型、双向LSTM、时序卷积网络和注意力机制，实现局部和全局特征提取，提供可解释性可视化	NA	从氨基酸序列准确预测蛋白质和肽的生物功能	蛋白质和肽的氨基酸序列	生物信息学	NA	深度学习	BERT, BiLSTM, TCN, Attention	蛋白质序列数据	NA	NA	BERT-BiLSTM-Attention-TCN	准确率, AUC	NA
234	2025-11-14	Unlocking the potential of radiomics in identifying fibrosing and inflammatory patterns in interstitial lung disease 2025-Nov, La Radiologia medica DOI:10.1007/s11547-025-02067-y PMID:40844571	研究论文	本研究利用高分辨率CT和放射组学AI流程区分间质性肺疾病的纤维化和炎症模式	首次将可解释AI（SHAP）与放射组学特征结合，量化分析不同间质性肺病模式的影像学差异	单中心研究，样本量有限（84例主要研究对象）	区分间质性肺疾病的纤维化和炎症模式	间质性肺疾病患者（特发性肺纤维化和细胞性非特异性间质性肺炎）及COVID-19肺炎患者	医学影像分析	间质性肺疾病	高分辨率CT，放射组学特征提取	XGBoost，深度学习模型	CT影像	84例主要研究对象（50例IPF，34例细胞性NSIP），50例COVID-19肺炎患者作为次要分析对象	XGBoost	深度学习分割模型（具体架构未明确说明）	准确率，AUROC	NA
235	2025-11-14	Illuminating radiogenomic signatures in pediatric-type diffuse gliomas: insights into molecular, clinical, and imaging correlations. Part I: high-grade group 2025-Nov, La Radiologia medica DOI:10.1007/s11547-025-02078-9 PMID:40853542	综述	本综述系统分析了儿童型高级别弥漫性胶质瘤的分子特征、临床表现和影像学关联	整合了2021年WHO中枢神经系统肿瘤分类的最新分子遗传学进展，并探讨了新兴的影像基因组学方法在识别影像生物标志物中的应用	当前方法学存在局限，需要在更大队列中进行前瞻性验证	探讨儿童型高级别胶质瘤的影像学与分子特征之间的关联，以促进精准诊断和治疗	四种儿童型高级别胶质瘤：弥漫性中线胶质瘤H3 K27改变型、弥漫性半球胶质瘤H3 G34突变型、弥漫性儿童型高级别胶质瘤H3野生型和IDH野生型、婴儿型半球胶质瘤	数字病理	胶质瘤	磁共振成像, 基因组学分析	深度学习	医学影像, 分子数据	NA	NA	NA	NA	NA
236	2025-11-14	RegGAN-based contrast-free CT enhances esophageal cancer assessment: multicenter validation of automated tumor segmentation and T-staging 2025-Nov, La Radiologia medica DOI:10.1007/s11547-025-02083-y PMID:40892332	研究论文	开发基于RegGAN的深度学习框架，从非对比CT合成对比增强CT，实现无碘食管癌自动肿瘤分割和T分期	首次将配准引导的生成对抗网络(RegGAN)用于解决NCCT-CECT不对齐问题，实现无对比剂的食管癌精准评估	回顾性研究，需要进一步前瞻性验证	开发无碘对比剂的食管癌自动诊断方法	食管癌患者	医学影像分析	食管癌	CT成像	GAN, CNN, Transformer	CT图像	1092名食管癌患者(2013-2024年)，分为训练集313例，内部测试117例，外部测试662例	PyTorch, TensorFlow	RegGAN, CSSNet, Vision Transformer	NMAE, PSNR, SSIM, Dice系数, AUC, HD	GPU(具体型号未提及)
237	2025-11-14	ImmFinder: A Multiomics-Based Neural Network Approach for Predicting the Immune Genes in Livestock 2025-Nov, Omics : a journal of integrative biology IF:2.2Q3 DOI:10.1177/15578100251389910 PMID:41115712	研究论文	提出一种基于多组学数据的全连接神经网络方法ImmFinder，用于预测牲畜免疫基因分类	首次将多模态深度学习应用于牲畜免疫基因分类，整合基因组学和转录组学数据	依赖现有牛基因组和转录组数据集训练，可能限制对其他品种或物种的泛化能力，需要额外实验验证	开发准确高效的免疫基因分类方法以理解免疫机制与疾病抗性关联	牛免疫基因与非免疫基因	生物信息学	NA	基因组学, 转录组学	FCNN	基因组数据, 转录组数据	NA	Python	全连接神经网络	准确率, F1分数, 精确率, 召回率, AUC-ROC	NA
238	2025-11-14	Deep learning-based fusion of nuclear segmentation features for microsatellite instability and tumor mutational burden prediction in digestive tract cancers: a multicenter validation study 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf580 PMID:41214872	研究论文	开发基于深度学习的融合核分割特征框架，直接从H&E染色全切片图像预测消化道癌症的MSI和TMB状态	首次将核分割特征与图像特征融合用于MSI/TMB预测，通过多模态紧凑双线性池化整合特征，显著提升预测性能	研究样本主要来自TCGA数据库，外部验证仅使用单一医院数据集，需要更多多中心验证	开发低成本、快速的MSI和TMB预测方法，替代传统昂贵的基因组测序检测	胃癌和结直肠癌患者的H&E染色全切片图像	数字病理学	消化道癌症	H&E染色全切片成像	深度学习	病理图像	TCGA数据集：350例胃癌和376例结直肠癌（MSI），400例胃癌和387例结直肠癌（TMB）；外部验证：中日友好医院结直肠癌数据集	CLAM, Hover-Net	多模态紧凑双线性池化，六种不同的深度学习模型	AUC, 召回率	NA
239	2025-11-14	Deep Learning-based Opportunistic CT Osteoporosis Screening and the Establishment of Normative Values 2025-Nov, Radiology IF:12.1Q1 DOI:10.1148/radiol.250917 PMID:41217284	研究论文	开发基于深度学习的自动化CT骨质疏松机会性筛查方法，建立不同CT协议和扫描仪模型的标准化校正方法	首次开发可重复的3D卷积神经网络自动识别骨小梁感兴趣区域，建立跨CT协议和扫描仪模型的标准化校正方法	回顾性研究设计，未包含所有CT扫描仪型号	开发自动化骨质疏松机会性筛查方法并建立诊断阈值	283,499名患者的538,946次CT检查	数字病理	骨质疏松	CT成像	CNN	3D医学图像	283,499名患者，538,946次CT检查，涵盖43种扫描仪型号和6种管电压	NA	3D卷积神经网络	医师手动验证一致性(>99%)	NA
240	2025-11-14	Artificial Intelligence-Enhanced Electrocardiography for Complete Heart Block Risk Stratification 2025-Nov-01, JAMA cardiology IF:14.8Q1 DOI:10.1001/jamacardio.2025.2522 PMID:40833775	研究论文	开发人工智能增强心电图模型用于预测完全性心脏传导阻滞风险	首次开发深度学习模型预测完全性心脏传导阻滞风险，使用残差卷积神经网络架构和离散时间生存损失函数	研究基于回顾性队列数据，需要前瞻性验证	开发AI-ECG风险估计器预测完全性心脏传导阻滞发生风险	心电图数据和患者队列	医疗人工智能	心血管疾病	心电图分析	CNN	心电图信号	Beth Israel Deaconess医学中心1,163,401份心电图来自189,539名患者；UK Biobank队列50,641份心电图来自189,539名患者	NA	残差卷积神经网络	C指数, AUROC, 调整后风险比	NA