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
2901	2025-06-14	Investigating the intrinsic top-down dynamics of deep generative models 2025-01-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-85055-y PMID:39843473	research paper	本研究探讨了深度生成模型（特别是迭代深度信念网络iDBN）的内在自上而下动态，及其在生成多样数据原型和持续学习中的应用	通过引入'嵌合体状态'初始化采样过程，增强了模型生成多样化数据原型的能力，并展示了iDBN相比浅层生成模型更丰富的自上而下动态	模型无法在单次生成轨迹中过渡到所有潜在目标状态	研究分层生成模型的自上而下动态特性及其与神经认知发展的关系	迭代深度信念网络（iDBN）的生成动态	machine learning	NA	无监督学习、Hebbian-like学习机制	Deep Belief Networks (DBNs), iterative DBN (iDBN), Restricted Boltzmann Machine	image	基于手写数字和人脸图片的知名数据集（具体数量未说明）
2902	2025-01-24	From pixels to patients: the evolution and future of deep learning in cancer diagnostics: (Trends in Molecular Medicine, published online December 11, 2024) 2025-Jan-21, Trends in molecular medicine IF:12.8Q1 DOI:10.1016/j.molmed.2024.12.012 PMID:39843287	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2903	2025-06-14	Combining Biology-based and MRI Data-driven Modeling to Predict Response to Neoadjuvant Chemotherapy in Patients with Triple-Negative Breast Cancer 2025-01, Radiology. Artificial intelligence DOI:10.1148/ryai.240124 PMID:39503605	research paper	结合基于生物学的模型和MRI数据驱动的深度学习来预测三阴性乳腺癌患者对新辅助化疗的反应	整合了基于生物学的数学模型和卷积神经网络（CNN）来预测肿瘤对新辅助化疗的时空演变	研究为回顾性研究，样本量相对较小（118名患者）	预测三阴性乳腺癌患者对新辅助化疗的反应	局部晚期三阴性乳腺癌患者	digital pathology	breast cancer	MRI, deep learning	CNN	image	118名女性患者（中位年龄51岁，范围29-78岁）
2904	2025-06-14	SCIseg: Automatic Segmentation of Intramedullary Lesions in Spinal Cord Injury on T2-weighted MRI Scans 2025-01, Radiology. Artificial intelligence DOI:10.1148/ryai.240005 PMID:39503603	研究论文	开发了一种名为SCIseg的深度学习工具，用于在T2加权MRI扫描上自动分割脊髓和脊髓损伤中的髓内病变	SCIseg是一个开源工具，通过主动学习的三阶段过程训练，能够自动分割髓内SCI病变和脊髓，并在多样化的数据集上表现出色	研究未提及模型在不同扫描参数或病变类型间的泛化能力	开发自动分割脊髓损伤中髓内病变的深度学习工具	脊髓损伤患者的T2加权MRI扫描	数字病理	脊髓损伤	T2加权MRI扫描	CNN	图像	191名脊髓损伤患者
2905	2025-06-14	Deep Learning Applied to Diffusion-weighted Imaging for Differentiating Malignant from Benign Breast Tumors without Lesion Segmentation 2025-01, Radiology. Artificial intelligence DOI:10.1148/ryai.240206 PMID:39565222	研究论文	评估和比较不同人工智能模型在扩散加权成像（DWI）中区分良性和恶性乳腺肿瘤的性能，并与放射科医生的评估进行比较	应用深度学习模型（特别是小型2D CNN）在无需病灶分割的情况下，利用DWI数据区分乳腺肿瘤的良恶性，且性能与放射科医生相当	研究为回顾性设计，样本量相对较小（334个乳腺病灶），且所有患者均为女性	评估AI模型在乳腺肿瘤良恶性鉴别中的性能	乳腺肿瘤患者	计算机视觉	乳腺癌	扩散加权成像（DWI）	2D CNN, ResNet-18, EfficientNet-B0, 3D CNN	医学影像	293名女性患者的334个乳腺病灶
2906	2024-12-12	Integrating Deep Learning with Biology: A New Frontier in Triple-Negative Breast Cancer Treatment Prediction? 2025-01, Radiology. Artificial intelligence DOI:10.1148/ryai.240740 PMID:39660996	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2907	2025-06-14	Innovative data techniques for centrifugal pump optimization with machine learning and AI model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0325952 PMID:40493691	research paper	本文探讨了利用机器学习和AI模型优化离心泵的数据技术	采用Dewesoft FFT DAQ系统和传感器融合技术提取高质量数据，结合EDA、数据可视化和特征工程提升数据可解释性，并通过假设测试验证数据完整性	未提及具体模型在极端条件下的表现或泛化能力	提高离心泵的运营效率并减少模型训练时间	离心泵机器(CPM)	machine learning	NA	Exploratory Data Analysis (EDA), Data Visualization, Feature Engineering (FE)	machine learning classifiers, deep learning algorithms	sensor data	NA
2908	2025-06-14	A plaque recognition algorithm for coronary OCT images by Dense Atrous Convolution and attention mechanism 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0325911 PMID:40493701	research paper	提出了一种结合Dense Atrous Convolution和注意力机制的深度学习算法，用于冠状动脉OCT图像中的斑块高精度分割和分类	首次将Dense Atrous Convolution与注意力机制结合用于冠状动脉斑块分割，在钙化、纤维和脂质斑块的dice系数上均优于现有五种医学图像分割网络	未提及算法在临床实际应用中的验证情况，也未说明计算复杂度等实际部署问题	提高冠状动脉OCT图像中斑块自动分割的准确率，为临床决策提供支持	冠状动脉OCT图像中的钙化、纤维和脂质斑块	digital pathology	cardiovascular disease	OCT成像	Dense Atrous Convolution + attention mechanism	医学图像	760张原始图像（通过数据增强扩展至8,000张）
2909	2025-06-14	A User-Friendly Machine Learning Pipeline for Automated Leaf Segmentation in Atriplex lentiformis 2025, Bioinformatics and biology insights IF:2.3Q3 DOI:10.1177/11779322251344033 PMID:40496491	研究论文	本文介绍了一种用于植物表型分析的端到端深度学习管道，专注于自动化叶片分割	结合了微调的Mask R-CNN模型与自然语言提示技术，并集成了QR码自动识别功能，开发了用户友好的Streamlit网络应用	训练数据集较小（仅176张植物图像）	开发一个准确、可扩展且用户友好的自动化叶片分割管道	Atriplex lentiformis植物的叶片	计算机视觉	NA	深度学习	Mask R-CNN, Segment Anything Model (SAM), Grounded SAM	图像	176张植物图像
2910	2025-06-14	An integrated approach for mental health assessment using emotion analysis and scales 2025 Jan-Dec, Healthcare technology letters IF:2.8Q3 DOI:10.1049/htl2.12040 PMID:40502325	research paper	该研究提出了一种结合情绪分析和量表的综合方法进行心理健康评估，特别是针对抑郁症的初步评估	整合了四种模块（面部情绪识别、量表问卷、语音情绪识别和医生聊天）进行抑郁症评估，提高了预测的准确性	情绪识别的准确性仍有提升空间，且用户可能需要与真实医生交流以消除疑虑	开发一种综合方法，通过情绪分析和量表评估抑郁症	抑郁症患者或潜在患者	machine learning	mental illness	Facial Emotion Recognition (FER), Speech Emotion Recognition (SER), 量表问卷	深度学习模型（未明确具体类型）	image, audio, text	使用了FER2013数据集以及RAVDESS、TESS、SAVEE和CREMA-D数据集
2911	2025-06-14	Integration of T cell repertoire, CyTOF, genotyping and symptomatology data reveals subphenotypic variability in COVID-19 patients 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.05.016 PMID:40502932	研究论文	该研究通过整合T细胞受体库、CyTOF、基因分型和症状学数据，揭示了COVID-19患者的亚表型变异性	使用LCM-BIC算法整合多种免疫表型和遗传数据，识别出三个新的患者聚类，并通过深度学习分析TCR氨基酸序列，发现与疾病严重程度相关的SARS-CoV-2特异性TCR序列	样本量较小（61名患者），且仅来自西班牙人群，可能限制结果的普适性	通过整合多种数据识别COVID-19患者的免疫和遗传特征，以帮助分层和管理患者	61名西班牙COVID-19患者（33名轻度，28名重度）	免疫学	COVID-19	CyTOF, TCRseq, SNP分析, 深度学习	LCM-BIC算法, 深度学习模型	免疫表型数据, 基因分型数据, 症状学数据	61名COVID-19患者（33名轻度，28名重度）
2912	2025-06-14	Prediction of CRISPR-Cas9 on-target activity based on a hybrid neural network 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.05.001 PMID:40502933	研究论文	提出了一种基于混合神经网络CRISPR_HNN的CRISPR-Cas9靶向活性预测方法	整合了MSC、MHSA和BiGRU模块，有效捕捉局部动态特征和全局长距离依赖关系，并采用One-hot Encoding和Label Encoding策略	未提及具体的数据集局限性或模型泛化能力测试	提高sgRNA活性的预测准确性，以增强CRISPR-Cas9基因编辑技术的安全性和有效性	CRISPR-Cas9系统中的sgRNA活性	机器学习	NA	CRISPR-Cas9基因编辑技术	混合深度神经网络（整合MSC、MHSA和BiGRU）	基因序列数据	未明确提及具体样本量，仅说明在公共数据集上测试
2913	2025-06-14	Deep Learning Prostate MRI Segmentation Accuracy and Robustness: A Systematic Review 2024-07, Radiology. Artificial intelligence DOI:10.1148/ryai.230138 PMID:38568094	系统性综述	本研究通过系统性综述探讨了深度学习在前列腺MRI分割中的准确性和鲁棒性，并与专业放射科医生进行了比较	首次系统性评估深度学习在前列腺MRI分割中的表现，并比较不同MRI厂商、前列腺区域和测试方法下的性能	仅纳入截至2022年7月31日前的英文文献，可能遗漏最新研究成果	评估深度学习在前列腺MRI分割中的准确性和鲁棒性	前列腺MRI图像	数字病理学	前列腺癌	MRI	深度学习算法	医学影像	48项研究（来自691篇初步筛选文献）
2914	2025-06-14	Validation of de novo designed water-soluble and transmembrane β-barrels by in silico folding and melting 2024-Jul, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.5033 PMID:38864690	研究论文	通过计算机模拟折叠和熔解验证了从头设计的水溶性和跨膜β桶蛋白	揭示了AlphaFold2和ESMFold在不同任务中的优势，并引入了一种基于预测增量扰动的'计算机模拟熔解'新方法	缺乏高质量预测模型与实验成功机会之间关系的正式证据	验证和比较深度学习结构预测算法在蛋白质设计中的应用	从头设计的水溶性和跨膜β桶蛋白	计算生物学	NA	深度学习结构预测算法(AlphaFold2, ESMFold)	AlphaFold2, ESMFold	蛋白质序列和结构数据	NA
2915	2025-06-14	A Semiautonomous Deep Learning System to Reduce False Positives in Screening Mammography 2024-05, Radiology. Artificial intelligence DOI:10.1148/ryai.230033 PMID:38597785	research paper	评估半自主人工智能模型在筛查乳腺X光片中识别非乳腺癌可疑病例并减少假阳性检查的能力	开发了一种半自主深度学习系统，显著减少乳腺癌筛查中的假阳性率和不必要的医疗程序	研究基于回顾性数据，需要在更多前瞻性研究中验证其效果	降低乳腺癌筛查中的假阳性率和相关医疗负担	乳腺X光筛查图像	digital pathology	breast cancer	deep learning	AI	image	123,248张训练用乳腺X光片（含6,161例癌症）和14,831例筛查检查（含1,026例癌症）的回顾性研究
2916	2025-06-14	SCIseg: Automatic Segmentation of T2-weighted Intramedullary Lesions in Spinal Cord Injury 2024-Apr-21, medRxiv : the preprint server for health sciences DOI:10.1101/2024.01.03.24300794 PMID:38699309	研究论文	开发了一种名为SCIseg的深度学习工具，用于自动分割脊髓损伤中的T2加权髓内病变	SCIseg模型通过三阶段训练过程，包括主动学习，能够自动分割脊髓和髓内病变，且在不同病因、扫描仪制造商和图像分辨率下表现良好	研究为回顾性研究，可能存在选择偏差	开发自动分割脊髓损伤中T2加权髓内病变的深度学习工具	脊髓损伤患者的T2加权MRI图像	数字病理学	脊髓损伤	深度学习	SCIseg（基于深度学习的模型）	MRI图像	191名脊髓损伤患者（平均年龄48.1岁±17.9，142名男性）
2917	2025-06-14	Multicenter Evaluation of a Weakly Supervised Deep Learning Model for Lymph Node Diagnosis in Rectal Cancer at MRI 2024-03, Radiology. Artificial intelligence DOI:10.1148/ryai.230152 PMID:38353633	research paper	开发了一个弱监督深度学习模型WISDOM，用于直肠癌患者术前MRI数据的淋巴结诊断	提出了一个弱监督模型开发框架WISDOM，结合术后病理信息进行淋巴结诊断，显著提升了放射科医生的诊断性能	研究为回顾性设计，可能存在选择偏差	开发并验证一个基于MRI的淋巴结诊断模型，辅助直肠癌患者的临床诊断	直肠癌患者的MRI数据和术后病理信息	digital pathology	rectal cancer	MRI (T2-weighted and diffusion-weighted imaging)	weakly supervised deep learning model	image	1014名患者（训练队列589人，内部测试队列146人，外部测试队列279人）
2918	2025-06-14	Prior Clinico-Radiological Features Informed Multi-Modal MR Images Convolution Neural Network: A novel deep learning framework for prediction of lymphovascular invasion in breast cancer 2024-02, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.6932 PMID:38230837	research paper	本研究开发了一种名为PCMM-Net的深度学习框架，用于提高乳腺癌淋巴血管侵犯（LVI）预测的准确性	PCMM-Net整合了多参数MRI和先前的临床知识，以提高LVI评估的精确度	当前基于术前MRI的放射组学方法在评估早期乳腺癌患者的LVI时缺乏精确性	开发一个深度学习框架以提高乳腺癌LVI预测的准确性	341名乳腺癌患者	digital pathology	breast cancer	MRI	CNN	image	341名患者
2919	2025-06-14	Deep learning-based virtual H& E staining from label-free autofluorescence lifetime images 2024, Npj imaging DOI:10.1038/s44303-024-00021-7 PMID:38948152	research paper	提出了一种基于深度学习的虚拟H&E染色方法，从无标记的自发荧光寿命图像中生成临床级虚拟H&E染色图像	结合先进的深度学习模型和当代图像质量度量，利用荧光寿命信息（而不仅仅是强度）实现更准确的虚拟染色重建	未提及具体样本量的限制或模型在更广泛组织类型上的泛化能力	解决FLIM图像快速精确解释的难题，实现无标记组织样本的即时准确细胞级分析	肿瘤微环境中常见的七种不同细胞类型	digital pathology	multiple cancer types	fluorescence lifetime imaging microscopy (FLIM)	DL (unspecified architecture)	autofluorescence lifetime images	NA (未明确提及具体样本数量)
2920	2025-06-14	Expert-centered Evaluation of Deep Learning Algorithms for Brain Tumor Segmentation 2024-01, Radiology. Artificial intelligence DOI:10.1148/ryai.220231 PMID:38197800	研究论文	本文通过文献调查和专家评估，探讨了深度学习算法在脑肿瘤分割中的评估实践及专家对分割质量的感知	揭示了专家对脑肿瘤分割质量感知的低一致性，并指出现有定量指标与临床感知之间的低相关性	专家评估样本量较小（60例），且专家间评分一致性较低（Krippendorff α=0.34）	评估深度学习算法在脑肿瘤分割中的性能及专家对分割质量的感知差异	脑肿瘤分割算法及医学专家对分割质量的评价	数字病理	脑肿瘤	深度学习算法	NA	医学影像	60例脑肿瘤分割案例（由医学专家评估），180篇文献调查