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
3141	2025-04-02	Novel deep reinforcement learning based collision avoidance approach for path planning of robots in unknown environment 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312559 PMID:39821118	research paper	提出了一种基于深度强化学习的新型碰撞避免方法，用于机器人在未知环境中的路径规划	结合Q学习和深度学习的新型强化学习算法，提高了路径规划的收敛速度和环境响应能力	仅在狭窄和杂乱通道环境中进行了评估，未在其他复杂环境中验证	解决机器人在复杂环境中路径规划的自动化和实时响应问题	机器人路径规划系统	machine learning	NA	deep reinforcement learning, Q-learning	deep learning	NA	NA
3142	2025-04-02	Correction: Secure deep learning for distributed data against malicious central server 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0318164 PMID:39847555	correction	对先前发表的文章进行更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3143	2025-04-02	Pedestrian POSE estimation using multi-branched deep learning pose net 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312177 PMID:39854382	研究论文	本文提出了一种基于深度学习的多分支姿态网络（MBDLP-Net），用于行人全身姿态估计和分类	提出了一种新的多分支深度学习姿态网络（MBDLP-Net），并在多个数据集上验证了其高效性	未提及具体局限性	通过计算机视觉工具自动分析行人行为和意图	行人全身姿态和方向	计算机视觉	NA	深度学习	MBDLP-Net	图像	三个独立数据集（BDBO、PKU-Reid和TUD Multiview Pedestrians）以及CIFAR-100数据集
3144	2025-04-02	Clinical validation of an artificial intelligence algorithm for classifying tuberculosis and pulmonary findings in chest radiographs 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1512910 PMID:39991462	research paper	本研究评估了一种基于CNN的AI算法在解读胸部X光片（CXR）中的性能，并与包括胸科放射科医生在内的医师团队进行比较	使用真实世界数据验证AI算法在多样化医疗环境中的有效性，并比较AI与不同经验水平医师的表现	研究为回顾性设计，且医师报告算法在大多数情况下未影响其决策	评估AI算法在胸部X光片解读中的性能及其对非胸科放射专科医师的辅助作用	胸部X光片及参与解读的医师团队	digital pathology	tuberculosis	deep learning	CNN	image	NA
3145	2025-04-02	An Ensemble Deep Learning Algorithm for Structural Heart Disease Screening Using Electrocardiographic Images: PRESENT SHD 2024-Dec-27, medRxiv : the preprint server for health sciences DOI:10.1101/2024.10.06.24314939 PMID:39417095	研究论文	开发并验证了一种名为PRESENT-SHD的集成深度学习算法，用于通过心电图图像自动检测和预测结构性心脏病	首次利用12导联心电图图像开发集成深度学习模型PRESENT-SHD，实现多种结构性心脏病的自动化筛查和风险分层	研究主要基于医院数据，在普通人群中的验证样本量相对较小（ELSA-Brasil队列仅3014人）	开发可扩展的自动化工具用于结构性心脏病的早期筛查和风险预测	结构性心脏病患者（左室射血分数<40%、中重度左侧瓣膜疾病或严重左室肥厚）	数字病理学	心血管疾病	深度学习、XGBoost集成学习	CNN、XGBoost	图像（12导联心电图）	开发集：261,228份心电图（93,693名患者）；验证集：YNHH医院11,023人，外部医院44,591人，ELSA-Brasil队列3,014人
3146	2025-04-02	State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging 2024-12, Radiographics : a review publication of the Radiological Society of North America, Inc IF:5.2Q1 DOI:10.1148/rg.240095 PMID:39612283	review	本文综述了深度学习CT重建算法在腹部成像中的最新进展及其临床应用	深度学习重建（DLR）算法能够有效减少低辐射剂量协议下的图像噪声，并提高重建速度，解决了传统CT图像重建算法在低辐射剂量下无法保持图像纹理和诊断性能的问题	文章概述了DLR算法在CT中的当前局限性，并展望了未来的发展方向	探讨深度学习CT重建算法的技术细节及其在腹部成像中的临床应用	深度学习CT重建算法及其在腹部CT成像中的应用	digital pathology	NA	deep learning reconstruction (DLR)	deep neural networks	image	NA
3147	2025-04-02	Periapical lesion detection in periapical radiographs using the latest convolutional neural network ConvNeXt and its integrated models 2024-10-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-75748-9 PMID:39455655	研究论文	本研究提出了一种新型深度学习集成模型YoCNET，结合Yolov5的目标检测能力和ConvNeXt的图像分类能力，用于根尖周X光片中牙齿的自动分割和多颗牙齿根尖周病变的并发检测	提出YoCNET集成模型，首次将Yolov5的目标检测能力与ConvNeXt的图像分类能力相结合，实现牙齿自动分割和多颗牙齿根尖周病变的并发检测	乳牙被排除在数据集之外，可能影响模型在乳牙病变检测上的表现	开发一种能够同时识别根尖周X光片中多个病变目标的深度学习模型	根尖周X光片中的牙齿和根尖周病变	数字病理学	牙科疾病	深度学习	YoCNET (Yolov5 + ConvNeXt), YoRNET (Yolov5 + ResNet34)	X光图像	1305张根尖周X光片用于训练和验证，另外从200张X光片中提取717颗单独牙齿图像用于集成模型验证
3148	2024-09-25	Construction of Risk Prediction Model of Type 2 Diabetic Kidney Disease Based on Deep Learning (Diabetes Metab J 2024;48:771-9) 2024-09, Diabetes & metabolism journal IF:6.8Q1 DOI:10.4093/dmj.2024.0490 PMID:39313234	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3149	2025-04-02	AmyloidPETNet: Classification of Amyloid Positivity in Brain PET Imaging Using End-to-End Deep Learning 2024-06, Radiology IF:12.1Q1 DOI:10.1148/radiol.231442 PMID:38860897	research paper	开发了一种名为AmyloidPETNet的深度学习模型，用于对脑部PET扫描进行淀粉样蛋白阳性或阴性的自动分类	该模型能够在不依赖经验丰富的读者或结构MRI的情况下，自动准确地对脑部PET扫描进行分类	研究为回顾性研究，可能受到数据收集和处理方法的限制	开发并评估一种深度学习模型，用于分类脑部PET扫描中的淀粉样蛋白阳性或阴性	脑部PET扫描	digital pathology	Alzheimer's disease	PET imaging	deep learning	image	8476 PET scans (6722 patients)
3150	2025-04-02	Examining the Role of Passive Design Indicators in Energy Burden Reduction: Insights from a Machine Learning and Deep Learning Approach 2024-Feb-15, Building and environment IF:7.1Q1 DOI:10.1016/j.buildenv.2023.111126 PMID:39155966	研究论文	本研究结合深度学习和机器学习技术，探讨被动设计指标在降低住宅建筑能源负担中的作用	采用深度学习驱动的计算机视觉与机器学习相结合的方法，解决被动设计特征数据稀缺的问题	研究仅基于芝加哥大都市区的数据，可能无法推广到其他地区	评估被动设计特征对住宅能源负担的影响，为智能和可持续城市建设提供见解	芝加哥大都市区的住宅建筑	计算机视觉	NA	深度学习、机器学习	CNN、决策树回归、随机森林回归、支持向量回归	图像、人口统计数据	基于Google街景图像的芝加哥大都市区住宅建筑
3151	2025-04-02	Deep learning of sleep apnea-hypopnea events for accurate classification of obstructive sleep apnea and determination of clinical severity 2024-02, Sleep medicine IF:3.8Q1 DOI:10.1016/j.sleep.2024.01.015 PMID:38232604	研究论文	本研究评估了一种结合鼻呼吸流量、外周血氧饱和度和心电图信号的深度学习方法，用于改进睡眠呼吸暂停/低通气事件的检测和阻塞性睡眠呼吸暂停的严重程度筛查	提出了一种结合多种生理信号和人口统计数据的Xception网络，显著提高了睡眠呼吸暂停/低通气事件的检测准确率和阻塞性睡眠呼吸暂停的严重程度分类性能	在低通气事件为主的参与者中分类错误较多	开发一种自动检测睡眠呼吸暂停/低通气事件并确定阻塞性睡眠呼吸暂停临床严重程度的方法	睡眠呼吸暂停/低通气事件和阻塞性睡眠呼吸暂停患者	机器学习	阻塞性睡眠呼吸暂停	多导睡眠图(PSG)	Xception网络	生理信号(呼吸流量、血氧饱和度、心电图)和人口统计数据	NA
3152	2025-04-02	Sleep, physical activity and panic attacks: A two-year prospective cohort study using smartwatches, deep learning and an explainable artificial intelligence model 2024-02, Sleep medicine IF:3.8Q1 DOI:10.1016/j.sleep.2023.12.013 PMID:38154150	研究论文	一项为期两年的前瞻性队列研究，利用智能手表、深度学习和可解释的人工智能模型预测恐慌发作及焦虑状态	首次结合智能手表数据、深度学习和可解释AI方法预测恐慌发作及焦虑状态，并识别关键影响因素	样本量中等且依赖自评问卷	预测恐慌发作(PA)、状态焦虑(SA)、特质焦虑(TA)和恐慌障碍严重程度(PDS)	114名恐慌障碍(PD)患者	机器学习	恐慌障碍	RNN, LSTM, GRU深度学习模型及SHAP可解释方法	LSTM	可穿戴设备记录的睡眠、体力活动和心率数据，以及临床问卷数据	114名PD患者，数据收集时间为2020年6月16日至2022年6月10日
3153	2025-04-02	Machine learning applications for early detection of esophageal cancer: a systematic review 2023-07-17, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-023-02235-y PMID:37460991	系统综述	本文系统综述了机器学习在食管癌早期检测中的应用现状	总结了机器学习特别是卷积神经网络在食管癌早期检测中的高准确性和敏感性	现有文献有限，许多研究存在类别不平衡和偏差，需要跨机构纵向研究验证检测算法	探讨机器学习在食管癌早期检测中的应用及其潜力	食管癌的早期检测	计算机视觉	食管癌	机器学习（ML）、深度学习（DL）、神经网络（NN）	CNN	内窥镜图像和计算机断层扫描（CT）图像	31篇相关文章
3154	2025-04-02	Deep learning in digital pathology for personalized treatment plans of cancer patients 2023-Mar, Seminars in diagnostic pathology IF:2.9Q2 DOI:10.1053/j.semdp.2023.02.003 PMID:36890029	综述	本文综述了数字病理学中深度学习在癌症患者个性化治疗计划中的应用	利用AI自动量化生物标志物，提高治疗选择的效率和客观性	NA	改善癌症患者的个性化治疗选择	癌症患者	数字病理学	癌症	AI	深度学习	H&E染色病理图像	NA
3155	2025-04-02	Neurodegeneration: 2023 update 2023-Jan, Free neuropathology DOI:10.17879/freeneuropathology-2023-4899 PMID:37694160	综述	本文回顾了作者从前一年的神经退行性神经病理学文献中精选的十项具有高度影响力的研究	强调了人类组织基础的实验，涵盖了多种疾病类别、方法和方法论，展示了研究领域的广度	仅选择了十项研究，可能未能涵盖所有重要进展	突出与神经病理学家最相关的人类组织基础研究	神经退行性疾病相关的人类组织研究	神经病理学	阿尔茨海默病、进行性核上性麻痹、Gerstmann-Sträussler-Scheinker病、慢性创伤性脑病等	冷冻电子显微镜（cryo-EM）、功能基因组学、深度学习	弱监督多实例学习范式	蛋白质组学、转录组学、基因表达数据、图像数据	NA
3156	2025-04-01	Deep learning-driven prediction in healthcare systems: Applying advanced CNNs for enhanced breast cancer detection 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109858 PMID:40020549	研究论文	该研究利用卷积神经网络（CNNs）开发了一个强大的乳腺癌检测系统，旨在提高早期检测的准确性和可靠性	研究采用了多种CNN架构，并通过迁移学习对FT-ResNet50模型进行微调，达到了97.54%的准确率，优于现有最先进模型	研究仅使用了Mini-DDSM数据集，样本量为1952张扫描胶片乳腺X光片，可能无法涵盖所有乳腺癌类型和人群	通过深度学习技术提高乳腺癌的早期检测和治疗方法的准确性	乳腺癌的早期检测	数字病理学	乳腺癌	深度学习	CNN, FT-VGG19, FT-ResNet152, FT-ResNet50	图像	1952张扫描胶片乳腺X光片
3157	2025-04-01	Deep learning models for improving Parkinson's disease management regarding disease stage, motor disability and quality of life 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109961 PMID:40037167	研究论文	该研究利用LSTM深度学习模型，通过单一惯性传感器数据对帕金森病患者的疾病阶段、运动状况和生活质量进行分类	提出了一种基于LSTM架构的深度学习模型，能够从单一惯性传感器数据中实现对帕金森病疾病阶段、运动状况和生活质量的全面评估	研究样本量较小（40名患者），可能影响模型的泛化能力	改善帕金森病的诊断和管理，提供客观量化的评估方法	帕金森病患者	机器学习	帕金森病	惯性传感器	LSTM	传感器数据	40名帕金森病患者
3158	2025-04-01	Deep learning models for early and accurate diagnosis of ventilator-associated pneumonia in mechanically ventilated neonates 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109942 PMID:40037168	研究论文	本研究探讨了深度学习模型在新生儿重症监护室（NICU）中用于早期和准确诊断呼吸机相关性肺炎（VAP）的可行性	使用深度学习模型（特别是RegNetX80和ResNet50的组合模型）提高了VAP诊断的特异性和准确性，并通过可解释性AI（XAI）增强了医生对AI辅助诊断的信心	需要未来的前瞻性试验来验证其临床实用性和减少医疗资源的效果	优化新生儿VAP的诊断策略，减少不必要的抗生素使用	670名接受机械通气的新生儿，其中确诊VAP的399例	数字病理学	呼吸机相关性肺炎	深度学习	RegNetX80, ResNet50, VGG, DenseNet	胸部X光图像	670名新生儿（900张胸部X光图像）
3159	2025-04-01	Potential of AI and ML in oncology research including diagnosis, treatment and future directions: A comprehensive prospective 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109918 PMID:40037170	综述	本文综述了人工智能（AI）和机器学习（ML）在肿瘤学研究中的潜力，包括诊断、治疗及未来发展方向	强调了AI和ML在癌症预测、诊断和治疗中的最新应用，包括FDA批准的技术	探讨了AI在医疗保健中的挑战、限制、监管考虑和伦理问题	评估AI和ML在肿瘤学研究和治疗中的应用潜力	癌症研究、诊断和治疗	机器学习	肿瘤学	深度学习（DL）、机器学习（ML）	CNN、MLP	NA	NA
3160	2025-04-01	Predictive modeling and optimization in dermatology: Machine learning for skin disease classification 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109946 PMID:40037169	研究论文	本研究利用机器学习分类器提高皮肤疾病诊断准确性，基于活检样本的组织病理学特征预测皮肤疾病	采用多种机器学习分类器进行皮肤疾病分类，并通过特征选择技术识别影响预测的最相关属性	未来工作需优化特征选择方法、扩大数据集以提高泛化能力，并探索更先进的深度学习技术	提高皮肤疾病诊断的准确性和自动化水平	皮肤疾病	机器学习	皮肤疾病	机器学习分类器	Random Forest, Logistic Regression, SGD Classifier, SVM, AdaBoost, Naive Bayes	组织病理学特征	NA