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
3241	2025-04-01	Anomaly Detection in Retinal OCT Images With Deep Learning-Based Knowledge Distillation 2025-Mar-03, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.3.26 PMID:40146150	研究论文	开发了一种基于深度学习的无监督异常检测系统，用于识别视网膜OCT图像中的病理形态学表现	采用Teacher-Student知识蒸馏方法，仅使用正常病例进行训练，无需额外人工标注，实现了高效的异常检测和定位	在外部数据集上的B-scan检测AUC值在0.81-0.87之间，性能有待进一步提升	开发一个稳健且通用的AI系统，用于筛查视网膜OCT图像中的病理异常	视网膜OCT图像	计算机视觉	年龄相关性黄斑变性(AMD)和糖尿病性黄斑水肿(DME)	深度学习	Teacher-Student知识蒸馏模型	图像	3358名患者的OCT扫描数据
3242	2025-04-01	A Novel Tactile Learning Assistive Tool for the Visually and Hearing Impaired with 3D-CNN and Bidirectional LSTM Leveraging Morse Code Technology 2025-Mar-03, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030253 PMID:40150717	研究论文	开发一种结合3D-CNN和双向LSTM的新型触觉学习辅助工具，利用摩尔斯电码技术帮助视力和听力受损儿童	结合3D-CNN和双向LSTM深度学习技术，将说话者的唇部动作转换为摩尔斯电码，通过可穿戴设备传递给聋盲儿童	实验评估中单词错误率为2%，可能存在一定的识别误差	减少聋盲儿童与同伴沟通的困难，并帮助他们在课堂环境中独立学习	聋盲儿童	机器学习	NA	摩尔斯电码技术	3D-CNN和双向LSTM	唇部动作视频	NA
3243	2025-04-01	Multimodal Artificial Intelligence Models Predicting Glaucoma Progression Using Electronic Health Records and Retinal Nerve Fiber Layer Scans 2025-Mar-03, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.3.27 PMID:40152766	研究论文	本研究开发了结合电子健康记录（EHR）和视网膜神经纤维层（RNFL）OCT扫描的多模态人工智能模型，用于预测青光眼患者是否需要手术	首次结合EHR和RNFL OCT扫描数据，并比较了TabNet深度学习架构与XGBoost模型在预测青光眼手术中的性能	研究仅基于单一学术中心的数据，可能限制模型的泛化能力	开发预测青光眼患者是否需要手术的模型	青光眼患者	数字病理	青光眼	OCT扫描	TabNet, XGBoost	结构化数据（EHR）, 图像（RNFL OCT扫描）	1472名青光眼患者，其中367名（29.9%）进展至需要手术
3244	2025-04-01	Non-Contact Blood Pressure Monitoring Using Radar Signals: A Dual-Stage Deep Learning Network 2025-Mar-02, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030252 PMID:40150716	研究论文	提出了一种基于雷达信号的非接触式血压监测方法，采用双阶段深度学习网络	结合空间和时间特征学习的层次神经网络框架，利用雷达信号实现非接触式血压监测，并通过早期估计扩展特征集以提升预测能力	临床误差虽可接受，但仍存在改进空间（SBP: -1.09 ± 5.15 mmHg, DBP: -0.26 ± 4.35 mmHg）	开发一种非接触式血压监测技术，提升用户舒适度和隐私保护	通过雷达信号捕捉的胸壁微振动及其二阶导数	机器学习	心血管疾病	雷达传感技术	CNN和Transformer结合的层次神经网络	雷达信号	NA
3245	2025-04-01	NNFit: A Self-Supervised Deep Learning Method for Accelerated Quantification of High-Resolution Short-Echo-Time MR Spectroscopy Datasets 2025-Mar, Radiology. Artificial intelligence DOI:10.1148/ryai.230579 PMID:39812584	研究论文	开发并评估了一种名为NNFit的自监督深度学习方法，用于加速高分辨率短回波时间磁共振波谱数据集的量化	提出了一种自监督深度学习方法NNFit，解决了传统光谱量化方法在临床工作流程中的计算瓶颈问题	未明确提及	开发一种快速量化高分辨率短回波时间磁共振波谱数据的方法	胶质母细胞瘤和重度抑郁症患者的磁共振波谱数据	医学影像分析	胶质母细胞瘤, 重度抑郁症	短回波时间平面回波波谱成像(EPSI), 广义自动校准部分并行采集	自监督深度学习	磁共振波谱数据	89次扫描（来自胶质母细胞瘤和重度抑郁症临床试验），训练集包含685,000个光谱（20名参与者，60次扫描），测试集包含260,000个光谱（12名参与者，29次扫描）
3246	2025-04-01	Physics-Informed Autoencoder for Prostate Tissue Microstructure Profiling with Hybrid Multidimensional MRI 2025-Mar, Radiology. Artificial intelligence DOI:10.1148/ryai.240167 PMID:39907585	research paper	评估物理信息自编码器（PIA）在利用混合多维MRI测量前列腺癌组织生物标志物中的性能	提出了一种新兴的自监督深度学习模型PIA，将三室扩散弛豫模型与混合多维MRI结合，无需大量训练数据即可预测前列腺癌组织特异性生物标志物	研究为回顾性研究，样本量较小（21名患者）	开发一种准确、无创且可解释的人工智能方法用于前列腺癌检测	前列腺癌患者的组织生物标志物	digital pathology	prostate cancer	hybrid multidimensional MRI	Physics-Informed Autoencoder (PIA)	MRI图像	21名前列腺癌患者（71个感兴趣区域）
3247	2025-04-01	Deep Learning-based Brain Age Prediction Using MRI to Identify Fetuses with Cerebral Ventriculomegaly 2025-Mar, Radiology. Artificial intelligence DOI:10.1148/ryai.240115 PMID:39969279	研究论文	本研究探讨了基于深度学习的胎儿脑龄预测模型在识别脑室扩大胎儿及其严重程度和相关中枢神经系统异常方面的诊断性能	使用二维单通道卷积神经网络（CNN）结合多平面MRI切片进行胎儿脑龄预测，以识别脑室扩大及相关中枢神经系统异常	样本量相对有限（脑室扩大胎儿317例，正常发育胎儿183例），且仅基于MRI数据	评估深度学习模型在胎儿脑室扩大及相关中枢神经系统异常诊断中的临床应用价值	胎儿（包括脑室扩大胎儿和正常发育胎儿）	数字病理学	神经系统疾病	MRI	CNN	图像	500例胎儿（317例脑室扩大胎儿，183例正常发育胎儿）
3248	2025-03-05	Unveiling the Future: A Deep Learning Model for Accurate Detection of Adrenal Nodules 2025-Mar, Radiology IF:12.1Q1 DOI:10.1148/radiol.250387 PMID:40035670	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3249	2025-04-01	A Deep Learning Model for Three-Dimensional Determination of Whole Thoracic Vertebral Bone Mineral Density from Noncontrast Chest CT: The Multi-Ethnic Study of Atherosclerosis 2025-Mar, Radiology IF:12.1Q1 DOI:10.1148/radiol.242133 PMID:40067103	研究论文	本研究开发了一种基于深度学习的模型，用于从非对比胸部CT中三维测定全胸椎骨密度，并在预测椎体骨折方面展示了增量价值	首次使用TotalSegmentator（一种nnU-net算法）在常规非对比胸部CT中测量三维椎体骨密度，并验证其在预测椎体骨折中的增量价值	研究样本主要来自多民族动脉粥样硬化研究（MESA）的特定人群，可能限制结果的普遍性	验证深度学习算法在常规非对比胸部CT中三维测定全胸椎骨密度的可行性及其在预测椎体骨折中的价值	多民族动脉粥样硬化研究（MESA）的参与者，包括296名使用体模和2660名未使用体模的非对比胸部CT受试者	数字病理	骨质疏松症	深度学习（DL）、非对比胸部CT	nnU-net（TotalSegmentator）	CT图像	2956名参与者（1546名女性，平均年龄69±9岁），其中1304名有纵向随访数据
3250	2025-04-01	Qualitative and Quantitative Evaluation of a Deep Learning-Based Reconstruction for Accelerated Cardiac Cine Imaging 2025-Feb-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030231 PMID:40150695	research paper	本研究系统评估了一种基于深度学习的重建技术（Sonic DL Cine）在加速心脏电影成像中的应用效果	首次全面评估了Sonic DL Cine在高达12倍加速的心脏电影成像中的表现，并验证了其在保持图像质量和心脏功能测量准确性方面的能力	研究主要使用数字幻影和健康志愿者数据，未涉及心脏病患者群体	评估深度学习重建技术在加速心脏磁共振成像中的性能	心脏电影成像	digital pathology	cardiovascular disease	cardiac MR (CMR)	deep learning-based reconstruction	image	数字幻影和健康志愿者数据（具体数量未提及）
3251	2025-04-01	Multi-Model Segmentation Algorithm for Rotator Cuff Injury Based on MRI Images 2025-Feb-21, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030218 PMID:40150682	research paper	提出一种基于MRI图像的AI诊断方法，用于肩袖损伤的自动分割和撕裂严重程度评估	首个专门用于肩袖损伤诊断的AI算法，结合Unet + FPN架构的多模型深度学习网络	未提及与其他现有方法的对比或临床验证的广泛性	开发一种AI辅助诊断平台，提高肩袖损伤诊断的效率和准确性	肩袖损伤的MRI图像	digital pathology	rotator cuff injury	MRI	Unet + FPN	image	376名患者的5640张图像用于训练，94名患者的1410张图像用于测试
3252	2025-04-01	A Deep Convolution Method for Hypertension Detection from Ballistocardiogram Signals with Heat-Map-Guided Data Augmentation 2025-Feb-21, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030221 PMID:40150686	研究论文	提出一种基于深度卷积网络的模型BH-Net，利用心冲击图信号进行高血压检测，并通过热图引导的数据增强方案提升性能	首次提出端到端深度卷积模型BH-Net用于心冲击图信号的高血压检测，并创新性地采用J波邻域选择策略进行数据增强	研究仅基于公开数据集进行验证，未涉及实际临床环境测试	开发非接触式高血压检测方法	心冲击图(BCG)信号	机器学习	心血管疾病	深度学习	CNN	时序信号数据	公开数据集（具体数量未说明）
3253	2025-04-01	From Neural Networks to Emotional Networks: A Systematic Review of EEG-Based Emotion Recognition in Cognitive Neuroscience and Real-World Applications 2025-Feb-20, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci15030220 PMID:40149742	综述	本文系统回顾了基于EEG的情绪识别在认知神经科学和实际应用中的研究进展	整合了神经和情绪网络，探讨了多模态方法在提高分类准确性方面的潜力	实时EEG处理中的准确性与计算效率之间的权衡，以及情绪标签不一致、实验协议变化和非标准化数据集的问题	推动基于EEG的情绪识别技术向更稳健、可扩展和符合伦理的应用方向发展	EEG信号及其与生理信号的结合	认知神经科学	NA	EEG, 信号处理技术（如频谱特征、连接性分析、额叶不对称检测）	CNN, RNN	EEG信号, 生理信号	64项研究
3254	2025-04-01	Transformative Approaches in Breast Cancer Detection: Integrating Transformers into Computer-Aided Diagnosis for Histopathological Classification 2025-Feb-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030212 PMID:40150677	research paper	该研究提出了一种新颖的双流方法用于乳腺癌组织病理学图像分类，结合了组织病理学继承特征和基于视觉的特征以提高诊断精度	提出了一种结合Virchow2深度学习模型和Nomic基于视觉的transformer模型的双流方法，实现了全面的特征表示	未提及具体局限性	提高乳腺癌早期检测和治疗的诊断方法	乳腺癌组织病理学图像	digital pathology	breast cancer	deep learning, transformer model	Virchow2, Nomic	image	BACH数据集
3255	2025-04-01	Deep Learning and Radiomics for Gastric Cancer Lymph Node Metastasis: Automated Segmentation and Multi-Machine Learning Study from Two Centers 2025-Feb-13, Oncology IF:2.5Q3 DOI:10.1159/000544179 PMID:39947156	研究论文	本研究开发了一种基于深度学习的自动分割脾脏CT图像方法，并结合放射组学和深度学习特征构建了胃癌淋巴结转移预测模型	使用U-Mamba深度学习模型实现脾脏CT图像的全自动分割，结合放射组学和深度学习特征构建预测模型，并生成列线图以探索临床指导意义	研究仅纳入284名患者，样本量相对有限	开发胃癌淋巴结转移的预测方法	284名经病理确诊的胃癌患者	数字病理	胃癌	CT成像	U-Mamba, 机器学习方法	CT图像	284名胃癌患者
3256	2025-04-01	The Role of Artificial Intelligence in Health Care 2025-Jan-14, Nigerian journal of physiological sciences : official publication of the Physiological Society of Nigeria DOI:10.54548/njps.v39i1.1 PMID:40156806	review	本文综述了人工智能在医疗保健领域的广泛应用及其面临的挑战	全面概述了AI在医疗保健中的多种应用，包括疾病诊断、个性化治疗、医疗管理以及药物发现	AI在医疗保健中的应用面临资金、监管、数据隐私和伦理等多重挑战	探讨人工智能在医疗保健中的角色及其潜在影响	医疗保健系统及其相关技术	machine learning	NA	machine learning, deep learning, statistical analysis	NA	NA	NA
3257	2025-04-01	Deep learning based approaches for intelligent industrial machinery health management and fault diagnosis in resource-constrained environments 2025-01-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-79151-2 PMID:39774953	综述	本文综述了工业4.0背景下基于深度学习的工业机械健康管理与故障诊断方法，特别是在资源受限环境中的应用	全面调查了智能故障诊断（IFD）方法，并提出了从数据处理、模型构建到训练优化的三个不同视角分类	现有方法大多假设数据完整、平衡且充足，这与实际工程场景不符	探讨工业机械健康管理（IMHM）中的剩余使用寿命（RUL）预测、边缘计算架构和智能故障诊断（IFD）的研究进展	工业机械的健康管理与故障诊断	机器学习	NA	深度学习	NA	工业机械数据	NA
3258	2025-04-01	Evaluation of an acne lesion detection and severity grading model for Chinese population in online and offline healthcare scenarios 2025-01-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84670-z PMID:39774300	研究论文	开发并评估了一种基于深度学习的算法AcneDGNet，用于在不同医疗场景中准确完成痤疮病变检测和严重程度分级	设计了包含特征提取、病变检测和严重程度分级模块的AcneDGNet算法，并在在线和离线医疗场景中进行了系统评估	未提及算法的计算效率或在不同肤色人群中的泛化能力	开发一种能准确完成痤疮病变检测和严重程度分级的深度学习算法，并评估其在不同医疗场景中的性能	痤疮病变检测和严重程度分级	计算机视觉	痤疮	深度学习	AcneDGNet（包含特征提取、病变检测和严重程度分级模块）	图像	2,157张面部图像（来自两个公共数据集和三个自建数据集）
3259	2025-04-01	Enhancing repeatability of follicle counting with deep learning reconstruction high-resolution MRI in PCOS patients 2025-01-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84812-3 PMID:39775101	研究论文	本研究探讨了使用深度学习重建高分辨率MRI提高多囊卵巢综合征(PCOS)患者卵泡计数重复性的方法	采用深度学习重建SSFSE图像(SSFSE-DL)，在抑制运动伪影的同时补偿噪声，显著提高了卵泡检测的定性指标和FNPO评估的重复性	样本量较小(仅22名PCOS患者)，且仅由一名观察者评估主观噪声	提高PCOS诊断中卵泡计数的准确性和可重复性	多囊卵巢综合征(PCOS)患者的卵巢影像	数字病理学	多囊卵巢综合征	PROPELLER MRI、SSFSE T2加权序列、深度学习重建	深度学习(DL)	MRI图像	22名PCOS患者
3260	2025-04-01	Segmentation of the iliac crest from CT-data for virtual surgical planning of facial reconstruction surgery using deep learning 2025-01-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83031-0 PMID:39773990	研究论文	本研究开发了一种基于深度学习的自动化方法，用于从CT数据中分割髂嵴，以辅助面部重建手术的虚拟规划	首次采用3D U-Net架构的卷积神经网络实现髂嵴的自动化分割，并应用迁移学习优化模型训练	研究仅针对髂嵴分割，未涉及其他骨骼结构的自动化处理	开发自动化分割髂嵴的方法，以支持数字化手术规划流程	髂嵴的CT影像数据	数字病理	面部重建手术	CT成像	3D U-Net	CT影像	1,398个手动分割的数据集（其中400个用于训练和验证，177个用于测试）