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
3441	2025-10-06	2018 n2c2 shared task on adverse drug events and medication extraction in electronic health records 2020-01-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz166 PMID:31584655	研究论文	总结了2018年n2c2共享任务中关于从电子健康记录中提取药物不良事件和药物信息的竞赛组织与结果分析	首次系统评估了临床记录中药物不良事件提取的三种任务（概念提取、关系分类和端到端系统），并建立了性能基准	对于原因和药物不良事件的概念和关系识别性能较低，局部上下文不足以准确识别这些复杂概念	评估临床自然语言处理技术在药物不良事件提取任务上的最新进展	临床出院摘要的原始文本数据	自然语言处理	NA	电子健康记录文本分析	双向长短期记忆网络, 支持向量机	文本	28个团队参与任务1，21个团队参与任务2和3	NA	序列标注模型, 基于实例的分类器	F1分数	NA
3442	2025-10-06	Robust multi-coil MRI reconstruction via self-supervised denoising 2025-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30591 PMID:40457510	研究论文	本研究探讨了将自监督去噪作为预处理步骤对基于深度学习的多线圈MRI重建方法性能的影响	首次将广义Stein无偏风险估计(GSURE)自监督去噪技术应用于多线圈MRI重建的预处理阶段	研究仅针对高斯噪声污染的数据，且实验数据限于T2加权脑部和脂肪抑制质子密度膝部扫描	提高基于深度学习的加速多线圈磁共振成像重建质量	T2加权脑部扫描和脂肪抑制质子密度膝部扫描的MRI数据	医学影像处理	NA	磁共振成像(MRI)	扩散概率模型(DPMs), 基于模型的深度学习(MoDL)	多线圈k空间数据, MRI图像	NA	NA	NA	归一化均方根误差(NRMSE), 结构相似性指数(SSIM), 峰值信噪比(PSNR)	NA
3443	2025-10-06	SMART MRS: A Simulated MEGA-PRESS ARTifacts toolbox for GABA-edited MRS 2025-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30597 PMID:40485116	研究论文	开发了一个基于Python的工具箱，用于模拟GABA编辑MRS数据中常见的伪影	创建了首个专门用于模拟GABA编辑MRS伪影的Python工具箱，提供多种伪影模拟功能	工具箱主要基于模拟数据，在真实数据中的应用效果需要进一步验证	开发MRS伪影模拟工具以增强模拟编辑MRS数据的多样性和质量	伽马氨基丁酸编辑的磁共振波谱数据	医学影像分析	NA	磁共振波谱，GABA编辑MRS	深度学习模型	MRS数据，MATLAB FID-A.mat文件，NIfTI-MRS文件	NA	Python	NA	视觉评估	NA
3444	2025-10-06	MC-RED: A deep learning network for motion correction in 3D CEST imaging 2025-Nov, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30609 PMID:40495308	研究论文	开发了一种基于深度学习的运动校正方法MC-RED，用于提高3D CEST成像的图像质量	提出了一种结合频率特定信息和静态参考图像的残差编码-解码网络，用于生成无运动参考帧来校正CEST图像	NA	开发和验证用于3D CEST成像的深度学习运动校正方法	健康志愿者模拟数据和脑炎患者临床数据	医学影像分析	脑炎	化学交换饱和转移(CEST)成像	深度学习网络	3D医学影像	健康志愿者和脑炎患者数据	NA	残差编码-解码网络(Residual Encoding-Decoding Network)	峰值信噪比(PSNR), 结构相似性指数(SSIM), 均方误差(MSE), 洛伦兹差异(LD)分析	NA
3445	2025-10-06	Deep learning-based automatic dose optimization for brachytherapy 2025-Nov, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine IF:1.6Q3 DOI:10.1016/j.apradiso.2025.111988 PMID:40532513	研究论文	本研究探索了基于深度学习的近距离放射治疗剂量预测最佳方法，并验证了逆向剂量优化算法提升治疗计划质量的可行性	首次系统比较不同剂量归一化方法对3D U-Net剂量预测性能的影响，并创新性地将深度学习预测结果与梯度优化算法结合	研究仅针对宫颈癌患者数据，样本量有限（186例），且未在其他癌症类型中验证	优化近距离放射治疗的剂量预测和计划质量	186例宫颈癌患者的近距离放射治疗数据	医学影像分析	宫颈癌	近距离放射治疗	CNN	3D剂量分布数据	186例患者（训练集150例，验证集18例，测试集18例）	NA	3D U-Net	Dice相似系数, 适形指数, 均匀性指数, D1cc, D2cc	NA
3446	2025-10-06	Synergistic analysis based on chemometrics and deep learning: An innovative Kolmogorov-Arnold neural network (CKAN) model combined with ternary hybrid SERS substrate (Au@mSiO₂(YSN)-Fe₃O₄@MoS₂-rGO) for highly sensitive detection of trace quinolone antibiotics in milk 2025-Nov-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.145193 PMID:40544590	研究论文	提出一种基于三元复合SERS基底和化学计量学与深度学习相结合的方法，用于牛奶中痕量喹诺酮类抗生素的高灵敏度检测	创新性地结合三元杂化SERS基底(Au@mSiO₂(YSN)-Fe₃O₄@MoS₂-rGO)与Kolmogorov-Arnold神经网络(CKAN)模型，实现了对多种抗生素的高灵敏度检测	NA	开发高灵敏度的牛奶中痕量喹诺酮类抗生素检测方法	牛奶中的恩诺沙星(ENR)、依诺沙星(ENO)和诺氟沙星(NOR)三种喹诺酮类抗生素	分析化学	NA	表面增强拉曼光谱(SERS), 有限差分时域(FDTD)方法	Kolmogorov-Arnold神经网络(CKAN)	光谱数据	NA	NA	CKAN	准确率, 决定系数(R)	NA
3447	2025-10-06	Hyperspectral-driven PSO-SVM model and optimized CNN-LSTM-Attention fusion network for qualitative and quantitative non-destructive detection of adulteration in strong-aroma Baijiu 2025-Oct-30, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.145197 PMID:40541145	研究论文	结合高光谱成像与深度学习技术，开发了用于浓香型白酒掺假定性和定量检测的PSO-SVM模型和优化CNN-LSTM-Attention融合网络	提出了名为Ghost-LSTM-Scaled Dot-Product Attention (GLSNet)的新型融合网络，在定量预测中显著优于传统方法和其他深度学习模型，同时推理效率比PLSR提高3.55倍	NA	开发快速准确的白酒掺假检测方法，为质量控制和市场监管提供技术支持	浓香型白酒样品	计算机视觉	NA	高光谱成像	PSO-SVM, CNN, LSTM, Attention机制	高光谱图像	NA	NA	Ghost-LSTM-Scaled Dot-Product Attention (GLSNet), CNN-LSTM (CLNet)	准确率, 相关系数R	NA
3448	2025-10-06	High-Resolution Magnetic Resonance Imaging Radiomics for Identifying High-Risk Intracranial Plaques 2025-Oct, Translational stroke research IF:3.8Q2 DOI:10.1007/s12975-025-01345-1 PMID:40108073	研究论文	基于高分辨率磁共振成像影像组学构建高风险颅内斑块模型，用于区分症状性和无症状性斑块	结合影像组学特征与深度学习技术构建混合模型，相比传统模型显著提高了高风险颅内斑块的识别准确率	样本量相对有限（172名患者，188个斑块），需要更大规模研究验证	识别和预测易破裂的高风险颅内斑块，预防脑血管事件	颅内动脉粥样硬化斑块（100个症状性，88个无症状性）	医学影像分析	脑血管疾病	高分辨率磁共振成像（HRMRI）	随机森林，岭回归，LASSO，深度学习	医学影像（MRI）	172名患者，188个颅内斑块	NA	NA	AUC（曲线下面积）	NA
3449	2025-10-06	ElastoNet: Neural network-based multicomponent MR elastography wave inversion with uncertainty quantification 2025-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103642 PMID:40482562	研究论文	提出基于神经网络的多分量磁共振弹性成像波反演方法ElastoNet，具备不确定性量化能力	首次实现独立于分辨率和振动频率的多波分量分析，并提供不确定性量化图谱	仅使用5×5像素的合成波块进行训练，未在更大尺寸数据上验证	开发鲁棒的磁共振弹性成像波反演方法以量化软组织刚度	合成平面波、腹部MRE有限元模拟、体模MRE数据、14名健康志愿者的宽频多频腹部MRE研究	医学影像分析	NA	磁共振弹性成像	神经网络	波图像	14名健康志愿者，合成波块数据	证据深度学习	ElastoNet	均方根误差	NA
3450	2025-10-06	Automatic MRI segmentation of masticatory muscles using deep learning enables large-scale muscle parameter analysis 2025-Oct, International journal of oral and maxillofacial surgery IF:2.2Q2 DOI:10.1016/j.ijom.2025.05.008 PMID:40483235	研究论文	开发基于深度学习的自动MRI咀嚼肌分割方法，支持大规模肌肉参数分析	首次实现八块咀嚼肌的自动MRI分割，为个性化种植体设计提供肌肉参数分析	训练样本量有限（40个MRI扫描），需要更多数据验证泛化能力	通过自动分割咀嚼肌改善下颌骨重建手术的个性化种植体设计	咀嚼肌（八块肌肉）的MRI图像分割	医学图像分析	下颌骨疾病	MRI成像	深度学习	医学图像（MRI）	40个T1加权MRI扫描（训练集），10个手动分割扫描（测试集）	NA	NA	Dice相似系数, IoU, 精确率, 召回率	NA
3451	2025-10-06	A novel explainable AI framework for medical image classification integrating statistical, visual, and rule-based methods 2025-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103665 PMID:40505210	研究论文	提出一种集成统计、可视化和基于规则方法的新型可解释AI框架，用于医学图像分类	首次将统计特征、可视化解释和基于规则的说明集成到统一框架中，并提出新型统计特征图叠加可视化方法	方法仅在五种医学图像数据集上验证，需要更多领域验证	提高深度学习模型在医学图像分析中的透明度和可解释性	医学图像分类任务	计算机视觉	多种疾病（COVID-19、乳腺癌、脑肿瘤、肺癌、结肠癌、青光眼）	医学影像分析	CNN, 决策树, RuleFit	医学图像	五个医学影像数据集（COVID-19放射影像、超声乳腺癌、脑肿瘤MRI、肺癌和结肠癌病理、青光眼图像）	NA	Mobilenetv2	医学专家验证	NA
3452	2025-10-06	Deep learning detection of acute and sub-acute lesion activity from single-timepoint conventional brain MRI in multiple sclerosis 2025-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103619 PMID:40505211	研究论文	开发基于单时间点常规脑部MRI的深度学习模型，用于检测多发性硬化症中急性和亚急性病变活动	首次提出从单时间点常规脑部MRI量化过去24周内急性病变活动的临床相关任务	模型性能在独立验证队列中的AUC为80-84%，仍有提升空间	通过深度学习改进多发性硬化症急性病变活动的检测和预后预测	复发缓解型多发性硬化症患者	医学影像分析	多发性硬化症	常规脑部磁共振成像	深度学习	脑部MRI图像	多个独立复发缓解型多发性硬化症队列	NA	2D-UNet, Transformer	AUC, 精确度, 召回率	NA
3453	2025-10-06	TCFNet: Bidirectional face-bone transformation via a Transformer-based coarse-to-fine point movement network 2025-Oct, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103653 PMID:40527150	研究论文	提出基于Transformer的粗到细点移动网络TCFNet，用于正颌手术规划中的密集人脸-骨骼点云双向转换	首次将Transformer架构与局部信息聚合网络结合，通过两阶段粗到细策略学习面骨点云的复杂对应关系，并引入可选的辅助损失函数利用专家知识	未明确说明计算效率提升程度和模型在临床环境中的验证情况	开发高效准确的面骨形状转换方法以改进计算机辅助手术模拟	人脸和骨骼的三维点云数据	计算机视觉	正颌外科疾病	点云处理技术	Transformer, GRU	3D点云	NA	PyTorch	TCFNet, LIA-Net, Transformer-based网络	评估指标和可视化结果	NA
3454	2025-10-06	A Performance Benchmarking Review of Transformers for Speaker-Independent Speech Emotion Recognition 2025-Oct, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065725300013 PMID:40726155	综述	对用于说话人无关语音情感识别的Transformer架构进行全面性能评估	首次对Transformer在说话人无关语音情感识别任务中进行系统性性能基准测试	在跨数据集测试中大多数实验实例准确率低于40%	评估Transformer架构在说话人无关语音情感识别中的性能表现	语音情感识别系统	自然语言处理,信号处理	NA	语音信号处理	Transformer	音频信号	多个公开可用数据集	NA	Transformer	准确率	NA
3455	2025-09-03	Corrigendum to "Identification and validation of synergistic drug strategies targeting macrophage polarization in triple-negative breast cancer via single-cell transcriptomics and deep learning" [Translational Oncology 2025 Jun 26;59:102457] 2025-Oct, Translational oncology IF:4.5Q1 DOI:10.1016/j.tranon.2025.102474 PMID:40818872	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3456	2025-10-06	NeXtBrain: Combining local and global feature learning for brain tumor classification 2025-Sep-15, Brain research IF:2.7Q3 DOI:10.1016/j.brainres.2025.149762 PMID:40490088	研究论文	提出NeXtBrain混合架构，结合局部和全局特征学习实现脑肿瘤分类	提出NeXt卷积块和NeXt Transformer块，通过多头卷积注意力与SwiGLU MLP协同增强特征学习，同时捕捉局部肿瘤形态和全局上下文关系	仅在两个公开数据集上进行评估，未在更多临床场景验证	开发高效准确的脑肿瘤分类方法	脑肿瘤医学图像	计算机视觉	脑肿瘤	医学影像分析	CNN,Transformer,混合模型	医学图像	Figshare和Kaggle两个公开基准数据集	NA	NeXtBrain,NeXt Convolutional Block,NeXt Transformer Block	准确率,F1分数	2391万参数,10.32 GFLOPs,0.007 ms推理时间
3457	2025-10-06	Divergent radiative forcing of fine-mode aerosols across tree genera during wildfires in North America and Europe 2025-Sep-05, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.138881 PMID:40532375	研究论文	本研究通过深度学习模型分析北美和欧洲野火期间不同树种对细模态气溶胶辐射强迫的差异性贡献	首次开发深度学习模型精确反演卫星细模态气溶胶光学厚度数据，并揭示不同树种在野火期间对气溶胶辐射强迫的属特异性差异	研究仅聚焦北美和欧洲地区，未涵盖全球其他重要野火区域；数据时间范围限于2003-2023年	量化不同树种在野火期间对细模态气溶胶辐射强迫的贡献差异	北美和欧洲23个树属的139种树种	环境科学, 深度学习	NA	卫星遥感, 深度学习	深度学习模型	卫星遥感数据	2003-2023年北美和欧洲地区139个树种的卫星观测数据	NA	NA	NA	NA
3458	2025-10-06	Reducing Spectral Confusion in Microplastic Analysis: A U-Net Deep Learning Approach 2025-Sep-02, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c00584 PMID:40827556	研究论文	本研究采用U-Net深度学习模型对微塑料拉曼光谱进行分类，有效减少脂肪酸与聚乙烯之间的光谱混淆	首次将U-Net深度学习模型与材料化学中常用的二值化技术结合应用于微塑料拉曼光谱分析	未提及模型在其他类型微塑料或更复杂环境样本中的泛化能力	解决微塑料分析中脂肪酸与聚乙烯拉曼光谱结构相似导致的误分类问题	聚乙烯、硬脂酸、油酸、硬脂酸与油酸混合物、十二烷基硫酸钠、聚丙烯的拉曼光谱	机器学习	NA	拉曼光谱分析	U-Net	光谱数据	NA	NA	U-Net	准确率	NA
3459	2025-10-06	Automated detection of anterior crossbite on intraoral images and videos utilizing deep learning 2025-Sep-01, International journal of computerized dentistry IF:1.8Q2 DOI:10.3290/j.ijcd.b5290567 PMID:38700086	研究论文	本研究开发了一种基于卷积神经网络的深度学习模型，用于自动检测和分类口腔内图像和视频中的前牙反颌	首次将深度学习技术应用于口腔内图像和视频的前牙反颌自动检测，并在视频分类中实现了100%的准确率	CNN模型相对于正畸医生的敏感性较低(0.89 vs 0.96和0.92)，且样本量相对有限	开发自动检测前牙反颌的深度学习系统，以促进严重错颌畸形的及时诊断和治疗	口腔内图像和视频中的前牙反颌特征	计算机视觉	口腔错颌畸形	深度学习	CNN	图像, 视频	1865张口腔内图像和10段总时长124秒的视频	NA	卷积神经网络	准确率, 敏感性, 特异性, 精确率, F1分数, AUPR曲线, AUC	NA
3460	2025-10-06	User experience of and satisfaction with computer-aided design software when designing dental prostheses: a multicenter survey study 2025-Sep-01, International journal of computerized dentistry IF:1.8Q2 DOI:10.3290/j.ijcd.b5582929 PMID:39011633	研究论文	本研究通过多中心调查比较了不同经验水平用户对四种CAD软件设计牙冠的体验和满意度	首次系统比较不同经验水平用户对多种CAD软件在设计牙冠过程中的体验差异，并发现自动化设计功能对用户满意度的影响	样本量有限（仅100名参与者），仅针对牙冠设计而非其他牙科修复体，软件种类有限	评估和比较不同CAD软件在牙科修复体设计中的用户体验和满意度	50名牙科本科生（无经验组）和50名来自两家医院的牙医或牙科技师（有经验组）	数字病理	牙科疾病	问卷调查，三维扫描数据准备	NA	问卷调查数据，用户评分数据	100名参与者（50名本科生和50名专业人士）	NA	NA	用户评分，方差分析（ANOVA）	NA