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
3881	2025-03-20	Phase determination with and without deep learning 2025-Feb, Physical review. E DOI:10.1103/PhysRevE.111.024131 PMID:40103033	研究论文	本文研究了无监督学习在检测J_{1}-J_{2}伊辛模型相变中的表现，并提出了一种基于配置直接比较的简单方法	提出了一种基于配置直接比较的简单方法，用于检测相变，并与变分自编码器生成的结果进行对比，发现简单方法在某些系统中可以产生与复杂神经网络相当的结果	研究仅限于J_{1}-J_{2}伊辛模型，未涉及其他复杂系统	研究无监督学习在统计物理学中检测相变的应用	J_{1}-J_{2}伊辛模型	机器学习	NA	无监督学习，变分自编码器	变分自编码器	配置数据	NA
3882	2025-03-20	Time-inversion of spatiotemporal beam dynamics using uncertainty-aware latent evolution reversal 2025-Feb, Physical review. E DOI:10.1103/PhysRevE.111.025307 PMID:40103073	研究论文	本文提出了一种用于时空光束动力学时间反转的反向潜在演化模型，利用条件变分自编码器（CVAE）和长短期记忆（LSTM）网络进行自监督深度学习	提出了一个结合CVAE和LSTM的自监督深度学习框架，用于预测上游六维相空间投影，并捕捉输入数据的不确定性	计算复杂度较高，可能限制在线应用的实用性	解决带电粒子束动力学中的逆问题，估计上游六维相空间	带电粒子束的六维相空间投影	机器学习	NA	条件变分自编码器（CVAE），长短期记忆（LSTM）网络	CVAE, LSTM	六维相空间测量数据	NA
3883	2025-03-20	SpaGraphCCI: Spatial cell-cell communication inference through GAT-based co-convolutional feature integration 2025 Jan-Dec, IET systems biology IF:1.9Q3 DOI:10.1049/syb2.70000 PMID:39846423	研究论文	本文提出了一种名为SpaGraphCCI的深度学习方法，通过共卷积特征整合来有效整合空间多模态数据，以推断空间细胞间相互作用	SpaGraphCCI通过将基因表达和图像特征投影到低维空间，有效整合了不同模态的空间转录组数据，显著提升了空间细胞间相互作用的推断性能	NA	开发一种能够有效整合空间多模态数据以推断细胞间相互作用的深度学习方法	空间转录组数据	数字病理学	乳腺癌	空间转录组技术	GAT-based co-convolutional feature integration	基因表达数据、图像数据	多个平台的数据集，包括单细胞分辨率数据集和点分辨率数据集
3884	2025-03-20	A malware classification method based on directed API call relationships 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299706 PMID:40096061	研究论文	本文提出了一种基于有向API调用关系的恶意软件分类方法，通过将API序列建模为有向图，并结合图卷积网络和卷积神经网络进行分类	提出了一种新的恶意软件分类方法，利用API序列中的有向关系，并引入一阶和二阶图卷积网络（FSGCN）来近似有向图卷积网络（DGCN）的操作	虽然方法在实验中表现良好，但仍需进一步验证其在更大规模和多样化数据集上的泛化能力	开发一种更有效的恶意软件分类方法，以应对日益复杂的网络威胁	恶意软件样本	机器学习	NA	图卷积网络（GCN）、卷积神经网络（CNN）、合成少数类过采样技术（SMOTE）	FSGCN、CNN	API序列数据、图像数据	两个真实世界的恶意软件数据集
3885	2025-03-20	Deep learning imaging analysis to identify bacterial metabolic states associated with carcinogen production 2025, Discover imaging DOI:10.1007/s44352-025-00006-1 PMID:40098681	研究论文	本研究利用深度学习成像分析技术，识别与致癌物产生相关的细菌代谢状态	首次使用深度学习模型通过成像分析区分产生和不产生致癌物脱氧胆酸（DCA）的Clostridium scindens细胞	研究仅针对Clostridium scindens和两种Bacteroides物种，未涵盖其他可能影响CRC的细菌	探索成像方法是否能够区分产生和不产生DCA的C. scindens细胞	Clostridium scindens和两种Bacteroides物种	数字病理学	结直肠癌	光学显微镜成像	CNN, DenseNet, ResNet, nnU-Net	图像	四种培养条件下的Clostridium scindens图像
3886	2025-03-20	Predicting the risk of relapsed or refractory in patients with diffuse large B-cell lymphoma via deep learning 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1480645 PMID:40098696	研究论文	本研究通过深度学习预测弥漫性大B细胞淋巴瘤患者的复发或难治性风险	结合临床特征和组织病理学图像，利用随机森林算法和弱监督学习方法CLAM构建预测模型，并进一步融合图像特征和临床信息以提高预测性能	样本量相对较小，仅来自单一医疗机构，可能影响模型的泛化能力	早期预测弥漫性大B细胞淋巴瘤患者的复发或难治性风险，以调整治疗方案并改善患者预后	227名2015年至2018年在徐州医科大学附属医院确诊的弥漫性大B细胞淋巴瘤患者	数字病理学	弥漫性大B细胞淋巴瘤	深度学习，随机森林算法，弱监督学习	随机森林，CLAM	临床信息，H&E图像	227名患者
3887	2025-03-20	Identification of biomarkers and target drugs for melanoma: a topological and deep learning approach 2025, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2025.1471037 PMID:40098976	研究论文	本研究通过拓扑和深度学习方法，系统探索了黑色素瘤进展中的免疫基因调控动态，并预测了潜在的药物靶点	开发了双向、加权、有符号和有方向的拓扑免疫基因调控网络，结合深度学习模型预测药物-靶点相互作用，填补了当前单基因分析方法的不足	未来研究需要在临床前模型中验证这些靶点，并探索基于网络的早期检测生物标志物	系统探索黑色素瘤进展中的免疫基因调控动态，并预测潜在的药物靶点	良性黑色素细胞痣和皮肤黑色素瘤的转录组景观	机器学习	黑色素瘤	下一代测序（NGS）	深度学习模型	基因表达数据	NA
3888	2025-03-20	Multi-view united transformer block of graph attention network based autism spectrum disorder recognition 2025, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2025.1485286 PMID:40099145	研究论文	本文提出了一种名为多视图统一Transformer图注意力网络（MVUT_GAT）的新模型，用于通过分析神经影像数据来识别自闭症谱系障碍（ASD）	MVUT_GAT结合了多视图学习和注意力机制的优势，能够从物理和功能性MRI数据中提取精细特征，提高了ASD识别的准确性	NA	提高自闭症谱系障碍（ASD）的早期识别准确性	自闭症谱系障碍（ASD）患者	计算机视觉	自闭症谱系障碍	功能性MRI	Transformer, 图注意力网络（GAT）	神经影像数据	使用ABIDE数据集进行实验
3889	2025-03-20	Statistical Evaluation of Smartphone-Based Automated Grading System for Ocular Redness Associated with Dry Eye Disease and Implications for Clinical Trials 2025, Clinical ophthalmology (Auckland, N.Z.) DOI:10.2147/OPTH.S506519 PMID:40099234	研究论文	本研究介绍了一种基于深度学习的全自动方法，用于选择结膜作为大规模、多中心临床试验的兴趣区域（ROI），旨在通过精确、客观的评分系统减少评分者间和评分者内的变异性	引入了'水平性'参数到评分系统中，评估了该方法在提高评分精度、减少样本量和提高临床试验效率方面的潜力	NA	评估自动化评分系统在干眼病相关眼红症状中的应用及其对临床试验的影响	450名受试者的29,640张图像	计算机视觉	干眼病	深度学习	DeepLabV3	图像	450名受试者的29,640张图像
3890	2025-03-20	Machine learning-based risk predictive models for diabetic kidney disease in type 2 diabetes mellitus patients: a systematic review and meta-analysis 2025, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2025.1495306 PMID:40099258	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估了机器学习模型在预测2型糖尿病患者糖尿病肾病风险中的性能和临床适用性	首次对机器学习模型在预测2型糖尿病患者糖尿病肾病风险中的性能进行了系统综述和荟萃分析，并识别了关键研究空白	模型开发和验证过程中存在的数据偏差问题仍需解决，未来研究应增强数据透明度和标准化，并通过多中心研究验证模型的泛化能力	评估机器学习模型在预测2型糖尿病患者糖尿病肾病风险中的性能和临床适用性	2型糖尿病患者	机器学习	糖尿病肾病	机器学习算法	随机森林（RF）	临床数据	26项研究，共94个机器学习模型
3891	2025-03-20	Enhancing Amyloid PET Quantification: MRI-Guided Super-Resolution Using Latent Diffusion Models 2024-Dec-01, Life (Basel, Switzerland) DOI:10.3390/life14121580 PMID:39768288	研究论文	本文提出了一种基于潜在扩散模型（LDM-RR）的新方法，用于提高淀粉样蛋白PET成像的分辨率，以解决部分容积效应（PVE）问题	使用潜在扩散模型进行分辨率恢复，结合MRI引导的重建，显著提高了PET定量准确性，并减少了不同示踪剂之间的变异性	NA	提高淀粉样蛋白PET成像的定量准确性，以更好地检测和监测阿尔茨海默病的进展	淀粉样蛋白PET成像	数字病理学	阿尔茨海默病	潜在扩散模型（LDM-RR）	潜在扩散模型	PET成像数据	NA
3892	2025-03-20	Automated Patient Registration in Magnetic Resonance Imaging Using Deep Learning-Based Height and Weight Estimation with 3D Camera: A Feasibility Study 2024-07, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.01.029 PMID:38368163	研究论文	本研究探讨了使用基于深度学习的3D摄像头算法在磁共振成像（MRI）中自动估计患者身高和体重的可行性	首次将深度学习与3D摄像头技术结合，用于MRI患者注册中的身高和体重估计，提高了估计的准确性和效率	研究为回顾性研究，样本量相对较小（161名患者），且仅在低场强MRI扫描仪上验证	比较基于深度学习的3D摄像头算法与放射科技师（MTR）在估计患者身高和体重方面的准确性	161名成年患者	计算机视觉	NA	深度学习，3D摄像头	深度学习模型	深度图像	161名成年患者
3893	2025-03-20	Deep Learning Based on ResNet-18 for Classification of Prostate Imaging-Reporting and Data System Category 3 Lesions 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.12.042 PMID:38302387	研究论文	本研究探讨了基于ResNet-18的深度学习模型在前列腺影像报告和数据系统（PI-RADS）3类病变中对良性前列腺病变、非临床显著性前列腺癌（non-csPCa）和临床显著性前列腺癌（csPCa）的分类和预测效果	首次使用ResNet-18模型对PI-RADS 3类病变进行分类，并通过T-SNE和类激活映射进行特征可视化和模型关注区域的可视化	研究为回顾性研究，样本量相对较小，且仅使用了T2加权图像	探索深度学习模型在前列腺PI-RADS 3类病变中的分类和预测效果	PI-RADS 3类病变的T2加权图像	数字病理学	前列腺癌	多参数MRI或双参数MRI	ResNet-18	图像	428张良性前列腺病变图像、158张非临床显著性前列腺癌图像和273张临床显著性前列腺癌图像
3894	2025-03-20	Deep Learning Image Reconstruction for Transcatheter Aortic Valve Implantation Planning: Image Quality, Diagnostic Performance, Contrast volume and Radiation Dose Assessment 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.02.026 PMID:38472024	研究论文	本研究评估了在经导管主动脉瓣植入（TAVI）规划CT中使用高强度深度学习图像重建（DLIR-H）对图像质量、对比剂用量、辐射剂量及诊断性能的影响	首次在TAVI规划CT中应用DLIR-H技术，并系统评估其在降低辐射剂量、对比剂用量及提升图像质量方面的潜力	研究样本量相对较小（128例患者），且仅在一家医疗机构进行，可能影响结果的普遍性	评估DLIR-H在TAVI规划CT中的应用效果，包括图像质量、辐射剂量、对比剂用量及诊断性能	128例接受TAVI规划CT的患者	数字病理学	心血管疾病	深度学习图像重建（DLIR-H）	NA	CT图像	128例患者
3895	2025-03-20	CT-Based Super-Resolution Deep Learning Models with Attention Mechanisms for Predicting Spread Through Air Spaces of Solid or Part-Solid Lung Adenocarcinoma 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.12.034 PMID:38184418	研究论文	本研究开发了一种基于CT超分辨率和注意力机制的深度学习模型，用于预测实性或部分实性肺腺癌的空气传播扩散状态	使用SE-ResNet50模型结合CT超分辨率技术，显著提高了预测肺腺癌空气传播扩散状态的准确性	研究为回顾性研究，样本量相对有限，且仅来自两个医疗中心	预测肺腺癌的空气传播扩散状态，以帮助选择合适的手术方法	602名被诊断为肺腺癌的患者	计算机视觉	肺癌	CT超分辨率	SE-ResNet50, ResNet50	CT图像	602名患者（中心1：512名，中心2：90名）
3896	2025-03-20	Deep Learning-Based Detection and Classification of Bone Lesions on Staging Computed Tomography in Prostate Cancer: A Development Study 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.01.009 PMID:38262813	研究论文	本研究开发了一种基于深度学习的AI模型，用于在前列腺癌的分期CT上自动检测和分类骨病变，并与放射科医生的表现进行比较	开发了两个自动化的深度学习AI模型，分别用于骨病变的检测与分割以及良性与转移性病变的分类，并在分期CT上进行了性能评估	研究为回顾性研究，样本量相对较小，且仅针对前列腺癌患者	开发并评估用于前列腺癌分期CT上骨病变检测和分类的AI模型	前列腺癌患者的分期CT扫描图像	计算机视觉	前列腺癌	深度学习	3DAISeg（分割模型）和3DAIClass（分类模型）	CT图像	297例分期CT扫描（81例转移性病变），包含4601个良性病变和1911个转移性病变
3897	2025-03-20	CEMRI-Based Quantification of Intratumoral Heterogeneity for Predicting Aggressive Characteristics of Hepatocellular Carcinoma Using Habitat Analysis: Comparison and Combination of Deep Learning 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.11.024 PMID:38057182	研究论文	本研究探索了基于栖息地分析的肿瘤内异质性模型和基于对比增强磁共振成像的深度学习模型，并验证了其在预测肝细胞癌微血管侵犯和病理分化中的效率	结合了肿瘤内异质性模型和深度学习模型，设计了一个融合模型，用于预测肝细胞癌的微血管侵犯和低分化	研究为回顾性研究，样本量相对较小	预测肝细胞癌的微血管侵犯和病理分化	肝细胞癌患者	数字病理学	肝细胞癌	对比增强磁共振成像	深度学习模型	图像	265名患者的277个肝细胞癌样本
3898	2025-03-20	Deep Learning Radiomics Nomogram Based on Magnetic Resonance Imaging for Differentiating Type I/II Epithelial Ovarian Cancer 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.08.002 PMID:37643927	研究论文	本研究开发并验证了一种基于T2加权磁共振成像（MRI）的深度学习放射组学列线图（DLRN），用于区分I型和II型上皮性卵巢癌（EOC）	首次结合深度学习特征、放射组学特征和独立临床预测因子构建DLRN，用于区分I型和II型EOC	研究样本来自五个中心，可能存在数据异质性	开发并验证一种基于MRI的DLRN，用于区分I型和II型EOC	I型和II型上皮性卵巢癌（EOC）患者	数字病理学	卵巢癌	T2加权磁共振成像（MRI）	深度学习模型	图像	437名患者，分为训练集（271人）、内部验证集（68人）和外部验证集（98人）
3899	2025-03-20	Contrast-Enhanced CT-Based Deep Learning Radiomics Nomogram for the Survival Prediction in Gallbladder Cancer 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.11.027 PMID:38061942	研究论文	本研究提出了一种基于增强CT图像的深度学习放射组学列线图模型，用于预测胆囊癌患者手术切除后的生存率	结合临床特征、放射组学和深度学习技术，构建了一个多模态模型，用于胆囊癌患者的生存预测	研究样本量较小（167例），且为回顾性研究，可能存在选择偏差	开发一种准确的预后模型，以指导胆囊癌患者的治疗策略	胆囊癌患者	数字病理学	胆囊癌	增强CT成像	DenseNet121	图像	167例胆囊癌患者
3900	2025-03-20	Fusion Radiomics-Based Prediction of Response to Neoadjuvant Chemotherapy for Osteosarcoma 2024-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.12.015 PMID:38151381	研究论文	本研究旨在开发一种基于深度学习的放射组学模型，利用术前MR图像准确预测骨肉瘤患者对新辅助化疗的反应	结合深度学习与放射组学技术，开发了一种新的预测模型，能够高精度预测骨肉瘤患者对新辅助化疗的反应	样本量相对较小，仅106名患者，且仅使用了T2加权成像和对比增强T1加权成像两种MR图像	开发一种深度学习放射组学模型，用于预测骨肉瘤患者对新辅助化疗的反应	106名病理确诊为骨肉瘤的患者	数字病理	骨肉瘤	深度学习放射组学	深度学习模型	MR图像	106名骨肉瘤患者