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
21	2025-06-22	Advancing atomic electron tomography with neural networks 2025-Jun-19, Applied microscopy DOI:10.1186/s42649-025-00113-7 PMID:40533670	综述	本文综述了神经网络在原子电子断层扫描（AET）中的应用进展	将深度学习特别是卷积神经网络（CNN）整合到AET工作流程中，显著提高了重建保真度	重建伪影由几何限制和电子剂量约束引起，可能阻碍可靠的原子结构确定	提高三维原子成像的准确性，推动纳米科学前沿发展	纳米材料的三维原子结构	计算机视觉	NA	原子电子断层扫描（AET）	CNN	图像	NA
22	2025-06-22	A primer on variational inference for physics-informed deep generative modelling 2025-Jun-19, Philosophical transactions. Series A, Mathematical, physical, and engineering sciences DOI:10.1098/rsta.2024.0324 PMID:40534291	review	本文提供了关于变分推断（VI）在物理信息深度生成建模中的技术介绍，包括其在前向和逆问题中的应用	统一并回顾了近期关于VI灵活性的文献，特别强调了其在物理相关问题中的不确定性量化能力	NA	解决基于物理的问题，特别强调不确定性量化	变分推断（VI）在物理信息深度生成建模中的应用	machine learning	NA	变分推断（VI）	deep learning	NA	NA
23	2025-06-22	Optimized YOLOv8 for enhanced breast tumor segmentation in ultrasound imaging 2025-Jun-19, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-02889-2 PMID:40536560	研究论文	本研究探讨了机器学习技术在乳腺超声图像分割中的应用，比较了在良性和恶性肿瘤合并与分开训练下的模型性能	将YOLOv8目标检测算法应用于图像分割任务，并展示了分开训练策略在提升模型性能上的优势	研究仅使用了780张超声图像，样本量相对较小	提高乳腺超声图像分割的准确性以辅助乳腺癌诊断	乳腺超声图像中的良性和恶性肿瘤	数字病理学	乳腺癌	深度学习	YOLOv8, UNet, DenseNet-121, VGG16, VGG19	图像	780张超声图像（分为良性和恶性类别）
24	2025-06-22	Deep learning detects retropharyngeal edema on MRI in patients with acute neck infections 2025-Jun-19, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-025-00599-6 PMID:40536731	研究论文	本研究开发了一种基于深度学习的算法，用于自动检测急性颈部感染患者MRI中的咽后水肿	使用弱标注数据和计算上可管理的训练，开发了一个轻量级的卷积神经网络，能够高效准确地检测咽后水肿	研究仅基于479名患者的数据，可能需要更大样本量验证模型的泛化能力	开发自动检测急性颈部感染患者MRI中咽后水肿的深度学习算法	急性颈部感染患者	数字病理	急性颈部感染	MRI	CNN	图像	479名急性颈部感染患者
25	2025-06-22	Expert-level differentiation of incomplete Kawasaki disease and pneumonia from echocardiography via multiple large receptive attention mechanisms 2025-Jun-19, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110478 PMID:40541073	研究论文	开发了两种深度学习模型MRANet和MLRANet，用于从不完全川崎病和肺炎的超声心动图中区分冠状动脉异常	提出了MRANet和MLRANet两种新型深度学习模型，通过多感受野注意力机制提高诊断准确性，MLRANet在检测冠状动脉异常方面表现超过专家水平	研究样本量较小（203个超声心动图数据集），且未提及模型在其他疾病或更大数据集上的泛化能力	开发能够辅助诊断不完全川崎病的计算机辅助诊断工具	不完全川崎病和肺炎患者的超声心动图数据	数字病理	川崎病	深度学习	MRANet, MLRANet	超声心动图图像	203个超声心动图数据集
26	2025-06-22	Quantification of Breast Arterial Calcification in Mammograms Using a UNet-Based Deep Learning for Detecting Cardiovascular Disease 2025-Jun-19, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.05.036 PMID:40541546	研究论文	开发并验证了一种基于U-Net的深度学习模型，用于在乳腺X光片中检测、分割和量化乳腺动脉钙化（BAC），以提高心血管风险评估的筛查准确性	采用改进的U-Net架构，结合Hausdorff损失、Dice损失和二元交叉熵（BCE）损失进行分割和量化，显著提高了BAC的检测和量化准确性	研究为回顾性研究，样本量相对较小（369名患者），可能影响模型的泛化能力	提高乳腺X光片中BAC的检测和量化准确性，以改进心血管风险评估	乳腺X光片中的乳腺动脉钙化（BAC）	数字病理学	心血管疾病	深度学习	U-Net	图像	369名患者的乳腺X光片
27	2025-06-20	Author Correction: Focal liver lesion diagnosis with deep learning and multistage CT imaging 2025-Jun-18, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-61097-2 PMID:40533457	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
28	2025-06-22	Applying a multi-task and multi-instance framework to predict axillary lymph node metastases in breast cancer 2025-Jun-18, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-00971-0 PMID:40533499	research paper	该研究提出了一种结合多任务学习（MTL）和多实例学习（MIL）的深度学习框架，用于预测乳腺癌患者的腋窝淋巴结转移状态	首次将MTL和MIL框架应用于乳腺癌腋窝淋巴结转移预测，模拟真实临床诊断场景，并采用Transformer模型Segformer作为网络骨干	未明确说明样本选择的潜在偏差以及模型在其他癌症类型中的泛化能力	开发一个能够辅助临床医生评估乳腺癌患者腋窝淋巴结状态的深度学习模型	乳腺癌患者的超声图像（原发肿瘤和腋窝淋巴结区域）	digital pathology	breast cancer	deep learning	Segformer (Transformer-based)	ultrasound images	训练队列和内外测试队列（具体数量未说明）
29	2025-06-22	Quality appraisal of radiomics-based studies on chondrosarcoma using METhodological RadiomICs Score (METRICS) and Radiomics Quality Score (RQS) 2025-Jun-18, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02016-3 PMID:40533701	研究论文	评估基于放射组学的骨软骨肉瘤研究方法学质量，使用METRICS和RQS评分工具	首次使用METRICS和RQS评分工具系统评估骨软骨肉瘤放射组学研究的方法学质量	纳入研究均为回顾性设计，缺乏前瞻性研究和基于深度学习的分析	评估骨软骨肉瘤放射组学研究的质量并促进临床转化	骨软骨肉瘤的放射组学研究	数字病理	骨软骨肉瘤	放射组学分析	NA	医学影像（MRI、CT）	18篇研究论文
30	2025-06-22	Deep Learning-Enhanced Non-Invasive Detection of Pulmonary Hypertension and Subtypes via Chest Radiographs, Validated by Catheterization 2025-Jun-18, Chest IF:9.5Q1 DOI:10.1016/j.chest.2025.06.008 PMID:40541737	research paper	该研究开发了深度学习模型CXR-PH-Net和CXR-CHD-PAH-Net，用于通过胸部X光片非侵入性检测肺动脉高压及其亚型	利用深度学习技术从常规胸部X光片中检测肺动脉高压及其亚型，为资源有限地区提供了可及的诊断工具	需要在更多样化的人群中进行进一步验证以提高临床普适性	开发非侵入性、准确的肺动脉高压及其亚型诊断工具	肺动脉高压患者及其亚型先天性心脏病相关肺动脉高压患者	digital pathology	cardiovascular disease	deep learning	CNN	image	共4,576名患者（2,288例PH病例），包括内部测试集2,140名患者（1,070例PH病例）和外部验证集90名患者
31	2025-06-22	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-Jun-17, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.145197 PMID:40541145	研究论文	本研究结合高光谱成像和深度学习技术，用于检测白酒中的掺假行为	提出了一种名为Ghost-LSTM-Scaled Dot-Product Attention (GLSNet)的新型融合网络，用于定量预测，其预测性能显著优于传统方法和其他深度学习模型	NA	实现白酒掺假的快速准确检测，为质量控制和市场监管提供支持	白酒中的掺假样本	计算机视觉	NA	高光谱成像	PSO-SVM, CNN, LSTM, GLSNet	图像	NA
32	2025-06-22	A Meta-Analysis of the Diagnostic Test Accuracy of Artificial Intelligence for Predicting Emergency Department Revisits 2025-Jun-16, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-025-02210-2 PMID:40522351	meta-analysis	该研究通过荟萃分析评估人工智能在预测急诊科复诊中的诊断测试准确性	首次通过荟萃分析量化评估AI在急诊复诊预测中的表现，并识别导致研究间异质性的协变量	纳入研究数量有限（20篇），且存在显著的异质性	评估AI预测急诊科复诊的性能并分析研究间异质性来源	急诊科复诊患者	machine learning	NA	machine learning, deep learning, artificial intelligence	NA	临床数据	20篇研究（包含27个AI模型）
33	2025-06-22	VAE-GANMDA: A microbe-drug association prediction model integrating variational autoencoders and generative adversarial networks 2025-Jun-16, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103198 PMID:40540756	研究论文	提出了一种结合变分自编码器（VAE）和生成对抗网络（GAN）的模型VAE-GANMDA，用于预测微生物与药物之间的关联	通过融合VAE和GAN学习数据的非线性流形特征，并改进VAE生成模块，结合CBAM和高斯核函数增强特征提取能力，同时使用SVD技术提取线性特征，最终结合线性和非线性特征进行预测	未提及具体的数据集大小或实验环境的限制	预测微生物与药物之间的关联，以替代传统耗时且昂贵的生物实验方法	微生物与药物的关联数据	机器学习	NA	VAE, GAN, SVD, k-means++, MLP	VAE-GANMDA	关联数据	NA
34	2025-06-22	Low-field NMR-based deep learning for non-destructive quality assessment of frozen model foods 2025-Jun-16, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.145181 PMID:40540836	研究论文	本研究利用低场核磁共振和深度学习技术对冷冻模型食品进行非破坏性质量评估	结合低场核磁共振(LF-NMR)与反向传播人工神经网络(BP-ANN)构建新型质量评估模型	仅使用两种含水量的凝胶模型食品作为研究对象	开发冷冻食品的非破坏性质量评估方法	含水量90%和80%的凝胶模型食品	机器学习	NA	低场核磁共振(LF-NMR)	PLSR, BP-ANN	核磁共振数据	梯度温度条件下冷冻的凝胶模型食品样本
35	2025-06-22	SurgRIPE challenge: Benchmark of surgical robot instrument pose estimation 2025-Jun-14, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103674 PMID:40541088	研究论文	介绍SurgRIPE挑战赛，旨在为手术机器人器械姿态估计提供基准测试	提出了首个针对无标记手术器械姿态估计的公开挑战赛，并提供了真实手术视频数据与真实姿态标注	未提及具体的数据集规模限制或算法泛化能力的局限性	推动手术机器人器械姿态估计技术的发展，实现更精确和自主的手术程序	手术机器人器械的姿态估计	计算机视觉	NA	深度学习	NA	视频	NA
36	2025-06-22	Deep learning in poultry farming: comparative analysis of Yolov8, Yolov9, Yolov10, and Yolov11 for dead chickens detection 2025-Jun-13, Poultry science IF:3.8Q1 DOI:10.1016/j.psj.2025.105440 PMID:40541098	研究论文	本研究比较了YOLOv8、YOLOv9、YOLOv10和YOLOv11在无笼养鸡场中检测死鸡的性能	比较了最新YOLO系列模型在死鸡检测中的性能，并提供了基于农场特定操作约束的模型选择建议	研究使用了合成数据集，未在真实农场条件下进行验证	评估不同YOLO模型在死鸡检测中的性能，为家禽养殖场提供AI监控方案	无笼养鸡场中的死鸡	计算机视觉	NA	目标检测	YOLOv8n, YOLOv9c, YOLOv10n, YOLOv11n	图像	3413张合成图像
37	2025-06-22	Predicting and explaining high dead-on-arrival outcomes in meat-type ducks using deep learning: A path to improved welfare management 2025-Jun-13, Poultry science IF:3.8Q1 DOI:10.1016/j.psj.2025.105439 PMID:40541105	研究论文	本研究利用深度学习模型预测和解释肉鸭运输过程中的高到货死亡率，以提高福利管理	首次将可解释的深度学习模型应用于肉鸭到货死亡率预测，并结合SHAP分析提高模型透明度	研究仅基于2022-2023年的数据，可能无法涵盖所有季节变化因素	开发可解释的深度学习模型以预测肉鸭高到货死亡率，优化屠宰前管理	肉鸭运输过程中的到货死亡率	数字病理	NA	深度学习	深度学习模型	结构化数据	8220车次肉鸭运输记录
38	2025-06-22	Comparing point counts, passive acoustic monitoring, citizen science and machine learning for bird species monitoring in the Mount Kenya ecosystem 2025-Jun-12, Philosophical transactions of the Royal Society of London. Series B, Biological sciences DOI:10.1098/rstb.2024.0057 PMID:40501133	research paper	比较了点计数、被动声学监测、公民科学和机器学习在肯尼亚山生态系统中鸟类物种监测中的应用	提出了一个新的数据集，包含超过20小时的肯尼亚山生态系统录音，并由专家鸟类学家进行标注，同时研究了使用大型深度学习模型处理这些录音的方法	即使使用了多种方法，调查仍然遗漏了肯尼亚山生态系统中已知的稀有物种，表明多种方法的联合使用仍不够全面	比较不同鸟类监测方法的效果，为生态系统管理者提供可操作的见解，并有效利用保护资源	肯尼亚山生态系统中的鸟类物种	生态监测	NA	被动声学监测、深度学习	大型深度学习模型	音频	超过20小时的录音数据
39	2025-06-22	Advanced mastitis detection in Bos indicus cows: A deep learning approach integrated with infrared thermography 2025-Jun-12, Journal of thermal biology IF:2.9Q1 DOI:10.1016/j.jtherbio.2025.104173 PMID:40540820	研究论文	本研究提出了一种结合红外热成像技术和深度学习算法的方法，用于检测Tharparkar牛（Bos indicus）的乳腺炎	首次将红外热成像技术与深度学习算法结合，用于检测Tharparkar牛的乳腺炎，特别是在不同季节下的表现	研究仅针对Tharparkar牛，可能不适用于其他牛种	开发一种非侵入性、准确的乳腺炎检测方法，以提高奶牛的健康管理和生产效率	Tharparkar牛（Bos indicus）的乳腺炎检测	数字病理	乳腺炎	红外热成像技术（IRT）、加州乳腺炎测试（CMT）、体细胞计数（SCC）	CNN、ResNet-50、VGG16	图像	7223个乳腺热图，来自健康、亚临床乳腺炎（SCM）和临床乳腺炎（CM）的乳腺区域
40	2025-06-22	Hybrid adaptive attention deep supervision-guided U-Net for breast lesion segmentation in ultrasound computed tomography images 2025-Jun-09, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03377-z PMID:40488959	研究论文	提出了一种基于深度学习的混合自适应注意力深度监督引导U-Net网络（HAA-DSUNet），用于乳腺超声计算机断层扫描（BUCT）图像中的乳腺病变分割	用混合自适应注意力模块（HAAM）替代U-Net的传统采样卷积模块，以扩大感受野并探索丰富的全局特征，同时保留精细细节；应用对比损失作为深度监督以减少上采样过程中的信息损失	NA	开发自动化乳腺癌诊断系统，用于早期筛查乳腺病变以提高患者生存率	乳腺超声计算机断层扫描（BUCT）图像中的乳腺病变	数字病理	乳腺癌	深度学习	HAA-DSUNet（基于U-Net的改进模型）	图像	两个UCT图像数据集HCH和HCH-PHMC