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
421	2025-05-16	GPT4LFS (generative pretrained transformer 4 omni for lumbar foramina stenosis): enhancing lumbar foraminal stenosis image classification through large multimodal models 2025-Mar-27, The spine journal : official journal of the North American Spine Society DOI:10.1016/j.spinee.2025.03.011 PMID:40157428	研究论文	本研究开发了一个名为GPT4LFS的多模态大语言模型，用于提高腰椎间孔狭窄（LFS）图像分类的准确性和效率	结合了多模态大语言模型和图像处理技术，通过融合成像数据和自然语言描述来全面捕捉复杂的LFS特征	研究依赖于回顾性数据，且样本来自有限的医疗中心和MRI设备，可能影响模型的泛化能力	提高腰椎间孔狭窄（LFS）图像分类的准确性和效率，实现快速精确的自动化诊断	腰椎间孔狭窄（LFS）患者的MRI图像	数字病理	腰椎间孔狭窄	MRI	GPT4LFS（基于ConvNeXt和RoBERTa的多模态融合框架）	图像和文本	1,200名患者的MRI数据，最终分析包括810例患者病例
422	2025-05-16	High precision banana variety identification using vision transformer based feature extraction and support vector machine 2025-Mar-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95466-0 PMID:40133576	研究论文	该研究提出了一种结合Vision Transformer（ViT）和支持向量机（SVM）的混合框架，用于高精度识别香蕉品种	结合ViT模型进行全局语义特征提取与SVM分类，显著提高了香蕉品种分类的准确率	研究未提及在实际农田环境中的适用性及计算资源需求	提高香蕉品种识别的准确性和自动化水平	香蕉品种	计算机视觉	NA	深度学习（DL）、图像处理	Vision Transformer（ViT）、支持向量机（SVM）	图像	两个数据集：BananaImageBD（四类）和BananaSet（六类）
423	2025-05-16	Deep neural networks excel in COVID-19 disease severity prediction-a meta-regression analysis 2025-Mar-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95282-6 PMID:40133706	meta-analysis	该研究通过meta回归分析评估了深度学习网络在COVID-19疾病严重程度预测中的卓越表现	使用MetaForest算法识别工具性能的相关混杂因素，并通过混合效应meta回归模型比较线性、机器学习和深度学习方法，发现神经网络工具在预测性能上明显优于其他方法	88%的研究存在高偏倚风险，主要原因是数据分析中的缺陷	指导临床医生选择最佳预测工具，评估其在资源管理中的作用，并从COVID-19情景中学习以开发类似医学应用中的预测模型	住院的COVID-19患者	machine learning	COVID-19	MetaForest算法, 混合效应meta回归模型	Neural Networks, 机器学习工具	临床、实验室和影像数据	约280万患者，涉及27,312项研究中的430项独立评估
424	2025-05-16	Enhancing registration accuracy and eminence of multispectral transmission breast images by fusing multi-wavelength gen using vision transformer and LSTM 2025-Mar-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82965-9 PMID:40140442	研究论文	提出了一种结合Vision Transformer和LSTM网络的新方法，用于提高多光谱透射乳腺图像的配准精度和降噪效果	首次将Vision Transformer与LSTM网络结合用于多光谱透射乳腺图像处理，显著提高了配准精度和图像质量	未提及具体样本量，且可能受限于人体呼吸和相机不稳定引起的运动伪影	提高早期乳腺癌筛查中多光谱透射图像的配准精度和图像质量	多光谱透射乳腺图像	计算机视觉	乳腺癌	多光谱透射成像	Vision Transformer (ViT) 和 LSTM	图像	NA
425	2025-05-16	Exploring the categories of students' interest and their relationships with deep learning in technology supported environments 2025-Mar-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95294-2 PMID:40140502	研究论文	本研究通过潜在剖面分析、多元逻辑回归分析和多元方差分析，探索了技术支持学习环境中情境兴趣与个体兴趣的共存类别及其对深度学习的影响	揭示了技术支持学习环境中情境兴趣与个体兴趣的共存类别及其对深度学习四要素的异质性影响，发现“高情境兴趣-高个体兴趣”是深度学习发生的重要因素	样本仅来自中国初中生，可能限制结果的普适性	探索技术支持学习环境中学生兴趣类别及其与深度学习的关系	634名中国初中生	教育技术	NA	潜在剖面分析(LPA)、多元逻辑回归分析、多元方差分析(MANOVA)	NA	问卷调查数据	634名初中生
426	2025-05-16	Automated segmentation of brain metastases in T1-weighted contrast-enhanced MR images pre and post stereotactic radiosurgery 2025-Mar-26, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01643-y PMID:40140740	research paper	该研究评估了nnU-Net和MedNeXt两种深度学习模型在脑转移瘤的MRI图像分割中的性能，特别是在治疗计划和随访MRI中的应用	首次在治疗计划和随访MRI上评估了深度学习模型的性能，并探讨了公开数据对模型性能的影响	模型在随访MRI上的性能相对较低	评估深度学习模型在脑转移瘤MRI图像分割中的性能	脑转移瘤的MRI图像	digital pathology	brain metastases	deep learning	nnU-Net, MedNeXt	MRI images	255名患者的MRI数据（201训练，54测试）加上公开的75名患者数据
427	2025-05-16	Predicting rheumatoid arthritis progression from seronegative undifferentiated arthritis using machine learning: a deep learning model trained on the KURAMA cohort and externally validated with the ANSWER cohort 2025-Mar-26, Arthritis research & therapy IF:4.4Q1 DOI:10.1186/s13075-025-03541-8 PMID:40140918	研究论文	使用机器学习模型预测血清阴性未分化关节炎进展为类风湿性关节炎的风险	开发了一个前馈神经网络（FNN）模型，仅使用临床和实验室参数预测血清阴性未分化关节炎进展为类风湿性关节炎，并在独立验证队列中保持了较高的敏感性	模型在独立验证队列中的AUC（0.777）低于训练数据集（0.924），可能存在泛化能力不足的问题	预测血清阴性未分化关节炎进展为类风湿性关节炎的风险	血清阴性未分化关节炎患者	机器学习	类风湿性关节炎	机器学习	FNN	临床和实验室参数	训练数据集（KURAMA队列）包括210名患者，验证数据集（ANSWER队列）包括140名患者
428	2025-05-16	Deep learning based quantitative cervical vertebral maturation analysis 2025-Mar-26, Head & face medicine IF:2.4Q2 DOI:10.1186/s13005-025-00498-6 PMID:40140932	研究论文	本研究旨在通过精确的标记定位，提升定量颈椎成熟度（QCVM）分期的临床诊断准确性	设计了一个先进的两阶段卷积神经网络（CNN），专门用于提高颈椎分析的准确性，特别是在处理复杂解剖变异方面	QCVM分期的识别准确率为69.52%，仍有提升空间	提升定量颈椎成熟度（QCVM）分期的临床诊断准确性	2100张头影测量图像	计算机视觉	NA	深度学习	CNN	图像	2100张头影测量图像，按8:1:1的比例分为训练集、验证集和测试集
429	2025-05-16	Integrating Deep Learning Models with Genome-Wide Association Study-Based Identification Enhanced Phenotype Predictions in Group A Streptococcus 2025-Mar-26, Journal of microbiology and biotechnology IF:2.5Q3 DOI:10.4014/jmb.2411.11010 PMID:40147921	研究论文	本研究旨在整合深度学习模型与全基因组关联研究（GWAS）衍生的遗传变异，以预测A组链球菌（GAS）的致病表型	通过集成多种深度学习模型（CNN、ResNet18、LSTM）并评估其在GAS表型预测中的表现，发现集成模型在预测准确性上表现最佳，强调了数据-模型兼容性的重要性	研究仅针对GAS的特定表型进行预测，未涉及其他病原体或更广泛的表型范围	提高A组链球菌致病表型的预测准确性	A组链球菌（GAS）及其遗传变异	机器学习	细菌感染	全基因组关联研究（GWAS）	CNN、ResNet18、LSTM及集成模型	基因型数据	4722个基因型数据集和175个基因型子集
430	2025-05-16	Automatic mandibular third molar and mandibular canal relationship determination based on deep learning models for preoperative risk reduction 2025-Mar-25, Clinical oral investigations IF:3.1Q1 DOI:10.1007/s00784-025-06285-6 PMID:40128451	研究论文	本研究探讨了深度学习模型在利用锥形束计算机断层扫描图像分类下颌第三磨牙与下颌管空间关系中的应用	首次将深度学习模型应用于下颌第三磨牙与下颌管关系的自动分类，提高了术前规划的准确性和一致性	研究仅基于305例锥形束计算机断层扫描图像，样本量相对有限	通过深度学习模型提高下颌第三磨牙与下颌管关系分类的准确性，减少手术风险	下颌第三磨牙与下颌管的空间关系	计算机视觉	牙科疾病	锥形束计算机断层扫描	CNN (包括MobileNet, Xception, DenseNet201)	图像	305例锥形束计算机断层扫描图像
431	2025-05-16	Multiscale analysis of heart sound signals in the wavelet domain for heart murmur detection 2025-Mar-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-93989-0 PMID:40133506	研究论文	本文提出了一种基于小波域多尺度特征的新方法，用于检测心脏杂音	利用小波域中的尺度和复杂性特性，提出了一组新的多尺度特征，用于心脏杂音检测	方法在公开数据集上的准确率为76.61%，仍有提升空间	提高心脏杂音检测的准确性，以更好地识别和管理心血管疾病	心脏声音信号	数字病理学	心血管疾病	小波分析	SVM	声音信号	公开可用的心脏声音数据集
432	2025-05-16	Multi-center study: ultrasound-based deep learning features for predicting Ki-67 expression in breast cancer 2025-Mar-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-94741-4 PMID:40133523	研究论文	利用深度学习算法挖掘乳腺癌超声特征，构建预测Ki-67表达水平的机器学习模型	整合肿瘤及瘤周区域的深度特征构建融合模型，并在多中心回顾性研究中验证其性能	模型在特异性方面表现一般，瘤周区域模型的ROAUC相对较低	开发高准确度的Ki-67表达水平预测模型	929名乳腺癌患者的临床和超声数据	数字病理	乳腺癌	深度学习	SVM, LightGBM	超声图像	929名乳腺癌患者
433	2025-05-16	Deep learning image analysis for continuous single-cell imaging of dynamic processes in Plasmodium falciparum-infected erythrocytes 2025-Mar-25, Communications biology IF:5.2Q1 DOI:10.1038/s42003-025-07894-3 PMID:40133663	research paper	本文提出了一种结合深度学习图像分析的连续单细胞成像工作流程，用于研究疟原虫感染红细胞的动态过程	开发了一种能够实现连续、单细胞监测的高分辨率成像工作流程，克服了疟原虫光敏感性和宿主红细胞各向异性等挑战	仅作为概念验证应用于KAHRP蛋白输出的研究，需要进一步验证其普适性	研究疟原虫感染红细胞的动态细胞过程	恶性疟原虫感染的红细胞	digital pathology	malaria	Airyscan显微镜三维差分干涉对比成像、荧光成像	pre-trained deep-learning algorithms	3D图像数据	NA
434	2025-05-16	Mpox-XDE: an ensemble model utilizing deep CNN and explainable AI for monkeypox detection and classification 2025-Mar-25, BMC infectious diseases IF:3.4Q2 DOI:10.1186/s12879-025-10811-y PMID:40133816	research paper	该研究提出了一种名为Mpox-XDE的集成模型，用于早期猴痘（Mpox）的检测和分类	结合了三种改进的深度学习模型（Xception、DenseNet201和EfficientNetB7）以及可解释人工智能（XAI）技术Grad-CAM，提高了猴痘早期检测的准确性	研究仅使用了770张图像的数据集，样本量相对较小	开发一种可靠的方法，用于早期准确检测猴痘	猴痘（Mpox）以及其他皮肤病（如鸡痘、麻疹和正常皮肤）的图像	computer vision	monkeypox	deep learning, explainable AI (XAI), Gradient-weighted Class Activation Mapping (Grad-CAM)	CNN (Xception, DenseNet201, EfficientNetB7), Swin Transformer (SwinViT), ensemble model (Mpox-XDE)	image	770张图像
435	2025-05-16	Convolutional Neural Network Models for Visual Classification of Pressure Ulcer Stages: Cross-Sectional Study 2025-Mar-25, JMIR medical informatics IF:3.1Q2 DOI:10.2196/62774 PMID:40135412	research paper	该研究探讨了使用不同卷积神经网络模型对压力性溃疡（PI）进行视觉分类的潜力	首次将AlexNet、VGGNet16、ResNet18和DenseNet121等CNN模型应用于PI分期，其中DenseNet121表现出最高的分类准确率	研究仅在中国一家三级医院收集数据，样本来源单一，未来需要与不同经验水平的护士进行比较以进一步验证临床效果	开发一种有效的工具来辅助压力性溃疡的分期	压力性溃疡（PI）患者图像数据	computer vision	pressure ulcer	deep learning	CNN (AlexNet, VGGNet16, ResNet18, DenseNet121)	image	853张原始PI图像，经过数据增强后得到7677张图像
436	2025-05-16	Application of automatic image analysis using a Deep Learning Neural Network for assessing the growth of green algae containing carotenoids - importance for environment, health and aquaculture 2025-Mar-25, Annals of agricultural and environmental medicine : AAEM IF:1.3Q4 DOI:10.26444/aaem/202673 PMID:40159751	research paper	该研究应用深度学习神经网络自动分析含有类胡萝卜素的绿藻生长图像，评估其在环境、健康和水产养殖中的重要性	使用YOLO v8网络进行微观图像分析，显著提高了定量研究的速度和准确性，特别是在检测不同藻类和菌落方面	在检测某些藻类时错误率较高，如文中提到的某种藻类比另一种藻类检测错误更多	开发一种快速准确的自动图像分析方法，用于评估绿藻生长及其在多个领域的应用	含有类胡萝卜素的绿藻	computer vision	NA	deep learning	YOLO v8	image	选定的藻类和菌落样本
437	2025-05-16	AI-Derived Blood Biomarkers for Ovarian Cancer Diagnosis: Systematic Review and Meta-Analysis 2025-Mar-24, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/67922 PMID:40126546	meta-analysis	本文通过系统回顾和荟萃分析评估了AI衍生的血液生物标志物在卵巢癌诊断中的研究质量和有效性	首次全面评估AI算法在卵巢癌血液生物标志物诊断中的性能，并比较了不同AI算法和样本类型的诊断效果差异	未对所有AI算法进行全面比较，且部分研究缺乏外部验证	评估AI基础血液生物标志物在卵巢癌诊断中的有效性	卵巢癌患者血液样本	machine learning	ovarian cancer	AI算法（包括机器学习和深度学习）	machine learning, deep learning	血液生物标志物数据	40项研究
438	2025-05-16	Interactions of flavonoid and coumarin derivative compounds with transforming growth factor-beta receptor 1 (TGF-βR1): integrating virtual screening, molecular dynamics, maximum common substructure, and ADMET approaches in the treatment of idiopathic pulmonary fibrosis 2025-Mar-24, Journal of molecular modeling IF:2.1Q3 DOI:10.1007/s00894-025-06338-3 PMID:40126695	研究论文	本研究通过计算化学方法探索植物来源的黄酮和香豆素衍生物作为新型TGF-βR1抑制剂的潜力，用于治疗特发性肺纤维化	首次发现2',3',4'-三羟基黄酮和双香豆醇作为潜在的植物源TGF-βR1抑制剂，并展示优于现有药物的结合特性和药理性质	研究仅基于计算机模拟，缺乏体外结合实验和体内动物研究的验证	开发治疗特发性肺纤维化的新型TGF-βR1抑制剂	1206种黄酮和香豆素衍生物	计算药物发现	特发性肺纤维化	虚拟筛选、分子对接、分子动力学模拟、最大共同子结构分析、ADMET分析	AutoDock Vina、GROMACS、Deep-PK	化合物结构数据	1206种化合物，最终筛选出3种候选化合物
439	2025-05-16	Explainable AI for Intraoperative Motor-Evoked Potential Muscle Classification in Neurosurgery: Bicentric Retrospective Study 2025-Mar-24, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/63937 PMID:40127441	research paper	本研究开发了用于术中运动诱发电位肌肉分类的可解释AI模型，并在双中心设置中评估其性能	首次将可解释AI技术应用于MEP信号分类，并识别出对准确分类至关重要的信号特征	研究仅基于两个医疗中心的数据，样本量和多样性可能有限	开发机器学习方法用于肌肉分类，并通过可解释AI技术识别MEP信号的关键特征	来自幕上神经外科手术的MEP信号，涉及四块肌肉(指伸肌、拇短展肌、胫骨前肌和拇展肌)	digital pathology	neurosurgical diseases	machine learning, deep learning, explainable AI	RF, 1D-CNN, 2D-CNN	time-series data, feature-engineered data, time-frequency representations	训练集: 151例手术的36,992个MEPs；测试集: 58例手术的24,298个MEPs
440	2025-05-16	Two-tier nature inspired optimization-driven ensemble of deep learning models for effective autism spectrum disorder diagnosis in disabled persons 2025-Mar-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-93802-y PMID:40128287	研究论文	该研究提出了一种两层级元启发式驱动的集成深度学习模型（T2MEDL-EASDDP），用于有效诊断残疾人士的自闭症谱系障碍（ASD）	结合改进的蝴蝶优化算法（IBOA）进行特征选择，并采用包含自编码器（AE）、长短期记忆网络（LSTM）和深度信念网络（DBN）的集成深度学习模型，同时使用基于布朗运动和定向突变方案的Coati优化算法（BDCOA）进行超参数调优	未提及模型在更广泛人群或不同年龄段中的泛化能力验证	分析和诊断残疾人士中不同阶段的自闭症谱系障碍	自闭症谱系障碍患者（ASD-Toddler和ASD-Adult数据集）	机器学习	自闭症谱系障碍	深度学习（DL）和机器学习（ML）技术	AE, LSTM, DBN	医学数据	ASD-Toddler和ASD-Adult数据集（具体样本量未说明）