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	2025-05-21	Development of an Automated Tool for the Estimation of Histological Remission in Ulcerative Colitis Using Single-Wavelength Endoscopy Technology 2025-May-08, Journal of Crohn's & colitis DOI:10.1093/ecco-jcc/jjae180 PMID:39602814	research paper	开发了一种基于单波长内窥镜技术的自动化工具，用于评估溃疡性结肠炎的组织学缓解	利用单波长内窥镜（SWE）技术增强毛细血管可见性，开发了计算机辅助诊断（CAD）系统，显著提高了组织学缓解的检测准确率	研究样本量相对较小（112名患者），且仅使用了特定品牌的内窥镜系统（FUJIFILM）	评估基于白光内窥镜（WLE）或单波长内窥镜（SWE）的计算机辅助诊断系统在溃疡性结肠炎组织学活动评估中的准确性	溃疡性结肠炎（UC）患者的内窥镜图像	digital pathology	ulcerative colitis	single-wavelength endoscopy (SWE), white light endoscopy (WLE)	deep learning	image	112名患者的6926组WLE和SWE图像帧
422	2025-05-21	ROICellTrack: a deep learning framework for integrating cellular imaging modalities in subcellular spatial transcriptomic profiling of tumor tissues 2025-May-06, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf152 PMID:40199763	研究论文	开发了一个名为ROICellTrack的深度学习框架，用于更好地整合细胞成像与空间转录组分析	提出了一个深度学习框架，将细胞成像与空间转录组分析相结合，用于分析肿瘤组织的亚细胞空间转录组特征	研究仅基于56个ROI（感兴趣区域），样本量相对较小	提高对肿瘤异质性的理解，并促进个性化和靶向治疗的研究	膀胱尿路上皮癌和上尿路尿路上皮癌的肿瘤组织	数字病理学	膀胱癌	空间转录组技术（如GeoMx Digital Spatial Profiler）	深度学习框架（ROICellTrack）	图像和转录组数据	56个ROI
423	2025-05-21	Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture 2025-May-05, ArXiv PMID:40386573	研究论文	本文开发了一种基于U-Net架构的卷积神经网络（CNN）替代模型，用于加速Cellular-Potts模型（CPM）的评估	使用U-Net架构的CNN替代模型，能够高效预测CPM的100个计算步骤，加速模拟评估达590倍	未提及具体的数据集规模或模型泛化能力的详细测试	开发高效的深度学习替代模型以加速Cellular-Potts模型的评估	Cellular-Potts模型（CPM）及其在体外血管生成研究中的应用	机器学习	NA	卷积神经网络（CNN），U-Net架构	U-Net	模拟数据	NA
424	2025-05-21	Deep Learning-Assisted Computer-Aided Diagnosis System for Early Detection of Lung Cancer 2025-May, Journal of clinical ultrasound : JCU IF:1.2Q3 DOI:10.1002/jcu.23929 PMID:39887401	research paper	本文提出了一种深度学习辅助的计算机辅助诊断系统，用于早期检测肺癌	提出的模型在准确性和敏感性方面优于现有技术（99.53%的准确性和98.95%的敏感性）	NA	开发一种更有效的计算机辅助诊断系统以早期检测肺癌	肺癌的检测和分类	digital pathology	lung cancer	Binary Grasshopper Optimization Algorithm (BGOA), Fast nonlocal means filter (FNLM)	deep learning	image	NA
425	2025-05-21	Prenatal Diagnostics Using Deep Learning: A Dual Approach to Plane Localization and Cerebellum Segmentation in Ultrasound Images 2025-May, Journal of clinical ultrasound : JCU IF:1.2Q3 DOI:10.1002/jcu.23924 PMID:39901589	research paper	本研究开发了两种深度学习技术，用于通过第五个月超声脑图像进行神经发育障碍的产前预测	提出了两种专门的CNN架构：用于平面定位的差分CNN和用于小脑分割的双CNN，这些架构针对特定任务设计，提高了诊断准确性	研究承认存在某些局限性和挑战	开发深度学习技术用于神经发育障碍的产前预测	第五个月超声脑图像	digital pathology	neurodevelopmental disorder	ultrasound imaging	CNN	image	标注的超声图像数据集
426	2025-05-21	Combining Ultrasound Imaging and Molecular Testing in a Multimodal Deep Learning Model for Risk Stratification of Indeterminate Thyroid Nodules 2025-May, Thyroid : official journal of the American Thyroid Association IF:5.8Q1 DOI:10.1089/thy.2024.0584 PMID:40256961	研究论文	本研究提出了一种结合超声成像和分子检测的多模态深度学习模型，用于提高甲状腺结节的恶性风险分层	通过整合超声成像和分子检测数据，利用互补信息提升恶性风险分层的阳性预测值，同时保持高敏感性	研究受限于单中心数据集、缺乏外部验证以及使用二值化的分子检测输出而非细粒度的恶性风险概率	提高甲状腺结节的恶性风险分层准确性	333名不确定甲状腺结节患者（259例良性，74例恶性）	数字病理	甲状腺结节	下一代测序（NGS）	多模态深度学习模型	超声图像和分子检测数据	333名患者
427	2025-05-21	Expert consensus document on artificial intelligence of the Italian Society of Cardiology 2025-May-01, Journal of cardiovascular medicine (Hagerstown, Md.) DOI:10.2459/JCM.0000000000001716 PMID:40331418	专家共识	意大利心脏病学会关于人工智能在心血管疾病管理中应用的专家共识文件	探讨了人工智能（AI）在心血管疾病诊断和预后中的新兴应用，包括机器学习和深度学习模型的使用	算法的外部有效性无法保证，结果的可解释性可能存在问题（即“黑箱”问题）	探索人工智能在心血管疾病管理中的潜力和应用	心血管疾病患者，包括高血压、缺血性心脏病和罕见的心肌病等	人工智能在医疗健康中的应用	心血管疾病	机器学习（ML）和深度学习（DL）	人工神经网络	医院数据集、心电图和超声心动图采集数据	NA
428	2025-05-21	MMsurv: a multimodal multi-instance multi-cancer survival prediction model integrating pathological images, clinical information, and sequencing data 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf209 PMID:40366860	研究论文	本研究提出了一种名为MMSurv的多模态深度学习模型，用于整合病理图像、临床信息和测序数据以预测多种癌症患者的生存率	提出了一种基于紧凑双线性池化和Transformer的新型多模态融合方法，并采用双层多实例学习模型去除与预后无关的图像块，同时通过细胞分割增强模型的可解释性	模型仅在TCGA数据库中的六种癌症类型上进行了验证，未在其他独立数据集上测试	开发一个能够整合多模态数据的可解释深度学习模型，以提高癌症患者生存预测的准确性	癌症患者的病理图像、临床信息和测序数据	数字病理	多癌症类型	深度学习、细胞分割、测序数据分析	多模态融合模型（紧凑双线性池化+Transformer）、多实例学习模型	病理图像、临床数据、测序数据	TCGA数据库中六种癌症类型的数据
429	2025-05-21	Deep Learning Study of Alkaptonuria Spinal Disease Assesses Global and Regional Severity and Detects Occult Treatment Status 2025-May, Journal of inherited metabolic disease IF:4.2Q2 DOI:10.1002/jimd.70042 PMID:40375095	研究论文	本研究利用深度学习技术分析罕见病碱尿症（AKU）的脊柱X光片，评估疾病严重程度并检测患者是否接受尼替西农治疗	首次将深度学习应用于罕见病碱尿症的脊柱影像分析，能够识别疾病严重程度和隐蔽的治疗状态	真空盘现象的预测一致性较低（41%-90%），样本量未明确说明	评估深度学习在罕见病医学影像分析中的应用效果	碱尿症患者的颈椎和腰椎X光片	数字病理学	碱尿症	深度学习	DL（未明确具体模型类型）	医学影像（X光片）	NA
430	2025-05-21	Enhancing perihematomal edema segmentation: integrating prior knowledge with deep learning for enhanced accuracy and interpretability 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-2404 PMID:40384678	research paper	该研究提出了一种结合先验知识与深度学习的网络PESE-Net，用于提高颅内血肿周围水肿（PHE）分割的准确性和可解释性	提出PESE-Net网络，通过结合PHE的先验知识与深度学习方法，采用新的特征加权策略协同融合PHE的整体变化特征和空间信息	未提及具体的数据集规模或外部验证结果	提高PHE分割的准确性以增强临床诊断效率和可靠性	自发性颅内出血图像中的PHE区域	digital pathology	cardiovascular disease	deep learning	PESE-Net	image	NA
431	2025-05-21	Free-breathing pediatric cardiac dark-blood imaging with reverse double inversion-recovery and single-shot deep learning reconstruction 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1933 PMID:40384682	research paper	该研究结合反向双反转恢复（RDIR）和基于人工智能辅助压缩感知（ACS）重建的单次激发暗血快速自旋回波（SS-RDIR）技术，实现了自由呼吸下儿童心脏高分辨率运动鲁棒性水肿评估	结合RDIR和ACS重建的SS-RDIR技术显著缩短扫描时间并提高图像质量，优于传统多激发技术	研究样本量较小（20名健康儿童和47名儿科患者），且未提及长期临床效果验证	开发一种自由呼吸下儿童心脏高分辨率运动鲁棒性水肿评估方法	健康儿童和儿科患者的心脏成像	数字病理	心血管疾病	暗血T2加权快速自旋回波（DB-FSE）、反向双反转恢复（RDIR）、人工智能辅助压缩感知（ACS）重建	AI-assisted compressed sensing (ACS)	医学影像	67名受试者（20名健康儿童和47名儿科患者）
432	2025-05-21	MHAU-Net: a multi-scale hybrid attention U-shaped network for the segmentation of MRI breast tumors 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1515 PMID:40384695	research paper	提出了一种名为MHAU-Net的多尺度混合注意力U型网络，用于MRI乳腺肿瘤的分割	使用四组不同扩张率的空洞卷积提取多尺度上下文信息，并结合通道和空间注意力块提取混合注意力特征，提高了对不同大小和形状肿瘤的适应性	未提及具体的局限性	实现MRI扫描中乳腺肿瘤的准确自动分割	MRI乳腺肿瘤图像	digital pathology	breast cancer	MRI	MHAU-Net (基于3D U-Net的改进)	3D图像	906张3D乳腺MRI图像
433	2025-05-21	Detection-guided deep learning-based model with spatial regularization for lung nodule segmentation 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-2024-2511 PMID:40384696	研究论文	提出了一种结合检测引导和空间正则化的深度学习模型，用于肺部结节的分割	整合了基于U-Net的分割和基于ResNet的分类过程，并应用特征组合块和空间正则化技术以提高精度	训练数据集有限，可能影响模型的泛化能力	开发一种准确可靠的肺部结节分割方法，以辅助放射科医生提高诊断准确性	肺部结节	计算机视觉	肺癌	深度学习	U-Net, ResNet	CT图像	NA
434	2025-05-21	Lightweight attention network for guidewire segmentation and localization in clinical fluoroscopic images of vascular interventional surgery 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-2024-2926 PMID:40384703	research paper	本研究提出了一种轻量级注意力网络，用于血管介入手术临床荧光图像中导丝的分割与定位	引入了双边特征融合（BGA）模块和轻量级门控注意力（SDA）模块，提高了导丝分割的精确度	研究中使用的数据集仅来自38名受试者，样本量相对较小	提升经导管动脉化疗栓塞术（TACE）中导丝输送的精确性和实用性	临床荧光图像中的导丝	computer vision	cardiovascular disease	深度学习	CNN	image	2,839张X射线图像，来自38名受试者
435	2025-05-21	Deep learning-based key point detection algorithm assisting vessel centerline extraction 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1949 PMID:40384705	research paper	提出一种基于深度学习的关键点检测算法，用于辅助血管中心线提取，以提升斑块定量分析的准确性	针对迂曲血管中心线提取误差大的问题，提出关键点检测算法，显著提升检测精度和效率	研究为回顾性设计，且仅针对脑血管疾病患者，可能限制结果的普适性	提升血管中心线提取精度以辅助斑块定量评估	539名接受3.0-T MRI扫描的脑血管疾病患者	digital pathology	cerebrovascular disease	3.0-T MRI	deep learning	medical image	539例多中心脑血管疾病患者MRI影像
436	2025-05-21	Bibliometric analysis of the application of artificial intelligence in orthopedic imaging 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1384 PMID:40384704	研究论文	通过文献计量分析总结了基于AI的骨科影像学知识结构，并探讨了其潜在研究趋势和焦点	首次通过文献计量学方法系统分析AI在骨科影像学中的应用，揭示了研究热点和未来趋势	仅基于WoSCC数据库，可能遗漏其他数据库的重要文献	总结AI在骨科影像学领域的知识结构并探索研究趋势	2007-2024年间WoSCC数据库中关于AI在骨科影像学应用的文献	医学影像分析	骨科疾病	文献计量分析	CNN	文献数据	3,147篇出版物
437	2025-05-21	Value of deep learning model for predicting Breast Imaging Reporting and Data System 3 and 4A lesions on mammography 2025-May-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1523 PMID:40384713	研究论文	评估基于乳腺X线摄影的深度学习模型在区分BI-RADS 3和4A病变中的诊断价值及其对放射科医生决策的影响	深度学习模型显著提高了初级放射科医生对BI-RADS 3和4A病变的诊断性能，有效减少漏诊和不必要的活检	研究为回顾性多中心研究，可能受到选择偏倚的影响，且深度学习模型的性能仍逊于资深放射科医生	评估深度学习模型在乳腺X线摄影中区分BI-RADS 3和4A病变的诊断价值	824名患者的846个乳腺X线摄影检测到的乳腺病变（BI-RADS 3和4A）	数字病理	乳腺癌	深度学习	DL模型	图像	846个乳腺病变（来自824名患者）
438	2025-05-21	Light Bladder Net: Non-invasive Bladder Cancer Prediction by Weighted Deep Learning Approaches and Graphical Data Transformation 2025-May, Anticancer research IF:1.6Q4 DOI:10.21873/anticanres.17572 PMID:40295062	research paper	该研究开发了一种轻量级深度学习模型Light-Bladder-Net (LBN)，用于通过常规尿液数据非侵入性预测膀胱癌	通过数据转换、添加均匀噪声、特征选择方法及加权投票策略，提高了模型的泛化能力和分类准确性	未提及模型在更大规模或多样化数据集上的验证情况	开发一种快速、轻量级的非侵入性膀胱癌检测方法	膀胱癌患者的常规尿液数据	digital pathology	bladder cancer	deep learning, feature selection methods (mRMR, PCA, SVD, t-SNE)	Light-Bladder-Net (LBN)	urine data	NA
439	2025-05-21	Surface-Enhanced Raman Scattering Nanotags: Design Strategies, Biomedical Applications, and Integration of Machine Learning 2025 May-Jun, Wiley interdisciplinary reviews. Nanomedicine and nanobiotechnology DOI:10.1002/wnan.70015 PMID:40391396	综述	本文综述了表面增强拉曼散射（SERS）纳米标签的设计策略、生物医学应用及其与机器学习的整合	强调了SERS纳米标签在生物成像、治疗诊断和液体活检中的最新应用，以及机器学习在提升SERS纳米标签效能中的作用	讨论了SERS纳米标签在临床转化中面临的挑战	探讨SERS纳米标签在生物医学领域的应用及其与机器学习的整合	SERS纳米标签及其在生物医学中的应用	生物医学工程	癌症、SARS-CoV-2	表面增强拉曼散射（SERS）	机器学习（ML）、深度学习	光谱数据、图像数据	NA
440	2025-05-21	Validation of multiple deep learning models for colorectal tumor differentiation with endoscopic ultrasound images: a dual-center study 2025-Apr-30, Journal of gastrointestinal oncology IF:2.0Q3 DOI:10.21037/jgo-2024-1024 PMID:40386596	research paper	本研究验证了多种深度学习模型在结直肠肿瘤分化中的应用，通过内镜超声图像进行双中心研究	结合内镜超声(EUS)与人工智能(AI)技术，验证了四种深度学习模型在结直肠腺瘤和癌症诊断中的效能，并与传统内镜诊断进行比较	研究为回顾性设计，样本量相对有限(554例患者)，且仅来自两个中心	验证EUS结合AI在结直肠腺瘤和癌症诊断中的有效性	结直肠病变患者(包括CRC、腺瘤和对照组)	digital pathology	colorectal cancer	endoscopic ultrasound (EUS)	ResNet50, EfficientNet-B0, VGG_11_BN, ViT	image	554例患者(167例CRC，136例腺瘤，251例对照)