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
4481	2025-03-25	Lifestyle factors and other predictors of common mental disorders in diagnostic machine learning studies: A systematic review 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109521 PMID:39667056	系统综述	本文系统综述了机器学习模型在预测常见精神障碍(CMDs)中的应用，评估了模型性能，并探讨了生活方式数据在预测模型中的潜在价值	首次评估了诊断性机器学习在CMDs中的应用价值，评估了研究偏倚风险，并分析了预测变量类型	研究存在高度异质性和偏倚风险，生活方式数据使用不足	评估机器学习模型预测常见精神障碍的性能，并确定生活方式数据在预测模型中的作用	使用机器学习方法预测常见精神障碍的成人研究	机器学习	精神障碍	机器学习	深度学习	多类别特征(包括人口统计-环境、心理社会和生物变量)	117项研究(111项仅模型开发，16项开发和验证)
4482	2025-03-25	Optimizing deep learning models for glaucoma screening with vision transformers for resource efficiency and the pie augmentation method 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314111 PMID:40117284	研究论文	本文提出了一种基于视觉变换器（DeiT）和'pie方法'增强的深度学习模型，用于青光眼筛查，以提高资源效率和性能	采用计算需求较低的视觉变换器（DeiT）和创新的'pie方法'增强技术，显著提升了青光眼筛查的敏感性和性能	DeiT初始性能低于CNN，且在不同数据集上的性能提升存在差异	优化青光眼筛查的深度学习模型，提高资源效率和检测性能	青光眼筛查的眼底图像数据	计算机视觉	青光眼	数据增强（pie方法）、极坐标变换	DeiT（视觉变换器）	图像	GlauCUTU-DATA数据集，包含一致同意（3/3）和多数同意（2/3）的标注数据
4483	2025-03-25	Unveiling CNS cell morphology with deep learning: A gateway to anti-inflammatory compound screening 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320204 PMID:40117300	research paper	该研究利用深度学习技术分析中枢神经系统细胞的形态学表型，以促进抗炎化合物的筛选	开发了一种基于深度学习的创新方法，有效分析了神经元和小胶质细胞在病理条件和药物干预下的形态学表型	需要大量标记数据，难以检测细微的细胞变化，存在批次效应	理解神经炎症中细胞形态与表型表现之间的复杂关系，并筛选潜在的治疗化合物	神经元和小胶质细胞	digital pathology	neuroinflammation	deep learning	DL	image	NA
4484	2025-03-25	Deep learning models reveal the link between dynamic brain connectivity patterns and states of consciousness 2024-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76695-1 PMID:39738114	研究论文	该研究利用深度学习模型探索动态脑功能连接模式与意识状态之间的关系	使用低维变分自编码器(VAE)研究脑动力学，扩展了潜在空间表征和建模方法，并提出了可解释的脑计算模型	未明确说明样本量或数据收集的具体限制	解码脑活动中的意识状态，研究动态脑功能连接与意识的关系	人脑动态功能连接模式	神经科学	意识障碍	静息态fMRI，变分自编码器(VAE)	VAE	fMRI图像数据	NA
4485	2025-03-25	Deep learning radiomics on grayscale ultrasound images assists in diagnosing benign and malignant of BI-RADS 4 lesions 2024-12-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83347-x PMID:39733121	研究论文	本研究探索了一种基于灰度超声图像的深度学习放射组学（DLR）模型，用于辅助放射科医生区分乳腺良性病变（BBL）和恶性病变（MBL）	提出了一个名为CLDLR的模型，结合临床参数和DLR，通过灰度超声图像诊断乳腺病变，并通过AI评分和热图提升放射科医生的诊断性能	研究样本量相对较小（382例患者），且未提及模型在其他数据集上的泛化能力	开发一种非侵入性影像生物标志物，用于预测BI-RADS 4类乳腺病变的良恶性	乳腺病变患者（183例良性，199例恶性）	数字病理	乳腺癌	深度学习放射组学（DLR）	CLDLR（结合临床参数和DLR的模型）	灰度超声图像	382例患者（183例良性，199例恶性）
4486	2025-03-25	Development and Validation of a Biparametric MRI Deep Learning Radiomics Model with Clinical Characteristics for Predicting Perineural Invasion in Patients with Prostate Cancer 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.07.013 PMID:39043515	研究论文	开发并验证了一种结合双参数MRI深度学习和临床特征的模型，用于预测前列腺癌患者的神经周围侵犯	整合了临床特征、放射组学和深度学习特征，构建了一个综合预测模型DLRC	研究样本量有限，且仅基于术前MRI和根治性前列腺切除术的数据	非侵入性预测前列腺癌患者的神经周围侵犯(PNI)	557名接受术前MRI和根治性前列腺切除术的前列腺癌患者	数字病理学	前列腺癌	双参数MRI	深度学习放射组学模型(DLRC)	MRI图像和临床数据	557名患者，按7:3比例分为训练集和验证集
4487	2025-03-25	Gated SPECT-Derived Myocardial Strain Estimated From Deep-Learning Image Translation Validated From N-13 Ammonia PET 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.047 PMID:39095261	研究论文	本研究探讨了使用深度学习生成的虚拟PET样门控SPECT（SPECTVP）评估心肌应变的可行性，以克服传统SPECT的限制	利用深度学习技术将SPECT图像转换为PET样图像（SPECTVP），提高了心肌应变测量的准确性	研究样本量较小（18名患者在应激状态，23名患者在静息状态），且仅选择了射血分数无变化的患者进行训练	提高心肌应变测量的准确性，探索SPECTVP在临床中的应用价值	心肌应变	数字病理学	心血管疾病	深度学习图像转换	深度学习模型	医学图像（SPECT和PET）	18名患者在应激状态（720对图像），23名患者在静息状态（920对图像）
4488	2025-03-25	Preoperative Contrast-Enhanced CT-Based Deep Learning Radiomics Model for Distinguishing Retroperitoneal Lipomas and Well‑Differentiated Liposarcomas 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.035 PMID:39003228	research paper	评估基于术前增强CT的深度学习放射组学列线图在区分腹膜后高分化脂肪肉瘤和脂肪瘤中的效能	结合放射组学和深度学习特征开发的新型列线图模型，用于术前预测MDM2基因扩增，以区分两种疾病	研究为回顾性多中心设计，可能存在选择偏倚；样本量相对有限	开发术前影像学生物标志物以区分腹膜后高分化脂肪肉瘤和脂肪瘤	167例MDM2阳性高分化脂肪肉瘤或MDM2阴性脂肪瘤患者	digital pathology	liposarcoma	contrast-enhanced CT (CECT)	deep learning radiomics nomogram (DLRN)	medical imaging	167例患者（训练集104例/外部测试集63例）
4489	2025-03-25	Predicting the Prognosis of HIFU Ablation of Uterine Fibroids Using a Deep Learning-Based 3D Super-Resolution DWI Radiomics Model: A Multicenter Study 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.027 PMID:38969576	研究论文	评估基于深度学习的3D超分辨率扩散加权成像放射组学模型在预测高强度聚焦超声消融子宫肌瘤预后中的可行性和有效性	使用深度学习构建超分辨率DWI，并在预测HIFU消融子宫肌瘤预后方面优于高分辨率DWI模型和放射科专家评估	回顾性研究设计，样本量相对有限（360例患者）	预测高强度聚焦超声（HIFU）消融子宫肌瘤的预后	子宫肌瘤患者	数字病理	子宫肌瘤	扩散加权成像（DWI），深度学习	SVM, RF, LightGBM	3D医学影像	360例患者（240例训练集，60例内部测试集，60例外部测试集）
4490	2025-03-25	DeepSAP: A Novel Brain Image-Based Deep Learning Model for Predicting Stroke-Associated Pneumonia From Spontaneous Intracerebral Hemorrhage 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.025 PMID:38955592	research paper	开发了一种基于脑部CT扫描的深度学习模型DeepSAP，用于预测自发性脑出血后的卒中相关性肺炎	首次结合脑部CT图像和临床数据，通过MRI模板进行图像配准消除样本间结构差异，实现了脑出血的统计量化和空间标准化	研究为回顾性研究，样本量相对较小(n=244)，需要进一步前瞻性验证	开发快速可靠的模型及时预测卒中相关性肺炎(SAP)	244例自发性脑出血(ICH)患者	digital pathology	cardiovascular disease	CT扫描，MRI-template-based图像配准技术	deep-learning neural network	image (脑部CT扫描)和临床数据	244例ICH患者(训练集170例，测试集74例)
4491	2025-03-25	Prospective Deployment of Deep Learning Reconstruction Facilitates Highly Accelerated Upper Abdominal MRI 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.044 PMID:38955591	研究论文	比较传统T1容积插值屏气检查（VIBE）与深度学习（DL）重建加速VIBE序列在上腹部MRI中的图像质量和诊断信心	使用深度学习重建技术将VIBE-SPAIR的屏气时间减少50%，同时提高图像质量	研究样本量较小（45例患者），且仅在单一三级中心进行	评估深度学习重建加速VIBE序列在上腹部MRI中的性能	上腹部MRI检查的患者	医学影像	上腹部疾病	深度学习重建技术	DL	MRI图像	45例患者
4492	2025-03-25	Super-resolution Deep Learning Reconstruction for 3D Brain MR Imaging: Improvement of Cranial Nerve Depiction and Interobserver Agreement in Evaluations of Neurovascular Conflict 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.010 PMID:38897913	research paper	该研究探讨了超分辨率深度学习重建（SR-DLR）在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果	首次比较了SR-DLR与DLR在3D FASE脑部MR图像中对颅神经描绘和神经血管冲突评估的影响	研究样本量较小（37例患者），且SR-DLR显示出更高的主观图像噪声	评估SR-DLR在3D脑部MR成像中对颅神经描绘和神经血管冲突评估的改进效果	37例患者的3D FASE脑部MR图像	digital pathology	神经血管疾病	3D fast asymmetric spin echo (3D FASE)脑部MR成像	深度学习重建（DLR）和超分辨率深度学习重建（SR-DLR）	3D MR图像	37例患者
4493	2025-03-25	Predicting Lymphovascular Invasion in Non-small Cell Lung Cancer Using Deep Convolutional Neural Networks on Preoperative Chest CT 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.010 PMID:38845293	研究论文	本研究利用术前胸部CT图像和深度学习技术，构建了一个非小细胞肺癌淋巴血管侵犯的无创预测诊断模型	结合2D和3D CT成像特征以及临床放射学数据，开发了四种不同的深度卷积神经网络预测模型，用于预测非小细胞肺癌的淋巴血管侵犯	研究为回顾性观察研究，样本中LVI阳性患者较少（106例），可能影响模型的泛化能力	开发非小细胞肺癌淋巴血管侵犯的无创预测方法	非小细胞肺癌患者	数字病理学	肺癌	CT成像	DCNN（包括Dual-head Res2Net_3D23F、Dual-head Res2Net_3D3F、Dual-head Res2Net_3D和EfficientNet-B0_2D）	图像	3034例非小细胞肺癌患者（其中106例LVI阳性）
4494	2025-03-25	Value of CT-Based Deep Learning Model in Differentiating Benign and Malignant Solid Pulmonary Nodules ≤ 8 mm 2024-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.021 PMID:38806374	研究论文	本研究探讨了基于CT的深度学习模型在区分≤8mm的良性和恶性实性肺结节中的有效性	使用MDANet构建的深度学习模型，结合结节和不同周围区域特征，优于传统算法	样本量有限（n=719），且所有患者均接受了手术切除，可能影响模型的泛化能力	评估基于CT的深度学习模型在区分小实性肺结节良恶性方面的性能	≤8mm的实性肺结节	数字病理学	肺癌	CT扫描	MDANet, VGG19, ResNet50, ResNeXt50, DenseNet121	医学影像	719例患者（内部训练、内部验证和外部验证队列）
4495	2025-03-25	A Comparison of CT-Based Pancreatic Segmentation Deep Learning Models 2024-11, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.06.015 PMID:38944630	research paper	本研究比较了五种基于CT的胰腺分割深度学习模型在不同指标下的性能	首次对五种高性能胰腺分割模型进行多指标分层比较，并分析了影响分割性能的扫描和患者特征	研究为回顾性设计，部分患者特征数据缺失	评估不同深度学习模型在胰腺CT分割中的性能差异	胰腺CT扫描图像	digital pathology	pancreatic pathologies	CT扫描	CNN, transformer network (AAUNet, AASwin, TS, MSD-nnUNet, DM-UNet)	image	352例CT扫描（来自2000-2023年）
4496	2025-03-25	Assessment of Deep Learning-Based Triage Application for Acute Ischemic Stroke on Brain MRI in the ER 2024-11, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.04.046 PMID:38908922	研究论文	评估基于深度学习的急性缺血性卒中在急诊室脑MRI上的分诊应用	开发并评估了一种深度学习应用（DLA），用于在急诊室环境下快速检测急性缺血性卒中（AIS），并研究了T2加权成像（T2WI）对其性能的影响	研究为回顾性分析，可能受到数据选择和采集时间的限制	评估深度学习应用在急诊室环境下检测急性缺血性卒中的效果	急诊室中接受脑MRI检查的患者	数字病理学	心血管疾病	MRI（包括DWI和FLAIR序列）	深度学习应用（DLA）	医学影像（MRI）	947名个体（平均年龄64±16岁，男性461名，女性486名），其中239名（25%）为急性缺血性卒中阳性
4497	2025-03-25	Multi-feature Fusion Network on Gray Scale Ultrasonography: Effective Differentiation of Adenolymphoma and Pleomorphic Adenoma 2024-11, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.023 PMID:38871552	研究论文	开发一种深度学习放射组学图网络（DLRN），用于区分腮腺多形性腺瘤（PA）和腺淋巴瘤（AL）	整合了灰度超声图像的深度学习特征、放射组学特征和临床特征，构建了DLRN模型，显著提高了诊断性能	数据集较小，可能影响模型的泛化能力	区分腮腺多形性腺瘤和腺淋巴瘤	287名经组织学确认的PA或AL患者	数字病理	腮腺肿瘤	灰度超声成像	DLRN, LR, SVM, KNN, RF, ExtraTrees, XGBoost, LightGBM, MLP	图像	287名患者（162名训练集，70名内部验证集，55名外部验证集）
4498	2025-03-25	A Self-supervised Learning-Based Fine-Grained Classification Model for Distinguishing Malignant From Benign Subcentimeter Solid Pulmonary Nodules 2024-11, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.05.002 PMID:38777719	研究论文	本研究开发并验证了一种基于自监督学习的细粒度分类模型，用于区分亚厘米实性肺结节的良恶性	采用自监督预训练和细粒度网络相结合的方法，提高了亚厘米实性肺结节良恶性分类的准确性	研究为回顾性设计，且内部数据集特意富集了恶性病例，可能影响模型的泛化能力	开发能够准确区分亚厘米实性肺结节良恶性的深度学习模型	亚厘米实性肺结节(SSPNs)	数字病理	肺癌	CT成像	自监督预训练+细粒度网络	医学影像	内部数据集1389个SSPNs(来自1276名患者)，外部测试集202个SSPNs
4499	2025-03-25	Deep Learning Model for Predicting Proliferative Hepatocellular Carcinoma Using Dynamic Contrast-Enhanced MRI: Implications for Early Recurrence Prediction Following Radical Resection 2024-11, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.04.028 PMID:38749868	research paper	开发并验证了一种基于深度学习的动态对比增强MRI模型，用于区分增殖性和非增殖性肝细胞癌，以优化术前评估和治疗策略	首次使用深度学习模型结合DCE-MRI图像预测肝细胞癌的增殖性，并评估其早期复发风险	研究为回顾性设计，样本量相对有限，且外部验证集的性能有所下降	通过非侵入性方法预测肝细胞癌的增殖性和早期复发风险，优化个体化治疗策略	355例接受根治性切除术的肝细胞癌患者	digital pathology	hepatocellular carcinoma	dynamic contrast-enhanced MRI (DCE-MRI)	DL (Deep Learning)	image	355例患者（训练集251例，内部测试集62例，外部测试集42例）
4500	2025-03-25	Deep Learning Features and Metabolic Tumor Volume Based on PET/CT to Construct Risk Stratification in Non-small Cell Lung Cancer 2024-11, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.04.036 PMID:38740530	research paper	该研究通过结合PET/CT的深度学习特征和全身代谢肿瘤体积(MTVwb)构建风险分层(CRS)，用于预测非小细胞肺癌(NSCLC)患者的总生存期(OS)和无进展生存期(PFS)，作为TNM分期的补充	首次将深度学习特征与MTVwb结合构建风险分层(CRS)，并验证其作为TNM分期补充工具的预测价值	测试集中预测OS时CRS的C-index未显著优于TNM分期(0.73 vs 0.736)	提高非小细胞肺癌患者的生存预测准确性	590例非小细胞肺癌患者(413例训练集，177例测试集)	digital pathology	lung cancer	PET/CT	CNN	医学影像	590例NSCLC患者(训练集413例，测试集177例)