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
4601	2025-04-22	Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification on health datasets 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109985 PMID:40132299	研究论文	提出了一种结合协方差矩阵和Hessian矩阵特征分析的新方法，用于增强健康数据集上的二元分类性能	首次将协方差矩阵和Hessian矩阵的特征分析相结合，通过投影到两个矩阵的最相关特征方向空间，实现了最优类别可分性	方法在理想数据条件下（如类均值周围的各向同性和主导领先特征值）表现最佳，实际应用中可能受限	提高二元分类任务的性能，特别是在健康数据集上	健康数据集和神经网络数据集	机器学习	NA	特征分析	深度学习模型	结构化数据	NA
4602	2025-04-22	Advancements in automated nuclei segmentation for histopathology using you only look once-driven approaches: A systematic review 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110072 PMID:40138968	系统综述	本文系统综述了基于YOLO框架的自动化细胞核分割技术在组织病理学图像分析中的进展、挑战和应用	全面评估YOLO框架在组织病理学细胞核分割中的独特优势，并与传统分割方法进行对比分析	处理细胞核外观变异、优化模型架构以提高在组织病理学图像上的性能、提升跨数据集的泛化能力等方面仍存在挑战	探索和评估YOLO框架在组织病理学图像细胞核分割中的方法和应用	组织病理学图像中的细胞核	数字病理学	NA	YOLO框架	CNN	图像	NA
4603	2025-04-22	Distinguishing severe sleep apnea from habitual snoring using a neck-wearable piezoelectric sensor and deep learning: A pilot study 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110070 PMID:40147187	研究论文	本研究开发了一种结合颈部可穿戴压电传感器和深度学习的模型，用于准确区分严重睡眠呼吸暂停综合征（SAS）与习惯性打鼾	创新性地结合了颈部可穿戴压电传感器和混合深度学习模型（1D CNN和GRU），为早期和精确区分严重SAS与习惯性打鼾提供了新方法	样本量较小（60名成人），未来研究需要扩大样本量、多样化患者群体并在真实世界环境中进行外部验证	解决成人严重睡眠呼吸暂停综合征（SAS）诊断不足的问题	60名成人习惯性打鼾者	机器学习	睡眠呼吸暂停综合征	颈部可穿戴压电传感器	1D CNN和GRU混合模型	振动信号（70-250Hz）和颈动脉搏动信号（0.01-1.5Hz）	60名成人习惯性打鼾者（初始数据集来自20名参与者，包含1167个静默样本、1304个打鼾样本和399个噪音样本）
4604	2025-04-22	Impact of sex differences on subject-independent EEG-based emotion recognition models 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110036 PMID:40147184	research paper	该研究探讨了性别差异对基于EEG的独立于受试者的情绪识别模型的影响，并利用注意力网络层和逻辑回归分析揭示了情绪调节的性别差异	使用注意力网络层识别与情绪预测更相关的大脑区域，并通过逻辑回归分析评估性别对情绪预测的影响，揭示了情绪调节的性别差异	研究主要关注情绪音频-视觉刺激引发的皮层激活模式，未涉及其他类型刺激或更广泛的情感状态	提高独立于受试者的EEG情绪识别模型的准确性和可解释性	EEG信号和情绪状态	machine learning	NA	EEG	attention network, logistic regression	EEG信号	NA
4605	2025-04-22	Enhancing visual speech perception through deep automatic lipreading: A systematic review 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110019 PMID:40157316	综述	本文对自动唇读技术的研究趋势进行了系统的文献综述，重点关注深度学习在提升听力障碍者沟通能力中的应用	采用PRISMA协议对2014年至2024年中的114篇原创研究文章进行系统分析，总结了自动唇读技术的研究趋势、数据集、任务分类及系统架构	面临数据量不足、环境条件不佳和语言多样性等挑战	提升听力障碍者的沟通能力	自动唇读技术	自然语言处理	听力障碍	深度学习	深度学习模型	视频	114篇研究文章
4606	2025-04-22	A data-driven personalized approach to predict blood glucose levels in type-1 diabetes patients exercising in free-living conditions 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110015 PMID:40164029	research paper	该研究评估了数据驱动方法在自由生活条件下准确预测1型糖尿病患者运动时血糖水平的能力	结合多种机器学习和深度学习模型，采用个性化与群体模型微调相结合的方法预测血糖水平	部分患者的预测仍具有挑战性，且难以解释为何某些患者更难预测	评估数据驱动方法在预测1型糖尿病患者运动时血糖水平的准确性和安全性	1型糖尿病患者在自由生活条件下的血糖水平	machine learning	diabetes	continuous glucose monitoring, insulin pumps, carbohydrate intake, exercise intensity and duration, physical activity-related information	XGBoost, Random Forest, LSTM, CNN-LSTM, Dual-encoder with Attention layer	continuous glucose monitoring data, insulin pump data, carbohydrate intake data, exercise data, physical activity data	79名1型糖尿病患者，每人4周的数据
4607	2025-04-22	A novel hybrid feature fusion approach using handcrafted features with transfer learning model for enhanced skin cancer classification 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110104 PMID:40168807	research paper	提出了一种新颖的混合特征融合方法，结合手工特征与迁移学习模型，用于增强皮肤癌分类	结合了GLCM、RDWT和DenseNet121特征的混合特征融合方法，显著提高了分类准确率	未提及具体的数据集规模限制或模型泛化能力的测试	提高皮肤癌诊断的准确性和可靠性	皮肤病变图像	digital pathology	skin cancer	Grey-Level Co-Occurrence Matrix (GLCM), Redundant Discrete Wavelet Transform (RDWT), transfer learning	DenseNet121, XGBoost, ensemble classifier	image	NA
4608	2025-04-22	Multimodal learning-based speech enhancement and separation, recent innovations, new horizons, challenges and real-world applications 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110082 PMID:40174498	综述	本文全面回顾了基于多模态学习的语音增强和分离技术的最新进展及其在现实世界中的应用	探讨了多模态学习如何整合音频、视觉和文本等多种感官信息以提高语音增强和分离的性能，并介绍了多种深度学习架构和融合策略	在噪声和动态的现实环境中，各种方法的同步性、模型鲁棒性和实时应用的可扩展性仍面临挑战	研究多模态学习在语音增强和分离领域的应用及其未来发展方向	语音增强和分离技术	自然语言处理	NA	多模态学习	Transformers, CNN, GNN, VAE, GAN, Diffusion Models	音频信号、视觉线索、文本数据	NA
4609	2025-04-22	A domain adaptation model for carotid ultrasound: Image harmonization, noise reduction, and impact on cardiovascular risk markers 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110030 PMID:40179806	研究论文	本文提出了一种基于生成对抗网络（GAN）的模型，用于解决超声图像中的域适应问题，包括图像协调和降噪	将图像协调和降噪任务制定为图像到图像的翻译任务，同时保持图像内容（解剖结构）不变	下游风险标志物计算可能会受到影响	解决超声图像中因不同系统或参数设置导致的域适应问题	颈动脉超声图像	计算机视觉	心血管疾病	GAN	GAN	图像	NA
4610	2025-04-22	How did we get there? AI applications to biological networks and sequences 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110064 PMID:40184941	综述	本文全面概述了人工智能在基因组学、蛋白质组学和系统生物学中的当前应用状态	强调了深度学习模型在序列嵌入、基序发现、基因表达和蛋白质结构预测中的准确性和效率提升	未具体提及研究的局限性	探索人工智能在复杂生物数据中的应用潜力	基因组学、蛋白质组学和系统生物学中的数据	机器学习	NA	深度学习	深度学习模型	生物序列和网络数据	NA
4611	2025-04-22	Prediction of IUGR condition at birth by means of CTG recordings and a ResNet model 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110123 PMID:40184939	research paper	本研究开发了一种基于CTG信号和ResNet模型的深度学习方法来预测出生时的IUGR状况	采用两步训练过程的ResNet架构，通过区分‘假定’和‘确认’数据集来最小化数据损失，提高了预测准确性	尽管使用了较大数据集，但与其他文献相比的样本量未具体说明，且未提及模型在其他独立数据集上的验证情况	提高出生时IUGR状况的早期检测准确性	产前CTG信号	digital pathology	geriatric disease	CTG, deep learning	ResNet	signal	未具体说明，但提及使用了非常大的数据集
4612	2025-04-22	Hybrid deep learning framework for diabetic retinopathy classification with optimized attention AlexNet 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110054 PMID:40154203	research paper	提出了一种基于混合深度学习框架的糖尿病视网膜病变分类方法，使用优化的注意力AlexNet模型	结合了元启发式优化算法改进的注意力AlexNet模型（At-AlexNet-ImNO），用于糖尿病视网膜病变的分类	未提及具体的数据集偏差或模型泛化能力的限制	提高糖尿病视网膜病变的自动分类准确率	糖尿病视网膜病变的眼底图像	digital pathology	diabetic retinopathy	metaheuristic optimization, deep learning	Attention AlexNet based Improved Nutcracker Optimizer (At-AlexNet-ImNO)	image	APTOS-2019 Blindness-Detection 和 EyePacs 两个基准数据集
4613	2025-04-22	Role of artificial intelligence in predicting disease-related malnutrition - A narrative review 2025-Apr-21, Nutricion hospitalaria IF:1.2Q4 DOI:10.20960/nh.05672 PMID:39873467	综述	本文探讨了人工智能（AI）在预测和管理疾病相关营养不良（DRM）中的潜在作用	利用机器学习和深度学习模型改进传统DRM检测方法，提高准确性和效率	需要大量标准化数据以及与现有系统的集成	探索AI在临床环境中预测和管理DRM的潜力	疾病相关营养不良（DRM）患者	机器学习	营养不良	机器学习和深度学习	ML和DL	电子健康记录	NA
4614	2025-04-22	Epileptic seizure detection in EEG signals using deep learning: LSTM and bidirectional LSTM 2025-Apr-21, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2025.2490136 PMID:40255197	研究论文	提出了一种基于离散小波变换和深度学习的自动检测癫痫发作的新方法	结合了LSTM和双向LSTM网络，形成新的混合LSTM-BiLSTM网络，提高了分类准确率	未提及样本的多样性和模型的泛化能力	开发自动检测癫痫发作的方法	脑电图(EEG)信号	机器学习	癫痫	离散小波变换(DWT)	LSTM, 双向LSTM(BiLSTM)	EEG信号	NA
4615	2025-04-22	Combining Ultrasound Imaging and Molecular Testing in a Multimodal Deep Learning Model for Risk Stratification of Indeterminate Thyroid Nodules 2025-Apr-21, Thyroid : official journal of the American Thyroid Association IF:5.8Q1 DOI:10.1089/thy.2024.0584 PMID:40256961	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4616	2025-04-22	Towards real-time conformal palliative treatment of spine metastases: A deep learning approach for Hounsfield Unit recovery of cone beam CT images 2025-Apr-21, Medical physics IF:3.2Q1 DOI:10.1002/mp.17838 PMID:40257079	研究论文	本研究开发了一个两阶段深度学习模型，用于从锥形束CT（CBCT）扫描快速生成合成CT（sCT）图像，旨在实现脊柱转移瘤患者的实时姑息放疗治疗计划	采用两阶段生成对抗网络（GAN）方法，显著提高了CBCT图像的HU准确性和剂量学一致性，为脊柱转移瘤的实时治疗计划提供了新方案	研究样本量相对有限（220例训练患者和33例验证患者），且仅针对脊柱转移瘤患者	开发一种能够从CBCT扫描快速生成sCT图像的模型，以实现脊柱转移瘤患者的实时姑息放疗治疗计划	脊柱转移瘤患者	数字病理	脊柱转移瘤	深度学习	条件生成对抗网络（cGAN）和循环一致生成对抗网络（CycleGAN）	CT图像	220例患者的CBCT和计划扇束CT图像用于训练和验证，33例患者用于独立测试
4617	2025-04-22	Early operative difficulty assessment in laparoscopic cholecystectomy via snapshot-centric video analysis 2025-Apr-21, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03372-7 PMID:40257703	research paper	该研究提出了一种通过视频分析早期评估腹腔镜胆囊切除术手术难度的方法	提出了SurgPrOD深度学习模型和一种新颖的以快照为中心的注意力模块（SCA），用于从全局和局部时间分辨率分析手术视频	研究仅基于CholeScore数据集进行验证，可能无法涵盖所有手术难度情况	早期识别腹腔镜胆囊切除术的手术难度，以优化手术室规划和改善手术结果	腹腔镜胆囊切除术的手术视频	digital pathology	胆囊疾病	深度学习视频分析	SurgPrOD (deep learning model with SCA module)	video	CholeScore数据集中的手术视频
4618	2025-04-22	Ultrasound detection of nonalcoholic steatohepatitis using convolutional neural networks with dual-branch global-local feature fusion architecture 2025-Apr-21, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03361-7 PMID:40257712	研究论文	本研究利用深度学习技术，通过超声B扫描图像检测非酒精性脂肪性肝炎（NASH），并引入超声特异性数据增强技术和双分支全局-局部特征融合架构以提高模型性能	提出了超声特异性数据增强技术（USDA）和双分支全局-局部特征融合架构（DG-LFFA），以增强模型在不同成像条件下的适应性和性能	样本量较小（137名参与者），可能影响模型的泛化能力	提高非酒精性脂肪性肝炎（NASH）的超声检测准确性和适应性	非酒精性脂肪性肝炎（NASH）患者的超声B扫描图像	计算机视觉	肝病	超声B模式成像，深度学习	CNN（AlexNet, Inception V3, VGG16, VGG19, ResNet50, DenseNet201）	图像	137名参与者
4619	2025-04-22	A Deep Learning Survival Model for Evaluating the Survival Prognosis of Papillary Thyroid Cancer: A Population-Based Cohort Study 2025-Apr-20, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-025-17290-0 PMID:40254654	研究论文	本研究构建了一个基于临床风险因素的深度学习模型，用于预测甲状腺乳头状癌患者的生存预后	首次将深度学习生存模型DeepSurv应用于甲状腺乳头状癌的生存预后评估，并在多个外部数据集上验证了其性能	研究依赖于回顾性数据，可能存在选择偏倚	评估深度学习模型在甲状腺乳头状癌生存预后预测中的表现	甲状腺乳头状癌患者	数字病理	甲状腺癌	深度学习	DeepSurv	临床数据	来自17个美国SEER癌症登记处的连续患者数据(2000-2020年)，以及MDACC和TCGA两个外部测试数据集
4620	2025-04-22	A fully automated, expert-perceptive image quality assessment system for whole-body [18F]FDG PET/CT 2025-Apr-18, EJNMMI research IF:3.1Q1 DOI:10.1186/s13550-025-01238-2 PMID:40249445	research paper	开发了一种基于深度学习的全自动图像质量评估系统，用于评估[18F]FDG PET/CT全身扫描的图像质量	首次将Vision Transformer、Transposed Attention和Scale Swin Transformer Blocks集成到MANIQA框架中，实现了全自动、可解释的临床全身PET/CT图像质量评估	研究为回顾性多中心研究，可能存在选择偏倚；模型在CT图像质量评估方面的Spearman系数相对较低	开发一个专家感知的深度学习图像质量评估系统，解决临床全身PET/CT图像质量缺乏自动化、可解释评估的问题	718名患者的临床全身[18F]FDG PET/CT扫描图像	digital pathology	NA	PET/CT扫描	Vision Transformer, Transposed Attention, Scale Swin Transformer Blocks	image	718名患者的PET/CT扫描图像