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
4801	2025-03-20	Total brain dose estimation in single-isocenter-multiple-targets (SIMT) radiosurgery via a novel deep neural network with spherical convolutions 2025-Mar-18, Medical physics IF:3.2Q1 DOI:10.1002/mp.17748 PMID:40100547	研究论文	本研究开发了一种基于球形卷积的深度学习模型，用于预测单等中心多目标（SIMT）立体定向放射外科（SRS）治疗计划中正常脑组织的剂量	提出了一种新颖的球形卷积神经网络（SCNN）模型，通过将3D体积数据投影到球形几何上进行剂量预测	研究仅基于106个SIMT病例，样本量相对较小，可能影响模型的泛化能力	开发一种深度学习模型，用于预测SIMT SRS治疗计划中正常脑组织的剂量，以提高治疗计划质量的一致性	单等中心多目标（SIMT）立体定向放射外科（SRS）治疗计划中的正常脑组织	数字病理学	脑部疾病	深度学习	球形卷积神经网络（SCNN）	3D体积数据	106个SIMT病例
4802	2025-03-20	Deep learning-based segmentation of ultra-low-dose CT images using an optimized nnU-Net model 2025-Mar-18, La Radiologia medica DOI:10.1007/s11547-025-01989-x PMID:40100539	研究论文	本研究旨在开发一种基于深度学习的管道，用于在超低剂量CT图像上进行器官分割	开发了专门用于噪声CT图像的LD-nnU-Net模型，相较于传统的高质量图像训练的模型，在超低剂量CT图像上表现出色	研究主要依赖于模拟的低剂量CT图像，实际低剂量CT图像的外部数据集验证较少	开发一种深度学习模型，用于在超低剂量CT图像上进行器官分割	274个CT原始数据集，包括全剂量和模拟低剂量CT图像	计算机视觉	NA	深度学习	nnU-Net	CT图像	274个CT原始数据集
4803	2025-03-20	Privacy-Preserving Data Augmentation for Digital Pathology Using Improved DCGAN 2025-Mar-18, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3551720 PMID:40100674	研究论文	本文提出了一种基于改进的深度卷积生成对抗网络（DCGAN）的数据增强方法，用于数字病理学中的全切片图像（WSI）分析	利用自监督预训练的CTransPath模型提取多样且具有代表性的WSI特征，引入最小二乘对抗损失和频域损失以提高像素级精度和结构保真度，并通过残差块和跳跃连接增加网络深度、缓解梯度消失并提高训练稳定性	实验仅在PatchCamelyon数据集上进行，未验证在其他数据集上的泛化能力	解决数字病理学中WSI数据集因隐私法规限制而可用性不足的问题，提升深度学习模型的性能和泛化能力	全切片图像（WSI）	数字病理学	肿瘤学	DCGAN	改进的DCGAN	图像	PatchCamelyon数据集
4804	2025-03-20	Multimodal feature-guided diffusion model for low-count PET image denoising 2025-Mar-18, Medical physics IF:3.2Q1 DOI:10.1002/mp.17764 PMID:40102174	研究论文	本文提出了一种新的多模态特征引导扩散模型（MFG-Diff），用于低计数PET图像去噪，并充分利用MRI信息	MFG-Diff模型通过引入新的退化操作符模拟PET成像的物理退化过程，并使用跨模态引导恢复网络和多模态特征融合模块，充分挖掘LPET和MR图像的模态特定特征	未明确提到具体局限性	研究目的是开发一种能够从低计数PET图像生成高质量标准计数PET图像的方法，以减少辐射暴露	低计数PET图像和MRI图像	计算机视觉	NA	扩散模型	MFG-Diff	图像	未明确提到样本数量
4805	2025-03-20	Histogram matching-enhanced adversarial learning for unsupervised domain adaptation in medical image segmentation 2025-Mar-18, Medical physics IF:3.2Q1 DOI:10.1002/mp.17757 PMID:40102198	研究论文	本文提出了一种基于直方图匹配增强的对抗学习方法（HMeAL-UDA），用于医学图像分割中的无监督域适应，并提供了模型预测的全面不确定性估计	提出了一种新的对抗学习方法，结合直方图匹配策略来减少模型复杂性并提高跨模态特征对齐的效果，同时通过蒙特卡洛dropout量化模型预测的不确定性	方法主要关注分割精度，虽然提供了不确定性估计，但未深入探讨其在临床决策中的具体应用	开发一种简单有效的无监督域适应方法，用于医学图像分割，并提供模型预测的不确定性估计	跨模态医学图像分割	医学图像分割	NA	对抗学习、直方图匹配、蒙特卡洛dropout	对抗学习模型	医学图像（MRI和CT）	30 MRI扫描（20来自CHAOS数据集，10来自内部数据集）和30 CT扫描（来自BTCV数据集），以及240 CT扫描和60 MRI扫描（来自AMOS数据集）
4806	2025-03-20	Magnetic resonance image generation using enhanced TransUNet in Temporomandibular disorder patients 2025-Mar-18, Dento maxillo facial radiology DOI:10.1093/dmfr/twaf017 PMID:40104864	研究论文	本研究开发了一种基于Transformer的深度学习模型，用于从质子密度加权图像生成T2加权图像，以减少颞下颌关节紊乱患者的MRI扫描时间	采用TransUNet架构的生成对抗网络框架，并集成椎间盘分割解码器以提高图像质量	NA	开发一种深度学习模型以减少颞下颌关节紊乱患者的MRI扫描时间	颞下颌关节紊乱患者	计算机视觉	颞下颌关节紊乱	MRI	TransUNet, GAN	图像	178名患者的7,226张图像
4807	2025-03-20	Monitoring and early warning of ovarian cancer using high-dimensional non-parametric EWMA control chart based on sliding window 2025-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86576-w PMID:40091066	研究论文	本文开发了一种基于高维经验似然比检验的滑动窗口EWMA控制图，用于卵巢癌的监测和早期预警	提出了一种新的滑动窗口EWMA控制图，适用于高维数据且无需降维，避免了信息丢失，并能更快地检测指标变化和发出警报	未提及具体样本量，且仅通过肿瘤切除数据示例验证了方法的有效性，可能需要更多实际数据进一步验证	开发一种新的方法来监测和预测卵巢癌	卵巢肿瘤	机器学习	卵巢癌	高维经验似然比检验	EWMA控制图	高维数据	NA
4808	2025-03-20	A deep learning model based on chest CT to predict benign and malignant breast masses and axillary lymph node metastasis 2025-Mar-17, Biomolecules & biomedicine DOI:10.17305/bb.2025.12010 PMID:40100034	研究论文	本研究开发了一种基于胸部CT的深度学习模型，用于预测乳腺肿块的良恶性及腋窝淋巴结转移	利用胸部CT图像开发深度学习模型，用于乳腺肿块的良恶性分类及腋窝淋巴结转移预测，减少了对昂贵后续检查的需求	研究为回顾性设计，样本量相对较小，且仅使用了非增强胸部CT图像	提高乳腺病变的初步评估准确性，减少对昂贵后续检查的需求	482名乳腺肿块患者	计算机视觉	乳腺癌	胸部CT成像	ResNet-34, ResNet-50, ResNet-101	图像	482名患者（良性224例，恶性258例，其中腋窝淋巴结转移阳性91例，阴性167例）
4809	2025-03-20	Voxel-level radiomics and deep learning for predicting pathologic complete response in esophageal squamous cell carcinoma after neoadjuvant immunotherapy and chemotherapy 2025-Mar-15, Journal for immunotherapy of cancer IF:10.3Q1 DOI:10.1136/jitc-2024-011149 PMID:40090670	研究论文	本研究开发并验证了一种基于体素级放射组学和深度学习的模型，用于预测食管鳞状细胞癌患者在新辅助免疫治疗联合化疗后的病理完全缓解	提出了一种新的体素级放射组学方法，结合深度学习模型Vision-Mamba，用于预测病理完全缓解，并在多中心数据上验证了其性能	研究为回顾性研究，可能存在选择偏倚，且外部验证集的样本量较小	开发并验证一种基于术前CT图像的深度学习模型，用于预测食管鳞状细胞癌患者在新辅助免疫治疗联合化疗后的病理完全缓解	食管鳞状细胞癌患者	数字病理	食管鳞状细胞癌	CT成像	Vision-Mamba, 3D-ResNet, Vision Transformer	CT图像	741名患者（469名训练集，118名内部验证集，120名和34名外部验证集）
4810	2025-03-20	A Novel Artificial Intelligence Approach to Kennedy Classification for Partially Edentulous Patients Using Panoramic Radiographs 2025-Mar-13, The European journal of prosthodontics and restorative dentistry DOI:10.1922/EJPRD_2801Hassan09 PMID:40105321	研究论文	本研究旨在开发一种人工智能系统，用于从全景X光片中自动分类部分缺牙弓，并识别现有牙齿以进行自动报告	使用YOLOv8s深度学习模型进行牙齿检测，并结合Kennedy分类系统和Applegate规则进行部分缺牙弓的自动分类	数据集仅包含公开可用的全景X光片，可能无法涵盖所有临床情况	开发一种人工智能系统，用于自动分类部分缺牙弓并识别现有牙齿	部分缺牙患者	计算机视觉	NA	深度学习	YOLOv8s	图像	5261张匿名数字全景X光片，其中1875张高质量图像用于训练、验证和测试
4811	2025-03-20	Deep learning to quantify the pace of brain aging in relation to neurocognitive changes 2025-Mar-11, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2413442122 PMID:39993207	研究论文	本文介绍了一种使用三维卷积神经网络（3D-CNN）从纵向MRI中非侵入性估计大脑衰老速度的方法，并评估其与神经认知变化的关系	引入了一种新的纵向模型（LM），通过3D-CNN从纵向MRI中估计大脑衰老速度，显著优于现有的横截面模型，并能够捕捉神经解剖和神经认知衰老之间的关系	研究主要依赖于MRI数据，未涉及其他生物标志物或分子层面的数据	研究大脑衰老速度与神经认知变化之间的关系，并开发一种非侵入性方法来估计大脑衰老速度	认知正常的成年人和阿尔茨海默病（AD）患者	计算机视觉	阿尔茨海默病	MRI	3D-CNN	图像	训练集：2,055名认知正常成年人；验证集：1,304名认知正常成年人；独立队列：104名认知正常成年人和140名AD患者
4812	2025-03-20	Detection of Anomalies in Data Streams Using the LSTM-CNN Model 2025-Mar-06, Sensors (Basel, Switzerland) DOI:10.3390/s25051610 PMID:40096438	研究论文	本文对应用于数据流异常检测的深度学习方法进行了比较分析，并评估了创新的LSTM-CNN方法的效果	提出了创新的LSTM-CNN方法，并证明其在数据流异常检测中的有效性	仅使用了Yahoo! Webscope S5数据集进行实验，未在其他数据集上验证	比较不同深度学习模型在数据流异常检测中的性能	数据流中的异常检测	机器学习	NA	NA	LSTM, LSTM autoencoder, LSTM-CNN	数据流	Yahoo! Webscope S5数据集
4813	2025-03-20	Deep-Learning-Based Analysis of Electronic Skin Sensing Data 2025-Mar-06, Sensors (Basel, Switzerland) DOI:10.3390/s25051615 PMID:40096464	综述	本文综述了深度学习技术在电子皮肤（e-skin）数据分析中的应用，并探讨了当前挑战和未来发展方向	深度学习技术能够自动提取数据特征并识别模式，显著提升了对复杂e-skin数据的分析能力，特别是在处理多模态数据和实时响应方面	数据标注不足和计算资源需求高限制了e-skin的应用	探讨深度学习技术在e-skin数据分析中的应用，并为后续研究提供启发	电子皮肤（e-skin）数据	机器学习	NA	深度学习	卷积神经网络（CNN）、循环神经网络（RNN）、Transformer	时间序列数据、多模态数据	NA
4814	2025-03-20	Landsat Time Series Reconstruction Using a Closed-Form Continuous Neural Network in the Canadian Prairies Region 2025-Mar-06, Sensors (Basel, Switzerland) DOI:10.3390/s25051622 PMID:40096481	研究论文	本研究探讨了在加拿大草原地区使用封闭式连续深度神经网络（CFC）与循环神经网络（RNN）结合的CFC-mmRNN模型，用于重建1985年至今的Landsat时间序列	提出了一种新的CFC-mmRNN模型，显著提高了Landsat时间序列重建的准确性，相比传统方法在光谱波段上的精度提升了33%至42%	研究主要针对加拿大草原地区，可能在其他地理区域的适用性有待验证	提高Landsat时间序列重建的准确性，以支持更广泛的环境监测和预测应用	Landsat时间序列数据	遥感	NA	封闭式连续深度神经网络（CFC）与循环神经网络（RNN）结合	CFC-mmRNN	卫星图像	1985年至今的Landsat时间序列数据
4815	2025-03-20	YOLO-ACE: Enhancing YOLO with Augmented Contextual Efficiency for Precision Cotton Weed Detection 2025-Mar-06, Sensors (Basel, Switzerland) DOI:10.3390/s25051635 PMID:40096500	研究论文	本文提出了一种名为YOLO-ACE的改进模型，用于提高棉花田中杂草检测的精度和效率	YOLO-ACE通过集成上下文增强模块（CAM）和选择性核注意力机制（SKAttention），以及解耦检测头，提升了多尺度特征捕捉和动态调整感受野的能力	NA	提高棉花田中杂草检测的精度和效率，以满足现代农业杂草管理的严格要求	棉花田中的杂草	计算机视觉	NA	深度学习	YOLOv5s的改进版YOLO-ACE	图像	CottonWeedDet12 (CWD12) 数据集和CropWeed数据集
4816	2025-03-20	Machine Learning-Based Computer Vision for Depth Camera-Based Physiotherapy Movement Assessment: A Systematic Review 2025-Mar-05, Sensors (Basel, Switzerland) DOI:10.3390/s25051586 PMID:40096440	系统性综述	本文系统回顾了2020年至2024年间使用深度摄像头进行物理治疗运动评估的机器学习计算机视觉技术的研究进展	首次系统性地总结了深度摄像头在物理治疗运动评估中的应用、效果和局限性，并提出了未来研究方向	现实世界验证有限、数据集多样性不足、算法泛化能力有待提高	探索机器学习计算机视觉技术在物理治疗运动评估中的应用和效果	物理治疗运动评估	计算机视觉	NA	深度摄像头	传统机器学习和深度学习	RGB-D数据和骨骼数据	18篇符合纳入标准的研究
4817	2025-03-20	Automated Segmentation of Breast Cancer Focal Lesions on Ultrasound Images 2025-Mar-05, Sensors (Basel, Switzerland) DOI:10.3390/s25051593 PMID:40096452	研究论文	本文提出了一种自动化检测和分割乳腺超声图像中病理病变的方法	提出了一种结合随机森林分类器和基于像素亮度差异的病变轮廓选择的两阶段视频图像处理方法	深度学习方法的模型验证不足和训练数据库收集复杂	开发有效的算法用于乳腺超声图像的分割、分类和分析	乳腺超声图像中的病理病变	计算机视觉	乳腺癌	超声成像	随机森林分类器	超声视频	52个包含组织学证实的可疑病变的超声视频
4818	2025-03-20	Quality of Experience (QoE) in Cloud Gaming: A Comparative Analysis of Deep Learning Techniques via Facial Emotions in a Virtual Reality Environment 2025-Mar-05, Sensors (Basel, Switzerland) DOI:10.3390/s25051594 PMID:40096493	研究论文	本文比较了在虚拟现实环境中通过玩家面部表情评估云游戏体验质量（QoE）的深度学习技术	提出了一种基于卷积神经网络（CNN）架构的EmotionNET模型技术，用于通过面部表情评估云游戏体验质量，并与ConvoNEXT、EfficientNET和Vision Transformer（ViT）等其他深度学习技术进行了比较	传统评估方法未能准确捕捉用户的实际体验质量，部分用户对提供反馈不认真，即使服务符合SLA，部分玩家仍声称未收到承诺的服务	提高云游戏用户的体验质量（QoE）	云游戏玩家	计算机视觉	NA	深度学习（DL）	CNN, ConvoNEXT, EfficientNET, Vision Transformer (ViT)	面部表情数据	自定义数据集，EmotionNET模型训练准确率为98.9%，验证准确率为87.8%
4819	2025-03-20	Graph neural networks for single-cell omics data: a review of approaches and applications 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf109 PMID:40091193	综述	本文系统回顾了图神经网络（GNNs）在单细胞组学数据分析中的应用，涵盖了107个成功案例及其六种变体	将图神经网络应用于非欧几里得数据的单细胞组学分析，解决了传统深度学习方法在处理高维稀疏数据时的困难	当前研究存在潜在不足，未来研究需要进一步探索和改进	探讨图神经网络在单细胞组学数据分析中的应用及其潜力	单细胞组学数据，包括表观基因组学、转录组学、空间转录组学、蛋白质组学和多组学数据	机器学习	NA	单细胞测序技术	图神经网络（GNNs）及其六种变体	单细胞组学数据	77个公开可用的单细胞数据集
4820	2025-03-20	Research on Network Intrusion Detection Model Based on Hybrid Sampling and Deep Learning 2025-Mar-04, Sensors (Basel, Switzerland) DOI:10.3390/s25051578 PMID:40096461	研究论文	本研究提出了一种基于混合采样和深度学习的增强型网络入侵检测模型TRBMA，旨在解决现有模型在时间特征学习不完整和恶意流量分类准确率低的问题	TRBMA模型结合了Temporal Convolutional Networks (TCNs)、Bidirectional Gated Recurrent Units (BiGRUs)和Multi-Head Self-Attention机制，改进了ResNet18架构，并引入了AdamW优化器以提高模型训练的收敛速度和泛化能力	NA	提高网络入侵检测模型的准确率，特别是对恶意流量类型的识别	网络流量数据，特别是恶意流量类型	机器学习	NA	深度学习	1D-TCN-ResNet-BiGRU-Multi-Head Attention (TRBMA)	时间序列数据	CIC-IDS-2017数据集