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
4921	2025-03-05	Geometric deep learning with adaptive full-band spatial diffusion for accurate, efficient, and robust cortical parcellation 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103492 PMID:39954339	研究论文	本文提出了一种基于几何深度学习的自适应全频带空间扩散策略，用于准确、高效且稳健的大脑皮层分区	提出了一种全频带谱加速空间扩散策略，直接在个体空间中对原始表面进行分区，减少了预处理步骤，并构建了一个紧凑的深度网络（Cortex-Diffusion）用于全自动分区	未提及具体局限性	提高大脑皮层分区的准确性、效率和稳健性	婴儿和成人的大脑成像数据集	计算机视觉	NA	几何深度学习	Cortex-Diffusion	3D顶点坐标	未提及具体样本数量
4922	2025-03-05	Self-supervised 3D medical image segmentation by flow-guided mask propagation learning 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103478 PMID:39965534	研究论文	本文提出了一种名为Flow2Mask的自监督3D医学图像分割方法，旨在通过流引导的掩码传播学习减少手动标注的工作量	Flow2Mask引入了局部到全局（L2G）损失和切片间平滑性（ISS）损失，以无监督方式学习体积内的切片间流场，并通过自动选择最具代表性的切片作为初始标注来改进掩码传播过程	尽管Flow2Mask在多个腹部数据集上表现优异，但其在局部信息和全局信息之间的平衡仍需进一步优化，且可能存在误差累积问题	开发一种自监督的3D医学图像分割方法，以减少手动标注的需求并提高分割精度	3D医学图像	数字病理	NA	自监督学习	Flow2Mask	3D图像	Sliver、CHAOS和3D-IRCAD数据集
4923	2025-03-05	A-Eval: A benchmark for cross-dataset and cross-modality evaluation of abdominal multi-organ segmentation 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103499 PMID:39970528	研究论文	本文介绍了A-Eval，一个用于跨数据集和跨模态评估腹部多器官分割的基准，整合了七个CT和MRI模态的数据集	提出了一个新的基准A-Eval，用于评估腹部多器官分割模型在不同数据集和成像模态间的泛化能力	尽管数据集规模增大，模型在未见数据上的表现仍然不一致，且注释不一致性带来挑战	评估和提升腹部多器官分割模型在不同数据集和成像模态间的泛化能力	腹部多器官分割模型	计算机视觉	NA	深度学习	NA	图像	七个数据集，涵盖CT和MRI模态
4924	2025-03-05	Comparative analysis for accurate multi-classification of brain tumor based on significant deep learning models 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109872 PMID:39970824	研究论文	本文提出了一种基于深度学习的脑肿瘤多分类方法，使用MRI扫描和多种深度学习模型进行准确分类	本研究创新性地比较了Swin Transformer、EfficientNet和传统CNN在脑肿瘤分类中的表现，发现Swin Transformer和EfficientNet在测试准确率上优于传统CNN	未提及具体局限性	提高脑肿瘤分类的准确性，以支持有效治疗	脑肿瘤（包括胶质瘤、脑膜瘤和垂体瘤）和健康大脑的MRI扫描数据	计算机视觉	脑肿瘤	深度学习	CNN, Swin Transformer, EfficientNet	MRI图像	未提及具体样本数量
4925	2025-03-05	SegmentAnyBone: A universal model that segments any bone at any location on MRI 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103469 PMID:39978015	研究论文	本文提出了一种名为SegmentAnyBone的通用深度学习模型，用于在MRI图像上分割任何位置的骨骼	提出了一种基于Segment Anything Model (SAM)的创新基础模型SegmentAnyBone，能够处理多种MRI协议和不同解剖区域	NA	开发一种能够在MRI图像上精确分割骨骼的通用模型，以支持更准确的诊断和治疗规划	MRI图像中的骨骼	计算机视觉	NA	深度学习	SegmentAnyBone (基于SAM)	MRI图像	320个标注的体积和超过10k个标注的切片，涵盖多种解剖区域
4926	2025-03-05	Multimodal deep learning fusion of ultrafast-DCE MRI and clinical information for breast lesion classification 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109721 PMID:39978091	研究论文	本研究开发并评估了一种新型多模态深度学习模型，结合超快动态对比增强MRI图像、病变特征和临床信息，用于乳腺病变分类	提出了一种基于Transformer的多模态深度学习架构MMST-V，能够整合影像和非影像数据，提高乳腺病变分类的诊断性能	数据来源于单一临床中心，可能存在样本选择偏差	开发并评估一种多模态深度学习模型，用于乳腺病变分类	乳腺病变	计算机视觉	乳腺癌	超快动态对比增强MRI	Transformer, MMST-V	图像, 临床数据	240名患者的987个病变（280个良性病变，121个恶性病变，586个良性淋巴结）和1081份报告
4927	2025-03-05	Parkinson's disease tremor prediction towards real-time suppression: A self-attention deep temporal convolutional network approach 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109814 PMID:39978094	研究论文	本文提出了一种自注意力深度时间卷积网络（SADTCN）模型，用于实时预测帕金森病震颤（PDT）信号，并评估其在多步预测中的性能	SADTCN模型能够捕捉PDT信号的短期和长期依赖关系以及复杂的时空动态，从而有效适应不同的震颤特性，并在多步预测中表现出色	模型仅在实验性手部PDT数据上进行了评估，未涉及其他类型的震颤或更大规模的数据集	开发一种能够实时预测帕金森病震颤信号的模型，以支持辅助技术的发展	帕金森病震颤（PDT）信号	机器学习	帕金森病	短时傅里叶变换（STFT）	自注意力深度时间卷积网络（SADTCN）	时间序列数据	实验性手部PDT数据
4928	2025-03-05	Transforming personalized weight forecasting: From the Personalized Metabolic Avatar to the Generalized Metabolic Avatar 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109879 PMID:39978095	研究论文	本文提出了一种广义代谢化身（GMA）模型，用于预测更广泛用户的体重变化，减少对个体数据测量的依赖	通过引入年龄和性别等参数，GMA模型消除了对个体数据测量的需求，显著提高了计算效率并保持了预测准确性	GMA模型在理想条件和实际场景中的预测准确性仍有改进空间，特别是在实际场景中的RMSE较高	开发一种更通用的代谢预测模型，减少对个体数据测量的依赖	体重变化预测	机器学习	NA	深度学习	GRU（门控循环单元）	营养组成和每日能量平衡数据	NA
4929	2025-03-05	C-UQ: Conflict-based uncertainty quantification-A case study in lung cancer classification 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109825 PMID:39978099	研究论文	本研究提出了一种基于冲突的不确定性量化方法，应用于肺癌分类的案例研究，结合Dempster-Shafer理论和深度集成方法	引入了一种新的基于冲突的不确定性量化方法，利用Dempster-Shafer理论和深度集成方法，通过冲突作为不确定性度量来聚合多个神经网络模型的预测	计算需求可能对实时应用构成挑战，未来工作将集中在优化效率和探索替代的Dempster-Shafer理论组合规则和混合模型	提高深度学习模型在医学诊断中的预测置信度和临床决策的可靠性	肺癌分类	数字病理学	肺癌	深度集成方法	神经网络模型	3D生物医学数据	LIDC-IDRI数据集和其他3D生物医学数据集
4930	2025-03-05	Addressing imbalance in health data: Synthetic minority oversampling using deep learning 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109830 PMID:39983361	研究论文	本文提出了一种基于深度学习的合成少数类过采样方法，用于解决医疗数据中的类别不平衡问题	提出了一种结合辅助引导条件变分自编码器（ACVAE）和对比学习的深度学习方法，并引入集成技术，通过ACVAE生成合成正样本，并使用编辑质心位移最近邻（ECDNN）算法减少多数类样本	方法在复杂数据分布和异构数据类型处理上仍有改进空间	解决医疗数据中的类别不平衡问题，以提高机器学习模型的性能	医疗数据	机器学习	NA	深度学习	ACVAE, ECDNN	医疗数据	12个不同的医疗数据集
4931	2025-03-05	A multi-task self-supervised approach for mass detection in automated breast ultrasound using double attention recurrent residual U-Net 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109829 PMID:39983360	研究论文	本文提出了一种基于自监督框架的新型计算机辅助检测系统，用于自动乳腺超声中的肿块检测，旨在减少放射科医生的工作量并提高检测准确性	引入了自监督框架，利用未标注的ABUS数据集改进检测结果，并提出了创新的3D卷积神经网络DATTR2U-Net，采用多任务学习方法同时训练修复和去噪任务	高度依赖训练样本数量，可能在平衡检测准确性和假阳性率方面存在挑战	开发高效的计算机辅助检测系统，以提高乳腺超声中肿块检测的准确性并减少放射科医生的工作量	自动乳腺超声（ABUS）图像	计算机视觉	乳腺癌	自监督学习	DATTR2U-Net（双注意力循环残差U-Net）	3D图像	TDSCABUS公共数据集
4932	2025-03-05	RNA structure prediction using deep learning - A comprehensive review 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109845 PMID:39983363	综述	本文综述了使用深度学习技术进行RNA结构预测的多种策略，包括特征提取方法、现有最先进的学习模型架构和预测方法	强调了深度学习在RNA二级结构预测中的应用，提供了对现有技术和模型的比较分析，并指出了文献中的空白和当前挑战	文章主要集中于现有技术的综述，未涉及具体实验验证或新方法的提出	旨在提供RNA结构预测领域的深度学习技术综述，促进该领域的进一步研究	RNA二级结构	计算生物学	NA	深度学习	NA	NA	NA
4933	2025-03-05	AI-MET: A deep learning-based clinical decision support system for distinguishing multisystem inflammatory syndrome in children from endemic typhus 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109815 PMID:39987695	研究论文	本文介绍了一种基于深度学习的临床决策支持系统AI-MET，用于区分儿童多系统炎症综合征（MIS-C）和地方性斑疹伤寒	AI-MET系统能够在患者急诊科就诊的前六小时内，仅使用临床和实验室特征，及时区分MIS-C和地方性斑疹伤寒，且在所有评估指标上表现优异	研究样本量相对较小，仅包括87名斑疹伤寒患者和133名MIS-C患者，且验证数据集仅包含111名MIS-C患者	开发一种能够区分MIS-C和地方性斑疹伤寒的临床决策支持系统，以改善这两种疾病的早期诊断	儿童多系统炎症综合征（MIS-C）和地方性斑疹伤寒患者	数字病理	儿童多系统炎症综合征	深度学习	深度学习模型	临床和实验室数据	87名斑疹伤寒患者和133名MIS-C患者，验证数据集包含111名MIS-C患者
4934	2025-03-05	Improving explanations for medical X-ray diagnosis combining variational autoencoders and adversarial machine learning 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109857 PMID:39999495	研究论文	本文提出了一种结合变分自编码器和对抗性机器学习的新型深度学习架构，旨在提高医学X光诊断的可解释性	利用变分自编码器在低维嵌入空间中生成图像的线性修改，并在原始图像空间中重建这些修改为非线性解释，通过全局和局部正则化潜在空间来存储图像的视觉和语义信息	未提及具体局限性	提高医学X光诊断的可解释性	医学X光图像	计算机视觉	NA	变分自编码器，对抗性机器学习	变分自编码器，多目标遗传算法	图像	未提及具体样本数量
4935	2025-03-05	Prediction and detection of terminal diseases using Internet of Medical Things: A review 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109835 PMID:39999492	综述	本文综述了人工智能（AI）与医疗物联网（IoMT）结合在疾病预测和检测中的应用，探讨了数据异质性、隐私问题和模型泛化能力等挑战	本文创新性地评估了AI-IoMT技术在预测慢性病和终末期疾病中的有效性，并提出了改进模型鲁棒性、数据安全性和互操作性的先进策略，如联邦学习、迁移学习和区块链技术	尽管本文提出了多种改进策略，但仍需进一步研究数据协调、安全框架和多疾病模型的开发，以实现可扩展和全面的AI-IoMT解决方案	研究目的是评估AI-IoMT技术在疾病预测和检测中的有效性，并探讨其面临的挑战和改进策略	研究对象包括心血管疾病、阿尔茨海默病和癌症等慢性病和终末期疾病	医疗物联网	心血管疾病、阿尔茨海默病、癌症	联邦学习、迁移学习、区块链	XGBoost、随机森林、CNN、LSTM	医疗数据	NA
4936	2025-03-05	Deep learning-based LDL-C level prediction and explainable AI interpretation 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109905 PMID:40010176	研究论文	本研究探讨了使用深度学习模型预测低密度脂蛋白胆固醇（LDL-C）水平，并通过可解释的AI方法解释预测结果	使用深度学习模型（如CNN、RNN和LSTM）预测LDL-C水平，并通过LIME方法解释模型预测结果，相比传统方法和公式，深度学习模型在预测LDL-C水平上表现更优	深度学习模型的解释需要更多的计算资源	预测低密度脂蛋白胆固醇（LDL-C）水平，并评估其在心血管疾病风险评估和制定治疗方案中的应用	低密度脂蛋白胆固醇（LDL-C）水平	机器学习	心血管疾病	深度学习	CNN, RNN, LSTM	医疗数据（包括甘油三酯、总胆固醇和高密度脂蛋白胆固醇）	来自纽约-长老会医院/威尔康奈尔医学中心的数据集
4937	2025-03-05	ResGEM: Multi-Scale Graph Embedding Network for Residual Mesh Denoising 2025-Apr, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2024.3378309 PMID:38498760	研究论文	本文提出了一种新的多尺度图嵌入网络ResGEM，用于残差网格去噪，通过并行处理法线和顶点分支来平衡平滑度和几何细节	引入了ResGEM，一种新的图卷积网络，具有多尺度嵌入模块和残差解码结构，用于网格去噪，并提出新的正则化项以增强网络的平滑和泛化能力	NA	提高3D网格去噪的精度和效率，特别是在处理具有不规则拓扑结构的网格时	噪声污染的3D网格	计算机视觉	NA	图卷积网络(GCNs)	ResGEM	3D网格数据	合成和真实扫描的数据集
4938	2025-03-05	Cooperative multi-task learning and interpretable image biomarkers for glioma grading and molecular subtyping 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103435 PMID:39778265	研究论文	本文提出了一种新的协作多任务学习网络（CMTLNet），用于同时预测胶质瘤的组织学分级和分子亚型，并提供可靠的影像生物标志物	提出了一种新的协作多任务学习网络（CMTLNet），包括任务通用特征提取模块、任务特定特征提取模块和特征协作分类模块，通过SHAP值和相关性分析探索了每个胶质瘤预测任务的深度特征引导的可解释放射组学生物标志物	NA	准确预测胶质瘤的组织学分级和分子亚型，并提供可靠的影像生物标志物	胶质瘤	计算机视觉	胶质瘤	深度学习	CMTLNet	图像	超过1800例的多中心数据集
4939	2025-03-05	EAMAPG: Explainable Adversarial Model Analysis via Projected Gradient Descent 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109788 PMID:39946791	研究论文	本研究提出了一种新的可解释性方法，使用投影梯度下降（PGD）生成对抗样本来分析医学图像，以提高深度学习模型的透明度	通过引入投影梯度下降（PGD）生成对抗样本，分析影响模型决策的关键特征，为医学图像分析提供了一种新的可解释性方法	研究仅测试了六种常见的卷积神经网络模型，可能无法涵盖所有深度学习模型的特性	提高深度学习模型在医学图像分析中的透明度和可解释性	脑肿瘤、眼病和COVID-19数据集	计算机视觉	脑肿瘤、眼病、COVID-19	投影梯度下降（PGD）	CNN（包括DenseNet121、InceptionV3、ResNet101等）	图像	NA
4940	2025-03-05	Gabor-modulated depth separable convolution for retinal vessel segmentation in fundus images 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109789 PMID:39946785	研究论文	本文提出了一种基于Gabor调制深度可分离卷积的UNet模型，用于眼底图像中的视网膜血管分割	结合Gabor滤波器的方向敏感性和深度可分离卷积的效率，有效解决了视网膜血管分割中的几何变换问题	模型在数据可用性有限的情况下表现良好，但在更广泛的数据集上的泛化能力仍需验证	提高糖尿病视网膜病变中视网膜血管分割的准确性	眼底图像中的视网膜血管	计算机视觉	糖尿病视网膜病变	Gabor滤波器和深度可分离卷积	UNet	图像	DRIVE、STARE和CHASE_DB1数据集