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
5001	2025-03-05	SAF-IS: A spatial annotation free framework for instance segmentation of surgical tools 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103471 PMID:39854817	研究论文	本文提出了一种无需空间注释的手术工具实例分割框架SAF-IS，利用二元工具掩码和工具存在标签进行训练	提出了一种不依赖空间注释的实例分割框架，仅需二元工具掩码和工具存在标签，减少了标注成本	依赖于二元工具掩码的准确性，且需要人工操作员进行少量实例的工具类型标注	开发一种无需空间注释的手术工具实例分割方法，以降低标注成本并提高分割效果	手术工具	计算机视觉	NA	深度学习	NA	图像	EndoVis 2017和2018分割数据集
5002	2025-03-05	TractGraphFormer: Anatomically informed hybrid graph CNN-transformer network for interpretable sex and age prediction from diffusion MRI tractography 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103476 PMID:39870000	研究论文	本文介绍了一种名为TractGraphFormer的混合图CNN-Transformer深度学习框架，用于从扩散MRI纤维束成像中预测性别和年龄	TractGraphFormer结合了局部解剖特征和全局特征依赖，通过图CNN模块捕捉白质几何和灰质连接性，并通过Transformer模块增强全局信息学习，同时包含一个注意力模块用于解释预测性白质连接	NA	研究目的是通过扩散MRI纤维束成像预测个体的性别和年龄	研究对象包括儿童（n = 9345）和年轻成年人（n = 1065）	数字病理学	NA	扩散MRI纤维束成像	Graph CNN-Transformer	图像	儿童（n = 9345）和年轻成年人（n = 1065）
5003	2025-03-05	Application-driven validation of posteriors in inverse problems 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103474 PMID:39892221	研究论文	本文提出了一个系统框架，用于在逆问题中基于应用需求验证后验方法	首次将目标检测验证中的关键原则应用于后验方法的验证，提出了模式中心验证方法	未提及具体局限性	解决逆问题中多解情况下的后验方法验证问题	后验方法（如条件扩散模型和可逆神经网络）	计算机视觉	NA	NA	条件扩散模型、可逆神经网络	图像	NA
5004	2025-03-05	DSAM: A deep learning framework for analyzing temporal and spatial dynamics in brain networks 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103462 PMID:39892220	研究论文	本文提出了一种名为DSAM的深度学习框架，用于分析脑网络中的时空动态	DSAM框架通过时间因果卷积网络捕捉时间动态，使用时间注意单元识别重要时间点，自注意单元构建目标特定的连接矩阵，并采用图神经网络的变体捕捉空间动态，用于下游分类	NA	研究目标是开发一种深度学习框架，以更好地理解脑网络中的时空动态	研究对象为人类脑网络，具体使用了Human Connectome Project数据集和Adolescent Brain Cognitive Development数据集	机器学习	NA	rs-fMRI	图神经网络	时间序列数据	Human Connectome Project数据集包含1075个样本，Adolescent Brain Cognitive Development数据集包含8520个样本
5005	2025-03-05	Multiscale deep learning radiomics for predicting recurrence-free survival in pancreatic cancer: A multicenter study 2025-Apr, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110770 PMID:39894259	研究论文	本研究旨在开发和验证一种多尺度深度学习放射组学列线图，用于预测胰腺导管腺癌患者的无复发生存期	结合手工放射组学和深度学习特征，构建多尺度列线图，显著优于传统的AJCC分期系统	研究结果需要进一步在多中心、大样本中进行验证	预测胰腺导管腺癌患者的无复发生存期	469名胰腺导管腺癌患者	数字病理	胰腺癌	深度学习	多尺度深度学习模型	图像	469名患者，来自四家医院
5006	2025-03-05	Personalized auto-segmentation for magnetic resonance imaging-guided adaptive radiotherapy of large brain metastases 2025-Apr, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110773 PMID:39914742	研究论文	本研究开发了一种两阶段的个性化深度学习自动分割（DLAS）模型，以辅助在线描绘大型脑转移瘤（BMs），旨在优化磁共振引导的自适应放射治疗（MRgART）的工作流程	提出了一个两阶段的个性化DLAS模型，显著提高了在MRgART过程中对大型BMs的分割精度和效率	研究样本量相对较小，仅包括20个大型BMs的741张每日在线MR图像	优化磁共振引导的自适应放射治疗（MRgART）的工作流程，提高大型脑转移瘤（BMs）的治疗效果	大型脑转移瘤（BMs）	医学影像分析	脑转移瘤	深度学习自动分割（DLAS）	深度学习模型	磁共振图像（MRI）	177个BMs的多序列图像用于基础模型训练，20个大型BMs的741张每日在线MR图像用于个性化模型开发
5007	2025-03-05	Deep graph embedding based on Laplacian eigenmaps for MR fingerprinting reconstruction 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103481 PMID:39923317	研究论文	本文提出了一种基于拉普拉斯特征映射的深度图嵌入框架，用于改进磁共振指纹（MRF）重建	引入了一种新的深度图嵌入框架，能够有效利用MRF数据中的非局部和非线性相关性，并通过展开迭代优化过程到深度神经网络中提高了计算效率	虽然提高了重建质量和计算效率，但方法的解释性可能仍然有限，且需要进一步验证其在不同数据集上的泛化能力	改进磁共振指纹（MRF）重建的质量和计算效率	磁共振指纹（MRF）数据和多参数图	计算机视觉	NA	磁共振指纹（MRF）	深度神经网络	图像	NA
5008	2025-03-05	Assessing multiple MRI sequences in deep learning-based synthetic CT generation for MR-only radiation therapy of head and neck cancers 2025-Apr, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110782 PMID:39929288	研究论文	本研究探讨了多种磁共振（MR）序列对头颈部区域深度学习合成CT（sCT）生成质量的影响	使用多种MR序列作为输入，训练14种独特的深度学习模型，以生成sCT，并评估不同多通道MR-sCT模型的质量	增加通道数虽然降低了像素误差，但也增加了人工组织，导致自动轮廓绘制和剂量测定准确性下降	评估多种MR序列对深度学习合成CT生成质量的影响，以支持头颈部癌症的MR-only放射治疗计划	26名头颈部癌症患者的12个MR序列（T1pre、T1post-contrast、T2，每个序列包含4个Dixon图像）	数字病理学	头颈部癌症	深度学习	U-Net	图像	26名患者的12个MR序列
5009	2025-03-05	"Brain state network dynamics in pediatric epilepsy: Chaotic attractor transition ensemble network" 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109832 PMID:39951978	研究论文	本文提出了一种新的集成框架CATE-NET，用于识别儿童癫痫的神经动力学特征，通过结合混沌和动力系统理论，改进癫痫脑状态的检测和理解	CATE-NET框架结合了混沌吸引子、深度学习和概率图，提供了脑状态分析、特征提取和拓扑映射的新平台，并通过可解释的AI（XAI）阐明了混沌吸引子模式和概率转换如何贡献于脑状态分类和癫痫状态动态转换	NA	改进儿童癫痫的脑状态检测和理解，以促进有效的临床干预	儿童癫痫患者的脑电图（EEG）信号	数字病理学	癫痫	混沌和动力系统理论，深度学习	LSTM	EEG信号	NA
5010	2025-03-05	Detection of brain tumors using a transfer learning-based optimized ResNet152 model in MR images 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109790 PMID:39951980	研究论文	本研究探讨了基于迁移学习的优化ResNet152模型在MR图像中检测脑肿瘤的有效性	结合深度学习和传统机器学习技术，使用预训练的ResNet152和GoogleNet模型提取特征，并通过多种分类器进行比较，ResNet152在准确率、F1分数和敏感性方面表现更优	未提及模型在其他类型肿瘤或不同数据集上的泛化能力	提高脑肿瘤诊断的准确性	脑肿瘤的MR图像	计算机视觉	脑肿瘤	迁移学习、PCA降维、数据增强	ResNet152、GoogleNet、SVM、KNN、CART、GNB	图像	数据集分为训练集（80%）和测试集（20%）
5011	2025-03-05	Illuminating the unseen: Advancing MRI domain generalization through causality 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103459 PMID:39952023	研究论文	本文提出了一种专门用于加速MRI重建的领域泛化框架，旨在提高在未见过的领域中的鲁棒性	提出了首个针对加速MRI重建的领域泛化框架，并引入了一种新的机制级不变性方法GenCA-MRI，通过对齐MRI数据中的内在因果关系来提高泛化能力	NA	解决加速MRI重建在训练和测试数据集之间领域转移（如图像对比度、解剖区域和采集策略的变化）时的挑战	MRI数据	计算机视觉	NA	深度学习	GenCA-MRI	图像	fastMRI和IXI数据集
5012	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
5013	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
5014	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
5015	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
5016	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
5017	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
5018	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
5019	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
5020	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