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
5601	2025-03-21	Establishment and validation of a ResNet-based radiomics model for predicting prognosis in cervical spinal cord injury patients 2025-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-94358-7 PMID:40097664	研究论文	本研究旨在开发和验证一个基于ResNet的放射组学模型，结合影像和临床特征，预测颈脊髓损伤（cSCI）患者伤后六个月的预后	结合放射组学和临床特征，开发了一个综合模型，用于预测cSCI患者的预后，这是该领域的一个创新点	研究依赖于回顾性和前瞻性数据，可能存在选择偏差，且样本量相对较小	开发一个结合影像和临床特征的模型，以预测cSCI患者的预后，指导治疗和康复计划	颈脊髓损伤（cSCI）患者	数字病理学	颈脊髓损伤	放射组学，ResNet深度学习	ResNet, SVM, LR, NaiveBayes, KNN, RF, ExtraTrees, XGBoost, LightGBM, GradientBoosting, AdaBoosting, MLP	影像数据，临床数据	168例cSCI患者（回顾性队列），43例cSCI患者（前瞻性队列）
5602	2025-03-21	A Two stage deep learning network for automated femoral segmentation in bilateral lower limb CT scans 2025-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-94180-1 PMID:40097821	研究论文	本研究开发了一种基于深度学习的两阶段网络，用于在双侧下肢CT扫描中自动分割股骨	提出了一种双阶段方法，包括快速划定感兴趣区域和股骨的语义分割，相比单阶段SegResNet架构，具有更快的收敛速度、更短的推理时间和更高的分割精度	样本量相对较小，仅包含100个样本	开发一种高效且精确的股骨分割方法，以支持大规模和复杂的医学影像数据集	双侧下肢CT扫描中的股骨	计算机视觉	NA	深度学习	两阶段网络	CT图像	100个样本（85个用于训练，8个用于验证，7个用于测试）
5603	2025-03-21	LI-RADS-based hepatocellular carcinoma risk mapping using contrast-enhanced MRI and self-configuring deep learning 2025-Mar-17, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-025-00844-6 PMID:40097992	研究论文	本研究旨在使用nnU-Net框架创建和评估一种基于LI-RADS v2018的自动分割模型，用于肝细胞癌（HCC）风险评估	利用nnU-Net框架实现自动分割和分类，生成HCC风险图，提高了LI-RADS分类的自动化水平	自动LI-RADS分类仍需改进，例如通过大型多中心研究进一步优化	开发并评估一种基于深度学习的自动分割模型，用于HCC风险评估	602名有HCC风险的患者，他们进行了动态EOB-MRI检查	计算机视觉	肝细胞癌	nnU-Net	U-Net	MRI图像	602名患者（383名训练集，219名内部测试集，16名外部测试集）
5604	2025-03-21	Deep learning-based fully automated detection and segmentation of pelvic lymph nodes on diffusion-weighted images for prostate cancer: a multicenter study 2025-Mar-17, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-025-00840-w PMID:40098034	研究论文	本研究利用3D V-Net模型，基于盆腔扩散加权成像（DWI）扫描，实现了前列腺癌患者盆腔淋巴结的自动检测和分割	首次将3D V-Net模型应用于前列腺癌患者盆腔淋巴结的自动检测和分割，提高了效率和准确性	外部验证数据集规模相对较小，可能影响模型的泛化能力	提高前列腺癌患者盆腔淋巴结检测和分割的效率和准确性	前列腺癌患者的盆腔淋巴结	数字病理	前列腺癌	扩散加权成像（DWI）	3D V-Net	图像	1,151名患者（训练集），401名患者（外部验证集），共32,507个标注淋巴结
5605	2025-03-21	TransGeneSelector: using a transformer approach to mine key genes from small transcriptomic datasets in plant responses to various environments 2025-Mar-17, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-025-11434-y PMID:40098114	研究论文	本研究介绍了TransGeneSelector，一个专门设计用于从小型转录组数据集中挖掘关键基因的深度学习框架	首次将Wasserstein生成对抗网络与梯度惩罚（WGAN-GP）和基于Transformer的分类网络结合，用于小样本转录组数据的基因挖掘	主要局限在于其应用仅限于小型转录组数据集，可能不适用于大规模数据集	开发一个深度学习框架，用于从小型转录组数据集中挖掘关键基因，以理解植物对环境条件的响应机制	拟南芥（Arabidopsis thaliana）的种子萌发和热应激条件下的基因表达数据	机器学习	NA	RNA-seq	WGAN-GP, Transformer	转录组数据	小型转录组数据集
5606	2025-03-21	Presenting a prediction model for HELLP syndrome through data mining 2025-Mar-17, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-02904-0 PMID:40098129	研究论文	本研究旨在通过数据挖掘技术提出一个用于诊断HELLP综合征的机器学习模型	首次使用机器学习方法基于非侵入性参数诊断HELLP综合征，并比较了多种机器学习算法的性能	研究样本仅来自一家医院，可能限制了模型的泛化能力	开发一个有效的HELLP综合征诊断模型	384名在2010-2021年间在Tajrish医院就诊的患者	机器学习	妊娠相关疾病	数据挖掘	多层感知器、深度学习、KNN、随机森林、AdaBoost、XGBoost、逻辑回归、支持向量机、决策树	医疗记录	384名患者
5607	2025-03-21	A multimodal framework for assessing the link between pathomics, transcriptomics, and pancreatic cancer mutations 2025-Mar-15, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102526 PMID:40107149	研究论文	本研究开发了一个可解释的多模态框架，用于预测胰腺导管腺癌（PDAC）中的关键基因突变，结合了病理组学和转录组学数据	创新点在于结合了病理组学和转录组学数据，使用多模态深度学习模型预测PDAC中的基因突变，并通过注意力机制和SHAP方法解释模型结果	研究的外部验证集仅使用了CPTAC-PDA数据集，样本量可能有限，且对于SMAD4和CDKN2A基因的预测性能较低	研究目的是开发一个可解释的多模态框架，用于预测PDAC中的关键基因突变	研究对象是胰腺导管腺癌（PDAC）中的KRAS、TP53、SMAD4和CDKN2A基因突变	数字病理学	胰腺癌	RNA-seq	CLAM（Clustering-constrained Attention Multiple Instance Learning）、ResNet50、UNI、CONCH、自动编码器	图像、RNA-seq数据	两个独立数据集：TCGA-PAAD（训练集）和CPTAC-PDA（外部验证集）
5608	2025-03-21	CQENet: A segmentation model for nasopharyngeal carcinoma based on confidence quantitative evaluation 2025-Mar-13, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102525 PMID:40107148	研究论文	本文提出了一种基于置信度定量评估的鼻咽癌自动分割模型CQENet，旨在提高鼻咽癌肿瘤区域的精确分割	引入了置信度评估模块（CAM）以输出分割结果的置信度，提出肿瘤特征调整模块（FAM）用于精确定位肿瘤位置和范围，以及方差注意力机制（VAM）用于辅助模糊边界的精细分割	未提及具体的局限性	提高鼻咽癌肿瘤区域的自动分割精度，增强模型输出结果的置信度量化	鼻咽癌肿瘤区域	计算机视觉	鼻咽癌	深度学习	CQENet	图像	多中心鼻咽癌数据集
5609	2025-03-21	Assessing Public Interest in Mammography, Computed Tomography Lung Cancer Screening, and Computed Tomography Colonography Screening Examinations Using Internet Search Data: Cross-Sectional Study 2025-Mar-11, JMIR cancer IF:3.3Q2 DOI:10.2196/53328 PMID:40068175	研究论文	本研究利用Google搜索数据评估公众对乳腺X线摄影（MG）、低剂量CT肺癌筛查（LCS）和CT结肠成像（CTC）筛查技术的兴趣，并确定最常见的搜索主题	利用互联网搜索数据量化公众对三种常见癌症筛查技术的兴趣，并分析相关搜索主题，为制定公众意识策略提供依据	研究依赖于Google搜索数据，可能无法完全代表所有公众的兴趣和关注点	比较MG、LCS和CTC的历史Google搜索量，并确定最常见的搜索主题	公众对MG、LCS和CTC筛查技术的兴趣	数字病理	肺癌	Google Trends数据分析	NA	文本	过去20年的Google搜索数据
5610	2025-03-21	Photodiagnosis with deep learning: A GAN and autoencoder-based approach for diabetic retinopathy detection 2025-Mar-08, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2025.104552 PMID:40064432	研究论文	本研究提出了一种结合生成对抗网络（GANs）、去噪自编码器和EfficientNetB0的深度学习框架，用于糖尿病视网膜病变（DR）的检测	该研究创新性地整合了GANs用于数据增强、去噪自编码器用于降噪以及EfficientNetB0用于分类模型，显著提升了DR分类模型的性能	未来研究方向包括整合可解释性工具以增强临床采用，并探索其他成像模态以进一步提高泛化能力	提升糖尿病视网膜病变（DR）的早期检测和准确诊断能力	糖尿病视网膜病变（DR）	计算机视觉	糖尿病视网膜病变	GANs, 去噪自编码器, EfficientNetB0	GAN, 自编码器, EfficientNetB0	图像	自定义的高分辨率OCT数据集
5611	2025-03-21	Deep profiling of gene expression across 18 human cancers 2025-Mar, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-024-01290-8 PMID:39690287	研究论文	本文介绍了一种名为DeepProfile的无监督深度学习框架，用于生成18种人类癌症的50,211个转录组的低维潜在空间	DeepProfile框架在生物可解释性方面优于降维方法，并揭示了跨癌症类型定义潜在空间的普遍重要基因控制免疫细胞激活，而癌症类型特异性基因和途径定义分子疾病亚型	NA	利用无监督深度学习挖掘跨癌症基因表达大数据集中的临床和生物学信息	18种人类癌症的50,211个转录组	机器学习	癌症	无监督深度学习	DeepProfile	基因表达数据	50,211个转录组
5612	2025-03-21	UK Biobank MRI data can power the development of generalizable brain clocks: A study of standard ML/DL methodologies and performance analysis on external databases 2025-Mar, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121064 PMID:39892529	研究论文	本研究提出了一个全面的流程，用于训练和比较多种机器学习和深度学习脑龄预测模型，结合了多种预处理策略和校正项	提出了一个统计框架来评估年龄预测性能、跨队列变异性的鲁棒性及其作为神经退行性疾病生物标志物的潜力	NA	开发通用的脑龄预测模型，并评估其作为神经退行性疾病生物标志物的潜力	健康个体和神经退行性疾病患者	机器学习	神经退行性疾病	T1加权MRI扫描	惩罚线性机器学习模型	图像	UK Biobank、ADNI和NACC数据集
5613	2025-03-21	Toward Identification of Markers for Brain-Derived Extracellular Vesicles in Cerebrospinal Fluid: A Large-Scale, Unbiased Analysis Using Proximity Extension Assays 2025-Mar, Journal of extracellular vesicles IF:15.5Q1 DOI:10.1002/jev2.70052 PMID:40098346	研究论文	本文通过大规模无偏分析，使用邻近延伸测定法识别脑源性细胞外囊泡在脑脊液中的标志物	首次使用Olink筛选技术对脑脊液中的5416种独特蛋白质进行无偏分析，识别出具有明显EV分馏模式的蛋白质，并创建了可搜索的候选EV相关标志物数据集	研究中仅10%的预测跨膜蛋白质具有明显的EV分馏模式，表明需要进一步验证候选蛋白质的EV关联性	识别脑源性细胞外囊泡的标志物，并验证其细胞来源	脑脊液中的细胞外囊泡	生物信息学	NA	邻近延伸测定法（Olink筛选）、尺寸排阻色谱法	DeepTMHMM深度学习模型	蛋白质数据	5416种独特蛋白质
5614	2025-03-21	Individualized prediction of atrial fibrillation onset risk based on lifelogs 2025-Mar, American journal of preventive cardiology IF:4.3Q1 DOI:10.1016/j.ajpc.2025.100951 PMID:40103686	研究论文	本研究旨在利用Apple Watch的持续生命日志数据预测个体化的心房颤动（AF）发病风险，以促进及时的心电图（ECG）获取	结合梯度提升决策树和深度学习的机器学习模型，利用Apple Watch数据预测AF发病风险，并优化ECG获取时机	样本量相对较小，且仅在日本进行全国性分析，可能限制了模型的普适性	预测个体化的AF发病风险，优化ECG获取时机	AF患者和Apple Watch用户	机器学习	心血管疾病	机器学习	梯度提升决策树和深度学习	生命日志数据（包括心率、步数、睡眠模式等）	Keio分析：100名AF患者；全国性分析：8,935名Apple Watch用户
5615	2025-03-21	SE(3)-Equivariant Ternary Complex Prediction Towards Target Protein Degradation 2025-Feb-26, ArXiv PMID:40061120	研究论文	本文介绍了一种名为DeepTernary的新型深度学习方法，用于预测目标蛋白质降解中的三元复合物结构	DeepTernary利用SE(3)-等变图神经网络和三元图间注意力机制，直接从高质量训练数据集TernaryDB中捕获复杂的三元相互作用，无需已知PROTAC的先验知识	三元结构预测仍面临交互机制不明确和训练数据不足的挑战	开发一种能够有效预测目标蛋白质降解中三元复合物结构的深度学习方法	蛋白质和小分子	机器学习	NA	深度学习	SE(3)-等变图神经网络（GNN）	3D结构数据	高质量训练数据集TernaryDB
5616	2025-03-21	Detection of concha bullosa using deep learning models in cone-beam computed tomography images: a feasibility study 2025-Feb, Archives of craniofacial surgery DOI:10.7181/acfs.2024.00283 PMID:40068625	研究论文	本研究评估了深度学习模型在锥形束计算机断层扫描（CBCT）图像中检测鼻甲气化（CB）的性能	结合离散小波变换（DWT）的对比增强（CE）方法对CBCT图像进行预处理，并比较了不同深度学习模型（ResNet50、ResNet101和MobileNet）与随机森林分类器的组合效果	需要进一步研究以验证结果，包括更大的样本量和多种深度学习模型	评估深度学习模型在CBCT图像中检测CB的可行性	203个CBCT扫描图像（83个有CB，119个无CB）	计算机视觉	鼻部疾病	离散小波变换（DWT）、对比增强（CE）	ResNet50、ResNet101、MobileNet、随机森林（RF）	图像	203个CBCT扫描图像
5617	2025-03-21	Value of vendor-agnostic deep learning image denoising in brain computed tomography: A multi-scanner study 2025-01, RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin DOI:10.1055/a-2290-4781 PMID:38749431	研究论文	本研究评估了一种与供应商无关的深度学习去噪（DLD）算法在五种CT扫描仪上对非对比颅脑CT（ncCT）诊断图像质量的影响	使用与供应商无关的深度学习去噪算法，显著提高了五种不同CT扫描仪的图像质量，包括主观和客观分析	研究为单中心回顾性研究，样本量相对较小（150例患者）	评估深度学习去噪算法在非对比颅脑CT图像中的应用效果	150例因轻微头部创伤接受常规成像的患者	计算机视觉	头部创伤	深度学习去噪（DLD）	深度学习	图像	150例患者（五种CT扫描仪各30例）
5618	2025-03-21	Language model-based labeling of German thoracic radiology reports 2025-01, RoFo : Fortschritte auf dem Gebiete der Rontgenstrahlen und der Nuklearmedizin DOI:10.1055/a-2287-5054 PMID:38663428	研究论文	本研究探讨了在深度学习标签预测模型中使用弱监督的潜力，旨在从德国胸部放射学报告中提取标签并用于训练胸部X光分类模型	提出了一种基于德国BERT编码器的标签提取模型，该模型在德国胸部放射学报告上的表现优于基于规则的模型，并且仅需1000份手动标注的报告进行训练	研究仅针对德国胸部放射学报告，且样本量相对有限，可能影响模型的泛化能力	探索弱监督在深度学习标签预测模型中的应用，并评估其对胸部X光分类模型的影响	德国胸部放射学报告和胸部X光图像	自然语言处理	肺气胸	深度学习	BERT, DenseNet-121	文本, 图像	66071份放射学报告（2017-2021年），1091份手动标注的报告（2020-2021年），6434份胸部X光图像及相关报告
5619	2025-03-21	The optimised model of predicting protein-metal ion ligand binding residues 2025 Jan-Dec, IET systems biology IF:1.9Q3 DOI:10.1049/syb2.70001 PMID:39873344	研究论文	本文研究了预测蛋白质-金属离子配体结合残基（PMILBRs）的优化模型	结合氨基酸及其衍生信息作为特征参数，并首次将深度学习算法应用于预测，提高了Ca和Mg离子配体结合残基的预测效果	未提及具体的数据集规模或模型泛化能力的验证	提高蛋白质-金属离子配体结合残基的预测准确性	蛋白质-金属离子配体结合残基	机器学习	NA	机器学习算法、深度学习算法	经典机器学习算法、深度学习算法	氨基酸及其衍生信息	未提及具体样本数量
5620	2025-03-21	Artificial intelligence-enhanced magnetic resonance imaging-based pre-operative staging in patients with endometrial cancer 2025-Jan, International journal of gynecological cancer : official journal of the International Gynecological Cancer Society IF:4.1Q2 DOI:10.1016/j.ijgc.2024.100017 PMID:39878275	研究论文	本研究提出了一种基于深度学习的MRI图像分割管道，用于预测子宫内膜癌患者的深肌层浸润和宫颈基质浸润，以辅助临床医生进行术前评估	开发了一种全自动的深度学习管道，用于从MRI图像中分割子宫和肿瘤，并预测深肌层浸润和宫颈基质浸润，为术前分期提供支持	数据变化、类别不平衡和伪影的存在对模型性能提出了挑战	评估子宫内膜癌患者的预后因素，以优化治疗计划和预后评估	子宫内膜癌患者	数字病理学	子宫内膜癌	深度学习	分割模块	MRI图像	178名患者