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
561	2025-07-20	Diagnostic accuracy of contrast-enhanced computed tomography in assessing cervical lymph node status in patients with oral squamous cell carcinoma 2023-Dec, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05470-y PMID:37875746	research paper	本研究评估了增强CT在口腔鳞状细胞癌患者颈部淋巴结转移诊断中的准确性，并探讨了与其可靠性相关的临床病理因素	研究发现增强CT在检测不同大小淋巴结转移时的敏感性和特异性存在显著差异，并提出了未来结合人工智能和深度学习提高CT诊断可靠性的可能性	研究为回顾性设计，且人工智能与深度学习在CT诊断中的应用仍需进一步研究	评估增强CT在口腔鳞状细胞癌患者颈部淋巴结转移诊断中的准确性	239名接受术前CT检查和根治性手术的原发性口腔鳞状细胞癌患者	digital pathology	oral squamous cell carcinoma	contrast-enhanced computed tomography (CT)	NA	medical imaging	239名原发性口腔鳞状细胞癌患者
562	2025-07-20	A deep learning approach based on multi-omics data integration to construct a risk stratification prediction model for skin cutaneous melanoma 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05358-x PMID:37673824	研究论文	本研究提出了一种基于深度学习的多组学数据整合方法，用于构建皮肤黑色素瘤（SKCM）的风险分层预测模型	结合早期融合特征自编码器（AE）和晚期融合特征AE的深度学习框架，用于SKCM风险亚型的预测	研究依赖于TCGA数据库的数据，可能无法涵盖所有SKCM患者的多样性	构建SKCM的风险亚型分类预测模型，以改善预后预测和治疗决策	皮肤黑色素瘤（SKCM）患者	数字病理学	皮肤黑色素瘤	mRNA、miRNA和DNA甲基化测序	自编码器（AE）和SVM分类器	多组学数据（mRNA、miRNA、DNA甲基化）	TCGA数据库中的SKCM患者数据及两个独立测试数据集
563	2025-07-20	Development and external validation of the multichannel deep learning model based on unenhanced CT for differentiating fat-poor angiomyolipoma from renal cell carcinoma: a two-center retrospective study 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05339-0 PMID:37672075	研究论文	开发并验证了一种基于非增强CT的多通道深度学习模型，用于区分脂肪贫乏型血管平滑肌脂肪瘤与肾细胞癌	首次提出基于非增强CT的多通道深度学习模型，用于区分脂肪贫乏型血管平滑肌脂肪瘤与肾细胞癌，并在内部和外部验证中表现出色	研究为回顾性设计，样本量相对有限，且仅在两所医院进行验证	开发并验证一种深度学习模型，以提高脂肪贫乏型血管平滑肌脂肪瘤与肾细胞癌的鉴别诊断准确性	脂肪贫乏型血管平滑肌脂肪瘤（fp-AML）和肾细胞癌（RCC）患者	数字病理	肾癌	CT成像	多通道深度学习模型	图像	452名患者（来自两所医院）
564	2025-07-20	SMiT: symmetric mask transformer for disease severity detection 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05223-x PMID:37698681	研究论文	提出了一种名为SMiT的对称掩码预训练视觉Transformer模型，用于病理图像的分级诊断	采用纯Transformer框架替代传统CNN模型，通过对称掩码预训练策略提高对病灶区域细节特征的关注	未明确说明模型在更广泛疾病类型上的泛化能力	开发智能医疗诊断系统以提高疾病严重程度检测的准确性	结直肠癌病理图像和糖尿病视网膜病变数据集	数字病理	结直肠癌	高斯滤波去噪	Transformer	图像	4500张经过处理的结直肠癌组织病理学图像
565	2025-07-20	Combining radiomics and deep learning features of intra-tumoral and peri-tumoral regions for the classification of breast cancer lung metastasis and primary lung cancer with low-dose CT 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05329-2 PMID:37642722	研究论文	本研究探讨了结合深度学习和放射组学特征的融合模型在低剂量CT下区分乳腺癌肺转移和原发性肺癌的性能	提出了一种结合ITR和PTR的多区域策略融合模型，显著提高了分类性能	样本量较小（100例），且为回顾性研究	开发一种有效区分乳腺癌肺转移和原发性肺癌的诊断方法	100例乳腺癌患者的肺部病变（60例乳腺癌肺转移和40例原发性肺癌）	数字病理	乳腺癌和肺癌	低剂量CT（LDCT）	基于ResNet18的多输入残差卷积网络融合模型	CT图像	100例（60例乳腺癌肺转移和40例原发性肺癌）
566	2025-07-20	Identifying immune infiltration by deep learning to assess the prognosis of patients with hepatocellular carcinoma 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05097-z PMID:37450030	研究论文	本研究利用深度学习算法评估肝细胞癌患者的免疫浸润情况，并探讨其在预后评估中的价值	首次使用ResNet 101V2网络构建深度学习模型来评估肝细胞癌组织的免疫浸润，并验证其在预后评估中的应用	验证集中TLS分类的样本量较少可能导致结果不佳	评估肝细胞癌患者的免疫浸润情况及其对预后的影响	肝细胞癌患者	数字病理学	肝细胞癌	深度学习	ResNet 101V2	全切片图像(WSIs)	100张WSIs和165,293个tiles
567	2025-07-20	Cancer detection in breast cells using a hybrid method based on deep complex neural network and data mining 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05191-2 PMID:37486394	研究论文	本文提出了一种基于深度复杂神经网络和数据挖掘的混合方法，用于乳腺癌细胞的检测	结合深度复杂神经网络和数据挖掘技术，提高了乳腺癌诊断的准确性和速度	样本量相对较小，仅包含187名志愿者	提高乳腺癌诊断的准确性和速度	乳腺癌细胞	数字病理学	乳腺癌	热成像技术、数据挖掘	ResNet18, ResNet50, VGG19, Xception	图像	187名志愿者（152名健康人和35名癌症患者），共1870张热成像图像
568	2025-07-20	A comprehensive analysis of recent advancements in cancer detection using machine learning and deep learning models for improved diagnostics 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05216-w PMID:37540254	综述	本文对使用传统机器学习和深度学习模型进行多种癌症类型检测的最新进展进行了比较分析	比较分析了机器学习和深度学习在癌症早期检测中的应用，并提供了130篇文献的综合回顾	分析仅基于准确性作为性能指标，可能忽略了其他重要评估标准	提高癌症早期检测的准确性和自动化水平	脑癌、肺癌、皮肤癌和乳腺癌	机器学习	癌症	机器学习和深度学习	ML和DL模型	图像	130篇文献（56篇基于ML，74篇基于DL）
569	2025-07-20	Enhanced breast mass mammography classification approach based on pre-processing and hybridization of transfer learning models 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05249-1 PMID:37567987	研究论文	提出了一种基于预处理和迁移学习模型混合的增强型乳腺肿块X线分类方法	采用两阶段分类方法，结合预处理策略和混合迁移学习模型，提高了分类性能	预处理阶段使用的不同滤波器对结果有影响，且仅在一个数据集上进行了验证	提高乳腺X线摄影中肿块检测的准确性和分类性能	乳腺X线摄影图像中的肿块	计算机视觉	乳腺癌	迁移学习	CNN	图像	CBIS-DDSM数据集
570	2025-07-20	Development and verification of a deep learning-based m6A modification model for clinical prognosis prediction of renal cell carcinoma 2023-Nov, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05169-0 PMID:37558767	研究论文	开发并验证了一种基于深度学习的m6A修饰模型，用于肾细胞癌患者的临床预后预测	首次报道了基于深度学习的m6A修饰模型用于肾细胞癌预后预测，并深入探索了METTL14在肾细胞癌中的重要作用	未提及模型在其他癌症类型中的泛化能力	开发一种深度学习模型用于肾细胞癌患者的预后预测，并探索METTL14的生物学功能	肾细胞癌患者及癌细胞	数字病理	肾细胞癌	Western blotting, qRT-PCR, 免疫组化, RNA免疫沉淀	深度学习神经网络	临床数据、实验数据	两个独立患者队列和一个泛癌患者队列
571	2025-07-20	Circular-SWAT for deep learning based diagnostic classification of Alzheimer's disease: application to metabolome data 2023-Nov, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2023.104820 PMID:37806288	研究论文	本研究提出了一种名为Circular-SWAT的新方法，用于基于深度学习的阿尔茨海默病诊断分类，应用于代谢组数据	引入了Circular-Sliding Window Association Test (c-SWAT)方法，显著提高了阿尔茨海默病的分类准确率，并识别出与疾病相关的关键脂质	研究仅基于ADNI数据库的997名参与者，可能需要更大样本量验证结果的普适性	提高阿尔茨海默病的诊断分类准确率并识别潜在生物标志物	阿尔茨海默病患者与认知正常老年人的血清代谢组数据	机器学习	阿尔茨海默病	代谢组学分析，脂质组学	CNN, Random Forest	代谢组数据	997名来自ADNI的参与者
572	2025-07-20	MISPEL: A supervised deep learning harmonization method for multi-scanner neuroimaging data 2023-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102926 PMID:37595405	研究论文	提出了一种名为MISPEL的监督式深度学习协调方法，用于处理多扫描仪神经影像数据	MISPEL是一种可自然扩展到两个以上扫描仪的监督式多扫描仪协调方法，并设计了一套标准来调查扫描仪相关的技术变异性和评估协调技术	NA	解决多扫描仪神经影像数据中的技术变异性问题，以提高下游分析的准确性	多扫描仪神经影像数据	神经影像	NA	深度学习	监督式学习	3T T1图像	一个跨四个扫描仪的多扫描仪匹配数据集
573	2025-07-20	Deep learning model for predicting the survival of patients with primary gastrointestinal lymphoma based on the SEER database and a multicentre external validation cohort 2023-Oct, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-05123-0 PMID:37428248	research paper	本研究基于SEER数据库和多中心外部验证队列，开发了一个深度学习模型用于预测原发性胃肠道淋巴瘤（PGIL）患者的生存率	首次使用深度学习算法（DeepSurv模型）预测PGIL患者的生存率，并通过多中心外部验证队列验证其性能	样本量中外部验证队列的病例数较少（82例），可能影响模型的泛化能力	建立预测PGIL患者生存率的预后模型	原发性胃肠道淋巴瘤（PGIL）患者	digital pathology	gastrointestinal lymphoma	deep learning algorithm	DeepSurv, RSF, CoxPH	clinical data	11,168例来自SEER数据库的患者和82例来自三个医疗中心的外部验证患者
574	2025-07-20	Affine image registration of arterial spin labeling MRI using deep learning networks 2023-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2023.120303 PMID:37536525	研究论文	本研究探讨了基于卷积神经网络（CNN）的仿射配准网络（ARN）在低信噪比（SNR）三维动脉自旋标记（ASL）灌注图像时间序列配准中的可行性，并与最先进的统计参数映射（SPM）算法进行了性能比较	首次将CNN应用于低SNR的ASL灌注图像配准，并展示了在配准精度、速度和泛化能力上的显著优势	未提及对极端运动或异常图像的处理能力	探索深度学习在低SNR功能磁共振图像配准中的应用效果	ASL灌注fMRI图像时间序列	医学图像处理	双相情感障碍及老龄化相关研究	动脉自旋标记（ASL）灌注fMRI	CNN（卷积神经网络）	三维医学图像时间序列	多中心数据集（冥想研究10人×2，双相障碍研究26名对照+19名患者，老龄化研究27名年轻人+33名老年人）
575	2025-07-20	Self-Supervised Contrastive Learning to Predict the Progression of Alzheimer's Disease with 3D Amyloid-PET 2023-Sep-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10101141 PMID:37892871	研究论文	本文提出了一种自监督对比学习方法SMoCo，用于基于3D淀粉样蛋白-PET预测轻度认知障碍(MCI)向阿尔茨海默病(AD)的转化	提出了SMoCo方法，结合有标签和无标签数据捕捉图像的一般语义表示，并在预训练中利用标签信息，不同于一般的自监督学习	研究仅基于ADNI数据集，未在其他独立数据集上验证	预测轻度认知障碍(MCI)向阿尔茨海默病(AD)的转化	轻度认知障碍(MCI)患者	计算机视觉	阿尔茨海默病	3D淀粉样蛋白-PET	自监督对比学习模型SMoCo	3D图像	ADNI数据集中的样本
576	2025-07-20	The Swin-Transformer network based on focal loss is used to identify images of pathological subtypes of lung adenocarcinoma with high similarity and class imbalance 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04795-y PMID:37097394	research paper	本研究提出了一种基于Swin-Transformer和Focal Loss的FL-STNet模型，用于高相似性和类别不平衡的肺腺癌病理亚型图像识别	首次开发了基于11类分类器的深度学习模型，结合Swin-Transformer和Focal Loss，解决了CNN和Vit的不足	研究仅基于360名患者的样本，可能无法涵盖所有肺腺癌亚型的多样性	提高肺腺癌病理亚型的分类准确性，辅助临床诊断	肺腺癌病理亚型的图像数据	digital pathology	lung cancer	WSI histopathology	Swin-Transformer, FL-STNet	image	360名患者的肺腺癌和其他肺部疾病亚型样本
577	2025-07-20	Deep learning-based methods for classification of microsatellite instability in endometrial cancer from HE-stained pathological images 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04838-4 PMID:37150803	研究论文	本研究提出了一种基于深度学习的注意力模块架构，用于从H&E染色的病理图像中分类子宫内膜癌的微卫星不稳定性状态	提出了一种新的基于注意力模块的深度学习架构，用于从病理图像中提取特征，并通过词袋方法聚合预测概率，实现切片水平的微卫星状态分类	研究仅使用了TCGA子宫内膜癌队列的数据，未在其他独立数据集上进行验证	开发一种快速、低成本的自动化工具，用于子宫内膜癌微卫星不稳定性状态的检测	子宫内膜癌患者的H&E染色全切片图像	数字病理学	子宫内膜癌	深度学习	基于注意力模块的CNN	图像	来自TCGA子宫内膜癌队列的H&E染色全切片图像
578	2025-07-20	A novel staging system based on deep learning for overall survival in patients with esophageal squamous cell carcinoma 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04842-8 PMID:37154930	research paper	开发了一种基于深度学习的系统DeepSurv，用于预测食管鳞状细胞癌（ESCC）患者的总生存期（OS），并通过多队列数据验证和可视化新的分期系统	提出了一种基于深度学习的新的分期系统，该系统在预测ESCC患者生存期方面优于传统的nomogram方法，并开发了一个易于使用的基于网络的工具	研究依赖于SEER数据库的数据，可能无法涵盖所有相关临床因素，且外部验证的广泛性未明确说明	开发并验证一种基于深度学习的预测模型和分期系统，以提高ESCC患者生存预测的准确性和实用性	6020名2010年1月至2018年12月诊断为ESCC的患者	digital pathology	esophageal squamous cell carcinoma	deep learning	DeepSurv	clinical data	6020名ESCC患者
579	2025-07-20	Segmentation and classification of brain tumors using fuzzy 3D highlighting and machine learning 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04754-7 PMID:37166578	研究论文	本文提出了一种结合模糊3D高亮方法和机器学习算法（GOA-SVM和GA-DNN）的脑肿瘤分割与分类方法	采用模糊3D高亮方法进行脑肿瘤分割，并结合两种优化机器学习算法（GOA-SVM和GA-DNN）进行分类	未提及具体数据集规模或临床验证的广泛性	提高脑肿瘤诊断的准确性和效率	脑肿瘤的MRI影像	数字病理学	脑肿瘤	MRI扫描、模糊3D高亮方法、grasshopper优化算法、遗传算法	GOA-SVM、GA-DNN	MRI影像	NA
580	2025-07-20	Differential diagnosis of hepatocellular carcinoma and intrahepatic cholangiocarcinoma based on spatial and channel attention mechanisms 2023-Sep, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-023-04935-4 PMID:37268850	研究论文	本研究开发了一种基于通道和空间注意力机制的深度学习模型CSAM-Net，用于术前非侵入性区分肝细胞癌和肝内胆管癌	提出了一种新型的基于通道和空间注意力机制的深度学习模型CSAM-Net，显著提高了肝细胞癌和肝内胆管癌的区分准确率	研究为回顾性研究，样本量相对有限，未来需要更多前瞻性研究验证模型的泛化能力	开发一种有效的非侵入性术前诊断方法，用于区分肝细胞癌和肝内胆管癌	肝细胞癌和肝内胆管癌患者	数字病理	肝癌	CT成像	CSAM-Net（基于通道和空间注意力机制的深度学习模型）	图像	395例肝细胞癌患者和99例肝内胆管癌患者的CT图像