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
6021	2025-03-21	Integrated convolutional neural network for skin cancer classification with hair and noise restoration 2025, Turkish journal of medical sciences IF:1.2Q2 DOI:10.55730/1300-0144.5954 PMID:40104314	研究论文	本研究探讨了皮肤病变图像中的毛发和噪声伪影对分类器性能的影响，并提出了集成卷积神经网络（CNN）用于去除这些伪影以提高诊断准确性	提出了集成毛发去除（IHR）和集成噪声去除（INR）的CNN模型，显著提高了去除毛发和噪声后的图像分类准确率	研究中使用了合成数据集，可能无法完全反映真实世界中的复杂情况	提高皮肤病变图像的自动诊断准确性	皮肤病变图像	计算机视觉	皮肤癌	深度学习	CNN, ResNet50, DenseNet121, ResNet152, VGG16, VGG19	图像	HAM10000基准数据集及合成数据集
6022	2025-03-21	Machine Learning-Based Prediction Model for ICU Mortality After Continuous Renal Replacement Therapy Initiation in Children 2024-Dec-01, Critical care explorations DOI:10.1097/CCE.0000000000001188 PMID:39688905	研究论文	本研究旨在使用机器学习技术预测接受连续肾脏替代疗法（CRRT）的儿童和年轻成年人的ICU和医院出院生存率	这是首个使用机器学习模型预测接受CRRT的儿童和年轻成年人ICU和医院出院生存率的研究	数据集不平衡，未来研究应扩展输入变量，进行更复杂的特征选择，并使用深度学习算法生成更精确的模型	预测接受CRRT的儿童和年轻成年人的ICU和医院出院生存率	接受CRRT的儿童和年轻成年人	机器学习	急性肾损伤	机器学习	逻辑回归（LR）、决策树、随机森林（RF）、梯度提升机、支持向量机（线性核）	临床数据	933名患者
6023	2025-03-21	A deep profile of gene expression across 18 human cancers 2024-Oct-26, bioRxiv : the preprint server for biology DOI:10.1101/2024.03.17.585426 PMID:38559197	研究论文	本文介绍了DeepProfile，一个用于从18种人类癌症的50,211个转录组中学习低维潜在空间的综合框架	DeepProfile在生物解释性方面优于现有的降维方法，并揭示了跨所有癌症类型普遍重要的基因控制免疫细胞激活，而癌症类型特异性基因和通路定义了分子疾病亚型	NA	应用无监督深度学习从基因表达数据中提取临床和生物学上有价值的信息	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
6024	2025-03-21	Evolution of white matter hyperintensity segmentation methods and implementation over the past two decades; an incomplete shift towards deep learning 2024-Oct, Brain imaging and behavior IF:2.4Q2 DOI:10.1007/s11682-024-00902-w PMID:39083144	系统综述	本文系统回顾了过去二十年中白质高信号（WMH）分割方法的演变和实施情况，重点关注了深度学习的应用	本文首次系统性地回顾了WMH分割方法的发展历程，并特别指出了深度学习技术的兴起	尽管定量分割方法日益复杂，视觉评分量表仍然广泛使用，且SPM技术作为参考标准可能限制了新技术的推广	探讨WMH分割方法的演变和实施情况，特别是深度学习的应用	白质高信号（WMH）分割方法	医学影像分析	老年疾病	深度学习	NA	医学影像	1007个视觉评分量表，118篇管道开发文章，509篇实施文章
6025	2025-03-21	A Deep Learning Model for Predicting Molecular Subtype of Breast Cancer by Fusing Multiple Sequences of DCE-MRI From Two Institutes 2024-09, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.03.002 PMID:38637240	研究论文	本文评估了深度学习在利用来自两个机构的DCE-MRI预测不同乳腺癌分子亚型中的性能	开发了一种多分支卷积神经网络（MBCNN），并采用中间融合和80像素的ROI大小进行外观转换，以优化性能	在预测luminal B、HER2-enriched和TN亚型时，MBCNN虽然表现优于CNN和CLSTM，但除了在TN亚型中对CNN表现出统计显著性外，其他情况下未达到统计显著性	评估深度学习在预测乳腺癌分子亚型中的性能	366名乳腺癌患者	计算机视觉	乳腺癌	DCE-MRI	MBCNN, CNN, CLSTM	图像	366名乳腺癌患者（训练集292名，验证集49名，测试集25名）
6026	2025-03-21	Develop and Validate a Nomogram Combining Contrast-Enhanced Spectral Mammography Deep Learning with Clinical-Pathological Features to Predict Neoadjuvant Chemotherapy Response in Patients with ER-Positive/HER2-Negative Breast Cancer 2024-09, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.03.035 PMID:38641451	研究论文	开发并验证了一个结合对比增强光谱乳腺摄影（CESM）深度学习和临床病理特征的列线图，用于预测ER阳性/HER2阴性乳腺癌患者的新辅助化疗（NAC）反应	结合CESM深度学习和临床病理特征，开发了一个新的列线图模型，用于预测NAC反应，该模型在预测性能上优于单独的深度学习模型和临床模型	研究为回顾性研究，可能存在选择偏差，且样本量相对较小	预测ER阳性/HER2阴性乳腺癌患者的新辅助化疗反应	265名ER阳性/HER2阴性乳腺癌患者	数字病理	乳腺癌	对比增强光谱乳腺摄影（CESM）	ResNet34	图像	265名乳腺癌患者
6027	2025-03-21	Deep Learning-Based Reconstruction Improves the Image Quality of Low-Dose CT Colonography 2024-08, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.01.021 PMID:38290889	研究论文	本研究评估了基于深度学习的重建（DLR）在低剂量CT结肠成像（CTC）中的图像质量，并与迭代重建（IR）进行了比较	首次将深度学习重建技术应用于低剂量CT结肠成像，显著提高了图像质量	研究仅针对特定BMI群体的成年人，未涵盖更广泛的人群	评估低剂量CT结肠成像的图像质量	270名成年志愿者	计算机视觉	结直肠癌	CT成像	深度学习	图像	270名志愿者（平均年龄47.94岁，115名男性）
6028	2025-03-21	Research Progress of Artificial Intelligence in the Grading and Classification of Meningiomas 2024-08, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.02.003 PMID:38413314	综述	本文总结了人工智能在脑膜瘤分级和分类中的研究进展，分析了放射组学和深度学习的应用及其在临床治疗和预后中的价值	本文综述了人工智能在脑膜瘤分级和分类中的最新研究进展，提出了现有研究的局限性和未来改进建议	现有研究存在一定的局限性，未来需要进一步改进	探讨人工智能在脑膜瘤分级和分类中的应用，以促进其在脑膜瘤诊断和治疗中的未来应用	脑膜瘤	数字病理学	脑膜瘤	放射组学, 深度学习	深度学习	医学影像	NA
6029	2025-03-21	A Transvaginal Ultrasound-Based Deep Learning Model for the Noninvasive Diagnosis of Myometrial Invasion in Patients with Endometrial Cancer: Comparison with Radiologists 2024-07, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2023.12.035 PMID:38182443	研究论文	本研究探讨了使用深度学习模型基于超声图像非侵入性诊断子宫内膜癌患者肌层浸润程度的可行性，并与放射科医生的诊断效果进行了比较	首次将深度学习模型应用于子宫内膜癌肌层浸润程度的非侵入性诊断，并证明其性能显著优于放射科医生	研究样本主要来自特定医疗中心，可能限制了结果的普遍适用性	评估深度学习模型在诊断子宫内膜癌肌层浸润程度中的应用效果	子宫内膜癌患者的超声图像	计算机视觉	子宫内膜癌	深度学习	EfficientNet-B6	图像	604名患者的1289张超声图像
6030	2025-03-21	nnU-Net-Based Pancreas Segmentation and Volume Measurement on CT Imaging in Patients with Pancreatic Cancer 2024-07, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.01.004 PMID:38350812	研究论文	本研究开发并验证了一种基于深度学习的CT图像胰腺分割和胰腺体积自动测量方法，用于胰腺癌患者	使用3D nnU-net架构进行全自动胰腺分割，并通过自动和手动分割结果的比较验证了模型的有效性	研究为回顾性研究，样本量相对有限，且仅使用了一种深度学习模型	开发并验证一种基于深度学习的胰腺分割和体积测量方法	胰腺癌患者的CT图像	数字病理学	胰腺癌	CT成像	3D nnU-net	CT图像	851张门静脉期CT图像（499例胰腺癌和352例正常胰腺）
6031	2025-03-21	Improving Image Quality and Nodule Characterization in Ultra-low-dose Lung CT with Deep Learning Image Reconstruction 2024-07, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.01.010 PMID:38429189	研究论文	本研究探讨了深度学习图像重建（DLIR）在超低剂量肺部CT条件下对图像质量和肺结节定量分析的影响	首次在超低剂量CT中使用高强度的深度学习图像重建（DLIR-H）技术，并与传统的自适应统计迭代重建（ASIR-V40%）进行比较	样本量相对较小，仅包括56名患者	研究DLIR在超低剂量肺部CT中对图像质量和肺结节定量分析的影响	56名疑似肺结节患者	计算机视觉	肺癌	深度学习图像重建（DLIR）	NA	图像	56名患者，共检测到104个肺结节
6032	2024-08-07	Correction: Displacement detection with sub-pixel accuracy and high spatial resolution using deep learning 2024-Jul, Journal of medical ultrasonics (2001) DOI:10.1007/s10396-024-01460-w PMID:38787517	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6033	2025-03-21	DeepLabCut-based daily behavioural and posture analysis in a cricket 2024-04-15, Biology open IF:1.8Q3 DOI:10.1242/bio.060237 PMID:38533608	研究论文	本文介绍了一种基于DeepLabCut的系统，用于长期量化蟋蟀的多种行为，如运动活动、进食和类似睡眠状态	使用DeepLabCut软件进行蟋蟀行为和姿态的自动分析，避免了人类偏见且无需物理标记个体动物	NA	研究蟋蟀的昼夜节律行为	蟋蟀	计算机视觉	NA	DeepLabCut	监督机器学习	视频	单个蟋蟀
6034	2025-03-21	Examining evolutionary scale modeling-derived different-dimensional embeddings in the antimicrobial peptide classification through a KNIME workflow 2024-Apr, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4928 PMID:38501511	研究论文	本文研究了从ESM-2模型中提取的不同维度嵌入在抗菌肽分类中的应用，并开发了一个KNIME工作流以确保实验的公平性	首次将ESM-2模型的不同维度嵌入应用于抗菌肽分类，并通过KNIME工作流确保实验的公平性	研究中发现只有部分ESM-2嵌入对建模任务有价值，43%至66%的特征从未被使用	研究ESM-2模型的不同维度嵌入在抗菌肽分类中的有效性	抗菌肽（AMPs）	生物信息学	NA	ESM-2模型，KNIME工作流	QSAR模型	分子特征	NA
6035	2025-03-21	A full-stack platform for spiking deep learning 2023-Nov, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00565-5 PMID:38177599	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6036	2025-03-21	Accurately predicting molecular spectra with deep learning 2023-Nov, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00553-9 PMID:38177595	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6037	2025-03-21	A deep learning model for predicting selected organic molecular spectra 2023-Nov, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00550-y PMID:38177591	研究论文	本文开发了一种名为DetaNet的深度学习模型，用于预测分子光谱，提高了效率和准确性	结合E(3)-等变群和自注意力机制，通过传递高阶几何张量信息，能够生成多种分子属性，达到量子化学计算的精度	NA	提高分子光谱模拟的准确性和效率，以促进物质发现和结构识别	分子光谱	机器学习	NA	深度学习	DetaNet	分子光谱数据	130,000种分子物种的QM9S数据集
6038	2025-03-21	High-throughput property-driven generative design of functional organic molecules 2023-Feb, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-022-00391-1 PMID:38177626	研究论文	本文提出了一种结合生成深度学习模型和监督深度学习模型的方法，用于预测具有最优特性的有机分子	通过结合生成模型和监督模型，实现了对分子电子结构的预测和优化，避免了量子化学计算，适用于高通量筛选	未提及具体局限性	设计具有定制特性的有机分子，特别是用于有机电子应用	有机分子	机器学习	NA	生成深度学习模型，监督深度学习模型	生成模型，监督模型	分子结构数据	未提及具体样本数量
6039	2025-03-21	Dimensionally consistent learning with Buckingham Pi 2022-Dec, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-022-00355-5 PMID:38177386	研究论文	本文提出了一种自动化方法，利用测量数据的对称性和自相似结构，通过Buckingham Pi定理发现最佳降维的无量纲群	开发了三种数据驱动技术，结合Buckingham Pi定理作为约束，包括约束优化问题、深度学习算法（BuckiNet）和基于稀疏识别非线性动力学的技术	NA	探索在没有控制方程的情况下，通过维度分析提取物理系统的洞察和对称性	物理系统中的测量变量和参数	机器学习	NA	Buckingham Pi定理，深度学习，稀疏识别非线性动力学	深度学习算法（BuckiNet）	测量数据	NA
6040	2025-03-21	A universal graph deep learning interatomic potential for the periodic table 2022-Nov, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-022-00349-3 PMID:38177366	研究论文	本文介绍了一种基于图神经网络的通用原子间势能模型M3GNet，用于材料的结构弛豫、动态模拟和性质预测	M3GNet模型通过结合三体相互作用，能够广泛应用于不同化学空间中的材料，且训练数据来源于Materials Project过去十年的大规模结构弛豫数据库	NA	开发一种通用的原子间势能模型，以加速可合成材料的发现	材料的结构弛豫、动态模拟和性质预测	机器学习	NA	图神经网络	M3GNet	结构弛豫数据	约180万种材料，筛选自3100万种假设晶体结构