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
621	2025-05-20	Deep learning progressive distill for predicting clinical response to conversion therapy from preoperative CT images of advanced gastric cancer patients 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-01063-6 PMID:40379665	research paper	本研究开发并验证了一种基于术前CT图像的深度学习模型，用于预测晚期胃癌患者对转化治疗的临床反应	采用渐进式蒸馏（PD）方法构建深度学习模型，相比基线模型和知识蒸馏（KD）模型表现出更优的性能	需要进一步研究以评估该模型与临床病理参数结合的临床实用性	开发一种非侵入性筛查方法，以识别适合转化治疗的晚期胃癌患者	晚期胃癌患者	digital pathology	gastric cancer	CT imaging	deep learning model (Progressive Distill)	image	140名患者（训练集112名，测试集28名）
622	2025-05-20	Lightweight hybrid transformers-based dyslexia detection using cross-modality data 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-01235-4 PMID:40379688	研究论文	提出一种基于轻量级混合Transformer的跨模态数据阅读障碍检测模型	结合SWIN-Linformer、LeViT-Performer和GTNs进行多模态特征提取，并采用DXB分类器与BOHB优化算法提升性能	未说明模型在临床环境中的实际部署效果及跨种族/语言的泛化能力	通过多模态数据实现阅读障碍的早期精准诊断	阅读障碍患者的多模态数据（MRI、EEG、手写图像）	数字病理	神经系统疾病	MRI、EEG、量化感知训练、LIME可解释性分析	SWIN-Linformer+LeViT-Performer+GTNs混合Transformer	多模态数据（影像+信号+图像）	五个公共数据库（未注明具体样本量）
623	2025-05-20	The application of suitable sports games for junior high school students based on deep learning and artificial intelligence 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-01941-z PMID:40379705	研究论文	本研究利用深度学习和人工智能技术，开发了一种基于MediaPipe框架的ST-GCN动作检测算法，旨在提高初中生体育活动的动作识别准确性	结合深度学习和人工智能技术，开发了基于MediaPipe框架的ST-GCN动作检测算法，显著提高了动作识别的准确性和长期预测能力	研究仅针对特定运动（如仰卧起坐）进行了验证，未涵盖所有体育活动的动作识别	提高初中生体育教育的教学质量和个性化学习需求	初中生体育活动中的动作表现	计算机视觉	NA	深度学习、人工智能	ST-GCN	视频	HMDB51数据集
624	2025-05-20	Pancreas segmentation using AI developed on the largest CT dataset with multi-institutional validation and implications for early cancer detection 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-01802-9 PMID:40379726	research paper	该研究开发了一种基于深度学习的卷积神经网络（CNN），用于在最大单机构CT数据集上进行胰腺分割，并在多机构数据集上进行了验证，以支持早期胰腺癌检测	使用迄今为止最大的单机构CT数据集（n=3031）开发了3D nnU-Net模型，并在多机构AbdomenCT-1K数据集（n=585）上进行了外部验证，展示了模型在不同成像条件下的鲁棒性	虽然模型在多个数据集上表现出色，但未提及在更广泛或更具挑战性的临床环境中的表现	开发一种高精度、全自动的胰腺分割方法，以支持早期胰腺癌检测和胰腺疾病的生物标志物发现	胰腺	digital pathology	pancreatic cancer	deep learning, CT imaging	3D nnU-Net	CT images	3031 CT scans from a single institution, 585 CT scans from multi-institutional AbdomenCT-1K dataset
625	2025-05-20	Multicenter development of a deep learning radiomics and dosiomics nomogram to predict radiation pneumonia risk in non-small cell lung cancer 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02045-4 PMID:40379764	research paper	该研究旨在建立一个结合放射组学、剂量组学和深度学习的模型，以预测非小细胞肺癌患者发生≥2级放射性肺炎的风险	结合放射组学、剂量组学和深度学习特征，构建了深度学习放射组学和剂量组学列线图（DLRDN），提高了预测准确性	研究为回顾性设计，样本量相对较小（245例患者）	提高非小细胞肺癌患者放射性肺炎的预测能力	非小细胞肺癌患者	digital pathology	lung cancer	放射组学、剂量组学、深度学习	DLRDN（深度学习放射组学和剂量组学列线图）	CT图像、剂量测定图像	245例非小细胞肺癌患者（162例来自医院I，83例来自其他两家医院）
626	2025-05-20	Residual self-attention vision transformer for detecting acquired vitelliform lesions and age-related macular drusen 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02299-y PMID:40379807	research paper	提出了一种名为残差自注意力视觉变换器（RS-A ViT）的新方法，用于自动检测获得性卵黄样病变（AVL）、黄斑玻璃膜疣以及区分它们与健康病例	使用残差自注意力模块替代传统的自注意力模块，以提高模型性能，并在视网膜疾病分类中表现出色	未提及具体的数据集规模或模型在其他疾病上的泛化能力	开发一种高精度的自动检测视网膜疾病的深度学习模型	获得性卵黄样病变（AVL）、黄斑玻璃膜疣以及健康病例	digital pathology	geriatric disease	OCT	RS-A ViT	image	结合了两个研究中心收集的AVL数据以及OCT数据集中的玻璃膜疣和正常病例，并应用了数据增强方法
627	2025-05-20	Enhanced effective convolutional attention network with squeeze-and-excitation inception module for multi-label clinical document classification 2025-May-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-98719-0 PMID:40379823	研究论文	提出了一种名为增强型有效卷积注意力网络（EECAN）的新模型，用于多标签临床文档分类，通过结合Squeeze-and-Excitation（SE）Inception模块和注意力机制来提高分类效果	引入了SE Inception模块和EAB-CDC策略，通过自适应重新校准通道特征响应和多层注意力机制来提升特征表示	未提及具体局限性	提高临床文档分类的准确性和效率，以改善患者护理和医疗决策支持	临床文档	自然语言处理	NA	深度学习	EECAN（增强型有效卷积注意力网络）	文本	基准数据集MIMIC-III和MIMIC-III-50
628	2025-05-20	Potato plant disease detection: leveraging hybrid deep learning models 2025-May-16, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-025-06679-4 PMID:40380088	研究论文	本文提出了一种结合EfficientNetV2B3和Vision Transformer (ViT)的混合深度学习模型，用于提高马铃薯植物病害的检测和识别准确率	提出了一种新型的混合深度学习模型EfficientNetV2B3+ViT，结合了CNN和ViT的优势，在马铃薯叶病数据集上取得了比之前研究高11.43%的准确率	NA	提高马铃薯植物病害的检测和识别准确率，以应对全球农业发展中作物病害管理的挑战	马铃薯植物的病害	计算机视觉	植物病害	深度学习	EfficientNetV2B3+ViT	图像	来自'Potato Leaf Disease Dataset'的马铃薯叶片图像数据集
629	2025-05-20	Deep learning health space model for ordered responses 2025-May-16, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03026-3 PMID:40380121	研究论文	本文开发了深度学习健康空间模型，用于捕捉复杂的非线性生物关系，并与现有的统计健康空间模型进行了性能比较	提出了五种不同的深度学习健康空间模型，包括四种标准二元深度神经网络和一种考虑因变量有序性的深度序数神经网络	模型性能仅在特定数据集上验证，可能需要更多外部验证	开发能够客观且有意义地可视化个体健康状况的深度学习模型	个体健康状况	机器学习	NA	深度学习	DNN, DONN	健康调查数据	训练集32,140个样本（来自KNHANES），验证集862个样本（来自Ewha-Boramae队列）和3,199个样本（来自KARE项目）
630	2025-05-20	Comparative analysis of deep learning methods for breast ultrasound lesion detection and classification 2025-May-16, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2025.104993 PMID:40381258	research paper	比较分析深度学习在乳腺超声病灶检测和分类中的应用效果	首次探讨了结合病灶检测和分类步骤的影响，并比较了不同方法的效果，同时公开了一个新的乳腺超声分割数据集BUS-UCLM	研究强调了准确识别和分割病灶的复杂性，但未具体说明各方法的计算成本或实时性能	评估不同深度学习方法在乳腺超声图像病灶检测和分类中的性能	乳腺超声图像中的病灶	digital pathology	breast cancer	deep learning	Mask R-CNN, Poolformer	image	新数据集BUS-UCLM及四个公开数据集（BUSI, OASBUD, RODTOOK, UDIAT）
631	2025-05-20	Advancing label-free cell classification with connectome-inspired explainable models and a novel LIVECell-CLS dataset 2025-May-16, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110274 PMID:40381472	research paper	该研究提出了一个名为LIVECell-CLS的新型无标记细胞分类基准数据集，并比较了多种深度学习模型在该数据集上的表现，同时引入了一种基于C.elegans连接组启发的模块来改进分类性能	提出了目前最大的无标记细胞分类基准数据集LIVECell-CLS，并引入了一种基于C.elegans连接组启发的模块来改进分类性能	NA	提高无标记细胞分类的准确性和可解释性	无标记细胞图像	digital pathology	NA	深度学习	ResNets, ViTs, MLP-Mixers, CNN, Swin-Transformers	image	超过160万张图像，涵盖8种不同的细胞系
632	2025-05-20	S2L-CM: Scribble-supervised nuclei segmentation in histopathology images using contrastive regularization and pixel-level multiple instance learning 2025-May-16, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110293 PMID:40381473	research paper	提出了一种基于涂鸦监督的核分割框架S2L-CM，利用对比正则化和像素级多实例学习来改进分割性能	结合自生成伪标签、多尺度对比正则化和像素级多实例学习，无需完整真实标签即可训练模型	性能仍低于完全监督学习方案	开发一种弱监督学习方法以减少病理核分割中的人工标注需求	组织病理学图像中的核分割	digital pathology	NA	deep learning	CNN	image	四个核数据集
633	2025-05-20	Escarcitys: A framework for enhancing medical image classification performance in scarcity of trainable samples scenarios 2025-May-16, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107573 PMID:40382989	研究论文	提出了一种名为EScarcityS的框架，旨在解决医学图像分类中训练样本稀缺的问题，通过多粒度Transformer网络和疾病概率图引导的扩散生成模型来提高分类准确率	设计了多粒度Transformer网络（MGVit）和疾病概率图引导的扩散生成模型，以在训练样本稀缺的情况下提高医学图像分类的性能	虽然减少了数据需求，但仍需依赖一定量的真实数据进行训练，且合成数据的真实性和多样性可能影响最终分类效果	提高在训练样本稀缺情况下的医学图像分类准确率	医学图像	数字病理	NA	扩散生成模型	Transformer, MGVit	图像	四个真实医学图像数据集
634	2025-05-20	FlowMRI-Net: A Generalizable Self-Supervised 4D Flow MRI Reconstruction Network 2025-May-16, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.101913 PMID:40383184	research paper	提出了一种名为FlowMRI-Net的自监督深度学习框架，用于快速准确地重建高度欠采样的4D流MRI数据	采用物理驱动的展开优化和复数卷积循环神经网络，以自监督方式进行训练，提高了重建速度和准确性	仅针对主动脉和脑血管4D流MRI数据进行了验证，尚未在其他血管区域广泛应用	开发一个通用的自监督深度学习框架，用于快速准确地重建高度欠采样的4D流MRI数据	主动脉和脑血管4D流MRI数据	医学影像处理	心血管疾病	4D流MRI	复数卷积循环神经网络	4D MRI图像	来自两个不同厂商系统的主动脉和脑血管4D流MRI采集数据
635	2025-05-20	Technology Advances in the placement of naso-enteral tubes and in the management of enteral feeding in critically ill patients: a narrative study 2025-May-16, Clinical nutrition ESPEN IF:2.9Q3 DOI:10.1016/j.clnesp.2025.05.022 PMID:40383254	研究论文	本文综述了重症患者鼻肠管放置和肠内喂养管理的技术进步	介绍了多种新技术如POCUS、电磁传感器、实时视频辅助放置等在鼻肠管放置和肠内喂养管理中的应用	NA	探讨重症患者鼻肠管放置和肠内喂养管理的技术进步	重症患者	医学技术	重症疾病	POCUS、电磁传感器、实时视频辅助放置、阻抗传感器、虚拟现实、深度学习算法	深度学习算法	医学影像、传感器数据	NA
636	2025-05-20	Assessing fetal lung maturity: Integration of ultrasound radiomics and deep learning 2025-May-16, African journal of reproductive health IF:0.7Q4 DOI:10.29063/ajrh2025/v29i5s.7 PMID:40387939	研究论文	本研究通过结合放射组学和深度学习方法，构建了一个预测胎儿肺部成熟度的模型	整合放射组学特征和临床数据，利用深度学习方法提高胎儿肺部成熟度评估的准确性和可靠性	需要在不同的医疗环境中进行模型的验证和优化	提高胎儿肺部成熟度的预测水平，以改善产前护理和婴儿健康	263例妊娠期的超声图像	数字病理	胎儿肺部成熟度评估	超声成像，放射组学特征提取	DenseNet121	图像	263例妊娠期的超声图像
637	2025-05-20	Toward Ultralow-Power Neuromorphic Speech Enhancement With Spiking-FullSubNet 2025-May-15, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3566021 PMID:40372867	research paper	提出了一种基于脉冲神经网络的超低功耗语音增强系统Spiking-FullSubNet，用于提高边缘设备的语音清晰度和质量	采用全频带和子频带融合的方法有效捕捉全局和局部频谱信息，引入受人类外周听觉系统启发的频率分区方法，并提出一种新型脉冲神经元模型以增强多尺度时间处理能力	NA	开发超低功耗的语音增强系统，适用于边缘设备如耳机和助听器	语音信号	machine learning	NA	SNN	Spiking-FullSubNet	audio	Intel Neuromorphic Deep Noise Suppression (N-DNS) Challenge数据集
638	2025-05-20	Bacterial identification in SERS-integrated microfluidics using CNN-driven 2D classification of 1D spectra 2025-May-15, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128325 PMID:40381415	research paper	该研究提出了一种结合SERS微流控技术和优化的2D-CNN用于细菌分类的新框架	首次探索了SERS光谱的2D表示方法在芯片上细菌识别中的应用，并系统评估了九种不同的1D到2D光谱转换方法	其他转换方法如成对距离和自相关表现低于93%，表明它们在捕捉细微光谱特征方面的能力有限	开发一种用于细菌识别的高效分析方法	细菌样本	machine learning	NA	SERS, 微流控技术	2D-CNN	光谱数据	控制数据集和芯片数据集
639	2025-05-20	Machine Learning-Based Multimodal Radiomics and Transcriptomics Models for Predicting Radiotherapy Sensitivity and Prognosis in Esophageal Cancer 2025-May-15, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110242 PMID:40381695	研究论文	本研究整合了机器学习驱动的多模态放射组学和转录组学，开发了预测食管癌放疗敏感性和预后的模型	利用SEResNet101深度学习模型分析影像和转录组数据，鉴定预后相关基因，并构建预后风险模型，同时发现STUB1通过促进SRC的泛素化和降解增强放疗敏感性	NA	预测食管癌患者的放疗敏感性和预后，为个体化放疗计划提供依据	食管癌患者	机器学习	食管癌	RNA-seq	SEResNet101	影像数据和转录组数据	来自UCSC Xena和TCGA数据库的数据
640	2025-05-20	A multi-layered defense against adversarial attacks in brain tumor classification using ensemble adversarial training and feature squeezing 2025-May-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-00890-x PMID:40369011	研究论文	本研究提出了一种多层防御策略，结合集成对抗训练和特征压缩技术，以提高脑肿瘤分类模型在对抗攻击下的鲁棒性	采用VGG16-based CNN模型，并结合对抗训练和特征压缩技术（如位深度降低和高斯模糊），有效提升了模型在对抗攻击下的准确率	在FGSM和PGD对抗样本上的准确率提升至54%和47%，但仍未达到原始干净数据的96%准确率	提高脑肿瘤分类模型在对抗攻击下的鲁棒性，确保AI在医学影像中的可靠性	脑肿瘤分类模型	计算机视觉	脑肿瘤	对抗训练（FGSM和PGD）、特征压缩技术（位深度降低和高斯模糊）	VGG16-based CNN	MRI图像	NA