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
7101	2025-02-21	DeepSleepNet: A Model for Automatic Sleep Stage Scoring Based on Raw Single-Channel EEG 2017-11, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2017.2721116 PMID:28678710	研究论文	本文提出了一种名为DeepSleepNet的深度学习模型，用于基于原始单通道EEG的自动睡眠阶段评分	该模型利用卷积神经网络提取时间不变特征，并使用双向长短期记忆网络自动学习睡眠阶段之间的转换规则，无需手工设计特征	模型未在不同数据集的模型架构和训练算法上进行调整，可能限制了其泛化能力	开发一种自动睡眠阶段评分模型，以减少对手工设计特征的依赖	单通道EEG数据	机器学习	NA	深度学习	CNN, 双向LSTM	EEG信号	两个公共睡眠数据集（MASS和Sleep-EDF）中的不同单通道EEG数据
7102	2025-02-21	A deep learning framework for financial time series using stacked autoencoders and long-short term memory 2017, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0180944 PMID:28708865	研究论文	本文提出了一种结合小波变换、堆叠自编码器和长短期记忆网络的新型深度学习框架，用于股票价格预测	首次将堆叠自编码器用于股票价格预测中的深度特征提取	NA	提高股票价格预测的准确性和盈利能力	六个市场指数及其对应的指数期货	机器学习	NA	小波变换、堆叠自编码器、长短期记忆网络	SAEs, LSTM	时间序列数据	六个市场指数及其对应的指数期货
7103	2025-02-20	Convolutional neural networks for automatic MR classification of myocardial iron overload in thalassemia major patients 2025-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11245-x PMID:39658686	研究论文	本文开发了一种深度学习模型，用于从T2*多回波MR图像中自动分类心肌铁过载（MIO）	开发了两种2D卷积神经网络（CNN），分别用于多切片（MS-HippoNet）和单切片（SS-HippoNet）分析，以自动分类心肌铁过载	研究仅基于回顾性数据，且样本主要来自地中海贫血患者，可能限制了模型的泛化能力	开发一种深度学习模型，用于自动分类心肌铁过载（MIO）	496名地中海贫血患者的心脏T2*多回波MR图像	计算机视觉	地中海贫血	T2*多回波MR成像	CNN	图像	823张心脏T2*多回波MR图像，来自496名地中海贫血患者
7104	2025-02-20	A deep learning method for total-body dynamic PET imaging with dual-time-window protocols 2025-Mar, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-07012-1 PMID:39688700	研究论文	本文开发了一种深度学习算法，能够从双时间窗协议预测动态图像，从而缩短动态正电子发射断层扫描（PET）的扫描时间	提出了一种双向序列到序列模型（Bi-AT-Seq2Seq），并引入注意力机制，显著优于单向或无注意力机制的模型	研究样本量相对较小，且仅限于肺结节和乳腺结节患者	缩短动态PET扫描时间，提高临床应用的可行性	70名肺结节或乳腺结节患者	医学影像分析	肺结节, 乳腺结节	动态PET/CT扫描	Bi-AT-Seq2Seq	医学影像	70名患者（32名男性，平均年龄53.61±13.53岁）
7105	2025-02-20	Deep learning-based intratumoral and peritumoral features for differentiating ocular adnexal lymphoma and idiopathic orbital inflammation 2025-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11275-5 PMID:39702637	研究论文	本文评估了基于深度学习的肿瘤内和肿瘤周围特征在区分眼附属器淋巴瘤（OAL）和特发性眼眶炎症（IOI）中的价值	使用基于注意力的融合模型融合了肿瘤内和肿瘤周围区域以及多个MR序列提取的特征，显著提高了诊断性能	研究中未发现肿瘤周围特征与肿瘤内特征在性能上有显著差异	评估深度学习在区分OAL和IOI中的应用价值	97名经病理学确认的OAL和IOI患者	数字病理学	眼附属器淋巴瘤, 特发性眼眶炎症	深度学习	基于注意力的融合模型	MR图像	97名患者（43名OAL，54名IOI）
7106	2025-02-20	Identifying influential nodes in brain networks via self-supervised graph-transformer 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109629 PMID:39731922	研究论文	本文提出了一种基于图变换器的自监督图重建框架（SSGR-GT），用于识别脑网络中的关键节点	采用自监督深度学习模型，无需手动特征提取，直接从数据中学习有意义的表示，结合图变换器提取脑图的局部和全局特征，并通过图融合技术结合功能和结构信息进行多模态分析	依赖于自监督学习的效果，可能受限于数据质量和模型训练过程	识别脑网络中的关键节点（I-nodes），以增强对脑工作机制的理解	脑网络中的关键节点	脑成像	NA	自监督深度学习，图变换器	Graph-Transformer	脑图数据	56个关键节点
7107	2025-02-20	Enhanced brain tumor detection and segmentation using densely connected convolutional networks with stacking ensemble learning 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109703 PMID:39862469	研究论文	本研究旨在通过实施先进的堆叠集成学习（SEL）方法，提高脑肿瘤（BT）检测和分割的准确性和分类效果	提出了一种名为SEL-DenseNet201的堆叠DenseNet201作为元模型，结合了六种不同的基础模型，以增强脑肿瘤MRI图像的分割性能	研究中未提及样本的具体数量，且未讨论模型在实际临床环境中的适用性和泛化能力	提高脑肿瘤检测和分割的准确性，以支持早期诊断和治疗规划	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	MRI图像分析	DenseNet201, MobileNet-v3, 3D-CNN, VGG-16, VGG-19, ResNet50, AlexNet	图像	NA
7108	2025-02-20	NetSDR: Drug repurposing for cancers based on subtype-specific network modularization and perturbation analysis 2025-Mar, Biochimica et biophysica acta. Molecular basis of disease DOI:10.1016/j.bbadis.2025.167688 PMID:39862994	研究论文	本文提出了NetSDR，一种基于网络的亚型特异性药物重定位框架，用于优先考虑特定癌症亚型的重定位药物	NetSDR框架通过整合癌症亚型信息和网络扰动分析，结合深度学习构建加权药物响应网络，提出了一种新的药物重定位方法	NA	开发一种基于网络的亚型特异性药物重定位框架，以优先考虑特定癌症亚型的重定位药物	癌症亚型	系统生物学	癌症	网络医学方法、深度学习	深度学习	蛋白质组学数据	NA
7109	2025-02-20	A robust and generalized framework in diabetes classification across heterogeneous environments 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109720 PMID:39864329	研究论文	本研究提出了一种鲁棒的机器学习框架，用于在不同人群中预测糖尿病，使用PIMA和BD两个不同的数据集进行验证	提出了一个跨异构环境的糖尿病分类框架，通过数据集内、数据集间和部分融合数据集验证技术，全面评估模型的泛化能力和性能	模型在跨数据集验证时性能下降，尤其是在BD数据集上训练并在PIMA数据集上测试时，准确率仅为74%	开发一个鲁棒的机器学习框架，以提高糖尿病预测在不同人群中的泛化能力和准确性	女性人群中的糖尿病预测	机器学习	糖尿病	机器学习	XGBoost, Random Forest, Gradient Boosting, 深度学习模型	结构化数据	PIMA和BD两个数据集
7110	2025-02-20	Enhancing cardiovascular disease classification in ECG spectrograms by using multi-branch CNN 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109737 PMID:39864336	研究论文	本文提出并比较了一维（1D）、二维（2D）卷积神经网络（CNN）和多分支卷积神经网络（MB-CNN）在从一维（1D）心电图（ECG）记录的频谱图中分类各种心血管疾病（CVD）的性能	提出了一种多分支卷积神经网络（MB-CNN），能够捕捉不同层次的抽象特征，从而提高了心血管疾病的分类精度	NA	提高从心电图频谱图中分类心血管疾病的准确性	心血管疾病（包括扩张型心肌病、肥厚型心肌病、心肌梗死和冠状动脉疾病）	计算机视觉	心血管疾病	连续小波变换（CWT）	1D CNN, 2D CNN, MB-CNN	图像（ECG频谱图）	MIT-BIH数据库中的5类ECG记录
7111	2025-02-20	OCDet: A comprehensive ovarian cell detection model with channel attention on immunohistochemical and morphological pathology images 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109713 PMID:39864335	研究论文	本文提出了一种名为OCDet的卵巢细胞检测模型，该模型结合了通道注意力机制，能够在免疫组化和形态学病理图像上全面检测多种卵巢癌细胞	OCDet模型首次结合了通道注意力机制，能够高效提取病理特征，并在多种卵巢癌细胞的检测上表现出色	虽然OCDet在卵巢癌细胞检测上表现出色，但其在其他癌症类型上的应用潜力尚未完全验证	开发一种高效的深度学习框架，用于卵巢癌病理诊断中的多种细胞检测	卵巢癌相关的多种细胞，包括CD3、CD8、CD20阳性淋巴细胞、中性粒细胞和多倍体巨癌细胞	数字病理	卵巢癌	深度学习	CSPDarkNet结合Efficient Channel Attention模块	图像	未明确提及具体样本数量
7112	2025-02-20	A deep architecture based on attention mechanisms for effective end-to-end detection of early and mature malaria parasites in a realistic scenario 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109704 PMID:39869986	研究论文	本文提出了一种基于深度学习和注意力机制的计算机辅助检测框架，用于有效检测和分类疟疾寄生虫的所有感染阶段，并支持多物种识别	该研究扩展了YOLO-SPAM和YOLO-PAM模型，结合注意力机制，提高了疟疾寄生虫检测的准确性和诊断实用性	NA	开发一种自动化疟疾检测解决方案，以支持病理学家并增强现实世界中的诊断实践	疟疾寄生虫	计算机视觉	疟疾	深度学习	YOLO-SPAM, YOLO-PAM	图像	三个公开可用的数据集
7113	2025-02-20	Detecting IDH and TERTp mutations in diffuse gliomas using 1H-MRS with attention deep-shallow networks 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109736 PMID:39874812	研究论文	本研究开发了深度学习分类器，利用质子磁共振波谱（1H-MRS）和一维卷积神经网络（1D-CNN）架构来识别胶质瘤中的IDH和TERTp突变	使用注意力机制的深浅网络（ADSN）进行突变检测，并利用Grad-CAM技术解释模型的决策过程	样本量相对较小，仅包括225名患者	开发非侵入性方法，用于术前检测胶质瘤中的IDH和TERTp突变，以帮助预后和治疗计划	225名成人半球弥漫性胶质瘤患者的1H-MRS数据	数字病理学	胶质瘤	1H-MRS, 深度学习	1D-CNN, 注意力深浅网络（ADSN）	光谱数据	225名患者（117名IDH突变，108名IDH野生型；99名TERTp突变，100名TERTp野生型）
7114	2025-02-20	Hybrid deep learning for computational precision in cardiac MRI segmentation: Integrating Autoencoders, CNNs, and RNNs for enhanced structural analysis 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109597 PMID:39967188	研究论文	本研究探讨了混合深度学习方法在心脏MRI分割中的应用，结合了自编码器、卷积神经网络和循环神经网络，以提高图像分析的精确度和准确性	结合自编码器、卷积神经网络和循环神经网络的混合深度学习框架，显著提高了心脏MRI分割的准确性和图像质量	研究主要依赖于过去五年内的学术数据库和出版物，可能未涵盖最新的技术进展	提高心脏MRI分割的精确度和准确性，以支持早期诊断和患者护理	心脏MRI图像	计算机视觉	心血管疾病	深度学习	自编码器、CNN、RNN	图像	NA
7115	2024-09-20	Comment on: "Deep learning-based surgical phase recognition in laparoscopic cholecystectomy" 2025-Feb-28, Annals of hepato-biliary-pancreatic surgery IF:1.1Q3 DOI:10.14701/ahbps.24-149 PMID:39295321	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7116	2025-02-20	Deep learning-based video-level view classification of two-dimensional transthoracic echocardiography 2025-Feb-19, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/adb493 PMID:39933194	研究论文	本文提出了一种基于深度学习的视频级别二维经胸超声心动图（TTE）视图分类框架TTESlowFast，旨在满足临床需求	提出了基于SlowFast架构的TTESlowFast框架，结合采样平衡策略和数据增强策略，解决了类别不平衡和标记TTE视频有限的问题	未详细探讨在真实临床环境中的性能表现	开发一种准确且高效的视频级别TTE视图分类方法，以满足临床需求	二维经胸超声心动图（TTE）视频	计算机视觉	心血管疾病	深度学习	SlowFast	视频	未明确提及具体样本数量
7117	2025-02-20	Deep Learning-Based Signal Amplification of T1-Weighted Single-Dose Images Improves Metastasis Detection in Brain MRI 2025-Feb-19, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001166 PMID:39961132	研究论文	本研究探讨了基于深度学习的信号放大技术在单剂量T1加权脑MRI图像中的应用，以提高脑转移瘤的检测能力	使用深度学习技术从单剂量T1加权图像生成人工双剂量图像，以提高脑转移瘤的检测灵敏度	人工双剂量图像在提高检测灵敏度的同时，可能会增加假阳性发现	测试深度学习技术在单剂量T1加权脑MRI图像中生成人工双剂量图像的效果，以提高脑转移瘤的检测能力	30名参与者（平均年龄58.5岁，23名女性）的单剂量T1加权脑MRI图像	医学影像分析	脑转移瘤	深度学习	NA	图像	30名参与者的脑MRI图像
7118	2025-02-20	Moving Beyond CT Body Composition Analysis: Using Style Transfer for Bringing CT-Based Fully-Automated Body Composition Analysis to T2-Weighted MRI Sequences 2025-Feb-19, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001162 PMID:39961134	研究论文	本研究提出了一种基于深度学习的自动身体成分分析方法，使用MR T2加权序列进行身体成分分析	通过将CT分割映射到使用CycleGAN生成的合成MR图像上，实现了从CT到MRI的身体成分分析，并利用nnU-Net模型进行3D和2D分割	研究中使用的合成数据对数量较少（30对），可能影响模型的泛化能力	开发一种自动化方法，用于从T2加权MRI序列中提取身体成分分析参数	120名患者的T2加权MRI序列	计算机视觉	NA	CycleGAN, nnU-Net	nnU-Net V2 (3D和2D)	图像（MRI序列）	120名患者（46%女性，中位年龄56岁）
7119	2025-02-20	Prediction of adverse pathology in prostate cancer using a multimodal deep learning approach based on [18F]PSMA-1007 PET/CT and multiparametric MRI 2025-Feb-19, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07134-0 PMID:39969539	研究论文	本研究开发并评估了一种基于[18F]PSMA-1007 PET/CT和多参数MRI（mpMRI）的多模态深度学习模型，用于预测前列腺癌患者的不良病理（AP）	该研究首次将[18F]PSMA-1007 PET/CT与mpMRI结合，构建了一个多模态深度学习模型（MPC），并进一步整合临床特征构建了集成模型（MPCC），显著提高了预测AP的能力	研究为回顾性分析，可能存在选择偏差，且样本量相对较小，需要进一步的前瞻性研究验证	开发并评估一种多模态深度学习模型，用于预测前列腺癌患者的不良病理（AP）	341名接受根治性前列腺切除术（RP）并进行了mpMRI和PET/CT扫描的前列腺癌患者	数字病理	前列腺癌	深度学习	卷积神经网络（CNN）和Transformer	图像（PET/CT和mpMRI）	341名前列腺癌患者
7120	2025-02-20	Robust and generalizable artificial intelligence for multi-organ segmentation in ultra-low-dose total-body PET imaging: a multi-center and cross-tracer study 2025-Feb-19, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07156-8 PMID:39969540	研究论文	本研究开发并验证了一种深度学习模型，用于在不同成像条件和示踪剂下进行多器官PET分割，解决了完全基于PET的定量分析的关键需求	该模型在多种成像条件、中心和示踪剂下实现了有效的、完全基于PET的多器官分割，展示了高鲁棒性和泛化能力	本研究为回顾性研究，基于已收集的数据，可能受到数据质量和多样性的限制	开发并验证一种深度学习模型，用于在不同成像条件和示踪剂下进行多器官PET分割	798名来自多个中心的患者，使用不同示踪剂进行PET成像	医学影像分析	NA	深度学习	3D深度学习模型	PET图像	798名患者