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
721	2025-06-12	A systematic review: Brain age gap as a promising early diagnostic biomarker for Alzheimer's disease 2025-Jun-03, Journal of the neurological sciences IF:3.6Q2 DOI:10.1016/j.jns.2025.123563 PMID:40494037	系统综述	本文综述了脑年龄差距（BAG）作为阿尔茨海默病早期诊断生物标志物的研究现状	利用深度学习技术预测脑年龄，并通过脑年龄差距（BAG）作为阿尔茨海默病的早期诊断生物标志物	包括站点效应、偏差校正、数据不足、硬件要求、模型准确性和临床适用性等关键挑战	探讨脑年龄差距（BAG）作为阿尔茨海默病早期诊断生物标志物的潜力	阿尔茨海默病患者和健康老年人的脑结构变化	数字病理学	阿尔茨海默病	深度学习	深度学习模型	神经影像数据	NA
722	2025-06-12	AI-enabled CT-guided end-to-end quantification of total cardiac activity in 18FDG cardiac PET/CT for detection of cardiac sarcoidosis 2025-Jun, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1016/j.nuclcard.2025.102195 PMID:40127777	research paper	提出了一种基于深度学习的全自动流程，用于通过CT衰减图分割心脏腔室来量化[18F]FDG PET活动，以检测心脏结节病	开发了一种全自动的深度学习分割方法，用于从CT衰减扫描中分割心脏腔室，并自动将CT定义的解剖区域应用于[18F]FDG PET图像，以量化目标与背景比(TBR)、炎症体积(VOI)和心脏代谢活动(CMA)	样本量较小（69例患者），且心脏结节病的阳性率为42%，可能影响模型的泛化能力	开发并评估一种全自动的量化方法，用于检测心脏结节病	接受[18F]FDG PET/CT检查的疑似心脏结节病患者	digital pathology	cardiac sarcoidosis	PET/CT, deep learning	DL (deep learning)	image	69例患者
723	2025-06-12	OrgaMeas: A pipeline that integrates all the processes of organelle image analysis 2025-06, Biochimica et biophysica acta. Molecular cell research DOI:10.1016/j.bbamcr.2025.119964 PMID:40268058	研究论文	介绍了一个名为OrgaMeas的高通量图像分析流程，用于精确测量细胞器的形态和动态	整合了两个基于深度学习的工具OrgaSegNet和DIC2Cells，实现了细胞器的精确分割和单个细胞水平的ROI自动设置，降低了成本并减少了编码需求	未提及具体的性能比较或与其他方法的对比结果	开发一个低成本、易用的图像分析流程，用于研究细胞器的形态和动态	细胞器的形态和动态	数字病理	NA	深度学习	CNN	图像	NA
724	2025-06-12	InclusiViz : Visual Analytics of Human Mobility Data for Understanding and Mitigating Urban Segregation 2025-Jun, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2025.3567117 PMID:40327496	research paper	介绍了一个名为InclusiViz的可视化分析系统，用于多层次分析城市隔离现象，并促进数据驱动的干预措施	提出了一个结合深度学习和可解释AI的视觉分析系统，用于分析城市隔离模式，并评估城市规划干预措施	未明确提及研究的局限性	理解和缓解城市隔离现象	人类移动数据和城市隔离模式	visual analytics	NA	deep learning, explainable AI	deep learning model	human mobility data	未明确提及样本量
725	2025-06-12	Classifying fungi biodiversity using hybrid transformer models 2025-Jun-01, Journal of microbiological methods IF:1.7Q4 DOI:10.1016/j.mimet.2025.107155 PMID:40460919	research paper	该研究提出了一种混合深度学习技术，结合Vision Transformer和Swin Transformer模型以及迁移学习框架，用于真菌多类分类	创新点在于结合了Vision Transformer和Swin Transformer模型，并采用迁移学习框架，提高了真菌分类的准确性和泛化能力	研究中使用了公开数据集，可能无法涵盖所有真菌物种的多样性，且样本量有限	研究目的是通过深度学习技术提高真菌分类的准确性，以促进真菌生物多样性的管理和理解	研究对象为五种真菌物种的9115张图像	computer vision	NA	深度学习、迁移学习	Vision Transformer、Swin Transformer、MobileNetV2、DenseNet121、EfficientNetB0	image	9115张图像
726	2025-06-12	A comprehensive image dataset of plum leaf and fruit for disease classification 2025-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2025.111625 PMID:40486236	research paper	该研究创建了一个全面的李树叶和果实图像数据集，用于疾病分类和果实质量评估	开发了一个全面的李树叶和果实图像数据集，填补了农业研究与计算机视觉之间的空白，支持自动化疾病检测和果实质量评估	数据收集时间较短（2024年12月至2025年2月），可能无法涵盖所有季节的疾病变化	通过机器学习技术推进农业研究，实现有效的疾病管理系统	李树的叶子和果实	computer vision	植物疾病	图像采集与增强	deep learning	image	3,554张原始图像，相同数量的处理图像和18,000张增强图像，共分为六个类别
727	2025-06-12	Predictive modeling for metastasis in oncology: current methods and future directions 2025-Jun, Annals of medicine and surgery (2012) DOI:10.1097/MS9.0000000000003279 PMID:40486555	综述	本文综述了肿瘤学中转移预测模型的当前方法及未来发展方向	整合了机器学习、基因组学和影像学技术，探索了多组学数据和人工智能在个性化转移预测中的应用	面临数据异质性、模型可解释性不足以及需要更大规模高质量数据集进行验证等挑战	提高转移预测的准确性，为临床提供早期检测和个性化治疗策略的见解	肿瘤转移预测模型	机器学习	肿瘤学	基因组分析、液体活检、放射组学	逻辑回归、决策树、支持向量机、神经网络	临床、病理和分子数据	NA
728	2025-06-12	Bridging surgical oncology and personalized medicine: the role of artificial intelligence and machine learning in thoracic surgery 2025-Jun, Annals of medicine and surgery (2012) DOI:10.1097/MS9.0000000000003302 PMID:40486596	综述	本文探讨了人工智能和机器学习在胸外科手术和肿瘤学中的应用及其对个性化医疗的潜在影响	整合AI和ML技术以优化肺癌的早期检测、治疗精准度和手术决策，推动个性化癌症护理	临床实践中广泛应用AI面临数据标准化、伦理问题和需要稳健验证等挑战	探索AI和ML如何通过改善早期检测、提高手术精准度和实现个性化护理来优化胸外科肿瘤学	肺癌患者	数字病理学	肺癌	基因组分析、低剂量CT扫描	深度学习算法、预测模型	医学影像、临床数据	NA
729	2025-06-12	Do Transformers and CNNs Learn Different Concepts of Brain Age? 2025-Jun-01, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.70243 PMID:40489428	研究论文	比较Transformer和CNN在预测脑年龄方面的性能及其捕捉的脑老化效应差异	首次在脑年龄预测领域比较Transformer和CNN的性能，并探讨它们是否捕捉不同的脑老化效应概念	仅使用了UK Biobank的数据，可能无法完全代表其他人群	探索不同深度学习架构在脑年龄预测中的表现差异及其临床意义	脑年龄预测模型	计算机视觉	神经精神疾病	T1加权脑磁共振成像	Transformer (sViT, SwinT), CNN (ResNet50)	图像	46,381张T1加权结构MR图像
730	2025-06-12	HEDL: Deep learning multiple approaches for early detection of depression using sarcastic text 2025-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103370 PMID:40491515	研究论文	本文提出了一种混合集成深度学习模型（HEDL），用于通过讽刺文本来早期检测抑郁迹象	HEDL模型独特地整合了CNN、LSTM和GRU架构，以捕捉更复杂的特征表示模式，提高了准确性和鲁棒性	实验仅在新闻标题数据集上进行测试，未涉及其他类型的数据	开发一种更准确和可靠的讽刺检测方法，用于心理健康监测和情感分析	讽刺文本数据	自然语言处理	抑郁症	深度学习	CNN, LSTM, GRU	文本	新闻标题数据集（具体数量未提及）
731	2025-06-12	Detection of Undiagnosed Liver Cirrhosis via Artificial Intelligence-Enabled Electrocardiogram (DULCE): Rationale and design of a pragmatic cluster randomized clinical trial 2025-Jun, Contemporary clinical trials communications IF:1.4Q4 DOI:10.1016/j.conctc.2025.101494 PMID:40491662	研究论文	该研究通过人工智能心电图（ECG）检测未诊断的肝硬化，设计了一项实用的集群随机临床试验	利用ECG支持的深度学习模型筛查晚期慢性肝病（CLD），在初级保健中展示了潜在的应用前景	研究仅在梅奥诊所的45个初级保健实践中进行，样本量和地域范围有限	评估ECG支持的人工智能模型在初级保健中筛查晚期CLD的有效性	初级保健患者，特别是那些在研究期间接受ECG检查的患者	数字病理学	肝硬化	深度学习	深度学习模型	ECG数据	45个梅奥诊所初级保健实践的患者
732	2025-06-12	Deep Learning in Digital Breast Tomosynthesis: Current Status, Challenges, and Future Trends 2025-Jun, MedComm IF:10.7Q1 DOI:10.1002/mco2.70247 PMID:40491967	review	本文综述了深度学习在数字乳腺断层合成（DBT）乳腺癌筛查中的应用与展望	总结了深度学习在DBT中的三大应用类别，并提出了未来研究方向如大语言模型和多源域迁移	缺乏公开数据集和模型训练问题是当前主要挑战	探讨深度学习如何提升DBT图像处理效率和诊断准确性	数字乳腺断层合成（DBT）图像	digital pathology	breast cancer	deep learning	NA	3D medical images	NA
733	2025-06-12	AI-powered remote monitoring of brain responses to clear and incomprehensible speech via speckle pattern analysis 2025-Jun, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.30.6.067001 PMID:40492267	研究论文	本文介绍了一种基于激光散斑图案分析和深度学习的远程无接触脑皮层活动监测技术	提出了一种远程、无接触、低成本的脑皮层活动监测方法，克服了传统功能磁共振成像和接触式监测技术的局限性	目前仅针对Wernicke区对清晰和不可理解语音的反应进行了测试，尚未验证在其他脑区的适用性	开发一种远程光子技术，通过深度学习分析激光散斑图案视频来检测人脑皮层活动	人脑Wernicke区对语音刺激的反应	神经影像技术	NA	激光散斑图案成像技术	卷积长短期记忆深度神经网络(CNN-LSTM)	视频	未明确提及具体样本量
734	2025-06-12	Development and validation of a 3-D deep learning system for diabetic macular oedema classification on optical coherence tomography images 2025-May-31, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-099167 PMID:40449950	研究论文	开发并验证了一种基于3D光学相干断层扫描（OCT）图像的自动糖尿病黄斑水肿（DME）分类系统	使用3D卷积神经网络算法开发DME分类系统，并在多中心数据上验证其性能	研究依赖于回顾性和横断面数据，可能影响模型的泛化能力	开发一个自动化的DME分类系统，用于基于人群的DME筛查	糖尿病黄斑水肿（DME）患者	数字病理	糖尿病黄斑水肿	3D光学相干断层扫描（OCT）	3D CNN	3D图像	4254名患者的7146只眼睛的7790个OCT图像
735	2025-06-12	Selection, visualization, and explanation of deep features from resting-state fMRI for Alzheimer's disease diagnosis 2025-May-31, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2025.112005 PMID:40494176	研究论文	本研究探讨了从静息态功能磁共振成像（rs-fMRI）图像中可视化深度特征以区分认知正常者与不同阶段阿尔茨海默病患者的有效性	提出了一种称为'信息深度特征'的特定子集，能够有效识别阿尔茨海默病，并通过深度特征热图和激活图进行可视化	由于脑萎缩和图像强度的相似模式，识别病理模式存在挑战	提高深度学习模型在临床诊断中的可解释性，特别是在阿尔茨海默病的诊断中	认知正常者和不同阶段阿尔茨海默病患者	数字病理学	阿尔茨海默病	rs-fMRI	深度学习模型	图像	来自ADNI数据库的rs-fMRI数据
736	2025-06-12	Mammogram mastery: Breast cancer image classification using an ensemble of deep learning with explainable artificial intelligence 2025-May-30, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000042242 PMID:40441211	research paper	该研究提出了一种基于深度学习和可解释人工智能的集成方法，用于乳腺X光图像的自动分类，以提高乳腺癌诊断的准确性和效率	结合了Inception V3架构的预训练模型与可解释AI技术，实现了99%的准确率和F1分数，显著提升了乳腺癌图像分类的性能和透明度	未提及模型在不同数据集上的泛化能力，以及在实际临床环境中的验证情况	开发一种自动化的乳腺癌诊断系统，以提高诊断的准确性和效率	乳腺X光图像	digital pathology	breast cancer	deep learning, explainable AI	Inception V3	image	NA
737	2025-06-12	Three-dimensional automated segmentation of adolescent idiopathic scoliosis on computed tomography driven by deep learning: A retrospective study 2025-May-30, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000042644 PMID:40441215	研究论文	本研究探讨了深度学习在青少年特发性脊柱侧凸（AIS）患者CT图像中椎骨分割的应用	使用U-Net和Attention U-Net两种神经网络对AIS患者的CT图像进行椎骨分割，并比较了它们在关键脊柱侧凸部位的性能	样本量较小（31例），且未观察到两种网络在整体性能上的显著差异	开发自动化椎骨分割方法以支持现代外科技术	青少年特发性脊柱侧凸（AIS）患者的CT图像	数字病理	青少年特发性脊柱侧凸	CT成像	U-Net, Attention U-Net	3D CT图像	31例AIS患者的CT图像样本
738	2025-06-12	MMRNet: Ensemble deep learning models for predicting mismatch repair deficiency in endometrial cancer from histopathological images 2025-May-20, Cell reports. Medicine DOI:10.1016/j.xcrm.2025.102099 PMID:40306276	研究论文	本文介绍了一种名为MMRNet的深度卷积神经网络，用于从H&E染色的全切片图像中预测子宫内膜癌中的错配修复缺陷	提出了一种新的深度卷积神经网络MMRNet，用于预测子宫内膜癌中的错配修复缺陷，并通过人机融合方法显著提高了诊断准确性	未提及具体的数据集规模限制或模型泛化能力的详细讨论	开发一种经济实惠且易于使用的工具，用于确定子宫内膜癌患者的MMR状态	子宫内膜癌患者的组织病理学图像	数字病理学	子宫内膜癌	深度学习	CNN	图像	NA
739	2025-06-12	Preoperative Differentiation of Spinal Schwannoma and Meningioma Using Machine Learning-Based Models: A Systematic Review and Meta-Analysis 2025-May-19, World neurosurgery IF:1.9Q2 DOI:10.1016/j.wneu.2025.124096 PMID:40398809	meta-analysis	本研究通过系统综述和荟萃分析评估了基于机器学习的模型在术前区分脊柱神经鞘瘤和脑膜瘤中的诊断性能	首次系统评估了机器学习模型在区分脊柱神经鞘瘤和脑膜瘤中的诊断准确性	纳入研究数量有限（6项研究），且样本量相对较小（644例患者）	评估机器学习模型在术前区分脊柱神经鞘瘤和脑膜瘤中的诊断性能	脊柱神经鞘瘤和脑膜瘤患者	digital pathology	spinal tumors	machine learning	deep learning, ML-based models	medical imaging data	644例患者（364例神经鞘瘤，258例脑膜瘤）
740	2025-06-12	On the use of deep learning for computer-generated holography 2025-May-16, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.112507 PMID:40491959	review	本文综述了深度学习在计算机生成全息术（CGH）中的应用及其最新进展	探讨了深度学习如何推动高质量和实时全息显示的发展，并介绍了数据驱动模型、物理驱动模型和联合优化模型等前沿研究方向	NA	回顾深度学习在计算机生成全息术中的应用及其发展	计算机生成全息术（CGH）和深度学习	computer vision	NA	NA	data-driven models, physics-driven models, jointly optimized models	NA	NA