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
7461	2025-02-09	A multi-task framework for breast cancer segmentation and classification in ultrasound imaging 2025-Mar, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108540 PMID:39647406	研究论文	本文提出了一种用于超声图像中乳腺癌分割和分类的多任务框架，旨在提高乳腺癌病变的检测效果	引入了一种端到端的多任务框架，利用乳腺癌病变分类和分割任务之间的内在相关性，并在广泛使用的公共乳腺癌超声数据集BUSI上进行了综合分析	研究中未提及具体的数据标准化问题，且未详细讨论非肿瘤图像在训练中的影响	探索多任务系统在增强乳腺癌病变检测中的潜力	乳腺癌超声图像	计算机视觉	乳腺癌	深度学习	多任务框架	图像	使用公共乳腺癌超声数据集BUSI
7462	2025-02-09	Time-hybrid OSAformer (THO): A hybrid temporal sequence transformer for accurate detection of obstructive sleep apnea via single-lead ECG signals 2025-Mar, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108558 PMID:39662234	研究论文	本文提出了一种名为时间混合OSAformer（THO）的新方法，利用单导联心电图信号进行阻塞性睡眠呼吸暂停（OSA）的准确检测	THO模型结合了扩张卷积和长短期记忆（LSTM）的混合架构，以及多尺度特征融合策略，并集成了多头部注意力模型中的嵌入式记忆衰减机制，以捕捉时间序列数据的实时特征	NA	提高使用单导联心电图信号进行阻塞性睡眠呼吸暂停（OSA）检测的准确性	阻塞性睡眠呼吸暂停（OSA）患者	机器学习	阻塞性睡眠呼吸暂停	单导联心电图信号分析	THO（结合扩张卷积和LSTM的混合架构）	时间序列数据（心电图信号）	NA
7463	2025-02-09	EpiBrCan-Lite: A lightweight deep learning model for breast cancer subtype classification using epigenomic data 2025-Mar, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108553 PMID:39667144	研究论文	本文提出了一种名为EpiBrCan-Lite的轻量级深度学习模型，用于利用DNA甲基化数据对乳腺癌亚型进行分类	EpiBrCan-Lite模型通过改进传统的Transformer编码器，使用GRU模块替代MLP模块，减少了可训练权重参数（TWP），并捕捉了输入特征数据的长程依赖关系	模型在TCGA乳腺癌数据集上进行了验证，但该数据集存在类别不平衡问题，尽管使用了SMOTE技术进行缓解，但仍可能影响模型的泛化能力	提高乳腺癌亚型分类的准确性和效率，以便更好地进行患者预后	乳腺癌亚型分类	机器学习	乳腺癌	DNA甲基化数据	EpiBrCan-Lite（基于Transformer和GRU的混合模型）	DNA甲基化数据	TCGA乳腺癌数据集
7464	2025-02-09	Improving real-time detection of laryngeal lesions in endoscopic images using a decoupled super-resolution enhanced YOLO 2025-Mar, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108539 PMID:39689500	研究论文	本研究提出了一种名为SRE-YOLO的深度学习方法，用于实时检测喉部病变，通过结合YOLOv8n基线和超分辨率分支来提高病变检测的准确性	SRE-YOLO方法在YOLOv8n基线的基础上集成了超分辨率分支，以增强病变检测，并在推理过程中解耦以保持低计算需求	研究依赖于多中心数据集，可能受到数据集多样性和采集模态的限制	开发一种高效的深度学习驱动决策支持系统，用于实时检测喉部病变	喉部病变	计算机视觉	喉癌	深度学习	YOLOv8n	图像	多中心数据集，涵盖多种喉部病理和采集模态
7465	2025-02-09	Transferable automatic hematological cell classification: Overcoming data limitations with self-supervised learning 2025-Mar, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108560 PMID:39693791	研究论文	本研究提出将自监督学习（SSL）集成到细胞分类流程中，以解决数据稀缺和模型泛化能力有限的问题	通过自监督学习提取细胞图像特征，无需使用图像注释，并在少量标注图像上训练轻量级机器学习分类器，提高了分类准确性和模型适应性	研究仅基于四个公开的血液学单细胞图像数据集，可能无法完全代表所有实验室的情况	开发稳健可靠的自动细胞分类系统，以解决数据稀缺和模型泛化能力有限的问题	外周血和骨髓细胞	数字病理学	血液疾病	自监督学习（SSL）	轻量级机器学习分类器	图像	四个公开的血液学单细胞图像数据集，包括一个骨髓和三个外周血数据集
7466	2025-02-09	Multimodal autism detection: Deep hybrid model with improved feature level fusion 2025-Mar, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108492 PMID:39700689	研究论文	本研究提出了一种基于深度学习的多模态自闭症检测模型，通过改进的特征级融合方法提高预测准确性	提出了一种新的自闭症检测模型，结合了改进的特征级融合方法和混合模型（CNN和Bi-GRU），显著提高了预测准确性	未提及样本的具体来源和多样性，可能影响模型的泛化能力	开发一种基于深度学习的自闭症检测模型，以提高诊断准确性	自闭症谱系障碍（ASD）患者	机器学习	自闭症	Gabor滤波、Wiener滤波、CSP、改进的奇异谱熵、相关维度、改进的主动外观模型、GLCM特征、SLBT	CNN、Bi-GRU	图像、EEG信号	NA
7467	2025-02-09	Robust multi-modal fusion architecture for medical data with knowledge distillation 2025-Mar, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108568 PMID:39709743	研究论文	本文提出了一种新颖且高效的多模态融合框架，用于医疗数据集，即使在缺少一个或多个模态的情况下也能保持一致的性能	提出了一种基于池化瓶颈（PB）注意力的多模态融合模块，并结合知识蒸馏（KD）和梯度调制（GM）方法，以增强模型在缺失模态情况下的推理能力	研究仅在MIMIC-IV数据集上进行评估，可能需要进一步验证在其他数据集上的泛化能力	开发一种能够在缺失模态情况下保持性能的多模态融合框架，用于医疗数据	胸部X光片、现病史文本、人口统计和实验室测试等表格数据	数字病理	NA	知识蒸馏（KD）、梯度调制（GM）	多模态融合模型	图像、文本、表格数据	MIMIC-IV数据集
7468	2025-02-09	Deep Learning-Based Accelerated MR Cholangiopancreatography Without Fully-Sampled Data 2025-Mar, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70002 PMID:39907193	研究论文	本研究旨在通过深度学习加速磁共振胰胆管成像（MRCP）的采集，并在3T和0.55T场强下进行评估	使用深度学习方法进行MRCP重建，无需完全采样数据，并在不同场强下验证其效果	研究仅涉及健康志愿者，未在患者群体中验证	加速MRCP采集并保持图像质量	35名健康志愿者	医学影像	NA	深度学习重建	深度学习模型	磁共振图像	35名健康志愿者
7469	2025-02-09	The Role of Artificial Intelligence in Obesity Medicine 2025-Mar, Endocrinology and metabolism clinics of North America IF:4.8Q1 DOI:10.1016/j.ecl.2024.10.008 PMID:39919876	review	本文综述了人工智能在肥胖医学中的变革性作用，展示了机器学习、深度学习、自然语言处理和大语言模型等技术如何改善肥胖管理	强调了人工智能在肥胖医学中的创新应用，包括预测分析、个性化治疗计划和实时行为干预	面临数据隐私、算法偏见、人工智能幻觉、透明度和实施障碍等挑战和伦理问题	探讨人工智能在肥胖医学中的应用及其潜力	肥胖患者	自然语言处理	肥胖	机器学习、深度学习、自然语言处理、大语言模型	NA	数据集	NA
7470	2025-02-09	Deep learning-based multimodal integration of imaging and clinical data for predicting surgical approach in percutaneous transforaminal endoscopic discectomy 2025-Feb-08, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society IF:2.6Q1 DOI:10.1007/s00586-025-08668-5 PMID:39920320	研究论文	本研究开发了一种基于深度学习的多模态模型，通过综合分析影像和临床数据，为经皮椎间孔镜椎间盘切除术（PTED）的手术入路选择提供客观参考	创新点在于结合了影像和临床数据，采用多输入ResNet 50模型和机器学习模型，并通过贝叶斯优化确定模型融合的最佳权重	研究为回顾性研究，可能存在数据偏差，且样本量未明确说明	研究目的是开发一种深度学习模型，辅助医生选择PTED手术入路	研究对象为多节段腰椎间盘突出症（LDH）患者	医学影像分析	腰椎间盘突出症	深度学习（DL）、机器学习（ML）	多输入ResNet 50模型、自定义模型	影像数据、临床数据	NA
7471	2025-02-09	Deep learning radiomics model based on contrast-enhanced MRI for distinguishing between tuberculous spondylitis and pyogenic spondylitis 2025-Feb-08, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society IF:2.6Q1 DOI:10.1007/s00586-025-08696-1 PMID:39920318	研究论文	本研究旨在开发和验证一种基于对比增强MRI的深度学习放射组学列线图（DLRN），用于区分结核性脊柱炎（TS）和化脓性脊柱炎（PS）	结合放射组学和深度学习特征，开发了一种新的深度学习放射组学列线图（DLRN），用于区分TS和PS	研究样本量相对较小，且仅基于两个中心的数据	区分结核性脊柱炎（TS）和化脓性脊柱炎（PS）	被诊断为TS或PS的患者	数字病理学	脊柱炎	对比增强MRI（CE-MRI）	深度学习放射组学列线图（DLRN）	图像	147名患者（训练队列102名，外部测试队列45名）
7472	2025-02-09	Deep learning aided determination of the optimal number of detectors for photoacoustic tomography 2025-Feb-07, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/adaf29 PMID:39874604	研究论文	本文介绍了一种基于深度学习的卷积神经网络架构RDUNet，用于解决光声断层扫描（PAT）中的条纹伪影问题，并优化探测器数量	提出了一种结合残差块和密集块的RDUNet架构，显著减少了光声断层扫描中所需的探测器数量	研究主要基于模拟数据，实验数据占比仅为19%，可能影响模型在实际应用中的泛化能力	优化光声断层扫描的图像质量并减少探测器数量	光声断层扫描图像	计算机视觉	NA	光声断层扫描（PAT）	CNN（卷积神经网络），RDUNet	图像	模拟数据（81%）和实验数据（19%）
7473	2025-02-09	Deep Learning Reconstruction Combined With Conventional Acceleration Improves Image Quality of 3 T Brain MRI and Does Not Impact Quantitative Diffusion Metrics 2025-Feb-07, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001158 PMID:39919383	研究论文	本研究评估了传统加速与基于Deep Resolve Boost（DRB）重建技术在3 T脑MRI中的单次激发平面回波成像（ssEPI）扩散加权成像（DWI）上的图像质量特征，并与最先进的DWI序列进行了比较	结合传统加速和DRB重建技术，显著提高了3 T脑MRI的图像质量，并缩短了采集时间	在DRB重建序列中，某些切片中观察到更多的伪影，且随着加速和DRB的应用，ADC值的差异增加	评估传统加速与DRB重建技术在3 T脑MRI中的图像质量特征	24名患者的标准护理ssEPI DWI和5种额外的适应性ssEPI DWI序列	医学影像	脑部疾病	单次激发平面回波成像（ssEPI）扩散加权成像（DWI）	Deep Resolve Boost（DRB）	图像	24名患者
7474	2025-02-09	A deep learning-driven method for safe and effective ERCP cannulation 2025-Feb-07, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03329-w PMID:39920403	研究论文	本文提出了一种基于深度学习的图形用户界面（GUI），用于辅助内镜逆行胰胆管造影（ERCP）插管操作，以提高其安全性和有效性	提出了一种基于四头Swin Transformer解耦头（4STDH）的深度学习方法，用于十二指肠乳头和手术插管的检测，并通过解耦分类和回归网络显著提高了模型的准确性和鲁棒性	尽管在DPAC数据集上表现优异，但该方法在真实临床环境中的泛化能力仍需进一步验证	开发一种计算机辅助的ERCP插管方法，以提高手术的安全性和效率	十二指肠乳头和手术插管	计算机视觉	NA	深度学习	Swin Transformer	内窥镜图像	1840张标注的内窥镜图像
7475	2025-02-09	Predicting hematoma expansion after intracerebral hemorrhage: a comparison of clinician prediction with deep learning radiomics models 2025-Feb-07, Neurocritical care IF:3.1Q2 DOI:10.1007/s12028-025-02214-3 PMID:39920546	研究论文	本文比较了深度学习放射组学模型与临床专家在预测非创伤性脑出血后血肿扩张的准确性	首次将深度学习放射组学模型与临床专家的预测能力进行比较，并展示了机器学习模型在此任务上的潜在优势	尽管机器学习模型表现优于临床专家，但其AUC值仍处于中等水平，表明仍有改进空间	预测非创伤性脑出血后血肿扩张，以指导早期治疗干预	900名非创伤性脑出血患者	数字病理学	脑出血	机器学习	随机森林分类器, 深度学习模型	图像, 临床数据	900名患者（训练队列621名，测试队列279名）
7476	2025-02-09	High-resolution spatially resolved proteomics of complex tissues based on microfluidics and transfer learning 2025-Feb-06, Cell IF:45.5Q1 DOI:10.1016/j.cell.2024.12.023 PMID:39855194	研究论文	本文介绍了一种结合微流控技术和深度学习的集成框架PLATO，用于实现整个组织切片中数千种蛋白质的高分辨率映射	PLATO框架结合了微流控技术和深度学习，能够实现高分辨率的蛋白质映射，揭示了肿瘤微环境的复杂性	NA	探索空间蛋白质组学调控及其与遗传和环境因素的相互作用	小鼠小脑、大鼠绒毛和人类乳腺癌样本	空间蛋白质组学	乳腺癌	微流控技术、深度学习	深度学习	蛋白质数据	小鼠小脑、大鼠绒毛和人类乳腺癌样本
7477	2025-02-09	Predicting cognitive decline: Deep-learning reveals subtle brain changes in pre-MCI stage 2025-Feb-06, The journal of prevention of Alzheimer's disease DOI:10.1016/j.tjpad.2025.100079 PMID:39920001	研究论文	本研究利用深度学习技术，通过结构磁共振成像（MRI）检测前轻度认知障碍（pre-MCI）阶段的细微脑部变化，以预测认知衰退	开发了一种独特的深度学习框架，结合单ROI网络（SRNet）和多ROI网络（MRNet），用于预测从正常认知（NC）到轻度认知障碍（MCI）的转变，并提出了渐进指数（PI）作为评估AD转化倾向的指标	研究依赖于特定的数据集（ADNI-1、ADNI-2和CLAS），可能限制了模型的普遍适用性	发现早期结构性神经影像变化，区分稳定和进展性认知状态，并建立MCI转化的预测模型	正常认知（NC）和轻度认知障碍（MCI）患者	数字病理学	老年疾病	结构磁共振成像（MRI）	卷积神经网络（CNN）	图像	ADNI-1数据库中的845名受试者，ADNI-2数据库中的321名受试者，以及中国纵向老龄化研究（CLAS）中的109名受试者
7478	2025-02-09	Deep empirical neural network for optical phase retrieval over a scattering medium 2025-Feb-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-56522-5 PMID:39910048	研究论文	本文提出了一种深度经验神经网络（DENN），用于在不透明散射介质中进行光学相位恢复	DENN结合了深度神经网络和经验模型，能够在没有标签数据的情况下实现光学相位恢复，且在保真度上比监督学习方法提高了58%	DENN在处理没有解析解的系统时表现出色，但在其他类型的系统上可能效果有限	研究目的是开发一种能够在没有标签数据的情况下进行光学相位恢复的深度学习方法	研究对象是光学相位恢复，特别是在不透明散射介质中的应用	机器学习	NA	深度经验神经网络（DENN）	深度神经网络	光学数据	30000对数据
7479	2025-02-09	Screening of multi deep learning-based de novo molecular generation models and their application for specific target molecular generation 2025-Feb-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86840-z PMID:39910075	研究论文	本文研究了多种基于深度学习的从头分子生成模型，并应用于特定靶点分子的生成	提出了一种基于生成预训练Transformer（GPT）架构的改进模型，并引入了一种基于完整编码器-解码器架构的Transformer模型（T5）的端到端神经网络学习框架	NA	改进和评估基于自然语言处理（NLP）的分子生成模型，用于针对非小细胞肺癌中L858R/T790M/C797S突变的EGFR的从头药物发现	非小细胞肺癌中的L858R/T790M/C797S突变EGFR	自然语言处理	肺癌	深度学习	Transformer, GPT, T5	分子序列（SMILES）	NA
7480	2025-02-09	Classification of schizophrenia, bipolar disorder and major depressive disorder with comorbid traits and deep learning algorithms 2025-Feb-05, Schizophrenia (Heidelberg, Germany) DOI:10.1038/s41537-025-00564-7 PMID:39910091	研究论文	本研究利用多基因风险评分（PRSs）和深度学习算法，探讨了共享遗传责任在精神分裂症、双相情感障碍和重度抑郁症分类与区分中的应用	通过结合目标特异性PRS和共病特征的PRS，提高了目标疾病的分类准确性，且仅使用共病特征的PRS也能有效区分未受影响的对照组和患者	未明确提及研究的局限性	评估共享遗传责任在精神分裂症、双相情感障碍和重度抑郁症分类与区分中的效用	精神分裂症（SCZ）、双相情感障碍（BIP）和重度抑郁症（MDD）患者及未受影响的对照组	机器学习	精神疾病	多基因风险评分（PRSs）	深度学习算法	基因数据	未明确提及样本数量