深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
7481	2026-03-13	Label-free SERS detection of prostate cancer based on multi-layer perceptron surrogate model method 2024-Jan-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2023.123407 PMID:37717486	研究论文	本研究利用多层感知器（MLP）简化前列腺癌患者血浆SERS样本的预处理过程，并提高SERS技术诊断的敏感性和特异性	采用PCA-MLP方法直接分析原始SERS数据，简化实验流程，同时保持高且稳定的分类准确率	未提及样本多样性或方法普适性的具体验证，可能局限于特定类型样本	简化前列腺癌SERS样本预处理，提升诊断准确率	前列腺癌患者与正常人群的血浆SERS样本	机器学习	前列腺癌	表面增强拉曼光谱（SERS）	多层感知器（MLP）	光谱数据	NA	NA	多层感知器（MLP）	分类准确率	NA
7482	2026-03-13	Classification of Glomerular Pathology Images in Children Using Convolutional Neural Networks with Improved SE-ResNet Module 2023-Dec, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-023-00579-7 PMID:37525066	研究论文	本研究设计了一个基于深度学习的完整肾小球分类框架，用于检测和分类儿童肾小球病理图像，通过改进的SE-ResNet模块实现高精度分类	提出了一种集成ResNet和SENet的RS-INet神经网络，通过将原始ResNet残差块的卷积层转换为参数更小的卷积块，在保证网络性能的前提下减少了网络参数	NA	解决儿童肾小球病变分类问题，实现肾小球病理的高精度分类	儿童肾小球病理图像	数字病理学	肾脏疾病	组织切片	CNN	图像	NA	NA	ResNet, SENet, SE-ResNet	准确率	NA
7483	2026-03-13	Nested star-shaped objects segmentation using diameter annotations 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102934 PMID:37688981	研究论文	提出一种基于直径标注的深度学习方法，用于分割嵌套星形结构（如血管内腔和外壁），以减少临床标注负担	通过可微分方式提取训练时的物体边界点，并利用直径标注（而非逐像素标注）训练深度学习模型，实现了弱监督下的精确分割	方法主要适用于嵌套星形结构，可能不适用于复杂或不规则形状的分割任务	开发一种减少医学图像分割标注负担的弱监督学习方法	颈动脉内腔和外壁	计算机视觉	心血管疾病	多序列磁共振成像	深度学习模型	医学图像	未明确说明	未明确说明	未明确说明	未明确说明	未明确说明
7484	2026-03-13	Supervised tractogram filtering using Geometric Deep Learning 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102893 PMID:37741032	研究论文	本文提出了一种名为Verifyber的监督学习方法，用于过滤脑白质纤维束图中非解剖学上合理的纤维	采用新颖的完全监督学习框架，结合几何深度学习处理可变长度纤维，并引入序列边缘卷积来捕获解剖特性，同时保持纤维方向不变性	NA	解决脑白质纤维束图中非解剖学合理纤维的过滤问题，以提高纤维束图的准确性	脑白质纤维束图中的虚拟纤维	机器学习	NA	几何深度学习	几何深度学习模型	3D折线（纤维）	NA	NA	序列边缘卷积	NA	12GB GPU
7485	2026-03-13	A deep weakly semi-supervised framework for endoscopic lesion segmentation 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102973 PMID:37757643	研究论文	提出了一种用于内窥镜病灶分割的弱半监督深度学习框架，以减少对像素级标注的依赖	提出了一个名为Point SEGTR的弱半监督分割框架，结合少量像素级标注和大量点级标注进行训练，并引入了多点一致性和对称一致性两个正则化项来提升伪标签质量	未在摘要中明确说明	开发一种减少对像素级标注依赖的内窥镜病灶分割方法	内窥镜图像中的病灶	医学图像分析	NA	深度学习	Transformer	图像	三个内窥镜数据集，包含不同病灶结构和身体部位（如结直肠和鼻咽）	NA	Point SEGTR	NA	NA
7486	2026-03-13	Comprehensive Evaluation of a Deep Learning Model for Automatic Organs-at-Risk Segmentation on Heterogeneous Computed Tomography Images for Abdominal Radiation Therapy 2023-Nov-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2023.05.034 PMID:37244625	研究论文	本文开发了一个名为AbsegNet的深度学习模型，用于在腹部恶性肿瘤的放射治疗中自动分割16个危及器官	提出了一种新颖的深度学习模型AbsegNet，能够在异质性CT图像上准确分割多个危及器官，并在多个外部数据集上验证了其鲁棒性和临床适用性	对于结肠和小肠的分割，仍有15.0%的患者需要进行重大修订，表明模型在这些器官上的性能有待进一步提升	开发一个深度学习模型，实现腹部放射治疗中危及器官的自动分割，以支持全自动放射治疗计划	腹部恶性肿瘤患者的CT扫描图像	数字病理	腹部恶性肿瘤	CT扫描	深度学习模型	CT图像	544例CT扫描，分为多个队列进行训练、测试和验证	NA	AbsegNet	Dice相似系数, 95th-percentile Hausdorff距离, 体积修订度	NA
7487	2026-03-13	Study on method of organ section retention and tracking through deep learning in automated diagnostic and therapeutic robotics 2023-Nov, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-02955-6 PMID:37249747	研究论文	本文提出了一种用于自动诊断和治疗机器人中器官截面保留和跟踪的深度学习方法，特别针对肾脏和肝脏的高强度聚焦超声治疗中的器官角度估计	提出了AEMA、AEMAD和AEMAD++三种新方法用于超声图像中器官角度估计，并在旋转扫描跟踪系统中进行了评估，其中AEMAD++在速度和精度上表现最佳	研究基于体模实验，未来需要添加周围器官区域或肾脏内部结构作为新特征以验证结果，且样本量较小（仅6个数据集）	开发一种在自动化诊断和治疗机器人中通过深度学习实现器官截面保留和跟踪的方法，以应对呼吸运动导致的器官位移问题	肾脏和肝脏器官，特别是在高强度聚焦超声治疗中的超声图像	计算机视觉	NA	高强度聚焦超声治疗，旋转扫描跟踪系统	深度学习模型	超声图像	6个数据集（5个用于初步准备，1个用于测试），包含从长轴图像到短轴图像的90度肾脏图像	NA	AEMA, AEMAD, AEMAD++	准确率，处理速度（FPS）	NA
7488	2026-03-13	Improving instrument detection for a robotic scrub nurse using multi-view voting 2023-Nov, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-03002-0 PMID:37530904	研究论文	本文提出了一种基于多视角投票的方案，用于改进机器人手术护士的器械检测性能	结合训练好的器械检测器与基于实例的多视角投票方案，显著提升了检测准确性	NA	提高机器人手术护士在手术器械检测任务中的性能	手术器械	计算机视觉	NA	深度学习	Mask R-CNN	RGB图像, 点云	NA	PyTorch	Mask R-CNN	错误减少率	NA
7489	2026-03-13	Deep-learning based classification of a tumor marker for prognosis on Hodgkin's disease 2023-Nov, European journal of haematology IF:2.3Q2 DOI:10.1111/ejh.14066 PMID:37549921	研究论文	本研究利用深度学习模型（YOLOv4）分析霍奇金病患者的全切片图像，评估picrosirius red染色纤维作为预后标志物的潜力	首次将YOLOv4深度学习模型应用于霍奇金病全切片图像，以picrosirius red染色纤维的弱染色程度作为预后指标进行自动分类和预测	样本量较小（仅83例），且picrosirius red染色作为预后设备的有效性尚不充分，需要进一步验证	评估基于深度学习的医学图像分类模型在预测霍奇金病临床结局中的应用，以辅助治疗决策	霍奇金病患者的FFPE活检标本（83例），根据qPET评分分层	数字病理学	霍奇金病	全切片图像扫描，picrosirius red染色，MMP9染色	CNN	图像	83例FFPE活检标本（训练集30例，评估集53例）	NA	YOLOv4	AUC	NA
7490	2026-03-13	Deep learning study on the mechanism of edge artifacts in point spread function reconstruction for numerical brain images 2023-Nov, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-023-01862-9 PMID:37610591	研究论文	本研究通过深度学习对模糊的数值脑图像进行非盲去模糊处理，以获取无边缘伪影的图像，并基于空间频率特性探讨点扩散函数重建中边缘伪影的产生机制	利用深度学习中的深度图像先验进行非盲去模糊处理，避免了点扩散函数重建，并通过数值模拟深入分析边缘伪影的空间频率特性机制	研究基于理想化的二维平行光束投影数据和简化的大脑图像模型，未考虑实际成像中的其他退化因素，可能限制了结果的普适性	探究点扩散函数重建中边缘伪影的产生机制，并比较不同重建方法在空间频率特性和分辨率方面的表现	数值模拟的脑图像，包括灰质、白质和脑脊液区域	计算机视觉	NA	数值模拟，深度学习去模糊，点扩散函数重建	深度图像先验	图像	256×256矩阵的脑图像	NA	深度图像先验	恢复系数，空间频率特性，一维物体特定调制传递函数	NA
7491	2026-03-13	MLACNN: an attention mechanism-based CNN architecture for predicting genome-wide DNA methylation 2023-Nov, Theory in biosciences = Theorie in den Biowissenschaften DOI:10.1007/s12064-023-00402-3 PMID:37648910	研究论文	本文提出了一种基于注意力机制的CNN架构MLACNN，用于预测全基因组DNA甲基化	引入基于注意力机制的瓶颈网络，结合三种编码方法进行特征融合，以学习更多有效特征并减少过拟合	未明确说明模型在特定生物环境或数据集外的泛化能力	开发深度学习模型以改进DNA甲基化预测	DNA序列及其甲基化状态	机器学习	NA	DNA甲基化预测	CNN	DNA序列	NA	NA	MLACNN	NA	NA
7492	2026-03-13	Interindividual distances and orientations of laying hens under 8 stocking densities measured by integrative deep learning techniques 2023-Nov, Poultry science IF:3.8Q1 DOI:10.1016/j.psj.2023.103076 PMID:37742450	研究论文	本研究通过集成深度学习技术，测量了蛋鸡在不同饲养密度下的个体间距离和方向，以优化鸡群空间分配	首次将深度学习技术应用于蛋鸡个体间距离和方向的自动检测，并系统分析了8种不同饲养密度下的行为指标	研究仅针对特定品种（京粉蛋鸡）和年龄（35周龄），且实验环境为受控的隔间，可能无法完全反映实际养殖场条件	开发深度学习技术以自动测量蛋鸡的个体间距离和方向，并评估不同饲养密度对这些指标的影响	蛋鸡（京粉品种，35周龄）	计算机视觉	NA	深度学习图像分类、定向目标检测	CNN	视频	8种饲养密度（3-10只鸡/隔间），具体数量未明确	NA	YOLOv5m	准确率、精确率、召回率、F1分数	NA
7493	2026-03-13	Screening Station, a novel laboratory automation system for physiologically relevant cell-based assays 2023-Oct, SLAS technology IF:2.5Q3 DOI:10.1016/j.slast.2023.04.002 PMID:37121549	研究论文	本文介绍了一种名为Screening Station的新型实验室自动化系统，用于自动化执行基于人类诱导多能干细胞（iPSC）的细胞实验，包括长期培养、活细胞成像和免疫荧光成像	开发了Screening Station系统，通过Green Button Go软件集成多种设备，实现了多样本、多流程的自动化细胞实验，并首次结合深度学习分析iPSC分化程度	未明确提及系统在处理极高通量样本或复杂三维细胞模型时的性能限制	开发一个自动化系统，以增强基于iPSC的细胞实验的重复性、效率并实现远程操作	来自面肩肱型肌营养不良症患者的iPSC及其分化细胞	实验室自动化	面肩肱型肌营养不良症	活细胞延时成像，免疫荧光成像，深度学习分析	深度学习模型	活细胞成像数据，免疫荧光图像	未明确说明具体样本数量，涉及多孔板中的iPSC	NA	NA	NA	NA
7494	2026-03-13	Deciphering the Morphology of Tumor-Stromal Features in Invasive Breast Cancer Using Artificial Intelligence 2023-Oct, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2023.100254 PMID:37380057	研究论文	本研究利用人工智能分析浸润性乳腺癌中肿瘤-间质特征的形态学，评估了间质-肿瘤比（S:TR）和肿瘤负荷的临床意义	首次使用人工智能对乳腺癌肿瘤-间质特征进行客观形态学评估，揭示了S:TR异质性和肿瘤负荷作为独立预后指标的价值	研究仅针对luminal型乳腺癌病例，未涵盖其他亚型，且样本量虽大但为单中心数据	开发基于人工智能的标准化方法，评估乳腺癌肿瘤-间质形态学特征及其与预后的关联	luminal型浸润性乳腺癌患者的全切片图像	数字病理学	乳腺癌	全切片图像分析，细胞级注释	监督深度学习模型	图像	1968例luminal型乳腺癌病例（发现集1027例，测试集941例）	NA	NA	风险比，P值，95%置信区间	NA
7495	2026-03-13	Risk stratification by nomogram of deep learning radiomics based on multiparametric magnetic resonance imaging in knee meniscus injury 2023-Oct, International orthopaedics IF:2.0Q2 DOI:10.1007/s00264-023-05875-x PMID:37386277	研究论文	本研究基于多参数磁共振成像，构建并验证了一个整合深度学习影像组学特征和临床特征的列线图模型，用于膝关节半月板损伤的风险分层	首次结合深度学习V-net自动分割半月板、LASSO回归提取最优影像组学特征，并整合临床特征构建列线图模型进行风险分层	样本量较小（仅167例），且来自两个机构，可能存在选择偏倚	构建并验证一个用于膝关节半月板损伤风险分层的列线图模型	膝关节磁共振图像及患者临床特征	数字病理学	膝关节半月板损伤	多参数磁共振成像	CNN	图像	167例膝关节磁共振图像	NA	V-net	Dice相似系数, AUC, 准确率	NA
7496	2026-03-13	Noise-insensitive defocused signal and resolution enhancement for optical-resolution photoacoustic microscopy via deep learning 2023-Oct, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202300149 PMID:37491832	研究论文	提出一种基于深度学习的噪声不敏感方法，用于增强光学分辨率光声显微镜的离焦信号和分辨率	利用深度学习技术提升离焦区域的信号质量和空间分辨率，克服传统光学分辨率光声显微镜景深窄的限制	NA	提高光学分辨率光声显微镜在离焦区域的成像质量和分辨率	光声显微镜图像，特别是离焦区域的信号	计算机视觉	NA	光学分辨率光声显微镜，k-wave模拟	CNN	图像	NA	NA	全密集U-Net	PSNR，横向分辨率，轴向分辨率	NA
7497	2026-03-13	A deep learning-based simulator for comprehensive two-dimensional GC applications 2023-Oct, Journal of separation science IF:2.8Q2 DOI:10.1002/jssc.202300187 PMID:37525343	研究论文	本研究开发了一个基于深度神经网络的模拟器，用于优化二维气相色谱方法并模拟实验室外的操作条件	利用深度神经网络预测二维气相色谱中洗脱物的空间位置，提供了一种高适应性且可靠的计算模型	需要持续更新数据库以准确预测较少见化合物的保留时间	优化色谱方法并模拟操作条件	二维气相色谱中的洗脱物，包括环境污染物、生物化学分子、制药及个人护理产品等	机器学习	NA	二维气相色谱	深度神经网络	色谱数据	NA	NA	深度神经网络	均方误差, 相对平均偏差, R平方	NA
7498	2026-03-13	L-SeqSleepNet: Whole-cycle Long Sequence Modeling for Automatic Sleep Staging 2023-Oct, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3303197 PMID:37552591	研究论文	本文提出了一种名为L-SeqSleepNet的深度学习模型，用于高效建模长序列睡眠数据，以提升自动睡眠分期的性能	首次在睡眠分期模型中考虑整个睡眠周期的长时依赖关系，并引入高效的长序列建模方法	未明确提及模型在极端噪声或数据缺失情况下的鲁棒性	开发能够利用整个睡眠周期信息的自动睡眠分期模型	睡眠数据，包括头皮EEG、耳内EEG和耳周EEG（cEEGrid）	机器学习	NA	EEG信号处理	深度学习模型	EEG信号	四个不同规模的数据库	NA	L-SeqSleepNet	NA	NA
7499	2026-03-13	Deep learning enabled miniature mass spectrometer for rapid qualitative and quantitative analysis of pesticides on vegetable surfaces 2023-Oct, Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association IF:3.9Q1 DOI:10.1016/j.fct.2023.114000 PMID:37648105	研究论文	本研究开发了一种基于微型质谱仪的深度学习算法，用于蔬菜表面农药残留的快速现场定性和定量分析	结合微型质谱仪与一维卷积神经网络深度学习算法，实现农药残留的自主判别和现场快速检测	NA	开发一种快速现场筛查蔬菜表面农药残留的方法，以应对食品安全威胁	蔬菜表面的农药残留	机器学习和数字病理学	食品安全相关疾病	质谱分析（全扫描MS和串联MS）	CNN	质谱数据	NA	NA	一维卷积神经网络	定性识别准确率	NA
7500	2026-03-13	Quantitative assessment of adaptive radiotherapy for prostate cancer using deep learning: Bladder dose as a decision criterion 2023-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.16710 PMID:37696263	研究论文	本研究利用深度学习技术，通过合成伪CT图像并评估剂量学影响，为前列腺癌自适应放疗提供了一种基于膀胱剂量的定量决策标准	首次结合CycleGAN合成高质量伪CT与U-Net自动勾画膀胱，实现基于实时膀胱解剖结构的剂量计算，为自适应放疗决策提供客观、自动化的定量标准	研究样本量较小（74例患者），且仅针对前列腺癌放疗中的膀胱剂量进行评估，未考虑其他器官或肿瘤靶区的变化	开发一种自动化的定量标准，以确定在前列腺癌分次放疗中是否需要立即进行自适应放疗	前列腺癌患者	数字病理	前列腺癌	锥形束CT, 自适应放疗	CycleGAN, U-net	CT图像, CBCT图像	74例患者（60例用于训练，14例用于评估）	NA	CycleGAN, U-Net	平均绝对误差, gamma通过率, Dice系数	NA