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
8201	2025-03-23	Prediction and analysis of tumor infiltrating lymphocytes across 28 cancers by TILScout using deep learning 2025-Mar-19, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-00866-0 PMID:40108446	研究论文	本文介绍了TILScout，一种利用深度学习从全切片图像中计算肿瘤浸润淋巴细胞（TILs）分数的泛癌方法	TILScout在验证集和独立测试集上分别达到了0.9787和0.9628的准确率，以及0.9988和0.9934的AUC，超越了之前的研究	NA	预测和分析28种癌症中的肿瘤浸润淋巴细胞（TILs）	28种癌症的全切片图像	数字病理学	癌症	深度学习	NA	图像	NA
8202	2025-03-23	Seasonal forecasting of the hourly electricity demand applying machine and deep learning algorithms impact analysis of different factors 2025-Mar-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-91878-0 PMID:40102500	研究论文	本文提出了基于机器学习和深度学习算法的短期季节性预测模型，用于预测新英格兰控制区（ISO-NE-CA）的每小时电力需求	结合了多种机器学习和深度学习技术（如自适应神经模糊推理系统、长短期记忆网络、门控循环单元和人工神经网络），并分析了温度对电力需求的影响	模型在不同季节和场景下的准确性存在差异，特别是在秋季和春季的预测精度较低	提高短期电力需求预测的精度，分析温度对电力需求的影响	新英格兰控制区（ISO-NE-CA）的每小时电力需求	机器学习	NA	自适应神经模糊推理系统（ANFIS）、长短期记忆网络（LSTM）、门控循环单元（GRU）、人工神经网络（ANN）	ANFIS、LSTM、GRU、ANN	时间序列数据	NA
8203	2025-03-23	Deep transfer learning for seismic characterization of strike-slip faults in karstified carbonates from the northern Tarim basin 2025-Mar-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-94134-7 PMID:40102580	研究论文	本文提出了一种利用深度迁移学习和Unet模型检测塔里木盆地北部走滑断层的方法	提出了一种构建断层标签的方法，并引入了深度迁移学习工作流程来检测塔里木盆地北部的走滑断层	构建实际断层标签和获取大量断层标签仍存在挑战	优化井轨迹和开发计划，提高走滑断层的地震特征识别	塔里木盆地北部的走滑断层	地球物理	NA	深度迁移学习	Unet	地震数据	塔里木盆地北部的走滑断层数据
8204	2025-03-23	LUNETR: Language-Infused UNETR for precise pancreatic tumor segmentation in 3D medical image 2025-Mar-15, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107414 PMID:40117980	研究论文	本文提出了一种名为LUNETR的多模态编码器模型，结合文本和图像信息进行精确的医学图像分割，特别是针对胰腺肿瘤的3D医学图像分割	LUNETR模型通过结合自动编码语言模型和跨注意力机制，有效利用文本和图像数据之间的语义关联，提高了胰腺微肿瘤的精确定位能力，并设计了多尺度聚合注意力模块（MSAA）以增强模型从胰腺组织中提取微病变特征的能力	多模态医学数据集的稀缺性可能限制了模型的泛化能力	提高胰腺肿瘤及其附近血管的精确分割能力，以辅助胰腺癌的临床诊断	胰腺肿瘤及其附近血管	数字病理	胰腺癌	CT扫描	UNETR	3D医学图像和病理报告文本	135名胰腺癌患者的CT图像和相应病理报告
8205	2025-03-23	AI-driven biomarker discovery: enhancing precision in cancer diagnosis and prognosis 2025-Mar-13, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-02064-7 PMID:40082367	评论	本文探讨了人工智能在癌症诊断和预后中生物标志物发现的应用，旨在提高精准医学的效果	利用深度学习和机器学习技术从大规模数据集中发现生物标志物，推动早期诊断和精准治疗	数据质量、算法透明度以及隐私相关的伦理问题	通过人工智能技术改进癌症早期诊断和精准治疗，提高患者生存率	癌症患者	机器学习	癌症	深度学习、机器学习	NA	大规模数据集	NA
8206	2025-03-23	Leveraging Network Target Theory for Efficient Prediction of Drug-Disease Interactions: A Transfer Learning Approach 2025-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202409130 PMID:39874191	研究论文	本研究提出了一种基于网络靶标理论的新型迁移学习模型，通过整合深度学习技术和多样化的生物分子网络来预测药物-疾病相互作用	该模型利用网络技术整合现有知识，提取更精确的药物特征，解决了大规模正负样本平衡的挑战，并在多种评估指标上表现出色	NA	加速药物发现和开发创新疗法	药物-疾病相互作用	机器学习	癌症	深度学习	迁移学习模型	生物分子网络数据	7,940种药物和2,986种疾病，共88,161种药物-疾病相互作用
8207	2025-03-23	Epigenetic Impacts of Non-Coding Mutations Deciphered Through Pre-Trained DNA Language Model at Single-Cell Resolution 2025-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202413571 PMID:39888214	研究论文	本文介绍了一种名为Methven的深度学习框架，用于在单细胞分辨率下预测非编码突变对DNA甲基化的影响	Methven框架结合DNA序列和单细胞ATAC-seq数据，利用预训练的DNA语言模型，能够准确预测短程和长程调控相互作用，并在分类和回归任务中表现出色	现有工具在预测能力和捕捉动态、细胞类型特异性调控变化方面存在局限	研究非编码突变对DNA甲基化的影响，以理解疾病机制	非编码突变及其对DNA甲基化的影响	机器学习	类风湿性关节炎	单细胞ATAC-seq	深度学习框架	DNA序列数据	NA
8208	2025-03-23	Spectral dual-layer detector CT-based radiomics-deep learning for predicting pathological aggressiveness of stage I lung adenocarcinoma: discrimination of precursor glandular lesions and invasive adenocarcinomas 2025-Feb-28, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-24-726 PMID:40114963	研究论文	本研究评估了基于光谱双层探测器CT（SDCT）的有效原子数（Zeff）的放射组学、深度学习和临床特征在区分磨玻璃结节（GGN）特征的腺前体病变（PGLs）和腺癌中的效用	结合SDCT-Zeff放射组学、深度学习和临床特征，构建了临床基于深度学习的放射组学（DLR）签名诺模图，提高了预测性能	研究仅在中国两个医疗中心进行，样本量和地理多样性可能有限	区分I期肺腺癌的病理侵袭性，特别是腺前体病变和侵袭性腺癌	磨玻璃结节（GGN）患者	数字病理	肺癌	光谱双层探测器CT（SDCT）	ResNet50, LightGBM	医学影像	792个GGN（训练队列582个，外部验证队列210个）
8209	2025-03-23	The role of artificial intelligence in sepsis in the Emergency Department: a narrative review 2025-Feb-28, Annals of translational medicine DOI:10.21037/atm-24-150 PMID:40115064	综述	本文综述了人工智能在急诊科脓毒症诊断、管理和预后中的应用	与传统预测分析相比，AI能够整合多种变量，提高诊断性能，并在脓毒症的诊断和预后中优于传统评分工具	现有的AI工具缺乏普适性和用户接受度，存在自动化偏差的风险，可能导致临床医生技能退化	探讨人工智能在急诊科脓毒症管理中的应用潜力	急诊科成年脓毒症患者	医疗人工智能	脓毒症	机器学习	机器学习模型	生命体征、自由文本输入、实验室测试和心电图	NA
8210	2025-03-23	Artificial intelligence algorithm was used to establish and verify the prediction model of portal hypertension in hepatocellular carcinoma based on clinical parameters and imaging features 2025-Feb-28, Journal of gastrointestinal oncology IF:2.0Q3 DOI:10.21037/jgo-2024-931 PMID:40115915	研究论文	本研究旨在基于临床参数和影像特征，利用人工智能算法建立并验证肝细胞癌患者门静脉高压的预测模型	结合临床特征、放射组学特征和深度学习特征，构建了一个综合预测模型，以更全面地捕捉与门静脉高压相关的复杂信息，从而实现高预测准确性和实用性	验证集的AUC和敏感性较低，表明模型在外部验证中的表现有待提高	建立并验证肝细胞癌患者门静脉高压的预测模型，以支持早期干预和个性化治疗	肝细胞癌患者	数字病理	肝细胞癌	放射组学和深度学习特征提取	逻辑回归模型	临床参数和CT影像	884名患者（707名训练集，177名验证集）
8211	2025-03-23	A study on hybrid-architecture deep learning model for predicting pressure distribution in 2D airfoils 2025-Jan-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84940-w PMID:39820053	研究论文	本研究介绍了一种基于深度学习的创新技术，用于预测2D翼型的压力分布图像，旨在应用于基于图像的近似优化设计	提出了一种结合无监督和监督学习的混合架构深度学习模型，使用自编码器（AE）进行无监督学习，全连接神经网络（FNN）进行监督学习，并开发了基于2D图像数据的代理模型	NA	开发一种简化且加速图像预测的方法，用于2D翼型的压力分布预测	2D翼型的压力分布图像	计算机视觉	NA	深度学习	自编码器（AE）、卷积自编码器（CAE）、全连接神经网络（FNN）	图像	NA
8212	2025-03-23	Improvement of BCI performance with bimodal SSMVEPs: enhancing response intensity and reducing fatigue 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1506104 PMID:40115888	研究论文	本文提出了一种创新的稳态运动视觉诱发电位（SSMVEP）范式，结合运动和颜色刺激，旨在增强脑机接口（BCI）性能并减少视觉疲劳	开发了一种结合运动和颜色刺激的SSMVEP范式，显著提高了分类准确率和信号噪声比，同时减少了视觉疲劳	实验在受控的实验室条件下进行，未在真实环境中验证	增强SSMVEP响应强度并减少视觉疲劳	稳态运动视觉诱发电位（SSMVEP）和稳态视觉诱发电位（SSVEP）	脑机接口	NA	EEGNet深度学习算法和快速傅里叶变换（FFT）	EEGNet	脑电图（EEG）数据	NA
8213	2025-03-23	AM-MTEEG: multi-task EEG classification based on impulsive associative memory 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1557287 PMID:40115889	研究论文	本文提出了一种基于冲动联想记忆的多任务EEG分类模型AM-MTEEG，用于跨受试者的EEG分类	AM-MTEEG模型结合了深度学习的卷积网络和冲动网络，利用双向联想记忆进行跨受试者的EEG分类，提高了分类精度并减少了性能差异	NA	提高跨受试者EEG分类的准确性和一致性	脑电图（EEG）数据	脑机接口	NA	深度学习	卷积编码器-解码器、冲动神经元、双向联想记忆	EEG数据	两个BCI竞赛数据集
8214	2025-03-23	Conceptual understanding and cognitive patterns construction for physical education teaching based on deep learning algorithms 2024-12-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83028-9 PMID:39732971	研究论文	本研究提出了一种基于深度学习的关联学习方法，用于理解体育教学概念，并通过超图卷积构建神经认知诊断模型，以分析学生的认知模式	使用卷积神经网络提取与教学概念相关的图像特征，并构建基于超图卷积的神经认知诊断模型，用于挖掘学生的长期学习序列数据并识别认知结果	NA	提高学生对体育教学概念的理解，帮助教师分析学生的认知模式	学生和体育教学概念	机器学习	NA	深度学习算法	卷积神经网络（CNN）、超图卷积	图像、学习序列数据	90,000个训练样本
8215	2025-03-23	Explainable artificial intelligence for stroke prediction through comparison of deep learning and machine learning models 2024-12-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82931-5 PMID:39733046	研究论文	本研究通过比较深度学习和机器学习模型，探索其在预测中风方面的效果，并利用SHAP方法提高模型的可解释性	本研究首次系统比较了多种深度学习和机器学习模型在中风预测中的表现，并利用SHAP方法增强了模型的可解释性	研究样本仅来自伊朗德黑兰的一家医院，可能限制了结果的普适性	比较深度学习和机器学习模型在中风预测中的效果	663名住院患者，包括401名健康个体和262名中风患者	机器学习	心血管疾病	10折交叉验证和超参数调优	SVM, XGB, KNN, RF, DNN, FNN, LSTM, CNN	医疗记录	663名患者（401名健康个体和262名中风患者）
8216	2025-03-23	Deep learning versus manual morphology-based embryo selection in IVF: a randomized, double-blind noninferiority trial 2024-Nov, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-024-03166-5 PMID:39122964	研究论文	本研究通过多中心、随机、双盲、非劣效性平行组试验，评估了深度学习在选择体外受精最佳胚胎中的价值	首次在体外受精胚胎选择中比较了深度学习算法（iDAScore）与标准形态学评估的效果	未能证明深度学习在临床妊娠率上不劣于标准形态学评估和预定义的优先方案	评估深度学习在体外受精胚胎选择中的应用价值	42岁以下、至少有2个早期囊胚的女性	数字病理	生殖健康	深度学习	iDAScore	胚胎图像	1066名患者（533名在iDAScore组，533名在形态学组）
8217	2025-03-23	An open-source framework for end-to-end analysis of electronic health record data 2024-Nov, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-024-03214-0 PMID:39266748	研究论文	本文介绍了一个名为ehrapy的开源Python框架，用于电子健康记录（EHR）数据的端到端分析	ehrapy框架首次提供了一个模块化的开源工具，能够处理异构的流行病学和EHR数据，并支持从数据提取到低维表示生成的全流程分析	尽管ehrapy功能强大，但其在特定疾病或数据类型的应用效果仍需进一步验证	开发一个标准化的分析框架，用于电子健康记录数据的全面探索性分析	电子健康记录（EHR）数据	数字病理学	肺炎, 心血管疾病, SARS-CoV-2	数据提取, 质量控制, 低维表示生成, 生存分析, 轨迹推断, 因果推断	深度学习模型	电子健康记录（EHR）数据, 影像数据	未明确提及具体样本数量
8218	2025-03-23	ConvNext Mitosis Identification-You Only Look Once (CNMI-YOLO): Domain Adaptive and Robust Mitosis Identification in Digital Pathology 2024-10, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2024.102130 PMID:39233013	研究论文	本文提出了一种新的两阶段深度学习方法CNMI-YOLO，用于数字病理学中的有丝分裂检测，旨在提高不同类型癌症中有丝分裂的识别准确性	结合YOLOv7架构进行细胞检测和ConvNeXt架构进行细胞分类，解决了细胞形态变异和领域转移问题，显著提高了有丝分裂检测的准确性和鲁棒性	虽然模型在多个数据集上表现出色，但在未包含在训练数据集中的软组织肉瘤和黑色素瘤样本上的泛化能力仍需进一步验证	提高数字病理学中有丝分裂检测的准确性，以支持癌症的诊断和预后	数字病理学中的有丝分裂细胞	数字病理学	癌症	深度学习	YOLOv7, ConvNeXt	图像	Mitosis Domain Generalization Challenge 2022数据集，以及外部的黑色素瘤和肉瘤测试集
8219	2025-03-23	Evaluating the relationship between magnetic resonance image quality metrics and deep learning-based segmentation accuracy of brain tumors 2024-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17059 PMID:38640464	研究论文	本研究探讨了磁共振图像质量指标（IQMs）与基于深度学习的脑肿瘤分割准确性之间的关系	首次系统性地评估了MR图像质量指标与深度学习模型分割性能之间的相关性，并提出了基于特定IQMs选择训练图像以提升模型准确性和泛化能力的方法	研究仅基于BraTS数据集，未在其他数据集上验证结果的普适性	评估输入训练图像的IQMs与基于深度学习的脑肿瘤分割准确性之间的关系，以开发更具泛化能力的模型	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	深度学习	3D DenseNet	MRI图像	BraTS 2020和2021训练队列的多模态MRI扫描
8220	2025-03-23	Hessian Regularized L 2 , 1 -Nonnegative Matrix Factorization and Deep Learning for miRNA-Disease Associations Prediction 2024-03, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-023-00594-8 PMID:38099958	研究论文	本文提出了一种结合Hessian正则化非负矩阵分解和深度学习的模型，用于预测miRNA与疾病之间的关联	引入了一种新的迭代融合方法，有效减少了初始miRNA-疾病关联矩阵的稀疏性，并设计了一个混合模型框架，结合深度学习、矩阵分解和奇异值分解来捕捉和描述miRNA与疾病的复杂非线性特征	NA	预测miRNA与疾病之间的潜在关联，为医学研究者提供初步见解	miRNA与疾病的关联	机器学习	肺癌、膀胱癌、乳腺癌	深度学习、矩阵分解、奇异值分解	Hessian正则化非负矩阵分解与深度学习结合的混合模型	miRNA-疾病关联矩阵	NA