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
8301	2025-02-03	Ultra-low-dose coronary CT angiography via super-resolution deep learning reconstruction: impact on image quality, coronary plaque, and stenosis analysis 2025-Feb-01, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11399-2 PMID:39891682	研究论文	本研究探讨了超分辨率深度学习重建（SR-DLR）在冠状动脉CT血管造影（CCTA）中减少辐射暴露的能力，并评估其对图像质量、冠状动脉斑块定量和表征以及狭窄严重性分析的影响	使用SR-DLR算法在CCTA中实现了60%的辐射剂量减少，同时保持了高图像质量和在冠状动脉斑块及狭窄分析中的优异表现	样本量较小，仅包括50名患者，且未进行长期随访以评估SR-DLR的长期效果	评估SR-DLR在CCTA中减少辐射剂量的能力及其对图像质量和临床分析的影响	50名接受低剂量（LD）和超低剂量（ULD）CCTA扫描的患者	医学影像	心血管疾病	超分辨率深度学习重建（SR-DLR）	深度学习	医学影像	50名患者
8302	2025-02-03	Normative values for lung, bronchial sizes, and bronchus-artery ratios in chest CT scans: from infancy into young adulthood 2025-Feb-01, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11367-w PMID:39891681	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8303	2025-02-03	Hybrid deep learning based stroke detection using CT images with routing in an IoT environment 2025-Feb-01, Network (Bristol, England) DOI:10.1080/0954898X.2025.2452280 PMID:39893512	研究论文	本文提出了一种基于混合深度学习的CT图像中风检测方法，结合物联网技术进行数据传输	提出了一种新的Jaccard_Residual SqueezeNet模型，用于从CT图像中预测中风，并结合物联网技术进行数据传输	未提及具体的研究局限性	提高中风病变的早期检测和准确分割，以改善治疗效果和减少长期残疾	CT图像中的中风病变	计算机视觉	中风	CT成像	Jaccard_Residual SqueezeNet	图像	未提及具体样本数量
8304	2025-02-03	Statin use and longitudinal bone marrow lesion burden: analysis of knees without osteoarthritis from the Osteoarthritis Initiative study 2025-Jan-31, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-025-04878-6 PMID:39890641	研究论文	本研究探讨了他汀类药物使用与无骨关节炎参与者膝关节骨髓病变（BML）体积纵向变化之间的关系	首次在无基线膝关节骨关节炎的参与者中，使用深度学习算法定量测量MRI基础上的BML体积，并分析他汀类药物使用对BML体积变化的影响	研究仅针对无基线膝关节骨关节炎的参与者，可能不适用于已有骨关节炎的患者	确定他汀类药物使用与无放射学膝关节骨关节炎参与者中基于MRI的BML体积纵向变化之间的关联	无放射学膝关节骨关节炎的参与者	数字病理学	骨关节炎	MRI, 深度学习算法	深度学习	图像	1502个膝关节（751个他汀类药物使用者和751个非使用者）
8305	2025-02-03	DICOM LUT is a Key Step in Medical Image Preprocessing Towards AI Generalizability 2025-Jan-31, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01418-5 PMID:39890738	研究论文	本研究探讨了医学图像预处理对深度学习模型性能的影响，特别是直方图均衡化（HE）和感兴趣值查找表（VOI-LUT）变换在胸部X光片（CXR）中的应用	揭示了直方图均衡化增强对模型性能的显著影响，特别是在泛化能力方面，并指出仅使用HE增强数据集训练的模型在外部验证集上表现较差，表明可能存在过拟合和信息丢失	研究仅针对胸部X光片，未涵盖其他类型的医学图像	探讨医学图像预处理技术对深度学习模型性能的影响，特别是对泛化能力的影响	胸部X光片（CXR）	计算机视觉	肺气肿	直方图均衡化（HE）和感兴趣值查找表（VOI-LUT）变换	深度学习分类器	图像	内部CXR数据集生成的两个基线数据集，并在两个外部数据集上进行评估
8306	2025-02-03	MMnc: Multi-modal interpretable representation for non-coding RNA classification and class annotation 2025-Jan-31, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf051 PMID:39891346	研究论文	本文介绍了一种名为MMnc的可解释深度学习方法，用于将非编码RNA分类到功能组中	MMnc利用基于注意力的多模态数据集成方法，整合序列、二级结构和表达等多种数据源，确保学习有意义的表示，并处理部分样本中缺失的数据源	NA	旨在通过深度学习技术对非编码RNA进行功能分类和注释	非编码RNA	机器学习	NA	深度学习	基于注意力的多模态数据集成模型	序列、二级结构、表达数据	NA
8307	2025-02-03	Versatile waste sorting in small batch and flexible manufacturing industries using deep learning techniques 2025-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87226-x PMID:39885307	研究论文	本研究评估了Segment Anything Model (SAM)系列深度学习架构在机器人垃圾分类中分离高度可变物体的能力，提出了一种基于SAM架构的通用视觉垃圾分类两步程序	提出了一种基于SAM架构的两步程序，消除了开发专用垃圾分类和分割算法的必要性，并显著减少了适应不同用例的时间和成本	NA	评估深度学习架构在机器人垃圾分类中的应用能力，以提高生产率和降低费用	高度可变物体	计算机视觉	NA	深度学习	SAM, FastSAM, MobileSAMv2, EfficientSAM, MobileNetV2, VGG19, Dense-Net, Squeeze-Net, ResNet, Inception-v3	图像	四个用例（漂浮垃圾、城市垃圾、电子垃圾和智能垃圾桶）
8308	2025-02-03	Expanding genomic prediction in plant breeding: harnessing big data, machine learning, and advanced software 2025-Jan-30, Trends in plant science IF:17.3Q1 DOI:10.1016/j.tplants.2024.12.009 PMID:39890501	综述	本文回顾了提高基因组选择（GS）效率的关键因素，重点关注统计机器学习方法和软件	强调了深度学习模型在基因组预测中的独特优势，并介绍了支持GS方法的最新数据管理工具	未提及具体的实验验证或实际应用案例	提高植物育种中基因组选择的效率	植物育种中的基因组数据	机器学习	NA	基因组选择（GS）	深度学习（DL）	基因组数据	NA
8309	2025-02-03	Deep Learning Prediction of Drug-Induced Liver Toxicity by Manifold Embedding of Quantum Information of Drug Molecules 2025-Jan, Pharmaceutical research IF:3.5Q2 DOI:10.1007/s11095-024-03800-4 PMID:39663331	研究论文	本文介绍了一种利用深度学习和分子表面电子属性的流形嵌入来预测药物诱导肝毒性的方法	创新点在于将分子表面的局部电子属性映射到低维流形嵌入，并将其作为深度学习模型的分子输入	未提及具体局限性	研究目的是预测药物诱导的肝毒性（DILI）	研究对象是药物分子	机器学习	肝病	深度学习	深度学习模型	分子数据	NA
8310	2025-02-03	Automated recognition and segmentation of lung cancer cytological images based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0317996 PMID:39888907	研究论文	本研究开发了一种基于YOLOv8算法的深度学习模型，用于肺病变的术中细胞学图像分割，以提高肺癌细胞识别的速度和准确性	首次将YOLOv8算法应用于肺癌细胞学图像的分割和识别，实现了像素级别的图像分割和快速定位	模型在测试集上的平均像素精度和平均交并比分别为0.80和0.70，仍有提升空间	开发一种自动化方法，用于快速定位和识别肺癌细胞学图像中的病变区域	肺癌细胞学图像，包括胸水细胞学和支气管肺泡灌洗液细胞学图像	计算机视觉	肺癌	深度学习	YOLOv8	图像	未明确提及具体样本数量
8311	2025-02-03	Diagnostic Accuracy of an Integrated AI Tool to Estimate Gestational Age From Blind Ultrasound Sweeps 2024-08-27, JAMA DOI:10.1001/jama.2024.10770 PMID:39088200	研究论文	本研究开发了一种深度学习人工智能模型，用于从盲超声扫描中估计孕龄，并将其集成到低成本、电池供电设备的软件中	开发了一种低成本、电池供电的AI工具，使未经培训的新手用户能够准确估计孕龄，适用于资源匮乏的环境	研究仅包括单胎、无异常的第一孕期妊娠，且仅在14至27周孕龄范围内进行评估	评估由未经培训的新手用户使用AI超声工具估计孕龄的准确性	400名在赞比亚卢萨卡和美国北卡罗来纳州教堂山的单胎、无异常的第一孕期妊娠个体	数字病理	NA	深度学习	深度学习模型	超声图像	400名妊娠个体
8312	2025-02-03	Defining the boundaries: challenges and advances in identifying cells in microscopy images 2024-02, Current opinion in biotechnology IF:7.1Q1 DOI:10.1016/j.copbio.2023.103055 PMID:38142646	研究论文	本文探讨了在显微镜图像中识别细胞的挑战和进展，特别是分割技术的改进	深度学习工具在细胞分割技术中的主导地位增强，如Cellpose模型的准确性和用户友好性提升	NA	提高显微镜图像中细胞分割的准确性和效率	显微镜图像中的细胞	计算机视觉	NA	深度学习	Cellpose	图像	NA
8313	2025-02-03	Transformer-based deep learning denoising of single and multi-delay 3D arterial spin labeling 2024-Feb, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29887 PMID:37849048	研究论文	本文提出了一种基于Swin Transformer的深度学习模型（SwinIR），用于去噪单延迟和多延迟3D动脉自旋标记（ASL），并与卷积神经网络（CNN）和其他基于Transformer的方法进行了性能比较	首次将Swin Transformer应用于ASL数据的去噪，并在性能上超越了CNN和其他基于Transformer的方法	使用M0作为输入时，虽然提高了图像质量，但引入了更大的CBF量化偏差	提高3D ASL数据的图像质量，减少扫描时间，以促进其临床应用	单延迟和多延迟3D ASL数据	计算机视觉	NA	深度学习	SwinIR, CNN	3D图像	66名受试者（119次扫描）用于训练，39名受试者（44次扫描）用于测试，另外6名受试者（10次扫描）用于多延迟ASL数据
8314	2025-02-03	Detecting major depressive disorder presence using passively-collected wearable movement data in a nationally-representative sample 2024-Feb, Psychiatry research IF:4.2Q1 DOI:10.1016/j.psychres.2023.115693 PMID:38194801	研究论文	本研究探讨了利用腕戴式活动记录仪数据结合机器学习和深度学习技术检测重度抑郁症（MDD）的效用	结合传统机器学习方法和深度学习卷积神经网络（CNN）方法，利用被动收集的活动记录仪数据检测MDD，并识别出与MDD相关的生物标志物	研究依赖于PHQ-9作为MDD筛查工具，可能存在筛查偏差	探索利用被动收集的活动记录仪数据结合机器学习技术检测MDD的潜力	8,378名参与者，其中766名参与者通过PHQ-9筛查为MDD	机器学习	重度抑郁症	机器学习和深度学习	传统机器学习方法和CNN	活动记录仪数据	8,378名参与者，其中766名通过PHQ-9筛查为MDD
8315	2025-02-03	Nonmetastatic Axillary Lymph Nodes Have Distinct Morphology and Immunophenotype in Obese Patients with Breast Cancer at Risk for Metastasis 2024-02, The American journal of pathology DOI:10.1016/j.ajpath.2023.11.005 PMID:38029922	研究论文	本研究使用深度学习模型识别肥胖乳腺癌患者非转移性腋窝淋巴结的形态学差异，并探讨其与淋巴结转移的潜在机制	首次通过深度学习模型揭示肥胖乳腺癌患者非转移性腋窝淋巴结的形态学差异，并初步发现脂肪替代淋巴结中CD3表达减少和瘦素表达增加的趋势	研究样本量较小（180例），且免疫组化分析仅基于30例患者的子集，结果需要进一步验证	探讨肥胖乳腺癌患者非转移性腋窝淋巴结的形态学差异及其与淋巴结转移的潜在机制	肥胖乳腺癌患者的非转移性腋窝淋巴结	数字病理学	乳腺癌	深度学习模型、免疫组化分析	深度学习模型	图像（H&E染色全切片图像）	180例乳腺癌患者（其中30例用于免疫组化分析）
8316	2025-02-03	Adaptive 3DCNN-based Interpretable Ensemble Model for Early Diagnosis of Alzheimer's Disease 2024-Feb, IEEE transactions on computational social systems IF:4.5Q1 DOI:10.1109/tcss.2022.3223999 PMID:39239536	研究论文	本文提出了一种基于三维卷积神经网络（3DCNN）和遗传算法（GA）的自适应可解释集成模型（3DCNN+EL+GA），用于早期诊断阿尔茨海默病（AD）或轻度认知障碍（MCI），并通过数据驱动的方式识别显著影响分类的脑区	提出了一种结合3DCNN和遗传算法的自适应可解释集成模型，能够识别显著影响分类的脑区，并在体素级别定位这些脑区中的子区域	未来研究需要验证该方法在其他脑部疾病（如重度抑郁、精神分裂症、自闭症和脑血管疾病）中的泛化能力	开发一种自适应可解释集成模型，用于早期诊断阿尔茨海默病和轻度认知障碍，并识别显著影响分类的脑区	阿尔茨海默病（AD）和轻度认知障碍（MCI）患者	计算机视觉	阿尔茨海默病	3DCNN, 遗传算法（GA）	3DCNN+EL+GA	神经影像数据	来自阿尔茨海默病神经影像倡议（ADNI）和开放获取系列影像研究（OASIS）的数据集
8317	2025-02-03	Respiratory signal estimation for cardiac perfusion SPECT using deep learning 2024-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.16653 PMID:37523268	研究论文	本文开发了一种仅使用SPECT投影数据的深度学习方法，用于估计心脏灌注SPECT成像中的呼吸信号	提出了一种基于改进U-Net的深度学习方法，直接从SPECT投影数据中估计呼吸信号，无需依赖外部跟踪设备	研究仅使用了900名受试者的数据，可能需要在更大规模的数据集上进行验证	开发一种无需外部设备的深度学习方法，用于心脏灌注SPECT成像中的呼吸信号估计和运动校正	心脏灌注SPECT成像中的呼吸信号	数字病理学	心血管疾病	SPECT成像	改进的U-Net	图像	900名受试者，其中302名用于测试，598名用于训练和验证
8318	2025-02-03	Flexible protein-protein docking with a multitrack iterative transformer 2024-Feb, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4862 PMID:38148272	研究论文	本文介绍了一种名为GeoDock的多轨迭代变压器网络，用于从分离的对接伙伴预测对接结构，解决了现有蛋白质-蛋白质对接方法在结合诱导构象变化方面的局限性	GeoDock在蛋白质残基水平上具有灵活性，能够预测结合时的构象变化，且在DIPS测试集上达到了43%的top-1成功率，优于其他测试方法	尽管GeoDock在预测结合诱导的构象变化方面有所突破，但由于训练和评估数据的限制，这仍然是一个挑战	开发一种能够处理结合诱导构象变化的蛋白质-蛋白质对接方法，以提高对接成功率和应用效率	蛋白质-蛋白质对接	机器学习	NA	多轨迭代变压器网络	Transformer	序列和结构数据	DIPS测试集、DB5.5测试集和抗体-抗原复合物基准数据集
8319	2025-01-22	Using Genomics to Identify Novel Therapeutic Targets for Aortic Disease 2024-02, Arteriosclerosis, thrombosis, and vascular biology DOI:10.1161/ATVBAHA.123.318771 PMID:38095107	综述	本文探讨了利用基因组学识别主动脉疾病新型治疗靶点的潜力，并回顾了深度学习技术在该领域遗传发现中的应用	应用机器学习方法分析大型影像数据集，快速定义主动脉特征并挖掘出数十个新的遗传关联，如主动脉直径和扩张性	NA	识别主动脉疾病的因果基因和候选药物靶点	主动脉疾病，包括夹层、动脉瘤和破裂	基因组学	心血管疾病	机器学习，深度学习	NA	影像数据	NA
8320	2025-02-03	Applying deep learning to recognize the properties of vitreous opacity in ophthalmic ultrasound images 2024-02, Eye (London, England) DOI:10.1038/s41433-023-02705-7 PMID:37596401	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA