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
821	2025-04-27	Unraveling Parkinson's disease motor subtypes: A deep learning approach based on spatiotemporal dynamics of EEG microstates 2025-Apr-22, Neurobiology of disease IF:5.1Q1 DOI:10.1016/j.nbd.2025.106915 PMID:40274133	research paper	本研究利用EEG微状态动态和深度学习模型，区分帕金森病(PD)的不同运动亚型，并探索其脑网络动态变化	首次将EEG微状态动态的空间变异性与电极位置数据结合，开发深度学习模型以高精度区分PD运动亚型	研究样本可能有限，且未探讨其他潜在影响因素	理解PD不同运动亚型的脑网络动态差异，以改进个性化治疗策略	震颤主导型(TD)和姿势不稳/步态困难型(PIGD)PD患者及健康对照	digital pathology	geriatric disease	EEG微状态分析	深度学习模型	EEG信号	未明确说明样本量，但包含PD-TD、PD-PIGD患者和健康对照
822	2025-04-27	Advancements in artificial intelligence for the diagnosis and management of anterior segment diseases 2025-Apr-22, Current opinion in ophthalmology IF:3.0Q1 DOI:10.1097/ICU.0000000000001150 PMID:40279352	review	本文综述了人工智能在前段眼病诊断和管理中的最新进展及其潜力	利用AI技术（包括机器学习和深度学习模型）提高前段眼病的诊断准确性和治疗个性化	数据多样性不足和模型可解释性问题	探讨AI在前段眼病诊断和管理中的应用及其对临床实践的潜在影响	前段眼病（如角膜疾病、屈光手术、白内障、结膜疾病等）	machine learning	anterior segment diseases	machine learning, deep learning, generative AI	deep learning models	imaging data, clinical information	NA
823	2025-04-27	OrgaMeas: A pipeline that integrates all the processes of organelle image analysis 2025-Apr-21, Biochimica et biophysica acta. Molecular cell research DOI:10.1016/j.bbamcr.2025.119964 PMID:40268058	research paper	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的自动ROI设置	未提及具体的技术限制或应用场景的限制	开发一个低成本、易用的图像分析流程，用于细胞器形态和动态的研究	细胞器的形态和动态	digital pathology	NA	deep learning-based image analysis	OrgaSegNet, DIC2Cells	image	NA
824	2025-04-27	A CVAE-based generative model for generalized B1 inhomogeneity corrected chemical exchange saturation transfer MRI at 5 T 2025-Apr-21, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121202 PMID:40268259	research paper	提出了一种基于条件变分自编码器（CVAE）的生成模型，用于在5 T磁场下生成广义B1不均匀性校正的化学交换饱和转移（CEST）MRI图像	使用CVAE生成模型从单次CEST采集数据中生成B1不均匀性校正的Z谱，克服了传统方法需要多B1水平数据采集的限制，并提高了对其他B1水平的泛化能力	研究仅在数值模拟和健康人脑成像中进行了验证，尚未在临床患者数据中广泛测试	开发一种能够广泛适用于不同B1水平的B1不均匀性校正方法，以促进定量CEST MRI在临床常规中的应用	化学交换饱和转移（CEST）MRI图像	医学影像处理	NA	CEST MRI	CVAE	MRI图像	数值模拟和健康人脑成像数据
825	2025-04-27	Reconstruction of highly and extremely aberrated wavefront for ocular Shack-Hartmann sensor using multi-task Attention-UNet 2025-Apr-18, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2025.110394 PMID:40254120	研究论文	本研究提出了一种使用多任务注意力UNet（HR-HDR-SHUNet）对高度和极度像差的眼Shack-Hartmann传感器波前进行重建的方法	引入了多任务学习方案，用于高分辨率和高动态范围的Shack-Hartmann波前重建，同时输出波前图和Zernike系数	NA	准确记录高度像差眼睛中的可解释波前	具有不同高阶像差（HOA）水平的大型数据集	计算机视觉	眼科疾病	Shack-Hartmann传感器	Attention-UNet	波前图	三个大型数据集
826	2025-04-27	Assessing the risk of takeover catastrophe from large language models 2025-Apr, Risk analysis : an official publication of the Society for Risk Analysis IF:3.0Q1 DOI:10.1111/risa.14353 PMID:38945529	research paper	本文对大型语言模型（LLMs）引发的接管灾难风险进行了分析	首次针对实际AI系统（而非假设的未来系统）引发的接管灾难风险进行探讨，特别关注了如ChatGPT和GPT-4等现有LLMs	分析基于当前LLMs的能力，未来LLMs的发展可能存在不确定性，且专家对深度学习算法的根本限制存在分歧	评估大型语言模型（LLMs）是否具备引发极端接管灾难的能力	大型语言模型（LLMs），如ChatGPT和GPT-4	natural language processing	NA	NA	LLM (Large Language Model)	text	NA
827	2025-04-27	Personalized Blood Glucose Forecasting From Limited CGM Data Using Incrementally Retrained LSTM 2025-Apr, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2024.3494732 PMID:39514345	研究论文	该论文提出了一种基于增量重训练的LSTM模型，用于从有限的连续血糖监测数据中预测血糖水平	提出了一种新颖的深度学习框架——增量重训练堆叠LSTM（IS-LSTM），该方法能够逐步适应个体数据并利用参数转移提高效率	需要进一步验证在更大样本量和更广泛人群中的适用性	提高1型糖尿病患者的血糖预测准确性，以优化人工胰腺系统的胰岛素输送	1型糖尿病患者的连续血糖监测数据	机器学习	糖尿病	连续血糖监测（CGM）	LSTM	时间序列数据	两个CGM数据集（OpenAPS和Replace-BG）
828	2025-04-27	Multi-type stroke lesion segmentation: comparison of single-stage and hierarchical approach 2025-Apr, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-024-03243-4 PMID:39549224	research paper	本研究通过深度学习比较了单阶段和分层方法在多类型中风病灶分割中的效果	首次探索了多类型中风病灶的分割方法，并比较了单阶段和分层策略的性能	研究仅基于土耳其卫生部提供的6650张图像数据，可能在其他人群中的泛化性有待验证	寻找脑CT扫描中最有效的多类型中风病灶分割方法	脑CT扫描图像中的缺血性和出血性中风病灶	digital pathology	cardiovascular disease	deep learning	ResNet, ResNeXt, ViT, U-Net, U-Net++, DeepLabV3	image	6650张图像（1130例缺血性中风，1093例出血性中风，4427例非中风病例）
829	2025-04-27	Estimating hair density with XGBoost 2025-Apr, International journal of cosmetic science IF:2.7Q2 DOI:10.1111/ics.13030 PMID:39551627	研究论文	本研究探索使用XGBoost模型进行头发密度估计，旨在开发一种更准确且通用的方法	采用XGBoost模型进行头发密度估计，相比之前的方法在测试集上达到了95.3%的准确率，显著优于其他方法	NA	开发一种更准确且通用的头发密度估计方法，以改进临床头发分析的客观性和效率	头皮图像	计算机视觉	NA	图像处理	XGBoost	图像	895张头皮图像（745张用于训练，150张用于测试）
830	2025-04-27	Generalizable Magnetic Resonance Imaging-based Nasopharyngeal Carcinoma Delineation: Bridging Gaps Across Multiple Centers and Raters With Active Learning 2025-Apr-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.11.064 PMID:39557309	research paper	开发一种利用主动学习和无源域适应的深度学习方法，用于鼻咽癌（NPC）大体肿瘤体积的勾画，解决在多中心和多位评估者环境中部署分割模型时的变异性与不准确性问题	结合主动学习和无源域适应技术，显著减少在多中心和多位评估者环境中的领域差距，仅需少量标注样本即可达到接近全监督模型的性能	需要进一步验证在更大规模数据集和其他类型癌症中的泛化能力	提高鼻咽癌大体肿瘤体积勾画的准确性和泛化能力	鼻咽癌患者的磁共振成像（MRI）扫描	digital pathology	nasopharyngeal carcinoma	MRI	U-Net	image	1057例来自5家医院的NPC患者MRI扫描，以及170例由4位独立专家标注的NPC患者数据
831	2025-04-27	Progress in the Identification and Design of Novel Antimicrobial Peptides Against Pathogenic Microorganisms 2025-Apr, Probiotics and antimicrobial proteins IF:4.4Q2 DOI:10.1007/s12602-024-10402-4 PMID:39557756	综述	本文综述了抗菌肽（AMPs）在对抗病原微生物方面的最新研究进展和设计方法	强调了计算机辅助策略（如机器学习和深度学习）在抗菌肽预测和设计中的应用	指出了抗菌肽发现和应用中的关键挑战	应对抗菌素耐药性（AMR）危机，寻找新型抗生素替代品	抗菌肽（AMPs）及其对多种细菌病原体的抗菌活性	生物信息学	NA	机器学习和深度学习	ML和DL	生物序列数据	NA
832	2025-04-27	TCKAN: a novel integrated network model for predicting mortality risk in sepsis patients 2025-Apr, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-024-03245-2 PMID:39560917	研究论文	提出了一种新型集成网络模型TCKAN，用于预测脓毒症患者的死亡风险	TCKAN模型首次将时间数据、常量数据和ICD编码整合到一个预测模型中，采用多模态数据集成策略，显著提高了预测准确性和鲁棒性	虽然已整合了时间数据、常量数据和ICD编码，但未来研究可以纳入更多样化的医疗数据类型，如影像学和实验室检测结果，以实现更全面的数据集成	提高脓毒症患者死亡风险的预测准确性，优化临床患者管理和治疗	脓毒症患者	机器学习	脓毒症	多模态数据集成	TCKAN（Time-Constant Kolmogorov-Arnold Network）	时间数据、常量数据和ICD编码	MIMIC-III和MIMIC-IV数据集
833	2025-04-27	Impact of Deep Learning-Based Computer-Aided Detection and Electronic Notification System for Pneumothorax on Time to Treatment: Clinical Implementation 2025-Apr, Journal of the American College of Radiology : JACR IF:4.0Q1 DOI:10.1016/j.jacr.2024.11.009 PMID:39566875	research paper	评估基于深度学习的计算机辅助检测和电子通知系统对气胸治疗时间的影响	结合深度学习计算机辅助检测和电子通知系统，实时提醒放射科医生和临床医生，以缩短气胸治疗时间	仅对氧气补充治疗时间有显著影响，对其他治疗方式如抽吸或胸腔造口术无显著效果	评估深度学习计算机辅助检测和电子通知系统在临床实践中对气胸治疗时间的影响	140,841名患者的603,028张胸部X光片	digital pathology	lung cancer	deep learning	DL	image	603,028张胸部X光片来自140,841名患者
834	2025-04-27	A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain 2025-Apr, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-06994-2 PMID:39585354	研究论文	本文提出了一种基于小波域的深度学习方法WaveNet，用于从超低剂量PET扫描中恢复高质量成像	与传统在空间域去噪的深度学习方法不同，WaveNet在小波分解的频率域进行去噪，显著提升了图像质量	研究仅使用了特定型号的全身体PET扫描仪数据，可能影响方法的普适性	开发一种能够从超低剂量PET扫描中恢复高质量成像的深度学习方法	全身体PET扫描图像	医学影像处理	NA	深度学习	WaveNet	PET图像	1447例全身体18F-FDG PET图像
835	2025-04-27	Evaluating the reproducibility of a deep learning algorithm for the prediction of retinal age 2025-Apr, GeroScience IF:5.3Q1 DOI:10.1007/s11357-024-01445-0 PMID:39589693	research paper	评估深度学习算法预测视网膜年龄的可重复性	首次探索视网膜年龄预测的可靠性，并观察到了明显的昼夜波动	样本量较小，且未明确说明算法在不同人群中的泛化能力	评估视网膜年龄预测的可靠性和准确性，并分析可能影响预测结果的各种因素	两组参与者：Intravisit组和Intervisit组，均通过彩色眼底摄影成像	digital pathology	age-related diseases	color fundus photography	DLA (deep learning algorithm)	image	Intervisit组26名受试者，Intravisit组41名受试者
836	2025-04-27	MUC5B Genotype and Other Common Variants Are Associated with Computational Imaging Features of Usual Interstitial Pneumonia 2025-Apr, Annals of the American Thoracic Society IF:6.8Q1 DOI:10.1513/AnnalsATS.202401-022OC PMID:39591102	research paper	该研究探讨了MUC5B基因型及其他常见变异与寻常型间质性肺炎（UIP）的计算成像特征之间的关联	使用深度学习技术自动评估CT扫描中的UIP模式和纤维化程度，探索遗传风险特征与计算成像表型的关系	未发现常见变异与计算成像评估的纤维化程度之间的关联，且遗传变异与视觉评估的UIP模式无显著关联	确定IPF患者的遗传风险特征是否能识别独特的计算成像表型	329名患有特发性肺纤维化（IPF）的参与者	digital pathology	lung cancer	CT扫描、深度学习	deep learning	image	329名IPF患者
837	2025-04-27	Genomic determinants of biological age estimated by deep learning applied to retinal images 2025-Apr, GeroScience IF:5.3Q1 DOI:10.1007/s11357-024-01481-w PMID:39775603	研究论文	本研究利用深度学习技术从视网膜图像中提取潜在信息估计生物年龄，并通过全基因组关联分析(GWAS)探索视网膜年龄差距(RAG)的基因组决定因素	首次将深度学习应用于视网膜图像预测生物年龄，并通过大规模GWAS分析揭示RAG的遗传基础及其与衰老过程的关联	研究样本主要来自英国生物银行和GoDARTS队列，可能存在人群特异性限制	探索视网膜年龄差距(RAG)的基因组决定因素及其与衰老过程的生物学机制	31,271名英国生物银行参与者和8,034名GoDARTS参与者的视网膜图像和基因组数据	数字病理学	老年疾病	深度学习、GWAS、孟德尔随机化分析	DL(深度学习模型)	图像、基因组数据	总计39,305名参与者(31,271 UK Biobank + 8,034 GoDARTS)
838	2025-04-27	Long-term care plan recommendation for older adults with disabilities: a bipartite graph transformer and self-supervised approach 2025-Apr-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocae327 PMID:39883541	research paper	本研究提出了一种基于二分图Transformer和自监督学习的方法，为残疾老年人推荐长期护理计划	提出了一种结合特征向量中心性的新型图Transformer架构（BiT模型），并利用基于预测的图自监督学习方法挖掘图节点的深层表示	在罕见或复杂护理服务项目上的表现有待提升	为残疾老年人开发智能化的长期护理计划推荐系统	残疾老年人的护理数据	machine learning	geriatric disease	graph self-supervised learning	BiT (Bipartite Graph Transformer)	graph data	1917个节点和195240条边组成的二分图（来自真实世界护理数据）
839	2025-04-27	High-precision MRI of liver and hepatic lesions on gadoxetic acid-enhanced hepatobiliary phase using a deep learning technique 2025-Apr, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-024-01693-2 PMID:39527182	research paper	本研究探讨了使用改进的Fast 3D mode wheel和PIQE的高精度MRI序列在肝细胞特异性期（HBP）的可行性，并与使用AiCE的压缩感知（CS）序列进行了比较	提出了使用改进的Fast 3D mode wheel和PIQE的高精度MRI序列，显著提高了图像质量和肝脏病变的检测率	样本量较小（54例患者），且未探讨不同肝脏病变类型对结果的影响	评估高精度MRI序列在肝细胞特异性期（HBP）的应用效果	54例肝脏局灶性病变患者	digital pathology	liver cancer	MRI, Fast 3D mode wheel, PIQE, CS, AiCE	NA	MRI图像	54例肝脏局灶性病变患者
840	2025-04-27	Effects of snake fungal disease (ophidiomycosis) on the skin microbiome across two major experimental scales 2025-Apr, Conservation biology : the journal of the Society for Conservation Biology IF:5.2Q1 DOI:10.1111/cobi.14411 PMID:39530499	研究论文	研究蛇真菌病（ophidiomycosis）对两种实验尺度下皮肤微生物组的影响	使用深度学习神经网络预测疾病状态，准确率高达99.8%，并发现病原体诱导的微生物组失调遵循可预测的趋势	实验在野外和实验室两种环境下进行，结构和分散变化存在差异	探讨病原体与宿主微生物组的关系，以减轻疾病影响	自由活动的蛇类和实验室中的北方水蛇	微生物生态学	蛇真菌病（ophidiomycosis）	定量PCR、细菌扩增子测序、深度学习神经网络	深度学习神经网络	微生物组数据	自由活动的蛇类（未明确数量）和实验室中的北方水蛇（未明确数量）