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
841	2025-12-10	FDDSeg: Unleashing the Power of Scribble Annotation for Cardiac MRI Images Through Feature Decomposition Distillation 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3404884 PMID:38787661	研究论文	本文提出了一种名为FDDSeg的特征分解蒸馏深度学习方法，用于基于涂鸦标注的心脏MRI图像分割	提出了一种涂鸦标注重用策略以提供精确边界，并通过伪标签将中间特征分解为类别区域和无类别区域，以改进特征学习，然后通过特征分解捕获有效的蒸馏知识	NA	开发一种用于涂鸦监督心脏MRI图像分割的深度学习方法，以降低计算成本并提高分割精度	心脏MRI图像	计算机视觉	心血管疾病	MRI	深度学习	图像	NA	NA	NA	DSC, JC, HD95	NA
842	2025-12-10	Melanoma Breslow Thickness Classification Using Ensemble-Based Knowledge Distillation With Semi-Supervised Convolutional Neural Networks 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3465929 PMID:39302772	研究论文	本研究利用集成知识蒸馏与半监督卷积神经网络，对黑色素瘤的Breslow厚度进行分类，旨在提高诊断准确性	采用多教师集成知识蒸馏的半监督学习方法，结合四个不同来源的数据集，在黑色素瘤原位与侵袭性分类及Breslow厚度预测任务中提升了模型性能	未明确说明模型在临床环境中的泛化能力及对罕见病例的处理效果	开发基于深度学习的自动诊断系统，以支持医疗专业人员对黑色素瘤的分类和厚度预测	皮肤镜图像中的原位与侵袭性黑色素瘤，以及Breslow厚度	医学图像分析	黑色素瘤	深度学习	CNN	图像	来自四个不同数据集的皮肤镜图像，具体数量未明确	未明确指定	卷积神经网络	AUC	未明确指定
843	2025-12-10	MFRC-Net: Multi-Scale Feature Residual Convolutional Neural Network for Motor Imagery Decoding 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3467090 PMID:39316474	研究论文	提出一种用于运动想象解码的轻量级多尺度特征残差卷积神经网络MFRC-Net	提出结合时间多尺度残差卷积块和跨域双流空间卷积块的轻量级网络架构，在仅13K参数下实现高性能	未明确说明模型在更复杂或噪声更大EEG数据上的泛化能力	开发轻量高效的深度学习模型用于运动想象脑电信号解码	脑电图信号	机器学习	NA	脑电图	CNN	时序信号	BCI Competition IV 2a数据集和SHU数据集	NA	MFRC-Net	准确率	NA
844	2025-12-10	Spherical Harmonics-Based Deep Learning Achieves Generalized and Accurate Diffusion Tensor Imaging 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3471769 PMID:39352828	研究论文	本研究提出了一种基于球谐函数和深度学习的扩散张量成像方法，旨在提高DTI的准确性和泛化能力	利用球谐函数系数图作为网络输入，实现了对不同采集方案、中心和扫描仪的泛化，解决了现有深度学习方法泛化性有限的问题	未在摘要中明确提及具体限制	开发一种泛化性强、准确且高效的基于深度学习的扩散张量成像方法	扩散张量成像数据，包括模拟和体内数据集	医学影像分析	NA	扩散加权成像，扩散张量成像，磁共振成像	深度学习网络	扩散磁共振图像，球谐函数系数图	未在摘要中明确提及具体样本数量	NA	NA	定量和定性分析	NA
845	2025-12-10	Multiscale Spatial-Temporal Feature Fusion Neural Network for Motor Imagery Brain-Computer Interfaces 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3472097 PMID:39352826	研究论文	本文提出了一种基于多尺度时空特征融合的卷积神经网络（MSTFNet），用于运动想象脑机接口中的EEG信号分类	提出了一种新的端到端卷积神经网络架构，通过多尺度时空特征融合模块增强特征提取能力，并采用了一种简单而有效的数据增强策略	未明确提及模型的计算复杂度、泛化能力到其他数据集或实际应用场景中的限制	提高运动想象脑机接口中EEG信号的解码精度，实现高效稳定的交互	运动想象相关的EEG信号	脑机接口	NA	EEG信号处理	CNN	EEG信号	使用了两个公共数据集（BCI Competition IV 2a和2b）和一个实验室数据集，具体样本数量未明确说明	NA	MSTFNet（包含特征增强模块、多尺度时间特征提取模块、空间特征提取模块和特征融合模块）	分类准确率	NA
846	2025-12-10	Automated Quantification of HER2 Amplification Levels Using Deep Learning 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3476554 PMID:39383086	研究论文	本文开发了一种基于深度学习的软采样级联模型和信号检测模型，用于自动量化细胞中的CEN17和HER2信号，以辅助评估HER2扩增状态，从而帮助乳腺癌和胃癌患者选择抗HER2靶向治疗	提出了一种软采样级联深度学习模型和信号检测模型，能够处理FISH和DISH图像中细胞边界模糊、形状和信号变化大、细胞重叠以及标注稀疏等问题，显著优于七种现有最先进的深度学习方法	未明确说明模型在更大规模或更多样化数据集上的泛化能力，以及计算资源的具体需求	开发自动化工具以辅助评估HER2扩增状态，用于乳腺癌和胃癌患者的抗HER2靶向治疗选择	乳腺癌和胃癌患者的FISH和DISH图像中的细胞	数字病理学	乳腺癌, 胃癌	荧光原位杂交 (FISH), 双原位杂交 (DISH)	深度学习模型	图像	两个临床数据集：一个FISH数据集和一个DISH数据集	NA	软采样级联深度学习模型, 信号检测模型	准确率, 召回率, F1分数, 精确率	NA
847	2025-12-10	MiRS-HF: A Novel Deep Learning Predictor for Cancer Classification and miRNA Expression Patterns 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3476672 PMID:39383085	研究论文	提出了一种名为MiRS-HF的深度学习模型，用于癌症分类和miRNA生物标志物识别	结合早期融合和中间融合策略，利用Layer Attention GCN处理miRNA-疾病异质网络，并通过GCN加权表达数据进行分类	NA	癌症分类和miRNA生物标志物识别	六种癌症的miRNA关联和表达数据	机器学习	癌症	miRNA表达数据	GCN, LAGCN	图数据, 表达数据	NA	NA	Layer Attention Graph Convolutional Network, Graph Convolutional Network	NA	NA
848	2025-12-10	Continuous Prediction of Wrist Joint Kinematics Using Surface Electromyography From the Perspective of Muscle Anatomy and Muscle Synergy Feature Extraction 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3484994 PMID:39437291	研究论文	本文提出了一种基于肌肉解剖学视角的3DCNN模型，用于从表面肌电信号中提取肌肉协同特征，并连续预测腕关节运动学	首次从肌肉解剖学角度预测运动意图，将一维sEMG信号根据目标肌肉解剖分布和电极位置重构为二维帧，并作为视频片段输入3DCNN进行特征提取	未明确说明模型在更广泛患者群体或不同运动任务中的泛化能力	利用sEMG信号预测卒中后患者运动意图，以提高康复机器人的辅助效果	卒中后上肢功能障碍患者	机器学习	卒中	表面肌电信号采集	3DCNN, CNN-LSTM, GAN	时序信号, 图像	自建腕部运动数据集和公开Ninapro DB2数据集	NA	3DCNN	nRMSE, R值	NA
849	2025-12-10	Deep Drug Synergy Prediction Network Using Modified Triangular Mutation-Based Differential Evolution 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3377631 PMID:38498748	研究论文	本文提出了一种名为EDNet的深度药物协同预测网络，用于改进癌症治疗中的药物组合协同预测	采用改进的基于三角突变的差分进化算法优化深度双向混合密度网络的初始连接权重和架构相关属性，以解决梯度消失、过拟合和参数调优问题	NA	提高药物组合协同预测的准确性，以优化癌症治疗效果	药物组合协同预测	机器学习	癌症	NA	深度双向混合密度网络	药物协同数据集	两个数据集：NCI-ALMANAC和deep-synergy	NA	EDNet	NA	NA
850	2025-12-10	Utilizing Deep Learning to Identify Electron-Dense Deposits in Renal Biopsy Electron Microscopy Images 2025, American journal of nephrology IF:4.3Q1 DOI:10.1159/000546131 PMID:40388893	研究论文	本研究开发了一个基于深度学习的平台，用于自动分类肾活检电子显微镜图像中电子致密沉积物的位置	首次利用深度学习自动分类肾活检电子显微镜图像中电子致密沉积物的位置，并开发了相应的网络平台	模型在评估沉积物存在和位置方面的准确性低于电子显微镜病理学家，但高于综合性肾病理学家	开发一个深度学习平台，自动分类肾活检电子显微镜图像中电子致密沉积物的位置	肾活检电子显微镜图像中的电子致密沉积物	数字病理学	肾脏疾病	电子显微镜	CNN	图像	从1039例肾活检中收集的4303张电子显微镜图像	NA	ResNet18	AUC, 准确率	NA
851	2025-12-10	GENERATIVE FORECASTING OF BRAIN ACTIVITY ENHANCES ALZHEIMER'S CLASSIFICATION AND INTERPRETATION 2024-Oct-30, ArXiv PMID:39575120	研究论文	本研究通过生成式预测大脑活动来增强阿尔茨海默病的分类和解释	采用基于Transformer的BrainLM模型进行静息态功能磁共振成像数据的多元时间序列预测，作为数据增强手段，并展示了其在阿尔茨海默病分类中的性能提升	数据可用性有限，尤其是在阿尔茨海默病等疾病特定群体中，这限制了深度学习模型的泛化能力	通过数据驱动方法理解认知与内在大脑活动之间的关系，并提升阿尔茨海默病的分类性能	阿尔茨海默病患者	机器学习	阿尔茨海默病	静息态功能磁共振成像	LSTM, Transformer	多元时间序列	NA	NA	BrainLM	NA	NA
852	2025-12-10	Sensitive Detection of Structural Differences using a Statistical Framework for Comparative Crystallography 2024-Jul-23, bioRxiv : the preprint server for biology DOI:10.1101/2024.07.22.604476 PMID:39091831	研究论文	本文介绍了一种结合深度学习和统计先验的贝叶斯框架，用于校正X射线衍射数据，并通过多变量统计理论提升比较晶体学中结构差异的敏感检测	将贝叶斯框架与多变量统计理论结合，显著提高了蛋白质动力学、元素特异性异常信号及药物片段结合的检测能力	NA	开发一种统计框架，以敏感检测比较晶体学中的结构差异	蛋白质的化学和构象变化	机器学习	NA	X射线衍射	深度学习	晶体学数据	NA	NA	NA	NA	NA
853	2025-12-10	Opportunistic screening for coronary artery calcium deposition using chest radiographs - a multi-objective models with multi-modal data fusion 2024-Jan-11, medRxiv : the preprint server for health sciences DOI:10.1101/2024.01.10.23299699 PMID:38260571	研究论文	本研究开发了一种基于多任务深度学习的融合模型，利用胸部X光片和电子健康记录数据进行冠状动脉钙化评分和心血管风险的预测	提出了一种结合多模态数据（CXR和EHR）的多任务深度学习模型，用于冠状动脉钙化的机会性筛查，并在多个外部数据集上验证了其稳健性	研究为回顾性设计，样本量相对有限（2,121名患者），且外部验证数据集的种族和民族差异可能影响模型泛化能力	开发一种基于胸部X光片和电子健康记录的机会性筛查策略，用于预测冠状动脉钙化评分和心血管风险	冠状动脉钙化沉积和心血管风险	数字病理学	心血管疾病	CT扫描，胸部X光成像	多任务深度学习模型	图像，文本	2,121名患者（内部数据集），外加多个外部数据集（EUH和VGHTPE）	NA	多任务深度学习融合模型	F1分数，AUCROC	NA
854	2025-12-10	How deep is the brain? The shallow brain hypothesis 2023-12, Nature reviews. Neuroscience DOI:10.1038/s41583-023-00756-z PMID:37891398	观点文章	本文提出了浅层大脑假说，挑战了深度学习与预测编码中普遍采用的层次化架构，强调皮层下区域在并行处理中的重要作用	提出了浅层大脑假说，整合了皮层层次处理与皮层下区域的大规模并行处理，突破了传统深度学习的纯层次化架构	假说尚未得到充分实验验证，且未提供具体的计算模型或算法实现	探讨大脑的计算架构，挑战当前深度学习与预测编码网络中的层次化假设	哺乳动物大脑的神经解剖结构与计算原理	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
855	2025-12-09	Magnetic resonance image enhancement and segmentation using conventional and deep learning denoising techniques for dynamic cerebral angiography 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00406-x PMID:41357951	研究论文	本研究评估了自动去噪流程，以增强动态脑血管造影图像质量，辅助视觉分析和自动化血管分割，从而通过血管特征提取改进量化	结合传统技术与基于深度学习的无监督技术进行图像去噪，并展示了在分割任务中使用去噪图像相比原始噪声图像的显著性能提升	图像采集受婴儿运动伪影、短采集时间导致的对比度变化以及扫描仪硬件限制影响，增加了噪声并降低了血管可见性，这对AI工具和专业分析诊断构成挑战	评估自动去噪流程以增强图像质量，辅助视觉分析和自动化血管分割，改进血管特征提取的量化	婴儿的动态脑血管造影（TRANCE-MRI）图像	计算机视觉	脑血管疾病	动态血管磁共振成像（TRANCE-MRI）	深度学习无监督模型	图像	NA	NA	Noise2Void, PPN2V GMM	Dice系数, Hausdorff距离	NA
856	2025-12-09	Ex vivo human brain volumetry: Validation of MRI measurements 2026-Feb, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70083 PMID:40937565	研究论文	本研究通过扫描离体原位人脑标本，验证了MRI脑体积测量工具与金标准水置换法的准确性	首次使用离体原位人脑标本作为金标准，验证了多种MRI序列和分割方法（包括手动和基于深度学习的自动分割）在脑体积测量中的准确性	样本量较小（仅7个解剖头部），且所有标本均经过酒精-甲醛溶液固定，可能影响组织特性	验证MRI脑体积测量工具的准确性，通过离体标本扫描与金标准水置换法对比	离体原位固定的人脑标本	医学影像分析	NA	MRI扫描（T2加权、T1加权、MP2RAGE序列）	深度学习	MRI图像	7个解剖头部标本	NA	SynthSeg	体积测量准确性，重复测量方差分析	NA
857	2025-12-09	Optimized T1-weighted MP-RAGE MRI of the brain at 0.55 T using variable flip angle coherent gradient echo imaging and deep learning reconstruction 2026-Feb, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70109 PMID:41024478	研究论文	本文提出并评估了一种在0.55 T磁场下用于快速脑部T1加权成像的优化MP-RAGE协议，结合可变翻转角相干梯度回波成像和深度学习重建技术	采用可变翻转角SSFP-FID内核的MP-RAGE序列，在0.55 T低场强下实现了白质信噪比平均提升21%和灰白质信号差异平均改善47%，并结合深度学习重建将扫描时间从5分17秒缩短至2分46秒	可变翻转角SSFP-FID的微分点扩散函数比标准序列略宽8%，可能影响边缘清晰度	开发在低场强（0.55 T）磁共振下快速获取高分辨率脑部T1加权图像的方法	人脑组织（重点关注白质和灰质）	医学影像分析	NA	磁共振成像（MRI），具体为MP-RAGE序列，SSFP-FID内核，可变翻转角成像	深度学习模型	磁共振图像	NA	NA	NA	白质信噪比（SNR），白质-灰质信号差异，微分点扩散函数宽度，扫描时间	NA
858	2025-12-09	A High-resolution dataset for AI-driven segmentation and analysis of drug-treated breast tumor spheroids 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109141 PMID:41207172	研究论文	本研究介绍了一个用于AI驱动分割和分析药物处理乳腺癌肿瘤球体的高分辨率公开数据集	创建了首个公开可用的高分辨率异型肿瘤球体图像数据集，并评估了多种深度学习分割模型在药物响应量化中的应用	数据集样本量相对较小（95张图像），且仅针对一种乳腺癌细胞系和一种药物处理，可能限制模型的泛化能力	促进AI驱动的分割和分析，以更准确地评估药物对3D肿瘤球体模型的效果	由MDA-MB-231乳腺癌细胞和人成纤维细胞组成的异型肿瘤球体	数字病理学	乳腺癌	显微成像	CNN	图像	95张高分辨率图像，进一步划分为2980个图像块（512×512像素）	未明确指定，但提及了深度学习分割模型	U-Net, Fully Convolutional Network (FCN), Mask R-CNN, YOLOv12-Seg, DeepLab	Jaccard指数, 准确率	NA
859	2025-12-09	Patients visits forecasting in emergency departments: Self-adapting LSTM models for evolving data distributions 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109153 PMID:41218323	研究论文	本研究提出了一种基于自适应Seq2Seq LSTM的深度学习框架，用于急诊科患者就诊量的预测，以应对数据分布变化	结合了序列特定缩放和持续学习策略的自适应LSTM模型，能够在数据分布变化时自动调整，无需手动重新训练	在长期预测（如1个月）中，性能接近季节性朴素基准，且在COVID相关突变期间，ARIMA偶尔表现更优	设计一个在数据分布变化条件下保持准确性的急诊科患者就诊量预测框架，无需人工干预或完全重新训练	急诊科的历史每日就诊数据，涵盖COVID前、COVID期间和COVID后阶段	机器学习	NA	深度学习预测	LSTM, Seq2Seq	时间序列数据	覆盖COVID前、COVID期间和COVID后阶段的急诊科历史每日就诊数据	NA	Seq2Seq LSTM	MSE, MAE, MAPE, MASE	NA
860	2025-12-09	CellApop: A knowledge-guided decoupled distillation framework for label-efficient apoptotic cell segmentation and dynamic analysis in brightfield microscopy 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109156 PMID:41223808	研究论文	本文提出了一种基于知识引导解耦蒸馏的深度学习框架CellApop，用于在明场显微镜图像中实现标签高效的凋亡细胞分割和动态分析	开发了知识引导解耦蒸馏框架，通过多个专家模型指导轻量级学生网络训练，显著减少手动标注需求约80%，并引入重参数化、深度可分离卷积和边缘感知模块以提升在细胞密集重叠和边界模糊等挑战条件下的分割精度	未明确说明模型在更广泛细胞类型或不同显微镜设置下的泛化能力，以及框架对计算资源的具体需求	实现无标记、实时的凋亡细胞检测，以克服传统荧光染色方法的局限性	明场显微镜图像中的凋亡细胞	数字病理学	NA	明场显微镜成像	深度学习分割模型	图像	16,472张明场细胞图像，来自三个公共数据集（BF-C2DL-MuSC、DICC2DHHeLa、LiveCell）和一个专有凋亡数据集	未明确指定，但基于深度学习框架	CellApop（轻量级学生网络，包含重参数化、深度可分离卷积和边缘感知模块）	Dice相似系数、Hausdorff距离、IoU、灵敏度、特异性	NA