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
841	2025-06-14	Empowering Precision Medicine for Rare Diseases through Cloud Infrastructure Refactoring 2025, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:40502250	research paper	该研究旨在通过开发基于云的计算基础设施，加速罕见疾病的诊断	提出了一种结合数据挖掘、语义网技术、深度学习和基于图的嵌入技术的全面信息学框架，并通过云基础设施重构解决了可扩展性、维护和协作的挑战	未提及具体样本量或数据集的详细信息，可能影响研究结果的普适性	加速罕见疾病的诊断，提升数据整合和预测建模能力	罕见疾病患者及其相关医疗数据	数字病理学	罕见疾病	数据挖掘、语义网技术、深度学习、基于图的嵌入技术	深度学习	医疗数据	NA
842	2025-06-14	MRISeqClassifier: A Deep Learning Toolkit for Precise MRI Sequence Classification 2025, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:40502266	research paper	开发了一个基于深度学习的工具包MRISeqClassifier，用于精确分类MRI序列	针对小型、未精炼的MRI数据集开发了轻量级模型架构，并采用投票集成方法提高准确性和稳定性，仅需10%的数据即可达到99%的准确率	未提及工具包在不同MRI设备或不同扫描参数下的泛化能力	解决MRI序列分类问题，提高诊断工具的准确性和效率	MRI序列（如T1加权、T2加权和FLAIR）	computer vision	NA	deep learning	轻量级模型架构，投票集成方法	MRI图像	未明确提及具体样本数量，但仅需10%的典型研究数据量
843	2025-06-14	Explainable Diagnosis Prediction through Neuro-Symbolic Integration 2025, AMIA Joint Summits on Translational Science proceedings. AMIA Joint Summits on Translational Science PMID:40502272	research paper	本研究探讨了神经符号方法（特别是逻辑神经网络LNNs）在可解释诊断预测中的应用，通过结合领域特定知识和可学习权重与阈值，开发了性能优于传统模型的诊断预测模型	使用逻辑神经网络（LNNs）结合领域特定知识，开发了可解释的诊断预测模型，提高了预测准确性和可解释性	未来研究需要扩展到更大和更多样化的数据集，以验证模型在不同医疗条件和人群中的适用性	开发可解释的诊断预测模型，以提升医疗AI应用的准确性和可解释性	糖尿病预测	machine learning	diabetes	Logical Neural Networks (LNNs)	LNN	NA	NA
844	2025-06-14	An integrated approach for mental health assessment using emotion analysis and scales 2025 Jan-Dec, Healthcare technology letters IF:2.8Q3 DOI:10.1049/htl2.12040 PMID:40502325	research paper	该研究提出了一种结合情绪分析和量表的综合方法进行心理健康评估，特别是针对抑郁症的初步评估	整合了四种模块（面部情绪识别、量表问卷、语音情绪识别和医生聊天）进行抑郁症评估，提高了预测的准确性	情绪识别的准确性仍有提升空间，且用户可能需要与真实医生交流以消除疑虑	开发一种综合方法，通过情绪分析和量表评估抑郁症	抑郁症患者或潜在患者	machine learning	mental illness	Facial Emotion Recognition (FER), Speech Emotion Recognition (SER), 量表问卷	深度学习模型（未明确具体类型）	image, audio, text	使用了FER2013数据集以及RAVDESS、TESS、SAVEE和CREMA-D数据集
845	2025-06-14	Integration of T cell repertoire, CyTOF, genotyping and symptomatology data reveals subphenotypic variability in COVID-19 patients 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.05.016 PMID:40502932	研究论文	该研究通过整合T细胞受体库、CyTOF、基因分型和症状学数据，揭示了COVID-19患者的亚表型变异性	使用LCM-BIC算法整合多种免疫表型和遗传数据，识别出三个新的患者聚类，并通过深度学习分析TCR氨基酸序列，发现与疾病严重程度相关的SARS-CoV-2特异性TCR序列	样本量较小（61名患者），且仅来自西班牙人群，可能限制结果的普适性	通过整合多种数据识别COVID-19患者的免疫和遗传特征，以帮助分层和管理患者	61名西班牙COVID-19患者（33名轻度，28名重度）	免疫学	COVID-19	CyTOF, TCRseq, SNP分析, 深度学习	LCM-BIC算法, 深度学习模型	免疫表型数据, 基因分型数据, 症状学数据	61名COVID-19患者（33名轻度，28名重度）
846	2025-06-14	Prediction of CRISPR-Cas9 on-target activity based on a hybrid neural network 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.05.001 PMID:40502933	研究论文	提出了一种基于混合神经网络CRISPR_HNN的CRISPR-Cas9靶向活性预测方法	整合了MSC、MHSA和BiGRU模块，有效捕捉局部动态特征和全局长距离依赖关系，并采用One-hot Encoding和Label Encoding策略	未提及具体的数据集局限性或模型泛化能力测试	提高sgRNA活性的预测准确性，以增强CRISPR-Cas9基因编辑技术的安全性和有效性	CRISPR-Cas9系统中的sgRNA活性	机器学习	NA	CRISPR-Cas9基因编辑技术	混合深度神经网络（整合MSC、MHSA和BiGRU）	基因序列数据	未明确提及具体样本量，仅说明在公共数据集上测试
847	2025-06-14	Deep Learning Prostate MRI Segmentation Accuracy and Robustness: A Systematic Review 2024-07, Radiology. Artificial intelligence DOI:10.1148/ryai.230138 PMID:38568094	系统性综述	本研究通过系统性综述探讨了深度学习在前列腺MRI分割中的准确性和鲁棒性，并与专业放射科医生进行了比较	首次系统性评估深度学习在前列腺MRI分割中的表现，并比较不同MRI厂商、前列腺区域和测试方法下的性能	仅纳入截至2022年7月31日前的英文文献，可能遗漏最新研究成果	评估深度学习在前列腺MRI分割中的准确性和鲁棒性	前列腺MRI图像	数字病理学	前列腺癌	MRI	深度学习算法	医学影像	48项研究（来自691篇初步筛选文献）
848	2025-06-14	Validation of de novo designed water-soluble and transmembrane β-barrels by in silico folding and melting 2024-Jul, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.5033 PMID:38864690	研究论文	通过计算机模拟折叠和熔解验证了从头设计的水溶性和跨膜β桶蛋白	揭示了AlphaFold2和ESMFold在不同任务中的优势，并引入了一种基于预测增量扰动的'计算机模拟熔解'新方法	缺乏高质量预测模型与实验成功机会之间关系的正式证据	验证和比较深度学习结构预测算法在蛋白质设计中的应用	从头设计的水溶性和跨膜β桶蛋白	计算生物学	NA	深度学习结构预测算法(AlphaFold2, ESMFold)	AlphaFold2, ESMFold	蛋白质序列和结构数据	NA
849	2025-06-14	A Semiautonomous Deep Learning System to Reduce False Positives in Screening Mammography 2024-05, Radiology. Artificial intelligence DOI:10.1148/ryai.230033 PMID:38597785	research paper	评估半自主人工智能模型在筛查乳腺X光片中识别非乳腺癌可疑病例并减少假阳性检查的能力	开发了一种半自主深度学习系统，显著减少乳腺癌筛查中的假阳性率和不必要的医疗程序	研究基于回顾性数据，需要在更多前瞻性研究中验证其效果	降低乳腺癌筛查中的假阳性率和相关医疗负担	乳腺X光筛查图像	digital pathology	breast cancer	deep learning	AI	image	123,248张训练用乳腺X光片（含6,161例癌症）和14,831例筛查检查（含1,026例癌症）的回顾性研究
850	2025-06-14	SCIseg: Automatic Segmentation of T2-weighted Intramedullary Lesions in Spinal Cord Injury 2024-Apr-21, medRxiv : the preprint server for health sciences DOI:10.1101/2024.01.03.24300794 PMID:38699309	研究论文	开发了一种名为SCIseg的深度学习工具，用于自动分割脊髓损伤中的T2加权髓内病变	SCIseg模型通过三阶段训练过程，包括主动学习，能够自动分割脊髓和髓内病变，且在不同病因、扫描仪制造商和图像分辨率下表现良好	研究为回顾性研究，可能存在选择偏差	开发自动分割脊髓损伤中T2加权髓内病变的深度学习工具	脊髓损伤患者的T2加权MRI图像	数字病理学	脊髓损伤	深度学习	SCIseg（基于深度学习的模型）	MRI图像	191名脊髓损伤患者（平均年龄48.1岁±17.9，142名男性）
851	2025-06-14	Multicenter Evaluation of a Weakly Supervised Deep Learning Model for Lymph Node Diagnosis in Rectal Cancer at MRI 2024-03, Radiology. Artificial intelligence DOI:10.1148/ryai.230152 PMID:38353633	research paper	开发了一个弱监督深度学习模型WISDOM，用于直肠癌患者术前MRI数据的淋巴结诊断	提出了一个弱监督模型开发框架WISDOM，结合术后病理信息进行淋巴结诊断，显著提升了放射科医生的诊断性能	研究为回顾性设计，可能存在选择偏差	开发并验证一个基于MRI的淋巴结诊断模型，辅助直肠癌患者的临床诊断	直肠癌患者的MRI数据和术后病理信息	digital pathology	rectal cancer	MRI (T2-weighted and diffusion-weighted imaging)	weakly supervised deep learning model	image	1014名患者（训练队列589人，内部测试队列146人，外部测试队列279人）
852	2025-06-14	Prior Clinico-Radiological Features Informed Multi-Modal MR Images Convolution Neural Network: A novel deep learning framework for prediction of lymphovascular invasion in breast cancer 2024-02, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.6932 PMID:38230837	research paper	本研究开发了一种名为PCMM-Net的深度学习框架，用于提高乳腺癌淋巴血管侵犯（LVI）预测的准确性	PCMM-Net整合了多参数MRI和先前的临床知识，以提高LVI评估的精确度	当前基于术前MRI的放射组学方法在评估早期乳腺癌患者的LVI时缺乏精确性	开发一个深度学习框架以提高乳腺癌LVI预测的准确性	341名乳腺癌患者	digital pathology	breast cancer	MRI	CNN	image	341名患者
853	2025-06-14	Deep learning-based virtual H& E staining from label-free autofluorescence lifetime images 2024, Npj imaging DOI:10.1038/s44303-024-00021-7 PMID:38948152	research paper	提出了一种基于深度学习的虚拟H&E染色方法，从无标记的自发荧光寿命图像中生成临床级虚拟H&E染色图像	结合先进的深度学习模型和当代图像质量度量，利用荧光寿命信息（而不仅仅是强度）实现更准确的虚拟染色重建	未提及具体样本量的限制或模型在更广泛组织类型上的泛化能力	解决FLIM图像快速精确解释的难题，实现无标记组织样本的即时准确细胞级分析	肿瘤微环境中常见的七种不同细胞类型	digital pathology	multiple cancer types	fluorescence lifetime imaging microscopy (FLIM)	DL (unspecified architecture)	autofluorescence lifetime images	NA (未明确提及具体样本数量)
854	2025-06-14	Expert-centered Evaluation of Deep Learning Algorithms for Brain Tumor Segmentation 2024-01, Radiology. Artificial intelligence DOI:10.1148/ryai.220231 PMID:38197800	研究论文	本文通过文献调查和专家评估，探讨了深度学习算法在脑肿瘤分割中的评估实践及专家对分割质量的感知	揭示了专家对脑肿瘤分割质量感知的低一致性，并指出现有定量指标与临床感知之间的低相关性	专家评估样本量较小（60例），且专家间评分一致性较低（Krippendorff α=0.34）	评估深度学习算法在脑肿瘤分割中的性能及专家对分割质量的感知差异	脑肿瘤分割算法及医学专家对分割质量的评价	数字病理	脑肿瘤	深度学习算法	NA	医学影像	60例脑肿瘤分割案例（由医学专家评估），180篇文献调查
855	2025-06-14	A Deep Learning Pipeline for Assessing Ventricular Volumes from a Cardiac MRI Registry of Patients with Single Ventricle Physiology 2024-01, Radiology. Artificial intelligence DOI:10.1148/ryai.230132 PMID:38166332	research paper	开发了一个端到端的深度学习管道，用于自动分割来自多中心Fontan循环患者的心脏MRI数据	提出了一个包含三个深度学习模型的管道，用于识别短轴电影堆栈、图像裁剪和分割，实现了对单心室生理患者心脏MRI数据的快速标准化分割	在475例未见过的检查中，有26%需要轻微调整，5%需要重大调整，0.4%的裁剪模型失败	开发一个自动化深度学习管道，用于评估单心室生理患者的心脏MRI心室容积	来自13个机构的250例心脏MRI检查	digital pathology	cardiovascular disease	cardiac MRI	U-Net 3+	image	250例心脏MRI检查（训练、验证和测试），并在475例未见过的检查中进一步评估
856	2025-06-14	Revisiting the Trustworthiness of Saliency Methods in Radiology AI 2024-01, Radiology. Artificial intelligence DOI:10.1148/ryai.220221 PMID:38166328	research paper	评估放射学AI中显著性方法的可信度，特别是其对输入微小扰动的敏感性和鲁棒性	提出预测-显著性相关性(PSC)系数作为评估显著性方法敏感性和鲁棒性的新指标	研究仅基于胸部X光片和脑部MR图像数据集，可能无法推广到其他医学影像领域	验证医学AI解释方法的可信度	胸部X光片和脑部MR图像	digital pathology	lung cancer	deep learning	CNN	image	191229张胸部X光片和7022张脑部MR图像
857	2025-06-14	Deep Learning-based Identification of Brain MRI Sequences Using a Model Trained on Large Multicentric Study Cohorts 2024-01, Radiology. Artificial intelligence DOI:10.1148/ryai.230095 PMID:38166331	research paper	开发了一种基于深度学习的全自动设备无关和序列无关的卷积神经网络(CNN)，用于可靠且高通量地标记异质、非结构化的MRI数据	使用大规模多中心研究队列训练的模型，能够可靠地区分九种MRI序列类型，且在存在或不存在肿瘤的情况下均保持高准确率	NA	开发一个可靠且高通量的MRI序列自动标记系统	多中心脑MRI数据	computer vision	glioblastoma	MRI	CNN, ResNet-18	image	2179名胶质母细胞瘤患者，8544次检查，63327个序列，来自249家医院和29种扫描仪类型
858	2025-06-14	Examination-Level Supervision for Deep Learning-based Intracranial Hemorrhage Detection on Head CT Scans 2024-01, Radiology. Artificial intelligence DOI:10.1148/ryai.230159 PMID:38294324	research paper	比较弱监督（仅检查级别标签）和强监督（图像级别标签）在训练深度学习模型检测头CT扫描中的颅内出血（ICH）方面的效果	研究表明弱监督模型在特定条件下性能优于强监督模型，且能显著减少放射科医生的工作量	研究仅基于回顾性数据集，未在临床前瞻性环境中验证	评估不同监督级别对深度学习模型检测颅内出血性能的影响	头CT扫描中的颅内出血检测	digital pathology	intracranial hemorrhage	CT扫描	attention-based CNN	image	21,736次检查（内部数据集）和511次检查（外部数据集）
859	2025-06-14	Active learning to classify macromolecular structures in situ for less supervision in cryo-electron tomography 2021-Aug-25, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btab123 PMID:33620460	研究论文	提出了一种混合主动学习框架HAL，用于在冷冻电子断层扫描中减少对大量标注数据的需求	结合不确定性采样和判别器来平衡标注数据的代表性和多样性，显著减少标注工作量	在真实数据集上的性能相比模拟数据有所下降，且未考虑更复杂的生物结构场景	解决冷冻电子断层扫描中因标注数据不足导致的生物大分子结构分类难题	冷冻电子断层扫描获得的生物大分子亚断层图	计算机视觉	NA	冷冻电子断层扫描(cryo-ET)	深度学习模型（未指定具体类型）	3D生物医学图像	模拟和真实亚断层图数据集（具体数量未说明）
860	2025-06-14	Gene expression inference with deep learning 2016-06-15, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btw074 PMID:26873929	研究论文	提出一种名为D-GEX的深度学习方法，用于从标志基因的表达推断目标基因的表达	使用深度学习模型替代线性回归，显著提高了基因表达推断的准确性	在RNA-Seq数据集上的性能提升相对较小，且仍有部分目标基因的推断误差较大	开发更准确的基因表达推断方法	基因表达数据	机器学习	NA	微阵列和RNA-Seq	深度学习	基因表达数据	111K微阵列表达谱和2921个RNA-Seq表达谱