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
10241	2024-12-23	Multi-criteria Bayesian optimization of Empirical Mode Decomposition and hybrid filters fusion for enhanced ECG signal denoising and classification: Cardiac arrhythmia and myocardial infarction cases 2025-Jan, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109462 PMID:39615235	研究论文	本文介绍了一种新的高级模型，用于去噪和分类心电图（ECG）信号，重点是使用混合滤波器和贝叶斯优化	本文创新性地结合了多种滤波器（如EEMD、Chebyshev Type II、Butterworth、Daubechies Wavelet和Savitzky-Golay滤波器），并通过多准则贝叶斯优化过程优化滤波器参数，显著提高了分类准确性	NA	提高心电图信号去噪和分类的准确性，以增强心脏疾病的诊断可靠性	心电图信号的去噪和分类，特别是心律失常和心肌梗死病例	数字病理学	心血管疾病	贝叶斯优化	深度学习架构	信号	NA
10242	2024-12-23	Deep learning for endometrial cancer subtyping and predicting tumor mutational burden from histopathological slides 2024-Dec-21, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-024-00766-9 PMID:39709501	研究论文	本文提出了一种基于深度学习的TR-MAMIL框架，用于从组织病理学切片中对子宫内膜癌进行亚型分类并预测肿瘤突变负荷	首次提出TR-MAMIL深度学习框架，能够直接从H&E染色的全切片图像中预测肿瘤突变负荷并分类子宫内膜癌亚型，优于现有的七种先进方法	NA	开发一种新的方法来预测子宫内膜癌患者的肿瘤突变负荷，并进行亚型分类，以支持个性化免疫治疗和预后评估	子宫内膜癌患者的肿瘤突变负荷和癌症亚型	数字病理学	子宫内膜癌	深度学习	TR-MAMIL	图像	来自The Cancer Genome Atlas的大规模数据集
10243	2024-12-23	Quantification of urinary albumin in clinical samples using smartphone enabled LFA reader incorporating automated segmentation 2024-Dec-20, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad992d PMID:39622082	研究论文	本文介绍了一种使用智能手机辅助的LFA读取器进行临床样本中尿白蛋白定量的方法，通过自动分割技术提高了检测的准确性	本文的创新点在于使用LFA设备进行自动检测和尿白蛋白的定量，并通过YOLOv5模型进行自动分割，减少了干扰	本文未提及具体的样本数量和不同光照条件下的性能差异	开发一种高精度的智能手机辅助尿白蛋白检测方法	临床样本中的尿白蛋白浓度	机器学习	NA	LFA	YOLOv5	图像	NA
10244	2024-12-23	Development and Validation of a Modality-Invariant 3D Swin U-Net Transformer for Liver and Spleen Segmentation on Multi-Site Clinical Bi-parametric MR Images 2024-Dec-20, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01362-w PMID:39707114	研究论文	开发并验证了一种模态不变的3D Swin U-Net Transformer模型，用于在多站点临床双参数MR图像上对肝脏和脾脏进行分割	提出了模态不变的3D Swin U-Net Transformer模型，显著提高了肝脏和脾脏分割的准确性	研究仅限于肝脏和脾脏的分割，未涉及其他器官	开发和验证一种能够在多站点临床双参数MR图像上对肝脏和脾脏进行分割的深度学习模型	肝脏和脾脏的分割	计算机视觉	NA	深度学习	Swin U-Net Transformer	图像	304名患者，包括241个T1w和339个T2w MR序列
10245	2024-12-23	Enhancing classification of active and non-active lesions in multiple sclerosis: machine learning models and feature selection techniques 2024-Dec-20, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-024-01528-6 PMID:39707207	研究论文	本研究探讨了机器学习和深度学习模型在多发性硬化症（MS）活动性和非活动性病变分类中的表现	本研究首次评估了多种机器学习模型和一种顺序深度学习模型在MS病变分类中的性能，并展示了顺序深度学习方法和集成方法在实现稳健预测性能方面的有效性	本研究的局限性在于仅使用了T2加权MRI图像进行分析，未涵盖其他类型的影像数据	评估机器学习和深度学习模型在多发性硬化症活动性和非活动性病变分类中的性能	多发性硬化症的活动性和非活动性病变	机器学习	多发性硬化症	机器学习模型和特征选择技术	顺序深度学习模型和混合梯度提升分类器（HGBC）	图像	75个活动性病变和100个非活动性病变
10246	2024-12-23	Adaptive fusion of dual-view for grading prostate cancer 2024-Dec-17, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2024.102479 PMID:39708679	研究论文	本文提出了一种深度学习方法，通过自适应融合双视角MRI图像来实现前列腺癌的准确分级	设计了一种双视角自适应融合模型，通过动态调整融合权重来充分利用互补信息，并基于不确定性估计自适应加权预测结果	未提及具体实验数据集的样本量和多样性，可能影响模型的泛化能力	开发一种非侵入性且高效的前列腺癌分级方法，以辅助临床诊断	前列腺癌的分级诊断	计算机视觉	前列腺癌	多参数磁共振成像（MRI）	自适应融合模型	图像	NA
10247	2024-12-23	Guidelines for cerebrovascular segmentation: Managing imperfect annotations in the context of semi-supervised learning 2024-Dec-11, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2024.102474 PMID:39705890	研究论文	本文研究了在半监督学习背景下，针对脑血管理分割任务中不完美标注的数据依赖性，并比较了多种最先进的半监督方法	提出了在半监督学习框架下处理不完美标注的指南，并评估了不同数据量和质量场景下的性能	未提及具体限制	提供脑血管理分割模型的标注和训练指南	脑血管理分割任务中的标注一致性和模型性能	计算机视觉	NA	半监督学习	NA	图像	未提及具体样本数量
10248	2024-12-23	Crucial rhythms and subnetworks for emotion processing extracted by an interpretable deep learning framework from EEG networks 2024-Dec-03, Cerebral cortex (New York, N.Y. : 1991) DOI:10.1093/cercor/bhae477 PMID:39707986	研究论文	本文提出了一种结合注意力机制和领域对抗策略的深度学习框架，用于从脑电图网络中提取可解释的情感处理特征	本文创新性地结合了注意力机制和领域对抗策略，增强了情感识别的关键节律和子网络的贡献，并提高了跨受试者任务的泛化性能	本文未详细讨论该方法在其他数据集或不同情感识别任务中的适用性	研究目的是从脑电图网络中提取可解释的结构特征，用于情感识别任务	研究对象是脑电图网络中的情感处理特征	机器学习	NA	脑电图	深度学习模型	脑电图数据	使用了SJTU Emotion EEG Dataset (SEED)和实验室记录的脑电图数据
10249	2024-12-23	Machine Learning Streamlines the Morphometric Characterization and Multiclass Segmentation of Nuclei in Different Follicular Thyroid Lesions: Everything in a NUTSHELL 2024-Dec, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2024.100608 PMID:39241829	研究论文	本文研究了甲状腺结节病变中核形态特征的识别和多类分割，开发了一种名为NUTSHELL的深度学习模型，用于辅助诊断	提出了NUTSHELL模型，能够成功检测和分类甲状腺肿瘤中的大多数核，并提供了NIFTP区域的即时概览，有助于检测PTC的微小病灶或识别淋巴结转移	仅分析了少量NIFTP病例的二代测序数据，未全面探讨RAS相关突变对核形态的影响	识别NIFTP和PTC的可解释核形态特征，并开发深度学习模型以减少诊断变异性	NIFTP、PTC和增生性结节（HP）的核形态特征	数字病理学	甲状腺癌	深度学习	深度学习模型	图像	NIFTP、PTC和HP病例的全切片图像
10250	2024-12-23	A review of deep learning models for the prediction of chromatin interactions with DNA and epigenomic profiles 2024-Nov-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae651 PMID:39708837	综述	本文综述了利用深度学习模型预测染色质相互作用矩阵的最新进展	深度学习通过其强大的特征提取和模式识别能力，为整合多组学数据构建准确的染色质相互作用预测模型提供了新方法	染色质相互作用机制仍未被充分探索，预测染色质相互作用矩阵仍面临挑战	系统总结染色质相互作用矩阵预测模型的最新进展，探讨其在生物系统中的应用	染色质相互作用矩阵的预测模型及其在基因表达调控中的应用	机器学习	NA	深度学习	深度学习模型（如CNN、LSTM等）	DNA序列和表观遗传信号	NA
10251	2024-12-23	scRGCL: a cell type annotation method for single-cell RNA-seq data using residual graph convolutional neural network with contrastive learning 2024-Nov-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae662 PMID:39708840	研究论文	提出了一种基于残差图卷积神经网络和对比学习的单细胞RNA测序数据细胞类型注释方法scRGCL	scRGCL通过残差图卷积神经网络提取复杂的高阶特征，利用对比学习学习有意义的细胞间差异特征，并通过权重冻结避免过拟合	现有方法未能充分利用细胞间差异特征，缺乏灵活性以整合高阶特征，且低维基因特征可能导致神经网络过拟合	开发一种新的深度学习模型，用于单细胞RNA测序数据的细胞类型注释	单细胞RNA测序数据的细胞类型注释	机器学习	NA	单细胞RNA测序	残差图卷积神经网络	基因表达数据	8个单细胞基准数据集，包括7个人类数据集和1个小鼠数据集
10252	2024-12-23	Concurrent optogenetic motor mapping of multiple limbs in awake mice reveals cortical organization of coordinated movements 2024 Nov-Dec, Brain stimulation IF:7.6Q1 DOI:10.1016/j.brs.2024.10.010 PMID:39476952	研究论文	本文开发了一种多肢光遗传学运动映射技术，用于在清醒小鼠中同时映射多个肢体的运动表示，并探讨了皮质对协调运动的组织结构	首次在清醒小鼠中使用光遗传学技术同时映射多个肢体的运动表示，揭示了皮质对协调和行为相关运动输出的地形组织	NA	开发一种新的光遗传学技术，用于研究清醒小鼠中多个肢体的协调运动在皮质中的组织结构	清醒小鼠的多个肢体运动表示及其在皮质中的组织结构	神经科学	NA	光遗传学刺激	深度学习模型	运动数据	多只小鼠
10253	2024-12-22	Explainable Deep Learning Approaches for Risk Screening of Periodontitis 2025-Jan, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345241286488 PMID:39563207	研究论文	本研究利用可解释的人工智能（XAI）技术，通过分析多种临床特征，为牙周炎的早期筛查提供个性化风险评估	本研究首次将可解释的人工智能技术应用于牙周炎的早期筛查，并通过LIME方法评估了潜在的相关因素，揭示了与牙周炎相关的重要特征	本研究的样本主要来自NHANES数据库，可能存在样本代表性不足的问题	开发一种基于可解释人工智能技术的牙周炎早期筛查工具	牙周炎的早期筛查及相关风险因素	机器学习	牙周疾病	可解释的人工智能（XAI）	深度学习模型	临床数据	30,465名参与者，其中9,632名用于所有年龄组，5,601名用于50岁以上年龄组
10254	2024-12-22	Survival analysis of clear cell renal cell carcinoma based on radiomics and deep learning features from CT images 2024-Dec-20, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000040723 PMID:39705434	研究论文	本文基于CT图像的放射组学和深度学习特征，创建了一个用于预测透明细胞肾细胞癌患者预后的列线图	本文提出了一个结合放射组学和深度学习特征的融合签名，并将其与临床病理风险因素结合，构建了一个新的列线图，相比传统的临床列线图，其C-index值提高了约20%	本文未详细说明深度学习模型的具体架构和训练过程，且样本量相对较小	开发一个基于CT图像的非侵入性模型，用于透明细胞肾细胞癌患者的生存预后预测	透明细胞肾细胞癌患者的CT图像和临床病理数据	数字病理学	肾癌	放射组学，深度学习	Cox比例风险回归模型	图像	822名透明细胞肾细胞癌患者
10255	2024-12-22	HeatGSNs: Integrating Eigenfilters and Low-Pass Graph Heat Kernels into Graph Spectral Convolutional Networks for Brain Tumor Segmentation and Classification 2024-Dec-20, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ada1db PMID:39705725	研究论文	本文提出了一种名为HeatGSNs的新型图谱卷积网络，结合特征滤波器和可学习的低通图热核，用于脑肿瘤的分割和分类	HeatGSNs通过引入特征滤波器和可学习的低通图热核，解决了图网络中的过平滑和振荡收敛问题，实现了快速且准确的性能	NA	解决脑肿瘤MRI数据集中的类别不平衡问题，并提高脑肿瘤分割和分类的准确性	脑肿瘤的分割和分类	计算机视觉	脑肿瘤	图谱卷积网络	图谱卷积网络	图像	BRATS2021数据集
10256	2024-12-22	A Variational Network for Biomedical Images Denoising using Bayesian model and Auto-Encoder 2024-Dec-20, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ada1da PMID:39705726	研究论文	本文提出了一种基于贝叶斯模型和变分自编码器的医学图像去噪方法	该方法结合了贝叶斯建模和变分网络，能够更好地泛化到新的噪声分布，并在去噪准确性、视觉质量和计算效率上优于现有方法	NA	开发一种新的医学图像去噪方法，以提高图像分析的准确性和可靠性	医学图像的去噪	计算机视觉	NA	贝叶斯模型、变分网络	变分自编码器	图像	使用了CT扫描医学图像数据集
10257	2024-12-22	Zero-shot counting with a dual-stream neural network model 2024-Dec-18, Neuron IF:14.7Q1 DOI:10.1016/j.neuron.2024.10.008 PMID:39488209	研究论文	本文构建了一个基于灵长类大脑双流架构的深度学习模型，能够在零样本情况下对不熟悉的物体进行计数	提出了一个基于灵长类大脑双流架构的深度学习模型，能够在零样本情况下对不熟悉的物体进行计数，并成功预测人类计数行为	NA	研究视觉场景理解中物体识别和关系结构的编码方式	灵长类大脑的双流处理机制以及视觉场景中的物体计数	计算机视觉	NA	深度学习	双流神经网络	图像	NA
10258	2024-12-22	Detection of Viable but Nonculturable E. coli Induced by Low-Level Antimicrobials Using AI-Enabled Hyperspectral Microscopy 2024-Dec-09, Journal of food protection IF:2.1Q3 DOI:10.1016/j.jfp.2024.100430 PMID:39662736	研究论文	本研究开发了一种基于人工智能的超光谱显微镜成像框架，用于在低水平抗菌剂下快速检测处于可存活但不可培养状态的大肠杆菌	本研究首次使用AI驱动的超光谱显微镜技术，结合EfficientNetV2卷积神经网络架构，实现了对可存活但不可培养状态的大肠杆菌的高精度自动分类	本研究的样本量较小，仅使用了200个样本进行模型训练和验证，未来需要更大规模的样本验证	开发一种快速、自动化的方法来检测处于可存活但不可培养状态的大肠杆菌，以提高食品安全和公共卫生	处于可存活但不可培养状态的大肠杆菌K-12	计算机视觉	NA	超光谱显微镜成像	EfficientNetV2	图像	200个样本
10259	2024-12-06	Deep learning training dynamics analysis for single-cell data 2024-Dec, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00728-y PMID:39633096	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
10260	2024-12-22	Automated Identification of Breast Cancer Relapse in Computed Tomography Reports Using Natural Language Processing 2024-Dec, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.24.00107 PMID:39705642	研究论文	本文研究了使用自然语言处理（NLP）技术，结合先进的深度学习变压器工具和大型语言模型，自动识别计算机断层扫描（CT）报告中乳腺癌复发的情况	本文创新性地使用了NLP技术，结合深度学习变压器工具和大型语言模型，自动化识别CT报告中乳腺癌的复发情况	本文的局限性在于模型的敏感性和特异性在不同类型的复发中表现不一致，尤其是局部复发的模型敏感性较低	研究目的是开发NLP模型，自动识别CT报告中乳腺癌的局部、区域性和远处复发情况，以增强患者预后数据收集	研究对象是2005年1月1日至2014年12月31日期间确诊为乳腺癌患者的随访CT报告	自然语言处理	乳腺癌	自然语言处理（NLP）	深度学习变压器模型	文本	1445份CT报告