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
10321	2025-06-03	Do Sharpness-Based Optimizers Improve Generalization in Medical Image Analysis? 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/ACCESS.2025.3568641 PMID:40443707	research paper	本文评估了基于锐度的优化器在医学图像分析中提高深度学习模型泛化能力的有效性	首次系统评估了多种基于锐度的优化器在医学图像数据集上的表现，发现SAM是唯一能一致提升泛化性能的方法	研究仅使用了三种医学图像数据集，可能无法代表所有医学图像场景	评估基于锐度的优化器在医学图像分析中提高模型泛化能力的有效性	医学图像数据集（乳腺超声、胸部X光和结肠组织病理学图像）	digital pathology	breast cancer, lung disease, colon disease	deep learning optimization	CNN, vision transformers	image	三种医学图像数据集	NA	NA	NA	NA
10322	2025-06-03	Advances in Electrocardiogram-Based Artificial Intelligence Reveal Multisystem Biomarkers 2025, Journal of clinical & experimental cardiology PMID:40443717	review	本文讨论了基于心电图的人工智能在临床心脏病学中的进展、局限性和未来方向	利用基于心电图的深度学习模型识别心脏壁运动异常，并超越人类专家解释	讨论了深度学习模型在基于心电图的人工智能应用中的局限性和公平性考虑	探讨人工智能在临床心脏病学中的应用，提供创新的诊断、预后和治疗解决方案	心电图数据	machine learning	cardiovascular disease	Deep Learning	DL	ECG数据	NA	NA	NA	NA	NA
10323	2025-06-03	XLLC-Net: A lightweight and explainable CNN for accurate lung cancer classification using histopathological images 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0322488 PMID:40445896	研究论文	该研究介绍了一种轻量级且可解释的CNN模型XLLC-Net，用于从组织病理学图像中准确分类肺癌	XLLC-Net是一种轻量级CNN模型，仅包含300万个参数，显著降低了计算资源需求，同时集成了可解释AI技术（如Saliency Map和GRAD-CAM）以增强模型的可解释性	研究仅关注了LC25000数据集中的三类肺癌，未包含其他类型的癌症或更广泛的数据集	开发一种轻量级且可解释的深度学习模型，用于肺癌的准确分类	组织病理学图像中的三类肺癌	数字病理学	肺癌	深度学习	CNN	图像	LC25000数据集中的三类肺癌样本	NA	NA	NA	NA
10324	2025-06-03	Deep learning reconstruction of free-breathing, diffusion-weighted imaging of the liver: A comparison with conventional free-breathing acquisition 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320362 PMID:40445963	研究论文	本研究比较了自由呼吸下使用深度学习重建的扩散加权成像（FB-DL-DWI）与传统扩散加权成像（FB-C-DWI）在肝脏MRI中的图像质量和实体性肝脏局灶性病变（FLL）评估	首次在自由呼吸条件下应用深度学习重建技术进行肝脏扩散加权成像，并与传统方法进行对比	FB-DL-DWI表现出比FB-C-DWI更强的人工感觉（P<0.001）	比较两种扩散加权成像技术在肝脏MRI中的表现	199名接受临床肝脏MRI检查的患者	医学影像分析	肝脏疾病	扩散加权成像（DWI），深度学习重建	深度学习模型（具体类型未说明）	医学影像数据	199名患者（其中110名患有慢性肝病），138个实体性肝脏局灶性病变	NA	NA	NA	NA
10325	2025-06-03	Prediction of drug-target interactions based on substructure subsequences and cross-public attention mechanism 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0324146 PMID:40445972	研究论文	提出了一种基于子结构子序列和交叉公共注意力机制的药物-靶点相互作用预测模型SSCPA-DTI	采用多特征信息挖掘模块(MIMM)提取药物和蛋白质的原始及子结构特征，并利用交叉公共注意力模块(CPA)整合特征及提取相互作用信息，提高了预测准确性和可解释性	仅在三个公共数据集上进行了实验，未在其他数据集上验证模型的泛化能力	提高药物-靶点相互作用预测的准确性和可解释性	药物和蛋白质的相互作用	机器学习	NA	深度学习	SSCPA-DTI (基于注意力机制的模型)	序列数据(SMILES序列和蛋白质序列)	三个公共数据集	NA	NA	NA	NA
10326	2025-06-03	Enhancing the dataset of CycleGAN-M and YOLOv8s-KEF for identifying apple leaf diseases 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321770 PMID:40445983	研究论文	本研究提出了一种基于深度学习的方法，通过改进CycleGAN-M和YOLOv8s-KEF模型来提高苹果叶病害的识别准确率	使用多尺度注意力机制增强CycleGAN-M网络生成合成样本，改进YOLOv8s-KEF模型的特征提取能力，特别是针对小病变和复杂纹理	模型大小增加了6MB，可能影响部署效率	提高苹果叶病害的识别准确率，解决数据集有限、样本量小和识别精度低的问题	苹果叶病害	计算机视觉	植物病害	深度学习	CycleGAN-M, YOLOv8s-KEF	图像	NA	NA	NA	NA	NA
10327	2025-06-03	ArsenicNet: An efficient way of arsenic skin disease detection using enriched fusion Xception model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0322405 PMID:40446004	研究论文	提出了一种名为ArsenicNet的融合Xception模型，用于高效检测砷污染引起的皮肤疾病	结合Xception模型与Inception模块的深度学习架构，在砷皮肤疾病检测中表现出优越性能	数据集样本量较小（仅1287个样本），且仅基于孟加拉国人群	开发高效准确的砷皮肤疾病检测方法	砷污染引起的皮肤疾病	计算机视觉	皮肤疾病	深度学习	Xception与Inception模块融合的CNN	图像	1287张基于孟加拉国人群的皮肤图像	NA	NA	NA	NA
10328	2025-06-03	Segmentation-based deep 2D-3D multibranch learning approach for effective hyperspectral image classification 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321559 PMID:40446012	研究论文	本文提出了一种基于分割的深度2D-3D多分支学习方法，用于高效的高光谱图像分类	提出了一种新颖的多层多分支2D-3D CNN模型，结合了SPCA和mRMR技术，能够分层处理不同重要性的特征	未明确提及具体局限性，但可能涉及计算复杂性和模型泛化能力	解决高光谱图像分类中的数据冗余、计算成本高、样本不足和维度诅咒等问题	高光谱图像中的土地覆盖物体分类	计算机视觉	NA	Segmented Principal Component Analysis (SPCA), minimum-Redundancy-Maximum-Relevance (mRMR)	2D-3D CNN	高光谱图像	Salinas Scene、University of Pavia和Indian Pines高光谱图像数据集	NA	NA	NA	NA
10329	2025-10-06	Deep Learning in Ultrasound Localization Microscopy: Applications and Perspectives 2024-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2024.3462299 PMID:39288061	综述	本文全面综述了深度学习在超声定位显微镜中的多样化应用及其未来发展前景	首次系统梳理了基于稀疏微泡分布的深度学习在ULM中的应用，重点分析了微泡定位优化的多种网络架构和问题建模方法	当前方法仍存在计算复杂度高、对高浓度微泡适应性有限等挑战	探索深度学习技术在超声定位显微镜中的创新应用以提升成像性能	超声定位显微镜成像中的微泡信号和血管结构	医学影像分析	心血管疾病	超声定位显微镜	深度学习	超声图像	NA	NA	NA	图像质量，处理时间	NA
10330	2025-10-06	VoxelMorph-Based Deep Learning Motion Correction for Ultrasound Localization Microscopy of Spinal Cord 2024-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2024.3463188 PMID:39292568	研究论文	提出基于VoxelMorph的深度学习运动校正方法，用于改善脊髓超声定位显微镜成像质量	首次将VoxelMorph深度学习框架应用于脊髓超声定位显微镜的运动校正，有效补偿刚性和非刚性运动	未明确说明样本数量和研究人群特征	提高脊髓血管超声定位显微镜成像的分辨率和微血管重建质量	脊髓血管微循环系统	医学影像分析	脊髓损伤	超声定位显微镜(ULM)	深度学习	超声图像序列	NA	VoxelMorph	VoxelMorph	平均绝对误差	NA
10331	2025-10-06	Deep Power-Aware Tunable Weighting for Ultrasound Microvascular Imaging 2024-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2024.3488729 PMID:39480714	研究论文	提出一种基于深度学习的功率感知可调加权方法，用于改善超声微血管成像质量	提出Yformer混合架构结合卷积和Transformer，引入可调噪声控制因子实现像素级加权，在保持低计算成本的同时提升成像质量	模型仅使用大鼠脑部数据集训练，在其他器官上的泛化能力需进一步验证	开发一种深度学习后滤波方法以提升超声微血管成像质量	超声微血管成像，包括超快功率多普勒成像和超声定位显微镜	医学影像处理	血管疾病	超声平面波传输，延迟求和波束成形	CNN, Transformer	超声图像	四个不同数据集：公共模拟数据、公共大鼠脑部数据、私有大鼠脑部数据、私有大鼠肝脏数据	NA	Yformer（卷积与Transformer混合架构）	结构相似性指数	NA
10332	2025-10-06	ULM-MbCNRT: In Vivo Ultrafast Ultrasound Localization Microscopy by Combining Multibranch CNN and Recursive Transformer 2024-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2024.3388102 PMID:38607709	研究论文	提出结合多分支CNN和递归Transformer的深度学习框架ULM-MbCNRT，实现从少量超声帧生成超分辨率图像的快速超声定位显微成像	首次将多分支CNN与递归Transformer结合用于超声定位显微成像，显著减少数据采集时间和计算时间	NA	开发快速超声定位显微成像方法，突破成像质量、采集时间和处理速度之间的权衡限制	微血管成像	医学影像处理	NA	超声定位显微镜(ULM)	CNN, Transformer	超声图像	数值模拟和体内实验	NA	多分支CNN, 递归Transformer	空间分辨率, 数据采集时间减少倍数, 计算时间减少倍数	NA
10333	2025-06-03	Uncertainty Quantification for Conditional Treatment Effect Estimation under Dynamic Treatment Regimes 2024-Dec, Proceedings of machine learning research PMID:40443560	research paper	该研究提出了一种在动态治疗策略下估计条件治疗效果时量化深度学习模型中不确定性的方法	首次提出并比较了在机器学习模型中量化g-computation不确定性的多种方法，以改进动态治疗策略下的条件治疗效果估计	研究使用了模拟数据集和单一真实世界数据集（脓毒症数据），可能限制了结果的普遍性	改进动态治疗策略下条件治疗效果的估计，并量化模型不确定性	动态治疗策略下的治疗效果	machine learning	sepsis	variational dropout, deep ensembles	deep learning	clinical data	两个模拟数据集和一个真实世界脓毒症数据集	NA	NA	NA	NA
10334	2025-10-06	Balanced Training Sets Improve Deep Learning-Based Prediction of CRISPR sgRNA Activity 2024-11-15, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.4c00542 PMID:39495623	研究论文	本研究通过比较平衡与不平衡训练集对深度学习模型预测CRISPR sgRNA活性的影响	首次系统评估平衡训练集对CRISPR sgRNA活性预测模型性能的影响，并验证合成sgRNA数据增强方法的有效性	研究主要基于CRISPR-Cas12a和Cas9系统的酵母数据，在其他生物系统中的普适性需进一步验证	提高CRISPR sgRNA活性预测的准确性	CRISPR系统的sgRNA序列	机器学习	NA	CRISPR-Cas筛选	CNN,LLM	基因序列数据	基于酵母CRISPR-Cas12a筛选数据生成的数据集	NA	卷积神经网络,大语言模型	预测准确性	NA
10335	2025-10-06	Modal-nexus auto-encoder for multi-modality cellular data integration and imputation 2024-10-18, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-53355-6 PMID:39424861	研究论文	提出Modal-nexus自编码器用于多模态细胞数据整合与插补	利用模态间调控关系和模态内对比学习增强细胞表征，支持非配对多模态数据整合与跨模态插补	未明确说明模型的计算复杂度与可扩展性限制	开发深度学习方法来有效整合和插补非配对多模态单细胞数据	多模态单细胞数据	机器学习	NA	单细胞多组学技术	自编码器, 对比学习	单细胞多模态数据	多个数据集（未指定具体样本量）	NA	Modal-nexus Auto-Encoder (Monae), Monae-Extension (Monae-E)	准确性, 鲁棒性	NA
10336	2025-10-06	Computational Synthetic Biology Enabled through JAX: A Showcase 2024-09-20, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.4c00307 PMID:39230510	研究论文	本文展示了JAX计算框架在计算合成生物学中的实用价值，通过三个示例项目证明其加速研究的能力	首次系统展示JAX在计算生物学领域的应用潜力，提供可复现的Jupyter笔记本教程	JAX在计算生物学领域仍处于探索阶段，应用范围有限	推广JAX框架在合成生物学和定向进化等计算生物学领域的应用	基因网络优化、细胞内动力学模拟、定向进化	计算生物学	NA	数学建模、GPU加速计算	机制模型、随机模型、数据驱动模型、AI模型	模拟数据	NA	JAX	NA	NA	GPU
10337	2025-10-06	Retinal vasculature of different diameters and plexuses exhibit distinct vulnerability in varying severity of diabetic retinopathy 2024-Jun, Eye (London, England) DOI:10.1038/s41433-024-03021-4 PMID:38514853	研究论文	本研究使用OCTA图像分析不同直径视网膜血管在糖尿病视网膜病变中的密度变化	首次基于血管直径分层（<10μm、10-20μm、>20μm）分析视网膜浅层和深层血管复合体在糖尿病视网膜病变中的特异性脆弱性	样本量在不同严重程度组间分布不均，研究为横断面设计无法确定因果关系	探究不同直径视网膜血管在糖尿病视网膜病变进展中的特异性变化模式	854名受试者的854只眼睛，包括健康对照和不同严重程度的糖尿病视网膜病变患者	数字病理	糖尿病视网膜病变	光学相干断层扫描血管成像（OCTA）	深度学习	医学图像	854只眼睛（健康对照555例，无DR 90例，轻中度NPDR 96例，重度NPDR 42例，PDR 71例）	NA	NA	血管密度，p值	NA
10338	2025-10-06	Source-free unsupervised domain adaptation: A survey 2024-Jun, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106230 PMID:38490115	综述	本文系统综述了无需源数据的无监督领域自适应方法的技术发展与分类	首次从技术角度系统分类白盒与黑盒SFUDA方法，并分析各类方法的优势与挑战	作为综述文章未提出新的算法模型	解决源数据不可访问情况下的领域自适应问题	无监督领域自适应方法	机器学习	NA	深度学习	NA	多领域数据	NA	NA	NA	NA	NA
10339	2025-10-06	Convolutional Neural Networks to Study Contrast-Enhanced Magnetic Resonance Imaging-Based Skeletal Calf Muscle Perfusion in Peripheral Artery Disease 2024-06-01, The American journal of cardiology DOI:10.1016/j.amjcard.2024.03.035 PMID:38580040	研究论文	本研究利用卷积神经网络分析对比增强磁共振成像的骨骼小腿肌肉灌注模式，以区分外周动脉疾病患者与匹配对照组	首次将3D卷积神经网络应用于基于CE-MRI的骨骼小腿肌肉灌注模式分析，用于外周动脉疾病的自动分类	样本量较小（仅56名参与者），模型准确率有待提升（最高75%）	开发基于深度学习的自动诊断方法，用于外周动脉疾病的检测和分类	外周动脉疾病患者（36例）和匹配对照组（20例）的骨骼小腿肌肉	计算机视觉	外周动脉疾病	对比增强磁共振成像	CNN	3D医学影像	56名参与者（36例PAD患者，20例对照组）	NA	resNet, divNet	准确率, 特异性	NA
10340	2025-10-06	Prediction of Visual Field Progression with Baseline and Longitudinal Structural Measurements Using Deep Learning 2024-06, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2024.02.007 PMID:38354971	研究论文	开发深度学习算法利用基线和纵向结构测量预测青光眼患者视野进展	首次将连体神经网络与ResNet-152结合，使用系列视盘照片和基线视网膜神经纤维层厚度预测视野进展	单中心回顾性研究，需要进一步外部验证	预测青光眼患者的视野进展风险	青光眼患者	计算机视觉	青光眼	光学相干断层扫描(OCT)	Siamese Neural Network, CNN	图像	3,079只眼(1,765名患者)用于训练，427只眼用于测试	NA	ResNet-152	AUC	NA