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
1021	2025-06-09	CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation 2025-Jun-08, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00732-4 PMID:40483648	研究论文	提出了一种结构敏感的深度学习模型CPE-Pro，用于蛋白质结构的表示和来源评估	结合预训练的蛋白质结构序列语言模型(SSLM)和几何向量感知器-图神经网络(GVP-GNN)，学习结构感知的蛋白质表示并捕捉结构差异，实现四种结构数据来源的准确分类	未来研究需要扩展架构以适应更多蛋白质结构范式，并开发针对低pLDDT预测结构的评估方法	解决现有蛋白质表示方法难以捕捉关键结构差异的问题，提高蛋白质结构来源评估的准确性	蛋白质结构	生物信息学	NA	深度学习	SSLM, GVP-GNN	蛋白质结构数据	NA
1022	2025-06-09	Contribution of Labrum and Cartilage to Joint Surface in Different Hip Deformities: An Automatic Deep Learning-Based 3-Dimensional Magnetic Resonance Imaging Analysis 2025-Jun-07, The American journal of sports medicine DOI:10.1177/03635465251339758 PMID:40481726	研究论文	本研究利用基于深度学习的自动3D MRI分析方法，探讨了不同髋关节畸形中唇状结构和软骨对关节面的贡献差异	首次使用深度学习自动3D分割技术分析不同髋关节畸形中唇状结构对关节面的贡献	样本量相对较小(98例患者/100个髋关节)，且为回顾性研究设计	确定不同髋关节畸形中唇状结构对关节面贡献的差异及其影响因素	髋关节畸形患者的MRI影像数据	数字病理学	髋关节畸形	3D MRI	深度学习	医学影像	98例患者(100个髋关节)
1023	2025-06-09	Automatic MRI segmentation of masticatory muscles using deep learning enables large-scale muscle parameter analysis 2025-Jun-07, International journal of oral and maxillofacial surgery IF:2.2Q2 DOI:10.1016/j.ijom.2025.05.008 PMID:40483235	研究论文	本研究利用深度学习模型自动分割MRI图像中的咀嚼肌，以支持大规模肌肉参数分析	开发了一种深度学习模型，用于自动分割MRI图像中的咀嚼肌，提高了分割效率和准确性	研究样本量较小（40例训练，10例测试），可能影响模型的泛化能力	改善下颌重建手术中患者特异性植入物的设计，减少术后并发症	咀嚼肌的MRI图像	数字病理	下颌疾病	MRI扫描	深度学习模型	图像	40例T1加权MRI扫描用于训练，10例用于测试
1024	2025-06-09	Diagnostic performance of lumbar spine CT using deep learning denoising to evaluate disc herniation and spinal stenosis 2025-Jun-07, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11742-7 PMID:40483292	research paper	评估使用深度学习去噪（DLD CT）的腰椎CT在检测椎间盘突出和椎管狭窄中的诊断性能	首次将深度学习去噪技术应用于腰椎CT，提高了椎间盘突出和椎管狭窄的诊断敏感性和特异性	研究样本量较小（47名患者），且为回顾性研究	评估DLD CT在腰椎疾病诊断中的性能	47名患者的229个椎间盘（L1/2至L5/S1）	digital pathology	spinal disease	deep learning denoising (DLD)	deep learning algorithm (ClariCT.AI)	CT images	47名患者（18名男性，29名女性，平均年龄69.1±10.9岁）的229个椎间盘
1025	2025-06-09	Predicting infarct outcomes after extended time window thrombectomy in large vessel occlusion using knowledge guided deep learning 2025-Jun-06, Journal of neurointerventional surgery IF:4.5Q1 DOI:10.1136/jnis-2025-023355 PMID:40480824	research paper	本研究通过引入先验知识指导，旨在提高深度学习模型在急性缺血性卒中（AIS）患者接受延长时间窗机械取栓（MT）后梗死预测的准确性	结合医学先验知识（如侧支循环评分、梗死概率映射和动脉区域映射）到深度学习模型中，显著提高了梗死预测的准确性	研究为回顾性设计，样本量相对较小（221例患者），且仅基于三个中心的数据	提高延长时间窗机械取栓后梗死预测的准确性，以优化急性缺血性卒中的治疗计划	急性缺血性卒中（AIS）患者	digital pathology	cardiovascular disease	CT perfusion	Swin transformer	image	221例AIS患者
1026	2025-06-09	A multimodal vision foundation model for clinical dermatology 2025-Jun-06, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-025-03747-y PMID:40481209	研究论文	介绍了一种名为PanDerm的多模态皮肤病基础模型，该模型通过自监督学习在超过200万张真实世界皮肤病图像上进行预训练，并在28个不同基准测试中表现出色	PanDerm是一个多模态皮肤病基础模型，能够处理复杂的临床需求，并在多个任务中实现最先进的性能，甚至在仅使用10%标记数据时也优于现有模型	NA	开发一个能够满足临床实践中复杂、多模态需求的皮肤病诊断和治疗模型	皮肤病图像	数字病理学	皮肤病	自监督学习	基础模型	图像	超过200万张真实世界皮肤病图像，来自11个临床机构的4种成像模态
1027	2025-06-09	A deep learning system for detecting silent brain infarction and predicting stroke risk 2025-Jun-06, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-025-01413-9 PMID:40481238	research paper	开发了一个基于视网膜图像的深度学习系统DeepRETStroke，用于检测无症状性脑梗塞(SBI)并预测中风风险	首次利用视网膜图像开发深度学习系统来检测SBI和预测中风风险，无需脑部成像	需要在大规模前瞻性研究中进一步验证其临床适用性	开发一种非侵入性方法来检测SBI并预测中风风险	无症状性脑梗塞(SBI)和中风患者	digital pathology	cardiovascular disease	deep learning	DeepRETStroke	retinal photographs	895,640张视网膜照片用于预训练，213,762张来自多国数据集的照片用于验证，218名中风患者参与前瞻性研究
1028	2025-06-09	Automatic Segmentation of Ultrasound-Guided Transverse Thoracic Plane Block Using Convolutional Neural Networks 2025-Jun-06, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01565-9 PMID:40481276	研究论文	本研究应用深度学习方法开发了一个深度学习模型，用于实时分割超声引导下的横向胸平面阻滞（TTP）区域，以协助医生准确识别目标神经	开发了TTP-Unet模型，专门用于TTP阻滞，能够自动识别超声图像中的关键解剖结构，降低TTP阻滞技术的临床难度	研究仅基于155名患者的2329张图像，样本量可能不足以覆盖所有临床情况	通过深度学习模型提高超声引导下TTP阻滞的准确性和实时性	超声图像中的横向胸肌、肺部和骨骼等关键结构	计算机视觉	术后疼痛	深度学习	CNN（TTP-Unet）	图像	155名患者的2329张图像
1029	2025-06-09	A Fully Automatic Pipeline of Identification, Segmentation, and Subtyping of Aortic Dissection from CT Angiography 2025-Jun-06, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-025-00787-w PMID:40481307	research paper	开发了一个自动化深度学习流程，用于从CT血管造影图像中识别、分割和Stanford分型主动脉夹层	提出了一个全自动的四模块深度学习流程，包括主动脉分割、AD识别、真假腔分割和Stanford分型，实现了高精度的AD诊断	研究仅基于386例CTA扫描数据，样本量相对较小	开发一个自动化流程以快速准确诊断主动脉夹层	主动脉夹层（AD）患者	digital pathology	cardiovascular disease	computed tomography angiography (CTA)	3D nnU-Net	image	386例CTA扫描数据
1030	2025-06-09	DynamicDTA: Drug-Target Binding Affinity Prediction Using Dynamic Descriptors and Graph Representation 2025-Jun-06, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00729-z PMID:40481301	研究论文	该论文提出了一种名为DynamicDTA的深度学习框架，用于预测药物-靶标结合亲和力，结合了静态和动态蛋白质特征以提高预测准确性	DynamicDTA首次整合了动态蛋白质特征（如均方根波动）和静态特征，通过图卷积网络和多层感知机处理不同输入，并使用交叉注意力和张量融合网络整合多模态信息	论文未明确提及模型的计算复杂度或对特定蛋白质动态特征的依赖性可能带来的限制	提高药物-靶标结合亲和力预测的准确性，以支持药物发现过程	药物序列、蛋白质序列和动态描述符	机器学习	HIV-1感染	图卷积网络（GCN）、扩张卷积、多层感知机（MLP）	DynamicDTA（结合GCN、CNN和MLP的混合模型）	序列数据（药物和蛋白质）、动态描述符数据	三个数据集（具体数量未提及）
1031	2025-06-09	Spotiflow: accurate and efficient spot detection for fluorescence microscopy with deep stereographic flow regression 2025-Jun-06, Nature methods IF:36.1Q1 DOI:10.1038/s41592-025-02662-x PMID:40481364	research paper	介绍了一种名为Spotiflow的深度学习方法，用于荧光显微镜图像中斑点状结构的亚像素级精确检测	将斑点检测问题表述为多尺度热图和立体流回归问题，支持2D和3D图像，且在不同成像条件下具有较好的泛化能力	未明确提及具体局限性	提高荧光显微镜图像中斑点状结构的检测准确性和效率	荧光显微镜图像中的斑点状结构	computer vision	NA	深度学习	NA	image	多样化的数据集（具体数量未提及）
1032	2025-06-09	Advances in disease detection through retinal imaging: A systematic review 2025-Jun-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110412 PMID:40482560	review	本文综述了机器学习技术在视网膜图像疾病检测中的应用，包括单模态和多模态成像方法	系统性地回顾了机器学习在视网膜图像疾病检测中的应用，并分析了不同深度学习与传统机器学习模型的效率	识别了当前研究中存在的关键挑战，如模型的泛化能力和数据多样性问题	探讨机器学习如何提高视网膜图像中疾病的自动检测和分级能力	视网膜图像中的疾病检测	digital pathology	ocular and non-ocular diseases	machine learning	Deep Learning and classical ML models	retinal images	NA
1033	2025-06-09	Fundus Refraction Offset as an Individualized Myopia Biomarker 2025-Jun-05, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2025.1513 PMID:40471629	研究论文	该研究提出了一种新的眼底水平指标——眼底折射偏移（FRO），并探讨了其与光学相干断层扫描（OCT）得出的眼部参数的关联	提出了一种新的个体化近视生物标志物FRO，用于捕捉后段解剖结构的个体差异	研究仅基于特定人群（UK Biobank和Caledonian队列），可能无法推广到其他人群	探讨FRO与眼部参数（如黄斑厚度、脉络膜面积等）的关联，以评估其在近视及其并发症个性化风险预测中的潜在应用	健康眼睛（来自UK Biobank的45,180只眼睛和Caledonian队列的152只右眼）	数字病理学	近视	光学相干断层扫描（OCT）和深度学习	深度学习模型	图像（眼底照片）和OCT数据	UK Biobank中的45,180只眼睛（训练集70%，内部验证集30%）和Caledonian队列中的152只右眼
1034	2025-06-09	Enhancing pancreatic cancer detection in CT images through secretary wolf bird optimization and deep learning 2025-Jun-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-00512-6 PMID:40473659	research paper	提出了一种结合秘书狼鸟优化算法和深度学习的方法，用于增强CT图像中胰腺癌的检测	结合了Wolf Bird Optimization (WBO) 和 Secretary Bird Optimization Algorithm (SBOA) 设计了SeWBO算法，并开发了SeWBO_Efficient DenseNet模型用于胰腺肿瘤检测	NA	提高胰腺癌的早期检测率以改善生存率并提供适当的治疗	胰腺CT图像	digital pathology	pancreatic cancer	Computed Tomography (CT)	SeWBO_Efficient DenseNet (结合EfficientNet和DenseNet)	image	NA
1035	2025-06-09	SHAP-enhanced interpretive MGTWR-CNN-BILSTM-AM framework for predicting surface subsidence: a case study of Shanghai municipality 2025-Jun-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95694-4 PMID:40473748	research paper	该研究提出了一种集成MGTWR-CNN-BiLSTM-AM（MGCBA）模型，用于预测上海地区的地面沉降，通过多尺度时空效应提高预测准确性	结合MGTWR框架和深度学习网络（CNN-BiLSTM-AM），量化沉降与驱动因素之间的非线性时空关系，并通过SHAP值分析增强模型的可解释性	研究仅以上海市为主要沉降区为案例，可能不适用于其他地区	提高地面沉降预测的准确性，并识别主要驱动因素	上海地区的地面沉降	machine learning	NA	SBAS-InSAR, GNSS, PS-InSAR	MGTWR, CNN, BiLSTM, AM	deformation data, time-series data	上海主要沉降区的SBAS-InSAR变形数据
1036	2025-06-09	A method for spatial interpretation of weakly supervised deep learning models in computational pathology 2025-Jun-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-04043-y PMID:40473761	研究论文	提出了一种名为WEEP的新方法，用于在计算病理学中解释弱监督深度学习模型的空间区域选择	WEEP方法为弱监督学习提供了一种原则性且直接的方式，用于确定WSI中驱动预测标签的空间区域	方法仅在乳腺癌计算病理学的二元分类任务中进行了演示，未涉及其他疾病或更复杂的分类任务	开发一种方法以识别WSI中驱动弱监督学习模型预测的空间区域，增强模型的空间可解释性	乳腺癌全切片图像（WSI）	计算病理学	乳腺癌	弱监督深度学习	深度学习模型（具体类型未明确说明）	图像（全切片图像WSI）	NA
1037	2025-06-09	Association between age and lung cancer risk: evidence from lung lobar radiomics 2025-Jun-05, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01747-5 PMID:40474072	research paper	本研究通过定量放射组学特征探讨年龄与肺癌风险之间的关系	首次利用放射组学特征揭示肺叶特异性老化模式及其与肺癌风险的关联	研究仅基于基线CT扫描，未考虑时间动态变化	探索年龄如何通过肺叶放射组学特征影响肺癌发生	29,810名温岭肺癌筛查队列参与者	digital pathology	lung cancer	CT成像	深度学习分割方法	医学影像	29,810名参与者（其中13,137名从不吸烟者）
1038	2025-06-09	A radiogenomics study on 18F-FDG PET/CT in endometrial cancer by a novel deep learning segmentation algorithm 2025-Jun-05, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-14392-6 PMID:40474131	研究论文	本研究开发了一种自动化的PET/CT分割方法和放射组学模型，用于预测子宫内膜癌患者的MMR和TP53基因表达，并探讨了基因表达变异对图像纹理特征的影响	提出了一种基于PET的Attention-U Net网络进行分割，并结合PET和CT图像的联合模型，显著提高了对MMR和TP53基因表达的预测能力	研究为回顾性和探索性研究，样本量相对有限，且未涉及其他潜在影响基因表达的变量	开发自动化分割方法和放射组学模型，预测子宫内膜癌患者的基因表达	子宫内膜癌患者	数字病理	子宫内膜癌	PET/CT成像，免疫组化分析	Attention-U Net	医学影像（PET/CT）	123例用于分割模型开发，249例用于MMR预测，179例用于TP53预测
1039	2025-06-09	Artificial intelligence-based detection of dens invaginatus in panoramic radiographs 2025-Jun-05, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-06317-3 PMID:40474238	research paper	本研究旨在使用深度学习算法自动检测全景X光片中的牙齿内陷（DI），并比较不同算法的成功性	首次应用深度学习算法（YOLOv8、YOLOv9、Faster R-CNN）在全景X光片中自动检测牙齿内陷（DI）	研究样本仅来自单一学院的数据库，可能缺乏多样性	自动检测牙齿内陷（DI）以提高诊断效率和准确性	400张包含牙齿内陷（DI）的全景X光片	computer vision	dental disease	deep learning	YOLOv8, YOLOv9, Faster R-CNN	image	400张全景X光片（60%训练，20%验证，20%测试）
1040	2025-06-09	Comparative analysis of semantic-segmentation models for screen film mammograms 2025-Jun-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110437 PMID:40479791	research paper	本文比较了十种语义分割模型在乳腺X线摄影图像上的性能，旨在找出最适合分割乳腺肿块的最优模型	首次对十种不同的语义分割模型在乳腺X线摄影图像上的性能进行了全面比较，并确定了ResNet50在分割困难乳腺肿块方面的优越性	研究仅使用了DDSM数据集中的518张图像，样本量相对较小，可能影响模型的泛化能力	比较不同语义分割模型在乳腺X线摄影图像上的性能，寻找最优的乳腺肿块分割模型	乳腺X线摄影图像中的肿块	computer vision	breast cancer	deep learning segmentation	VGG16/VGG19, U-Net, ResNet18/ResNet50/ShuffleNet/XceptionNet/InceptionV2/MobileNetV2, hybrid U-Net	image	518张来自DDSM数据集的图像（208张BIRAD3类、150张BIRAD4类、160张BIRAD5类）