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
11961	2024-12-05	[Changes in FDG-PET Images of Small Lung and Liver Masses Caused by the Deep Learning-based Time-of-flight Processing] 2024, Nihon Hoshasen Gijutsu Gakkai zasshi DOI:10.6009/jjrt.25-1518 PMID:39617445	研究论文	研究评估了基于深度学习的飞行时间处理（DL-ToF）对PET图像中肺部和肝脏小肿块的影响	DL-ToF通过后处理模拟飞行时间效应，应用深度学习增强PET图像	研究仅使用了一个胸腹部仿真模型，未涉及临床数据	评估DL-ToF在PET成像中的有效性	肺部和肝脏的小肿块	计算机视觉	NA	PET成像	深度学习	图像	一个胸腹部仿真模型
11962	2024-12-05	Estimating protein-ligand interactions with geometric deep learning and mixture density models 2024, Journal of biosciences IF:2.1Q2 PMID:39618061	研究论文	本文介绍了一种基于几何深度学习和混合密度模型的方法，用于预测蛋白质与配体的结合构象	开发了一种生成蛋白质图形表示的技术，利用图神经网络学习基于距离概率的统计势能，并结合全局优化算法进行配体结合构象的预测	NA	改进现有的基于物理学的解决方案，提高蛋白质与配体相互作用的预测精度	蛋白质与配体的结合构象	计算机视觉	NA	几何深度学习	图神经网络	结构数据	NA
11963	2024-12-05	A review of epilepsy detection and prediction methods based on EEG signal processing and deep learning 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1468967 PMID:39618710	综述	本文综述了基于脑电图信号处理和深度学习的癫痫检测与预测方法	本文强调了卷积神经网络（CNN）和循环神经网络（RNN）在癫痫检测中的应用，并建议进一步探索新的网络模型	公开数据集缺乏癫痫类型的多样性，且收集条件可能不反映真实世界情况，导致信号预处理方法受限	探讨有效的癫痫检测与预测方法，以促进患者康复和优化医疗流程	癫痫脑电图信号的检测与预测	机器学习	癫痫	深度学习	CNN, RNN	脑电图信号	NA
11964	2024-12-05	Advanced Analysis of OCT/OCTA Images for Accurately Differentiating Between Glaucoma and Healthy Eyes Using Deep Learning Techniques 2024, Clinical ophthalmology (Auckland, N.Z.) DOI:10.2147/OPTH.S472231 PMID:39618988	研究论文	评估OCT和OCTA图像在区分青光眼和健康眼睛中的区分能力，使用深度学习技术	提出了一种结合OCT和OCTA图像的深度学习方法，用于更准确地区分青光眼和健康眼睛	研究样本量相对较小，可能影响结果的普适性	评估OCT和OCTA图像在区分青光眼和健康眼睛中的有效性	青光眼和健康眼睛的OCT和OCTA图像	计算机视觉	眼科疾病	深度学习	卷积神经网络 (CNN)	图像	157名受试者的1106次眼扫描
11965	2024-12-05	Segmentation of glioblastomas via 3D FusionNet 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1488616 PMID:39619438	研究论文	本文提出了一种用于脑肿瘤自动分割的端到端3D深度学习模型	FusionNet结合了U-Net和SegNet的优点，在肿瘤分割性能上优于两者	尽管模型在脑肿瘤分割上表现出色，但仍有提升空间	开发一种能够自动分割脑肿瘤的3D深度学习模型	胶质母细胞瘤（GBM）患者的脑肿瘤	计算机视觉	脑肿瘤	NA	FusionNet	MRI图像	630名GBM患者
11966	2024-12-05	Advancing EGFR mutation subtypes prediction in NSCLC by combining 3D pretrained ConvNeXt, radiomics, and clinical features 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1464555 PMID:39619439	研究论文	本研究开发了一种结合3D预训练ConvNeXt、放射组学和临床特征的新方法，用于预测非小细胞肺癌患者中表皮生长因子受体（EGFR）及其亚型的表达状态	本研究首次将3D预训练ConvNeXt与放射组学和临床特征结合，用于EGFR突变及其亚型的预测	本研究为回顾性研究，样本量有限，未来需在更大规模的前瞻性研究中验证模型的有效性	开发一种新的方法，用于预测非小细胞肺癌患者中EGFR及其亚型的表达状态	非小细胞肺癌患者的EGFR及其亚型表达状态	计算机视觉	肺癌	3D卷积神经网络（3D-CNN）	ConvNeXt	图像	732名非小细胞肺癌患者
11967	2024-12-05	IGAMT: Privacy-Preserving Electronic Health Record Synthesization with Heterogeneity and Irregularity 2024, Proceedings of the ... AAAI Conference on Artificial Intelligence. AAAI Conference on Artificial Intelligence DOI:10.1609/aaai.v38i14.29491 PMID:39619768	研究论文	提出了一种名为IGAMT的框架，用于生成隐私保护的合成电子健康记录（EHR）数据，解决了特征异质性、结构缺失值和时间测量不规则性等问题	IGAMT框架不仅能够生成高质量的合成EHR数据，还能在隐私保护和数据效用之间实现更好的平衡	未明确提及	解决电子健康记录数据在机器学习应用中的隐私和安全问题	电子健康记录数据及其合成方法	机器学习	NA	深度学习	NA	文本	未明确提及
11968	2024-12-05	Deep learning methods for high-resolution microscale light field image reconstruction: a survey 2024, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2024.1500270 PMID:39624772	综述	本文综述了基于深度学习的光场显微图像重建技术的最新进展	本文分类并分析了三种基于深度学习的光场显微重建算法的特点	本文讨论了提高光场显微预测时间信息的准确性、获取光场训练数据、利用现有数据进行数据增强以及深度神经网络的可解释性等挑战	综述基于深度学习的光场显微图像重建技术	光场显微图像重建技术	计算机视觉	NA	深度学习	NA	图像	NA
11969	2024-12-05	Efficient generation of HPLC and FTIR data for quality assessment using time series generation model: a case study on Tibetan medicine Shilajit 2024, Frontiers in pharmacology IF:4.4Q1 DOI:10.3389/fphar.2024.1503508 PMID:39624838	研究论文	本研究使用深度学习模型TimeVQVAE生成高效液相色谱（HPLC）和傅里叶变换红外光谱（FTIR）数据，以评估藏药Shilajit的质量	首次采用TimeVQVAE模型生成HPLC和FTIR数据，显著提高了数据量和分类准确性	研究仅限于Shilajit样本，未探讨其他药材的适用性	解决高原特色药材样本稀缺问题，提高质量评估的准确性和稳定性	藏药Shilajit	机器学习	NA	高效液相色谱（HPLC）、傅里叶变换红外光谱（FTIR）	时间向量量化变分自编码器（TimeVQVAE）	时间序列数据	三种等级的Shilajit样本
11970	2024-12-02	Measurement of the Acetabular Cup Orientation After Total Hip Arthroplasty Based on 3-Dimensional Reconstruction From a Single X-Ray Image Using Generative Adversarial Networks 2025-Jan, The Journal of arthroplasty IF:3.4Q1 DOI:10.1016/j.arth.2024.06.059 PMID:38944061	研究论文	本研究利用生成对抗网络（GANs）从单张术后全髋关节置换术（THA）X光片重建三维CT图像，并验证其髋臼杯角度测量的准确性	首次使用生成对抗网络从单张X光片重建三维CT图像，用于髋臼杯角度的测量	模型在髋臼杯位置不良的情况下测量误差较大，需要进一步改进	验证生成对抗网络从单张术后THA X光片重建三维CT图像并测量髋臼杯角度的可行性	髋臼杯的角度测量	计算机视觉	NA	生成对抗网络（GANs）	生成对抗网络（GANs）	图像	386名接受无骨水泥髋臼杯全髋关节置换术的患者，训练数据集包括522张CT图像和2282张X光图像
11971	2024-12-02	Cross-view discrepancy-dependency network for volumetric medical image segmentation 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103329 PMID:39236632	研究论文	本文提出了一种跨视图差异依赖网络（CvDd-Net），用于体积医学图像分割，通过利用多视图切片先验来辅助体积表示学习，并探索视图差异和视图依赖性以提高性能	本文的创新点在于提出了跨视图差异依赖网络（CvDd-Net），通过差异感知形态强化模块（DaMR）和依赖感知信息聚合模块（DaIA）来有效学习视图特定的表示并增强多视图切片先验	NA	本文的研究目的是通过利用多视图信息来增强体积医学图像的分割性能	本文的研究对象是体积医学图像的分割	计算机视觉	NA	深度学习	跨视图差异依赖网络（CvDd-Net）	体积医学图像	四个医学图像数据集（甲状腺、宫颈、胰腺和胶质瘤）
11972	2024-12-02	Deep unfolding network with spatial alignment for multi-modal MRI reconstruction 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103331 PMID:39243598	研究论文	本文提出了一种新的深度展开网络，结合空间对齐技术，用于多模态MRI重建	本文创新性地将空间对齐任务嵌入到重建过程中，设计了一种新的联合对齐-重建模型，并通过展开迭代阶段构建了具有解释性的网络	现有方法的空间对齐任务与重建过程未充分结合，且整体框架解释性较弱	加速多模态MRI的采集过程，提高重建质量	多模态MRI数据的空间对齐与重建	计算机视觉	NA	深度学习	深度展开网络	MRI图像	四个真实数据集
11973	2024-12-02	Mammography classification with multi-view deep learning techniques: Investigating graph and transformer-based architectures 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103320 PMID:39244796	研究论文	本文评估了基于图和变压器的新型多视图深度学习架构在乳腺X光分类中的性能和可解释性	本文引入了基于视觉变压器和图的架构，这些架构在处理多视图乳腺X光图像时，能够更好地整合同侧和对侧乳房视图，并具有更强的长程依赖建模能力	尽管变压器架构表现优异，但不同架构对不同特征的敏感性不同，因此单一架构可能无法全面捕捉所有特征，且小病灶的检测在没有像素级监督或专用网络的情况下仍然具有挑战性	研究多视图深度学习技术在乳腺X光分类中的应用，特别是评估新型图和变压器架构的性能	乳腺X光图像的多视图分类	计算机视觉	乳腺癌	深度学习	CNN, 变压器, 图架构	图像	中等规模数据集CSAW
11974	2024-12-02	ATEC23 Challenge: Automated prediction of treatment effectiveness in ovarian cancer using histopathological images 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103342 PMID:39260034	研究论文	本文总结了在ATEC23挑战赛中，使用组织病理学图像自动预测卵巢癌治疗效果的五种合格方法，并与五种最先进的深度学习方法进行了比较	本文提出了一个健壮且成本效益高的深度学习管道，用于数字病理任务，并强调了当前MIL方法在基于预后的分类任务中的局限性，特别是DCNN（如inception）在处理多分辨率数据方面的重要性	本文指出了当前MIL方法在基于预后的分类任务中的局限性，并建议未来研究中使用多尺度特征重用来改进模型	开发一种自动化的方法，使用组织病理学图像预测卵巢癌治疗效果，以帮助选择合适的患者进行治疗	卵巢癌患者的组织病理学图像	数字病理学	卵巢癌	深度学习	DCNN（深度卷积神经网络）	图像	训练集包含284张全切片图像，测试集包含180张组织芯图像
11975	2024-12-02	Low-dose computed tomography perceptual image quality assessment 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103343 PMID:39265362	研究论文	本文介绍了低剂量计算机断层扫描（CT）图像质量评估挑战赛的结果，并提供了相关方法和见解的总结	首次引入了一个开放源代码的CT图像质量评估数据集，并提供了六种提交方法的综合分析	尚未提及	开发与放射科医生评估过程更接近的深度学习图像质量评估方法	低剂量CT图像的质量评估	计算机视觉	NA	深度学习	NA	图像	1000张CT图像，带有放射科医生的评估分数
11976	2024-12-02	O-PRESS: Boosting OCT axial resolution with Prior guidance, Recurrence, and Equivariant Self-Supervision 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103319 PMID:39270466	研究论文	本文提出了一种名为O-PRESS的新型计算方法，通过先验指导、递归机制和等变自监督来提升光学相干断层扫描（OCT）的轴向分辨率	本文的创新点在于将OCT建模与深度学习无缝集成，实现了仅从测量数据中实时提升轴向分辨率，无需配对图像	NA	提升光学相干断层扫描（OCT）的轴向分辨率	光学相干断层扫描（OCT）图像的轴向分辨率和信噪比	计算机视觉	NA	深度学习	NA	图像	NA
11977	2024-12-02	Will Transformers change gastrointestinal endoscopic image analysis? A comparative analysis between CNNs and Transformers, in terms of performance, robustness and generalization 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103348 PMID:39298861	研究论文	本文比较了卷积神经网络（CNNs）和Transformer在胃肠道内窥镜图像分析中的性能、鲁棒性和泛化能力	首次系统地比较了Transformer和CNN在胃肠道内窥镜图像分析中的应用，发现Transformer在某些方面表现优于CNN	研究主要集中在Barrett食管、结肠息肉分割和血管畸形检测，未涵盖所有胃肠道疾病	评估和比较CNN和Transformer在胃肠道内窥镜图像分析中的性能、泛化能力和鲁棒性	Barrett食管中的肿瘤检测、结肠息肉分割和血管畸形检测	计算机视觉	NA	深度学习	CNN, Transformer	图像	总共使用了10,208张图像（2,079名患者）进行训练和验证，并在7,118张图像（998名患者）上进行测试
11978	2024-12-02	Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103307 PMID:39303447	研究论文	本文通过Medico 2020和MedAI 2021挑战赛验证了结肠镜检查中息肉和器械分割方法的有效性	通过组织挑战赛，促进了高效和透明方法的开发，并分析了最佳方法的临床转化可能性	需要多中心和跨分布测试以解决当前方法的局限性，减少癌症负担并改善患者护理	验证和改进结肠镜检查中息肉和器械的自动分割方法，提高诊断准确性和治疗效果	结肠镜图像中的息肉和器械	计算机视觉	NA	深度学习	NA	图像	Medico 2020挑战赛收到17支队伍的提交，MedAI 2021挑战赛收到另外17支队伍的提交
11979	2024-12-02	Re-identification from histopathology images 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103335 PMID:39316996	研究论文	本文研究了深度学习算法在病理图像中重新识别患者身份的能力	本文展示了即使相对简单的深度学习算法也能在大型病理数据集中以高准确率重新识别患者	本文未详细讨论如何改进数据匿名化方法以防止患者身份泄露	评估深度学习算法在病理图像中重新识别患者身份的风险	肺鳞状细胞癌（LSCC）、肺腺癌（LUAD）和脑膜瘤的病理图像	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	两个TCIA数据集（LSCC和LUAD）和一个内部脑膜瘤数据集
11980	2024-12-02	Maxillofacial bone movements-aware dual graph convolution approach for postoperative facial appearance prediction 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103350 PMID:39332232	研究论文	本文提出了一种基于双图卷积的术后面部外观预测模型，通过在欧几里得和测地空间中构建面部网格图来学习表面几何，并将骨骼运动转移到面部运动中	本文的创新点在于提出了双图卷积方法，结合欧几里得和测地空间中的面部网格图，采用由粗到细的策略进行预测，提高了预测的准确性和鲁棒性	本文未提及具体的局限性	研究目的是改进术后面部外观预测方法，提高计算效率和预测准确性	研究对象是术后面部外观预测	计算机视觉	NA	图卷积网络	双图卷积网络	面部网格图	使用真实临床数据进行实验，具体样本数量未提及