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
1181	2025-05-12	Segmentation of coronary artery and calcification using prior knowledge based deep learning framework 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17642 PMID:39878608	research paper	该研究提出了一种基于深度学习的冠状动脉和钙化分割框架，利用解剖学先验知识提高分割精度，并探索了分割结果对旋转斑块切除术的预测能力	提出了一种结合解剖学先验知识的深度学习分割框架，包含四个模块：基于变分自编码器的中心线提取模块、自注意力模块、逻辑操作模块和分割模块	研究仅基于72名患者的CTA图像数据集，样本量相对较小	提高冠状动脉和钙化的分割精度，并探索分割结果对旋转斑块切除术的预测能力	冠状动脉和钙化	digital pathology	cardiovascular disease	CTA	variational autoencoder, self-attention module	3D CTA images	72名患者的CTA图像
1182	2025-05-12	Multilevel perception boundary-guided network for breast lesion segmentation in ultrasound images 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17647 PMID:39887423	研究论文	提出了一种名为PBNet的多层次感知边界引导网络，用于从超声图像中准确分割乳腺肿瘤，特别是那些与正常组织强度相似的肿瘤	PBNet结合了多层次全局感知模块(MGPM)和边界引导模块(BGM)，通过融合层内和层间语义信息增强肿瘤识别，并利用最大池化的膨胀和腐蚀效应提取肿瘤边界以指导特征融合，同时引入了多层次边界增强分割(BS)损失以提高边界分割性能	效应量小于0.2，表明虽然性能显著优于其他方法，但实际效果提升有限	提高超声图像中非增强乳腺病变的边界分割准确性	乳腺肿瘤超声图像	数字病理	乳腺癌	深度学习	PBNet	图像	公开数据集BUSI包含780张图像，内部数据集包含995张图像
1183	2025-05-12	Patient- and fraction-specific magnetic resonance volume reconstruction from orthogonal images with generative adversarial networks 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17668 PMID:39904621	研究论文	开发了一种基于条件生成对抗网络（GAN）的患者和分次特异性微调工作流程，用于从正交2D MR图像重建合成3D MR体积，以实现在线剂量适应	采用患者和分次特异性微调方法，有效解决了小数据集下3D MR体积重建的挑战	研究样本量相对较小，仅包含43名患者的数据	开发个性化深度学习模型，用于从2D MR图像重建3D MR体积，以支持在线剂量适应	43名接受MR引导适应性放疗的患者	医学影像分析	前列腺癌	MR成像	条件生成对抗网络（GAN）	MR图像	43名患者的2473个3D MR体积
1184	2025-05-12	Lesion segmentation method for multiple types of liver cancer based on balanced dice loss 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17624 PMID:39945728	research paper	提出一种基于平衡Dice损失的多类型肝癌病灶分割方法，以提高分割准确性	引入平衡Dice损失函数(BD Loss)和贪婪参数平均算法(GPA算法)，解决多类别肝癌分割中的数据不平衡问题	研究仅基于单一医疗中心的回顾性数据，可能影响模型的泛化能力	开发能够准确分割多类型肝癌病灶的深度学习方法	591例恶性肝脏肿瘤患者的CT筛查图像和肿瘤分割数据	digital pathology	liver cancer	CT影像分析	深度学习模型(具体架构未说明)	医学影像(CT图像)	591例患者数据
1185	2025-05-12	Enhancing automated right-sided early-stage breast cancer treatments via deep learning model adaptation without additional training 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17682 PMID:39966996	研究论文	本文提出了一种无需额外训练的深度学习模型适应技术，用于自动化右侧早期乳腺癌治疗计划	通过调整模型设置和对称结构交换，实现了无需额外训练的深度学习模型从左侧乳腺癌到右侧乳腺癌的适应	该技术特定于特定治疗计划系统(TPS)，可能需要进行调整才能应用于其他平台	简化右侧乳腺癌自动化治疗计划的生成过程	右侧早期乳腺癌患者	数字病理	乳腺癌	深度学习模型适应技术	DL(深度学习)模型	医疗影像数据	30名患者(10名用于模型调优，20名用于验证)，外加10名临床患者
1186	2025-05-12	Dose prediction via deep learning to enhance treatment planning of lung radiotherapy including simultaneous integrated boost techniques 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17692 PMID:39967020	研究论文	本研究探讨了使用深度学习预测肺癌放疗剂量分布的可行性及其在提高治疗计划质量中的潜在益处	首次验证了深度学习在包含同步整合增强技术（SIB）的肺癌放疗剂量预测中的应用，并展示了其在识别次优计划质量和改善正常组织保护方面的潜力	研究样本量相对有限（93例回顾性病例和10例前瞻性病例），且所有数据来自单一机构	验证深度学习在包含SIB技术的肺癌容积旋转调强放疗（VMAT）剂量预测中的可行性，并评估其对治疗计划质量的改善效果	肺癌患者的VMAT放疗计划	数字病理	肺癌	深度学习	3D U-Net	CT图像、靶区和正常组织轮廓、处方剂量	93例回顾性病例（75训练/18测试）和10例前瞻性病例
1187	2025-05-12	Comparative analysis of machine learning and deep learning algorithms for knee arthritis detection using YOLOv8 models 2025-May, Journal of X-ray science and technology IF:1.7Q3 DOI:10.1177/08953996241308770 PMID:40012222	研究论文	比较机器学习和深度学习算法在膝关节关节炎检测中的性能，特别是YOLOv8模型的应用	首次在膝关节关节炎检测中应用YOLOv8分类模型，并与其他机器学习和深度学习模型进行性能比较	数据集规模相对较小（1650张图像），且仅使用Hold-Out方法进行数据划分	评估不同算法在膝关节关节炎检测中的性能，寻找最优检测方法	膝关节关节炎的医学图像	计算机视觉	关节炎	YOLOv8分类模型	k-NN, SVM, GBM, DenseNet, EfficientNet, InceptionV3, YOLOv8n-cls, YOLOv8s-cls, YOLOv8m-cls, YOLOv8l-cls, YOLOv8x-cls	图像	1650张膝关节图像（分为Normal, Doubtful, Mild, Moderate, Severe五类）
1188	2025-05-12	Deep learning-driven prediction in healthcare systems: Applying advanced CNNs for enhanced breast cancer detection 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109858 PMID:40020549	research paper	该研究开发了一种基于CNN的乳腺癌检测系统，旨在通过深度学习提高早期检测的准确性	研究采用了多种CNN架构，并通过迁移学习微调的FT-ResNet50模型达到了97.54%的准确率，优于现有最先进模型	研究仅使用了Mini-DDSM数据集，样本量和多样性可能有限	通过深度学习技术提高乳腺癌的早期检测准确率，以降低死亡率	乳腺癌患者	digital pathology	breast cancer	CNN, transfer learning	Basic CNN, FT-VGG19, FT-ResNet152, FT-ResNet50	image	1952张扫描胶片乳腺X光片
1189	2025-05-12	A novel interpretability framework for enzyme turnover number prediction boosted by pre-trained enzyme embeddings and adaptive gate network 2025-May, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2025.02.010 PMID:40021034	研究论文	本文提出了一种新型的可解释性框架GELKcat，用于预测酶转换数(kcat)，结合了预训练的酶嵌入和自适应门网络	开发了一种端到端的双表示可解释性框架，利用图变换器进行底物分子编码和CNN进行酶word2vec嵌入，并通过自适应门网络整合底物和酶特征	NA	提高酶转换数(kcat)的预测性能，并识别对kcat预测有显著影响的关键分子亚结构	酶-底物对的转换数(kcat)	机器学习	NA	深度学习	图变换器、CNN、自适应门网络	分子结构数据、酶序列数据	NA
1190	2025-05-12	Artificial intelligence-enabled lipid droplets quantification: Comparative analysis of NIS-elements Segment.ai and ZeroCostDL4Mic StarDist networks 2025-May, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2025.02.013 PMID:40023351	研究论文	本文比较了NIS-elements Segment.ai和ZeroCostDL4Mic StarDist网络在脂滴定量分析中的应用	提出了一种结合商业软件和开源工具的工作流程，用于脂滴的数量和形态分析，显著加速了成像数据的处理	研究仅针对3T3-L1细胞分化的脂肪细胞，可能不适用于其他细胞类型	开发并比较两种深度学习模型在脂滴定量分析中的性能，以促进对脂滴动态的理解	3T3-L1细胞分化的脂肪细胞中的脂滴	数字病理学	肥胖及相关并发症	共聚焦活细胞成像	Segment.ai和StarDist	图像	3T3-L1细胞分化的脂肪细胞
1191	2025-05-12	Pathology report generation from whole slide images with knowledge retrieval and multi-level regional feature selection 2025-May, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108677 PMID:40023962	研究论文	提出了一种基于知识检索和多层次区域特征选择的病理报告生成方法，用于从全切片图像中高效生成病理报告	引入了多层次区域特征编码网络和特征选择模块，设计了知识检索模块，并提出了基于大语言模型的域外应用模式	NA	设计一种适合临床实践的病理报告生成方法	全切片图像(WSIs)	数字病理学	胃癌	深度学习	LLM	图像	公共数据集GastricADC(991张WSIs)和内部数据集Gastric-3300(3309张WSIs)
1192	2025-05-12	Low dose computed tomography reconstruction with momentum-based frequency adjustment network 2025-May, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108673 PMID:40023964	research paper	本文提出了一种基于动量频率调整网络的低剂量计算机断层扫描（LDCT）重建方法，显著减少了收敛所需的迭代次数并提高了重建质量	引入了创新的频率调整网络（FAN）和基于动量的频率调整网络（MFAN），以及独特的Focal Detail Loss（FDL）损失函数，有效改善了重建性能	未明确提及具体局限性，但可能涉及计算资源需求或对其他数据集的泛化能力	改进低剂量计算机断层扫描（LDCT）重建方法，减少迭代次数并提高图像质量	AAPM-Mayo公共数据集和真实猪仔数据集	digital pathology	NA	Low-Dose Computed Tomography (LDCT)	Frequency Adjustment Network (FAN), Momentum-based Frequency Adjustment Network (MFAN)	CT图像	AAPM-Mayo公共数据集和真实猪仔数据集（具体数量未提及）
1193	2025-05-12	Impact of aortic branch retention strategies on thrombus growth prediction in type B aortic dissection: A hemodynamic study 2025-May, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108679 PMID:40037009	research paper	本研究通过数值模拟探讨了四种主动脉分支保留策略对B型主动脉夹层血栓生长预测的影响	首次系统比较了不同分支保留策略对血流动力学稳定性和血栓形成风险的影响，并提出了简化图像处理的Type 4策略	研究基于数值模拟，尚未进行临床验证	评估不同主动脉分支保留策略对血栓生长预测的影响	B型主动脉夹层患者的主动脉模型	心血管疾病	B型主动脉夹层	数值模拟	计算流体动力学模型	数值模拟数据	四种分支保留策略的模拟比较
1194	2025-05-12	Deep learning models for improving Parkinson's disease management regarding disease stage, motor disability and quality of life 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109961 PMID:40037167	research paper	该研究利用LSTM深度学习模型，通过单个惯性传感器对帕金森病患者的疾病阶段、运动状况和生活质量进行分类	提出了一种基于LSTM的深度学习架构，能够通过单一惯性传感器实现帕金森病的多维度评估	研究样本量较小，仅包含40名患者	改善帕金森病的管理，包括疾病阶段、运动障碍和生活质量的评估	帕金森病患者	machine learning	geriatric disease	惯性传感器	LSTM	sensor data	40名患者
1195	2025-05-12	Deep learning models for early and accurate diagnosis of ventilator-associated pneumonia in mechanically ventilated neonates 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109942 PMID:40037168	research paper	该研究探讨了深度学习模型在新生儿重症监护病房（NICU）中，利用胸部X光图像早期准确诊断呼吸机相关性肺炎（VAP）的应用	通过集成学习方法结合ResNet50和RegNetX80模型，显著提高了VAP诊断的AUC值，同时利用XAI（可解释AI）技术增强了医生对AI辅助诊断的信心	需要未来前瞻性试验来验证其临床实用性和减少医疗资源的效果	优化呼吸机相关性肺炎（VAP）的诊断策略，减少不必要的抗生素使用	接受机械通气的新生儿	digital pathology	ventilator-associated pneumonia	deep learning	ResNet, VGG, DenseNet, RegNetX80, ensemble learning	image	670名新生儿（共900张胸部X光图像，其中399张来自确诊VAP的患者，501张来自非VAP新生儿）
1196	2025-05-12	Potential of AI and ML in oncology research including diagnosis, treatment and future directions: A comprehensive prospective 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109918 PMID:40037170	review	本文综述了人工智能（AI）和机器学习（ML）在肿瘤学研究中的潜力，包括诊断、治疗及未来发展方向	探讨了AI和ML在癌症预测、诊断和治疗中的最新进展，包括FDA批准的技术及其在个性化医疗中的应用	讨论了AI在医疗领域的挑战、限制、监管考虑和伦理问题	评估AI和ML在肿瘤学研究中的应用及其对癌症护理和治疗的潜在影响	癌症研究，特别是预测、诊断和治疗	machine learning	cancer	deep learning (DL), machine learning (ML)	CNN, MLP	NA	NA
1197	2025-05-12	Predictive modeling and optimization in dermatology: Machine learning for skin disease classification 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109946 PMID:40037169	研究论文	本研究利用机器学习分类器基于活检样本的组织病理学特征预测皮肤疾病，以提高诊断准确性	采用六种广泛使用的分类器进行比较，其中SGD分类器表现最佳，准确率达到99.09%，F1分数达到98.77%，并通过高级特征选择技术提高了模型性能和可解释性	未来工作需改进特征选择方法、扩大数据集以提高泛化能力，并探索更先进的深度学习技术	提高皮肤疾病的诊断准确性，开发可靠且自动化的诊断工具	皮肤疾病的组织病理学特征	机器学习	皮肤疾病	NA	Random Forest, Logistic Regression, SGD Classifier, SVM, AdaBoost, Naive Bayes	组织病理学特征	NA
1198	2025-05-12	Factor enhanced DeepSurv: A deep learning approach for predicting survival probabilities in cirrhosis data 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109963 PMID:40037171	研究论文	本文提出了一种名为Factor Enhanced DeepSurv（FE-DeepSurv）的新型深度神经网络模型，用于预测肝硬化患者的生存概率	结合因子分析降低预测变量维度，应用转换技术处理数据截尾，并使用深度神经网络预测每个时间间隔的条件失效概率，从而提高生存概率估计的精确度	研究仅针对肝硬化数据进行了验证，未在其他疾病数据集上测试	开发一种能够更准确预测生存概率的深度学习模型	肝硬化患者的生存数据	机器学习	肝硬化	因子分析、深度神经网络	FE-DeepSurv	生存数据	来自Mayo Clinic试验的继发性肝硬化数据
1199	2025-05-12	Deep learning based image enhancement for dynamic non-Cartesian MRI: Application to "silent" fMRI 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109920 PMID:40037172	research paper	本研究探讨了深度学习图像增强方法在非笛卡尔MRI中的应用，特别关注于保留动态时间信号变化	利用高分辨率静息态fMRI数据集构建了真实训练集，并比较了2D-UNet和3D-UNet在图像增强任务中的表现，发现3D-UNet表现更优	研究主要基于模拟数据，实际临床应用中的效果尚需进一步验证	提高非笛卡尔MRI图像质量，同时保留动态时间信号变化	非笛卡尔MRI图像，特别是静息态fMRI数据	medical imaging	NA	deep learning, fMRI	2D-UNet, 3D-UNet	image	Human Connectome Project (HCP) foundation的高分辨率静息态fMRI数据集
1200	2025-05-12	EVlncRNA-net: A dual-channel deep learning approach for accurate prediction of experimentally validated lncRNAs 2025-May, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2025.141538 PMID:40043997	research paper	提出了一种名为EVlncRNA-net的双通道深度学习框架，用于准确预测经过实验验证的lncRNAs	EVlncRNA-net结合了图卷积网络（GCN）和卷积神经网络（CNN）两种表示学习模块，创新性地将lncRNA序列转化为图形格式并通过图卷积处理，同时从one-hot编码序列中提取特征	实验验证成本高昂，限制了验证的lncRNAs数量	开发预测工具以优先选择潜在功能性lncRNAs进行低通量验证	人类、小鼠和植物的lncRNAs	natural language processing	NA	high-throughput RNA sequencing (HTlncRNAs)	GCN, CNN	sequence	NA