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	2025-06-27	Random effects during training: Implications for deep learning-based medical image segmentation 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108944 PMID:39096609	研究论文	本研究评估了训练过程中的随机效应对深度学习医学图像分割模型性能比较标准方法可靠性的影响	揭示了训练过程中随机效应导致同一学习算法产生的分割模型性能存在显著差异，挑战了当前文献中广泛使用的统计显著性检验作为性能差异可靠指标的假设	研究仅基于三种特定的3D医学图像分割任务（脑肿瘤、海马体和心脏分割），结果可能无法推广到其他分割问题	评估训练过程中的随机效应对深度学习医学图像分割模型性能比较的影响	深度学习医学图像分割模型	数字病理	脑肿瘤、心血管疾病	深度学习	nnU-Net	3D医学图像	三种分割任务（脑肿瘤、海马体和心脏分割），每种任务50个不同随机种子
1182	2025-06-27	CytoGAN: Unpaired staining transfer by structure preservation for cytopathology image analysis 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108942 PMID:39096614	research paper	提出了一种名为CytoGAN的新型染色转换模型，用于在细胞病理学图像分析中保持细胞结构的同时实现不同染色风格的转换	引入了结构保留模块和染色自适应模块，能够在源域和目标域分辨率或细胞大小不匹配的情况下保持细胞结构，并生成高质量的子宫内膜细胞学图像	未提及具体的数据集规模限制或模型在其他类型细胞病理学图像上的泛化能力	解决细胞病理学图像分析中不同染色风格对算法性能的影响，提高子宫内膜癌筛查的准确性	子宫内膜细胞病理学图像	digital pathology	endometrial cancer	GAN	CytoGAN	image	未明确提及具体样本数量，但与10种最先进的染色转换模型进行了比较，并由两名病理学家评估
1183	2025-06-27	Comparison of AI with and without hand-crafted features to classify Alzheimer's disease in different languages 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108950 PMID:39096605	研究论文	比较使用和不使用手工特征提取的AI模型在不同语言中对阿尔茨海默病进行分类的效果	研究首次使用相同方法从两种语言数据集中提取声学特征进行AD诊断，验证了模型在不同语言中的可扩展性	研究仅针对韩语和英语数据集，未验证其他语言的适用性	探索AI模型在跨语言阿尔茨海默病诊断中的应用效果	阿尔茨海默病患者和健康对照组的语音数据	自然语言处理	老年病	声学特征提取	机器学习模型和深度学习模型	语音数据	韩语和英语语音数据集（具体样本量未提及）
1184	2025-06-27	CBAM VGG16: An efficient driver distraction classification using CBAM embedded VGG16 architecture 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108945 PMID:39094328	研究论文	提出了一种嵌入卷积块注意力模块的VGG16深度学习架构（CBAM VGG16），用于提高驾驶员分心分类的性能	在传统VGG16架构中加入CBAM层，增强了模型的特征提取能力，提高了驾驶员分心分类的准确性	未提及具体的数据集偏差或模型泛化能力的局限性	提高驾驶员分心分类的准确性，以增强自动驾驶系统中的驾驶员/车辆安全	驾驶员分心或活动的分类	计算机视觉	NA	深度学习	CBAM VGG16	图像	American University in Cairo (AUC) distracted driver dataset version 2 (AUCD2) 的摄像头1和2图像
1185	2025-06-27	Deep learning for rapid virtual H&E staining of label-free glioma tissue from hyperspectral images 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108958 PMID:39094325	研究论文	本文提出了一种结合深度学习和高光谱成像技术的方法，用于快速将无标记的胶质瘤组织的高光谱图像转换为虚拟H&E染色图像	利用高光谱成像技术捕捉不同波长的组织信息，结合深度学习模型Unet，实现了快速、准确的虚拟H&E染色，克服了传统H&E染色的局限性	未提及具体的数据集规模或模型在其他类型组织上的泛化能力	开发一种快速、准确的虚拟H&E染色方法，以替代传统耗时且昂贵的H&E染色流程	无标记的胶质瘤组织	数字病理学	胶质瘤	高光谱成像技术	Unet	高光谱图像	NA
1186	2025-06-27	Shape prior-constrained deep learning network for medical image segmentation 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108932 PMID:39079416	research paper	提出了一种形状先验约束的多尺度特征融合分割网络，用于医学图像分割	训练框架的创新在于形状先验约束和多尺度特征融合两个模块，测试阶段提出了一个循环协作框架策略	NA	解决医学图像分割中低对比度和邻近器官强度相似的问题	医学图像分割	digital pathology	lung cancer, liver disease	deep learning	segmentation neural network, auto-encoder network	CT scans	ACDC MICCAI'17 Challenge Dataset, COVID-19 CT lung, LiTS2017 liver
1187	2025-06-27	Optimal interval and feature selection in activity data for detecting attention deficit hyperactivity disorder 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108909 PMID:39053333	研究论文	本研究探讨了在活动数据中选择最优时间间隔和特征对检测注意力缺陷多动障碍（ADHD）的重要性	采用精确的特征选择过程，发现早晨和夜晚的活动数据对ADHD预测更为重要，随机森林模型表现最佳	未提及具体样本量，可能影响结果的泛化性	提高ADHD的早期诊断效率，减少未确诊病例和成本	儿童和青少年的注意力缺陷多动障碍（ADHD）患者	机器学习	注意力缺陷多动障碍（ADHD）	深度学习（DL）和机器学习（ML）	随机森林	活动数据	NA
1188	2025-06-27	Deep learning-based IDH1 gene mutation prediction using histopathological imaging and clinical data 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108902 PMID:39038392	研究论文	本研究利用深度学习和机器学习技术，结合组织病理学图像和临床数据，预测IDH1基因突变	采用集成学习方法结合WSIs模型和临床数据模型，以及使用MaxViT和LightGBM组合，提高了预测准确率	样本量相对较小（546例患者），且仅针对IDH1突变进行研究	预测胶质瘤患者的IDH1基因突变状态	成人型弥漫性胶质瘤患者	数字病理学	脑肿瘤	深度学习、机器学习	ABMIL、LightGBM、MaxViT	图像、临床数据	546例患者
1189	2025-06-27	ToxinPred 3.0: An improved method for predicting the toxicity of peptides 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108926 PMID:39038391	research paper	本文提出了一种改进的预测肽毒性的计算方法ToxinPred 3.0，通过结合多种技术提高了预测的可靠性和准确性	结合了基于相似性/比对的方法、基于模体的方法、机器/深度学习技术以及混合或集成方法，显著提高了肽毒性预测的性能	未明确提及具体局限性，但可能涉及模型在不同类型肽上的泛化能力	改进肽毒性的预测方法，以支持治疗性肽的设计	肽的毒性预测	machine learning	NA	BLAST, MERCI, 机器/深度学习, 大语言模型	ANN - LSTM, extra tree, ESM2-t33	肽序列数据	80%数据用于训练和测试（五折交叉验证），20%作为独立数据集评估
1190	2025-06-27	A systematic literature analysis of multi-organ cancer diagnosis using deep learning techniques 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108910 PMID:39032244	系统综述	本文系统综述了2012年至2023年间使用深度学习技术通过多种图像模态检测多器官癌症的研究	强调了集成深度学习模型在分类癌症或健康病例图像方面的优越性能，并提供了对不同深度学习技术在特定数据集上表现的广泛理解	仅涵盖了2012至2023年间的研究，可能未包括最新进展；且聚焦于五种主要癌症类型，未涵盖所有癌症种类	开发和评估计算机辅助诊断系统，用于早期癌症识别	五种主要癌症类型：乳腺癌、脑癌、肺癌、皮肤癌和肝癌	数字病理学	多器官癌症	深度学习	CNN, 集成深度学习模型	图像	NA
1191	2025-06-27	A dual-encoder double concatenation Y-shape network for precise volumetric liver and lesion segmentation 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108870 PMID:39024904	研究论文	提出了一种名为DEDC-Net的双编码器双连接Y形网络，用于精确的肝脏和病变体积分割	通过利用残差和跳跃连接增强特征重用，优化肝脏和肿瘤分割任务的性能，无需额外的注意力门即可实现优越的分割效果	未明确提及研究的局限性	提高肝脏和肿瘤从CT体积中的分割准确性，以支持肝细胞癌诊断和术前切除计划	肝脏和肝脏肿瘤	数字病理	肝癌	深度学习	DEDC-Net（基于VGG19和ResNet的编码器）	CT图像	LiTS数据集，以及额外的IDCARDb-01和COMET数据集
1192	2025-06-27	Self-adaptive deep learning-based segmentation for universal and functional clinical and preclinical CT image analysis 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108853 PMID:39013341	研究论文	本文提出了一种基于深度学习的自适应分割方法，用于临床和临床前CT图像的通用和功能性分析	采用深度学习技术自动化从CT和μCT图像中提取定量数据，解决了临床前μCT数据转换的挑战	需要进一步优化以扩展应用范围	开发一种自动化方法来监测心脏功能，加速心脏衰竭新治疗方案的研究	人类患者的心脏CT图像和野生型及加速衰老小鼠的μCT图像	数字病理学	心血管疾病	深度学习	nnU-Net	图像	40例人类心脏CT图像和一组小鼠μCT图像
1193	2025-06-27	deepbet: Fast brain extraction of T1-weighted MRI using Convolutional Neural Networks 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108845 PMID:39002314	research paper	该研究开发了一种名为deepbet的快速、高精度脑提取工具，用于T1加权MRI图像的分割	deepbet采用高效的UNet架构变体，在跨数据集验证中达到了99.0的中位Dice分数，显著优于现有深度学习和传统方法	研究主要关注成人T1加权MRI图像，未涵盖其他类型的MRI图像或儿童数据	开发一种快速、高精度的脑提取工具，以改进神经影像预处理流程	T1加权MRI图像	digital pathology	NA	MRI	UNet	image	7837张T1加权MRI图像，来自191个不同的OpenNeuro数据集
1194	2025-06-27	Improving brain atrophy quantification with deep learning from automated labels using tissue similarity priors 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108811 PMID:38991315	研究论文	本文提出了一种基于深度学习的脑萎缩量化管道，通过组织相似性正则化改进自动化标签的准确性	利用组织相似性先验知识，通过加权损失项在训练中强制实施短间隔扫描对之间的组织体积相似性，从而减少量化误差和提高测量一致性	研究仅使用了T1加权MRI扫描数据，且依赖于FSL软件库生成的自动化标签	提高脑萎缩量化方法的准确性和可靠性，以解锁其在神经退行性疾病诊断和预后中的潜力	健康对照者(HC)和阿尔茨海默病(AD)患者的MRI扫描数据	数字病理学	阿尔茨海默病	MRI	深度学习	图像	MIRIAD和ADNI1两个MRI数据集中的健康对照者和阿尔茨海默病患者
1195	2025-06-27	Optimized efficient attention-based network for facial expressions analysis in neurological health care 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108822 PMID:38986286	research paper	提出了一种基于高效轻量级卷积块注意力模块（CBAM）的深度学习网络，用于辅助医生诊断神经系统疾病患者的面部表情分析	采用CBAM模块增强的深度学习网络，轻量级设计（仅3MB），适合部署在资源有限的移动医疗设备上	模型在真实患者数据上的准确率为73.2%，仍有提升空间	改善神经系统疾病（如阿尔茨海默病和帕金森病）的早期诊断和治疗	神经系统疾病患者的面部表情数据	computer vision	geriatric disease	深度学习	CBAM-based DLN	image	真实神经系统疾病患者数据（具体数量未提及）
1196	2025-06-27	Unveiling the evolution of policies for enhancing protein structure predictions: A comprehensive analysis 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108815 PMID:38986287	综述	本文全面分析了蛋白质结构预测政策的演变，探讨了提高预测准确性的有效策略	介绍了革命性的端到端和全原子扩散技术，以及利用子采样和多序列比对（MSA）和蛋白质语言模型来提高预测准确性和效率	预测准确性虽有所提高，但仍未达到预期结构知识的水平，需要在其他方面进一步发展	提高蛋白质结构预测的准确性，以支持基于结构的药物发现和疾病研究	蛋白质结构预测方法和策略	生物信息学	NA	多序列比对（MSA）、蛋白质语言建模、深度学习	端到端模型、全原子扩散模型	蛋白质序列数据	NA
1197	2025-06-27	Evaluation of Cellpose segmentation with sequential thresholding for instance segmentation of cytoplasms within autofluorescence images 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108846 PMID:38976959	研究论文	本文提出并测试了一种用于自动荧光图像中细胞质实例分割的方法，结合了Cellpose深度学习和后处理算法CPPA	结合Cellpose深度学习分割方法和后处理算法CPPA，实现了对自动荧光图像中细胞质的高精度实例分割	仅在三种细胞样本上进行了测试，样本多样性有限	开发一种准确分割自动荧光图像中细胞质的方法，以支持单细胞代谢分析	静止T细胞、激活T细胞和MCF7细胞的NAD(P)H自动荧光图像	数字病理学	NA	自动荧光成像	Cellpose (深度学习分割方法)	图像	5张NAD(P)H图像，来自3种不同细胞样本
1198	2025-06-27	VmmScore: An umami peptide prediction and receptor matching program based on a deep learning approach 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108814 PMID:38944902	研究论文	介绍了一种基于深度学习的鲜味肽预测和受体匹配程序VmmScore	提出了一个包含预测模块Mlp4Umami和受体匹配模块mm-Score的算法，优化了分子对接和评分系统	NA	解决为鲜味肽识别最佳受体的挑战	鲜味肽及其受体	机器学习	NA	机器学习优化的分子对接和评分系统	深度学习	肽序列数据	来自Lateolabrax japonicus的肽，实验验证了三种肽的鲜味及其受体
1199	2025-06-27	A preliminary study of super-resolution deep learning reconstruction with cardiac option for evaluation of endovascular-treated intracranial aneurysms 2024-Aug-01, The British journal of radiology DOI:10.1093/bjr/tqae117 PMID:38917414	研究论文	本研究探讨了超分辨率深度学习重建（SR-DLR）结合心脏选项在评估支架辅助弹簧圈栓塞、弹簧圈栓塞和血流导向支架植入患者图像质量中的效用	首次将SR-DLR结合心脏选项应用于颅内动脉瘤血管内治疗后的随访影像评估，相比传统重建方法显著降低了图像噪声并提高了信噪比	单中心回顾性研究，样本量较小（50例患者），且缺乏长期随访数据	评估SR-DLR在颅内动脉瘤血管内治疗后影像随访中的临床应用价值	接受支架辅助弹簧圈栓塞、弹簧圈栓塞和血流导向支架植入治疗的颅内动脉瘤患者	数字病理	脑血管疾病	超分辨率深度学习重建（SR-DLR）	深度学习	医学影像	50例患者（平均年龄59岁，范围44-81岁，男性13例）
1200	2025-06-27	Implementing a deep learning model for automatic tongue tumour segmentation in ex-vivo 3-dimensional ultrasound volumes 2024-04, The British journal of oral & maxillofacial surgery DOI:10.1016/j.bjoms.2023.12.017 PMID:38402068	研究论文	本研究探讨了使用3D深度学习模型在3D超声体积中快速进行舌癌术中分割的可行性，并评估了自动分割的临床效果	首次将3D No New U-Net (nnUNet)模型应用于舌癌的自动分割，并实现了在移动工作站上的临床验证	自动分割的最终边缘状态(FMS)与组织病理学边缘的相关性较低，且样本量较小(n=16)	开发一种快速、自动的舌癌分割方法，以减少术中手动分割的时间和操作者变异性	舌癌患者的3D超声体积数据	数字病理学	舌癌	3D超声成像	3D nnUNet	3D超声体积数据	113个手动标注的超声体积用于训练，16名前瞻性纳入的舌癌患者用于临床验证