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
1281	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
1282	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
1283	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
1284	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
1285	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
1286	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）
1287	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）
1288	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
1289	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
1290	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
1291	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
1292	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
1293	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）
1294	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
1295	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）
1296	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）
1297	2025-06-09	AI-based pelvic floor surface electromyography reference ranges and high-precision pelvic floor dysfunction diagnosis 2025-Jun-05, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2025.105755 PMID:40479842	研究论文	本研究通过AI技术建立多维骨盆底表面肌电图数据库，并开发AI-Diagnostician-PFD诊断模型，以提高骨盆底功能障碍（PFDs）的诊断准确性	利用AI技术建立多维sEMG数据库，并开发出超越传统Glazer标准的AI-Reference范围和AI-Diagnostician-PFD诊断模型	研究样本虽来自中国多个中心，但可能仍需更多样化的国际数据以进一步验证模型的普适性	建立骨盆底sEMG多维数据库，制定更合理的sEMG参数参考范围，并通过AI实现PFDs的精准诊断	1605名来自中国21个中心的参与者	数字病理学	骨盆底功能障碍	表面肌电图（sEMG）	AI-Diagnostician-PFD	肌电图数据	1605名参与者，来自21个中心
1298	2025-06-09	Enhanced glaucoma detection using U-Net and U-Net+ architectures using deep learning techniques 2025-Jun-05, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2025.104621 PMID:40482945	研究论文	本研究比较了多种图像处理和深度学习方法，提出了一种增强型青光眼诊断方法	结合了中值滤波降噪、U-Net和U-Net+架构的视盘分割、胶囊网络特征提取以及极限学习机分类，显著提高了青光眼诊断的准确性	NA	提高青光眼诊断的准确性和可靠性	青光眼诊断	计算机视觉	青光眼	深度学习	U-Net, U-Net+, 胶囊网络, ELM	图像	三个数据集(DRISHTI-GS, DRIONS-DB, HRF)
1299	2025-06-09	Deep learning based rapid X-ray fluorescence signal extraction and image reconstruction for preclinical benchtop X-ray fluorescence computed tomography applications 2025-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-03900-0 PMID:40467695	research paper	提出了一种基于深度学习的端到端框架，用于快速X射线荧光信号提取和图像重建，以应用于临床前台式X射线荧光计算机断层扫描	整合了一维卷积神经网络（1D CNN）和U-Net模型，实现了XRF信号提取和XFCT图像重建的快速处理，显著减少了后处理时间	研究主要基于实验和合成数据，尚未在真实活体小鼠中进行广泛验证	解决台式X射线荧光计算机断层扫描（XFCT）在活体小鼠成像中的快速信号提取和图像重建问题	注射金纳米颗粒（GNPs）的活体小鼠的X射线荧光信号和图像	digital pathology	NA	X-ray fluorescence computed tomography (XFCT)	1D CNN, U-Net	X-ray fluorescence (XRF) signal, scatter photon spectra	实验获取和增强的XRF/散射光子光谱数据，包括各种GNP浓度和成像场景的体模和合成小鼠模型
1300	2025-06-09	Enhanced risk stratification for stage II colorectal cancer using deep learning-based CT classifier and pathological markers to optimize adjuvant therapy decision 2025-Jun-04, Annals of oncology : official journal of the European Society for Medical Oncology IF:56.7Q1 DOI:10.1016/j.annonc.2025.05.537 PMID:40480552	研究论文	本研究开发了一种结合深度学习和病理标志物的新型风险分层系统（IRIS-CRC），用于更精确地评估II期结直肠癌患者的预后，以优化辅助治疗决策	首次将基于Swin Transformer的深度学习CT分类器（STAR-CRC）与病理标志物整合，构建了智能风险集成系统（IRIS-CRC），相比现有指南显著提高了风险分层的准确性	研究仅纳入了12个中心的患者数据，外部验证集仅来自8个中心，可能需要更大规模的多中心验证	开发更精确的II期结直肠癌风险分层系统以优化辅助化疗决策	II期结直肠癌患者	数字病理	结直肠癌	深度学习CT图像分析	Swin Transformer（STAR-CRC）	CT图像和病理数据	2,992例II期CRC患者（训练集1,587例，验证集1,405例）