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
1301	2025-05-09	"Brain state network dynamics in pediatric epilepsy: Chaotic attractor transition ensemble network" 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109832 PMID:39951978	research paper	提出了一种新型的集成框架CATE-NET，用于识别儿童癫痫的神经动力学特征，区分生理性脑活动和癫痫引起的信号异常	结合混沌和动力系统理论，设计了模块化的CATE-NET框架，利用非线性动力学和混沌吸引子（特别是Rössler混沌吸引子）建模头皮EEG数据，并通过LSTM网络和概率图自动分析脑状态	未提及具体样本量，且依赖于EEG信号的质量	改进儿童癫痫的脑状态分析和癫痫活动检测	儿童癫痫患者的脑电图信号	digital pathology	epilepsy	EEG信号分析，混沌吸引子建模，深度学习	LSTM，概率图模型	EEG信号	NA
1302	2025-05-09	Detection of brain tumors using a transfer learning-based optimized ResNet152 model in MR images 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109790 PMID:39951980	research paper	该研究探讨了基于迁移学习的优化ResNet152模型在MR图像中检测脑肿瘤的有效性	结合深度学习和传统机器学习技术，使用预处理管道和PCA进行图像增强和降维，比较ResNet152和GoogleNet的性能	未提及模型在其他类型肿瘤或不同成像技术中的泛化能力	提高脑肿瘤诊断的准确性	脑肿瘤的MR图像	digital pathology	brain tumor	magnetic resonance (MR) scans, PCA, data augmentation	ResNet152, GoogleNet, SVM, KNN, CART, GNB	image	未明确提及具体样本数量，数据集按80%训练和20%测试划分
1303	2025-05-09	Illuminating the unseen: Advancing MRI domain generalization through causality 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103459 PMID:39952023	research paper	提出了一种针对加速MRI重建的领域泛化框架，通过因果对齐增强模型在未见领域的鲁棒性	首次提出专为加速MRI重建设计的领域泛化框架GenCA-MRI，通过机制级不变性（因果对齐）捕获MRI数据内在因果关系	未明确说明计算策略对超参数敏感度或计算资源消耗的具体影响	解决加速MRI重建中训练-测试领域偏移（如图像对比度/解剖区域/采集策略变化）导致的性能下降问题	多领域MRI数据（fastMRI和IXI数据集）	medical imaging	NA	deep learning-based MRI reconstruction	domain generalization framework (GenCA-MRI)	MRI图像	fastMRI和IXI数据集（具体数量未说明）
1304	2025-05-09	Automated pediatric TMJ articular disk identification and displacement classification in MRI with machine learning 2025-Apr, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2025.105622 PMID:39952550	研究论文	评估一种自动化两步模型在儿科颞下颌关节（TMJ）磁共振成像（MRI）中使用人工智能（AI）进行解释的性能	使用深度学习技术自动识别TMJ骨结构和关节盘，并通过自动化算法对关节盘位移进行分类	样本量相对较小（235名儿科患者），且仅针对儿科TMJ MRI	开发自动化工具以辅助非MRI专家评估儿科TMJ疾病	儿科患者的TMJ MRI图像	数字病理学	颞下颌关节疾病	MRI	UNet++	图像	235名儿科患者（470个关节）
1305	2025-05-09	Artificial intelligence in gastrointestinal cancer research: Image learning advances and applications 2025-Apr-01, Cancer letters IF:9.1Q1 DOI:10.1016/j.canlet.2025.217555 PMID:39952597	综述	本文综述了人工智能在胃肠道肿瘤研究中的最新进展和应用，特别是在早期筛查、诊断、分子标志物识别、治疗规划和预后预测方面的应用	总结了AI在胃肠道肿瘤研究中的最新进展，包括其在提高诊断准确性、个性化治疗设计和肿瘤微环境基础研究中的应用	未提及具体的AI模型或技术在临床应用中的局限性	探讨人工智能在胃肠道肿瘤研究中的应用及其潜力	胃肠道肿瘤	数字病理学	胃肠道癌症	深度学习、大语言模型、神经网络	NA	图像、多组学数据	NA
1306	2025-05-09	Geometric deep learning with adaptive full-band spatial diffusion for accurate, efficient, and robust cortical parcellation 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103492 PMID:39954339	research paper	该论文提出了一种基于几何深度学习的自适应全波段空间扩散策略，用于准确、高效且稳健的皮质分区	提出了一种全波段谱加速空间扩散策略，直接在个体空间中对原始表面进行分区，避免了传统方法中的球面映射过程，并构建了一个紧凑的深度网络（Cortex-Diffusion）	未提及具体局限性	开发一种自动化的皮质分区方法，以提高分区准确性、效率和鲁棒性	婴儿和成人脑成像数据集中的皮质表面	digital pathology	NA	几何深度学习	Cortex-Diffusion	3D顶点坐标	婴儿和成人脑成像数据集
1307	2025-05-09	Methods for estimating resting energy expenditure in intensive care patients: A comparative study of predictive equations with machine learning and deep learning approaches 2025-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108657 PMID:39954654	research paper	比较预测方程与机器学习和深度学习方法在重症监护患者静息能量消耗估计中的性能	首次将机器学习和深度学习方法应用于重症监护患者的静息能量消耗估计，并与传统预测方程进行比较	研究样本量较小（300例），且未在独立数据集和多样化患者群体中进行进一步验证	评估机器学习和深度学习方法在重症监护患者静息能量消耗估计中的准确性和应用潜力	重症监护患者的静息能量消耗	machine learning	重症监护	机器学习（XGBoost, RFR, SVR）和深度学习（CNN）	XGBoost, Random Forest Regressor, Support Vector Regression, CNN	静态变量（年龄、身高、体重）和动态变量（分钟通气量、体温）	300例重症监护患者的间接测热法测量数据
1308	2025-05-09	PBScreen: A server for the high-throughput screening of placental barrier-permeable contaminants based on multifusion deep learning 2025-Apr-01, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.125858 PMID:39954759	research paper	介绍了一个名为PBScreen的服务器，用于基于多融合深度学习的高通量筛选胎盘屏障可渗透污染物	使用多融合深度学习模型（结合图卷积网络和深度神经网络算法）进行高通量筛选，准确率高达0.927，假阴性率为0.074，AUC为0.960	未提及具体的数据集规模或模型在不同类型污染物上的泛化能力	开发高效的高通量筛选工具，以识别胎盘屏障可渗透的污染物，提升相关公共健康风险评估	胎盘屏障可渗透的化学污染物	machine learning	NA	multifusion deep learning, graph convolutional networks, deep neural networks	multifusion DL model (GCN + DNN)	chemical data	NA
1309	2025-05-09	A quantitatively interpretable model for Alzheimer's disease prediction using deep counterfactuals 2025-Apr-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121077 PMID:39954872	研究论文	本研究提出了一种可定量解释的深度学习模型，用于预测阿尔茨海默病，并通过反事实推理提供直观的医学解释	结合反事实推理和灰质密度图，提供定量解释的AD预测模型，并生成AD相关指数	仅基于结构MRI数据，未考虑其他模态数据如功能MRI或生物标记物	开发可解释的阿尔茨海默病预测模型	阿尔茨海默病患者的结构MRI数据	数字病理学	老年病	深度学习，反事实推理	CNN（基于使用图像数据推测）	MRI图像	未明确提及具体样本量
1310	2025-05-09	Label-efficient sequential model-based weakly supervised intracranial hemorrhage segmentation in low-data non-contrast CT imaging 2025-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.17689 PMID:39962740	研究论文	提出了一种基于弱监督的颅内出血分割方法，用于低数据量的非对比CT成像	利用图像级标签和类激活图（CAMs）进行弱监督分割，并通过无监督方式优化伪掩码，同时利用连续切片间的依赖关系提高激活图的鲁棒性	需要进一步验证在不同临床环境中的泛化能力	减少对体素级标注数据的依赖，提供一种高效的颅内出血分割方法	非对比CT图像中的颅内出血（ICH）	数字病理	心血管疾病	深度学习	CNN	图像	RSNA数据集（21,784例）、INSTANCE数据集（100例）、PhysioNet数据集（75例）
1311	2025-05-09	Automatic Joint Lesion Detection by enhancing local feature interaction 2025-Apr, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102509 PMID:39947085	research paper	该论文提出了一种通过增强局部特征交互来自动检测关节病变的方法，并改进了YOLO模型	提出了局部注意力特征融合（LAFF）和高斯位置编码（GPE）模块，显著提高了关节病变检测的准确率	研究仅基于X射线图像，可能不适用于其他类型的医学影像	提高自动关节病变检测（AJLD）的准确性和效率，以满足临床需求	关节病变的X射线图像	computer vision	arthritis	deep learning	YOLO	image	960张X射线图像（由两位关节炎专家和一位放射科医生标注）和216张X射线图像，补充了MURA数据集
1312	2025-05-09	Interpretable multi-stage attention network to predict cancer subtype, microsatellite instability, TP53 mutation and TMB of endometrial and colorectal cancer 2025-Apr, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102499 PMID:39947084	研究论文	提出了一种可解释的多阶段注意力深度学习网络，用于从子宫内膜癌和结直肠癌的组织病理学全切片图像中预测癌症亚型、微卫星不稳定性、TP53突变和肿瘤突变负荷	开发了一种新型深度学习网络，能够直接从低成本、常规使用的组织病理学图像中预测多个分子状态，显著优于现有方法	研究仅针对子宫内膜癌和结直肠癌，未验证在其他癌症类型中的适用性	开发一种低成本、高效的深度学习方法来预测癌症分子状态，以支持个性化免疫治疗决策	子宫内膜癌和结直肠癌的组织病理学全切片图像	数字病理学	子宫内膜癌, 结直肠癌	深度学习	多阶段注意力网络	图像	NA
1313	2025-05-09	EAMAPG: Explainable Adversarial Model Analysis via Projected Gradient Descent 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109788 PMID:39946791	研究论文	本研究提出了一种使用投影梯度下降（PGD）生成对抗样本的新颖可解释性方法，以分析医学图像中深度学习模型的透明度	通过对抗样本生成分析图像，识别影响模型决策的关键特征，为深度学习模型在医学图像分析中的可解释性提供了新的解决方案	仅测试了六种常见的CNN模型，且对抗攻击的有效性可能受限于特定数据集和模型	提高深度学习模型在医学图像分析中的可解释性和透明度	脑肿瘤、眼病和COVID-19的医学图像数据集	计算机视觉	脑肿瘤、眼病、COVID-19	投影梯度下降（PGD）	CNN（包括DenseNet121、InceptionV3、ResNet101等）	医学图像	NA
1314	2025-05-09	Gabor-modulated depth separable convolution for retinal vessel segmentation in fundus images 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109789 PMID:39946785	研究论文	提出了一种基于Gabor调制深度可分离卷积的UNet模型，用于眼底图像中的视网膜血管分割	结合Gabor滤波器的方向敏感性和深度可分离卷积的高效性，有效识别不同宽度和方向的血管	在噪声较多或病情进展的糖尿病视网膜病变图像上可能仍有改进空间	提高糖尿病视网膜病变中视网膜血管分割的准确性	眼底图像中的视网膜血管	计算机视觉	糖尿病视网膜病变	Gabor滤波器和深度可分离卷积	UNet	图像	DRIVE、STARE和CHASE_DB1数据集
1315	2025-05-09	X-scPAE: An explainable deep learning model for embryonic lineage allocation prediction based on single-cell transcriptomics revealing key genes in embryonic cell development 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109787 PMID:39946788	research paper	本文介绍了一种基于单细胞转录组学的可解释深度学习模型X-scPAE，用于预测胚胎细胞谱系分配并识别关键基因	结合PCA和注意力机制的自编码器模型，利用CGA算法解释基因表达差异，显著提高了预测准确性和可解释性	NA	理解细胞分化过程并减少人类早期妊娠流产	人类和小鼠的单细胞转录组数据	machine learning	NA	single-cell transcriptomics	PCA-based deep learning attention autoencoder (X-scPAE)	单细胞转录组数据	NA
1316	2025-05-09	Multitask learning approach for PPG applications: Case studies on signal quality assessment and physiological parameters estimation 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109798 PMID:39946784	research paper	本文提出了一种多任务学习方法，用于PPG信号的质量评估和生理参数估计	利用多任务学习（MTL）方法，通过共享PPG相关任务之间的潜在特征，提高了PPG应用的性能	研究仅基于46名受试者的数据，样本量较小，可能影响模型的泛化能力	探索多任务学习在PPG分析中的应用，以提高信号质量评估和生理参数估计的准确性	PPG信号及其衍生的生理参数（如心率、心率变异性和呼吸频率）	machine learning	NA	multitask learning (MTL)	multitask deep learning models	PPG信号	46名佩戴智能手表的受试者
1317	2025-05-09	The state-of-the-art in cardiac MRI reconstruction: Results of the CMRxRecon challenge in MICCAI 2023 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103485 PMID:39946779	研究论文	本文介绍了2023年心脏MRI重建挑战赛（CMRxRecon）的结果，该挑战赛旨在推动数据驱动的心脏MRI重建算法的发展	提出了一个公开可用的心脏k空间数据集，并组织了大规模的挑战赛以促进深度学习在心脏MRI重建中的应用	挑战赛的数据集虽然广泛，但仍可能存在数据多样性和代表性的限制	加速心脏MRI扫描并提高成像性能，解决现有数据驱动重建算法发展中的瓶颈	心脏MRI的k空间数据，包括电影和映射原始数据	数字病理	心血管疾病	深度学习	E2E-VarNet, U-Net	k空间数据	超过285个团队和600多名参与者，22个团队提交了测试阶段的Docker容器
1318	2025-05-09	Evaluation and failure analysis of four commercial deep learning-based autosegmentation software for abdominal organs at risk 2025-Apr, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70010 PMID:39946266	research paper	评估四种商业深度学习自动分割软件在腹部风险器官分割中的表现及失败原因分析	首次对四种商业深度学习自动分割软件在腹部风险器官分割中的异常情况进行系统分析	研究仅针对腹部器官，未涉及其他部位	评估商业深度学习自动分割软件的性能并分析其失败模式	四种商业深度学习自动分割软件（Limbus AI、MIM Contour ProtégéAI、Radformation AutoContour、Siemens syngo.via）	digital pathology	NA	deep learning-based segmentation	NA	medical imaging	111例患者病例
1319	2025-05-09	Artificial Intelligence for Classification of Endoscopic Severity of Inflammatory Bowel Disease: A Systematic Review and Critical Appraisal 2025-Mar-31, Inflammatory bowel diseases IF:4.5Q1 DOI:10.1093/ibd/izaf050 PMID:40163659	系统性综述	本文系统性回顾并评估了人工智能在炎症性肠病内镜严重程度分类中的应用	首次系统性评估AI在内镜炎症性肠病严重程度分类中的研究质量，并指出临床转化潜力	克罗恩病相关研究有限，模型的外部验证不足，数据和代码透明度有待提高	评估AI在标准化炎症性肠病内镜评估中的应用现状和研究质量	溃疡性结肠炎和克罗恩病的内镜图像/视频	数字病理	炎症性肠病	深度学习	CNN等深度学习模型	图像和视频	31项研究（2019-2024年），其中28项针对溃疡性结肠炎，3项针对克罗恩病
1320	2025-05-09	Realtime particulate matter and bacteria analysis of peritoneal dialysis fluid using digital inline holography 2025-Mar-30, International journal of pharmaceutics IF:5.3Q1 DOI:10.1016/j.ijpharm.2025.125373 PMID:39961552	研究论文	本研究开发了一种结合深度学习算法的数字在线全息系统，用于实时检测腹膜透析液中的颗粒物和细菌污染	首次将数字在线全息技术与深度学习算法结合，实现了对腹膜透析液中颗粒物和细菌的实时检测与分类	目前仅针对高浓度细菌样本进行了验证，对于极低浓度细菌的检测灵敏度尚未验证	开发一种快速准确的腹膜透析液细菌污染检测方法	腹膜透析液中的颗粒物和细菌（大肠杆菌和铜绿假单胞菌）	数字病理	肾脏疾病	数字在线全息技术（DIH）	YOLOv8n	全息图像	含大肠杆菌和铜绿假单胞菌的腹膜透析液样本（浓度约100至10,000细菌/mL）