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
1341	2025-04-23	Evaluating the Impact of Attention Mechanisms on a Fine-Tuned Neural Network for Magnetic Resonance Imaging Tumor Classification: A Comparative Analysis 2025-Mar, Cureus DOI:10.7759/cureus.80872 PMID:40255713	研究论文	本研究评估了不同注意力机制对基于ResNet50V2的MRI肿瘤分类模型的影响	比较了五种注意力机制在MRI肿瘤分类中的效果，发现SE机制表现最佳	未探索混合注意力机制（如基于Transformer的模型）的应用	评估注意力机制对MRI肿瘤分类模型性能的影响	脑部MRI扫描中的脑膜瘤、胶质瘤、垂体瘤和无肿瘤病例	计算机视觉	脑肿瘤	深度学习	ResNet50V2, SE, CBAM, SA, AGNet	MRI图像	3,096个标注的MRI扫描
1342	2025-04-23	Identifying invasiveness to aid lung adenocarcinoma diagnosis using deep learning and pathomics 2025-02-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87094-5 PMID:39929860	research paper	该研究探讨了结合深度学习和病理组学识别肺腺癌肿瘤侵袭性的可行性，并评估其在辅助初级和中级病理学家诊断中的潜在临床价值	首次将深度学习和病理组学结合用于肺腺癌肿瘤侵袭性的识别，并验证其对病理学家诊断准确性的提升	研究为回顾性分析，样本量相对有限（289例患者），且仅针对肺腺癌的特定亚型	提高肺腺癌肿瘤侵袭性的诊断准确性，辅助临床病理诊断	肺腺癌患者的全切片图像（WSI）数据	digital pathology	lung cancer	deep learning, pathomics	ResNet18, Random Forest	image	289例手术切除的磨玻璃结节（GGNs）患者的WSI数据
1343	2025-04-23	BO-CLAHE enhancing neonatal chest X-ray image quality for improved lesion classification 2025-02-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88451-0 PMID:39929905	research paper	提出了一种名为BO-CLAHE的方法，通过贝叶斯优化自动选择最佳超参数，以提升新生儿胸部X光图像质量，从而改善病变分类效果	利用贝叶斯优化自动选择CLAHE的超参数，解决了传统手动设置的低效问题，显著提升了图像增强效果	研究主要针对新生儿胸部X光图像，可能不适用于其他类型的医学图像	提升新生儿胸部X光图像质量，以支持基于AI的早期诊断和治疗	早产和高风险新生儿的胸部X光图像	digital pathology	lung disease	Bayesian Optimization, CLAHE	NA	image	NA
1344	2025-04-23	An assessment of breast cancer HER2, ER, and PR expressions based on mammography using deep learning with convolutional neural networks 2025-02-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83597-9 PMID:39924532	研究论文	本研究开发了一种基于深度学习的模型（CBAM ResNet-18），用于通过乳腺X线摄影预测乳腺癌HER2、ER和PR的表达	使用CBAM ResNet-18模型无需手动分割肿块即可预测受体表达，且性能优于原始ResNet-18和VGG-19模型	模型在HER2测试数据集上的表现相对较低（AUC为0.708）	开发一种辅助诊断工具，用于预测乳腺癌的HER2、ER和PR表达	病理证实的乳腺癌患者的乳腺X线摄影图像	数字病理	乳腺癌	深度学习	CBAM ResNet-18	图像	来自两个中心的乳腺X线摄影图像
1345	2025-04-23	Flexible and cost-effective deep learning for accelerated multi-parametric relaxometry using phase-cycled bSSFP 2025-02-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88579-z PMID:39924554	research paper	该研究比较了基于前馈深度神经网络（DNN）和迭代拟合的框架，用于基于相位循环平衡稳态自由进动（pc-bSSFP）成像的多参数（MP）弛豫测量	提出了结合物理知识的自监督物理信息深度神经网络（PINN），提高了推理的一致性和对训练数据分布的鲁棒性，并展示了利用复数MR数据全信息加速数据采集的能力	研究主要针对健康受试者的脑组织，未涉及疾病状态下的验证	加速定量磁共振成像（qMRI）的临床应用，实现快速采集、灵活性、成本效益和高精度的参数映射	健康受试者的脑组织	machine learning	NA	phase-cycled balanced steady-state free precession (pc-bSSFP) imaging	DNN, PINN	MR data	健康受试者的脑组织数据，包括蒙特卡洛采样模拟噪声
1346	2025-04-23	Precision and efficiency in skin cancer segmentation through a dual encoder deep learning model 2025-02-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88753-3 PMID:39924555	research paper	提出了一种名为DuaSkinSeg的双编码器深度学习模型，用于提高皮肤病变分割的精确性和效率	结合了MobileNetV2的高效局部特征提取和ViT-CNN编码器-解码器架构的长距离依赖特征提取能力	未提及模型在临床环境中的实际应用效果或泛化能力	提高皮肤癌病变分割的准确性和效率	皮肤病变图像	computer vision	skin cancer	深度学习	MobileNetV2, ViT-CNN	image	三个公开基准数据集：ISIC 2016、ISIC 2017和ISIC 2018
1347	2025-04-23	Looking outside the box with a pathology aware AI approach for analyzing OCT retinal images in Stargardt disease 2025-02-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-85213-w PMID:39922894	research paper	该研究提出了一种结合病理感知损失函数的深度学习方法，用于在Stargardt病患者的OCT视网膜图像中分割视网膜亚层	提出了一种病理感知的损失函数，针对相对未受影响的区域进行亚层分割，并在严重受影响区域将整个视网膜作为单层分割以避免错误	研究仅针对Stargardt病类型1（STGD1），可能不适用于其他视网膜疾病	开发一种能够准确分割OCT视网膜图像的方法，以跟踪疾病进展和评估治疗效果	Stargardt病类型1（STGD1）患者的OCT视网膜图像	digital pathology	Stargardt disease	Optical Coherence Tomography (OCT)	deep learning	image	NA
1348	2025-04-23	Severe deviation in protein fold prediction by advanced AI: a case study 2025-02-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89516-w PMID:39922965	研究论文	本文报告了在蛋白质结构预测中，高级AI（如AlphaFold）与实验测定结构之间存在的严重偏差	揭示了AI在预测蛋白质折叠时，特别是在多域蛋白质的相对取向方面存在的显著偏差	研究仅针对一个双域蛋白质的案例，可能无法全面反映AI预测的普遍问题	探讨AI在蛋白质结构预测中的准确性和局限性	双域蛋白质的实验结构与AI预测结构	生物信息学	NA	蛋白质结构预测	AlphaFold	蛋白质序列和结构数据	一个双域蛋白质的案例研究
1349	2025-04-23	Discovering effect of intuitionistic fuzzy transformation in multi-layer perceptron for heart disease prediction: a study 2025-Feb, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2284095 PMID:38013456	research paper	该研究探讨了直觉模糊变换在多感知层神经网络（MLP）中对心脏病预测的影响	论文的创新点在于从特征转换到深度学习的整个过程，特别是使用直觉模糊集（IFS）考虑成员度和非成员度两种不确定性	NA	减少心脏病的风险，通过先进的深度学习算法帮助医生早期诊断	心脏病预测	machine learning	cardiovascular disease	直觉模糊变换和模糊参数转换	MLP	临床参数	NA
1350	2025-04-23	Enhancing drug discovery in schizophrenia: a deep learning approach for accurate drug-target interaction prediction - DrugSchizoNet 2025-Feb, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2282951 PMID:38375638	研究论文	本文提出了一种基于深度学习的模型DrugSchizoNet，用于精神分裂症药物靶点相互作用的准确预测	采用LSTM层捕捉药物相互作用的序列特性，并结合OB-MOA优化进行超参数调优，显著提高了预测准确率至98.70%	模型性能依赖于DrugBank和repoDB数据库的数据质量，可能受限于数据覆盖范围	提升精神分裂症药物发现的效率和准确性	药物靶点相互作用数据	机器学习	精神分裂症	深度学习	LSTM	药物相关数据	来自DrugBank和repoDB数据库的药物数据
1351	2025-04-23	DeepCompoundNet: enhancing compound-protein interaction prediction with multimodal convolutional neural networks 2025-Feb, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2291829 PMID:38084744	研究论文	本文提出了一种名为DeepCompoundNet的多模态卷积神经网络模型，用于增强化合物-蛋白质相互作用的预测	整合了蛋白质特征、药物属性和多种相互作用数据，超越了仅依赖氨基酸序列同源性和化学结构相似性的现有方法	未提及具体的数据集规模限制或模型泛化能力的详细评估	提升化合物-蛋白质相互作用的预测准确率	化合物与蛋白质的相互作用	机器学习	NA	多模态卷积神经网络	CNN	分子结构数据、相互作用网络数据	未明确提及具体样本数量
1352	2025-04-23	A fine-tuning deep residual convolutional neural network for emotion recognition based on frequency-channel matrices representation of one-dimensional electroencephalography 2025-Feb, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2286918 PMID:38017703	研究论文	本研究提出了一种基于一维脑电图（EEG）信号的频率-通道矩阵（FCM）表示的深度残差卷积神经网络模型，用于情感识别（ER）	结合预训练的深度残差卷积神经网络和迁移学习技术，利用二维数据的FCM表示来自动学习多通道EEG数据的潜在内在特征	未提及具体的数据集局限性或模型泛化能力的讨论	提高基于EEG信号的情感识别系统的自动化和准确性	多通道EEG数据	机器学习	NA	Welch功率谱密度估计，t-SNE策略	深度残差卷积神经网络（ResNet）	一维EEG信号	DEAP数据集上的5折交叉验证
1353	2025-04-23	Neurosurgery inpatient outcome prediction for discharge planning with deep learning and transfer learning 2025-Feb, British journal of neurosurgery IF:1.0Q3 DOI:10.1080/02688697.2022.2151565 PMID:36458628	research paper	本研究探讨了深度学习和迁移学习在预测神经外科住院患者出院时间和出院目的地等住院结果中的应用	使用迁移学习和人工神经网络对自由文本医疗数据进行预测，提高了预测准确性	研究仅基于15个月的数据，样本量相对有限	预测神经外科住院患者的住院结果以辅助出院规划	神经外科住院患者	machine learning	neurosurgery	deep learning, transfer learning	artificial neural network	text	1341例住院患者
1354	2025-04-23	Evaluation of Image Quality and Scan Time Efficiency in Accelerated 3D T1-Weighted Pediatric Brain MRI Using Deep Learning-Based Reconstruction 2025-02, Korean journal of radiology IF:4.4Q1 DOI:10.3348/kjr.2024.0701 PMID:39898398	研究论文	本研究评估了基于深度学习的重建算法在加速3D T1加权儿童脑部MRI中对扫描时间和图像质量的影响	使用基于深度学习的重建算法显著缩短了扫描时间并提高了图像质量	病变显影性在两种协议之间保持相似	评估加速3D T1加权儿童脑部MRI协议的扫描时间和图像质量	46名接受常规和加速3D T1加权脑部MRI的儿科患者	数字病理学	NA	3D T1加权MRI	DL-based algorithm	MRI图像	46名儿科患者
1355	2025-04-23	Pneumonia Detection Using Enhanced Convolutional Neural Network Model on Chest X-Ray Images 2025-Feb, Big data IF:2.6Q2 DOI:10.1089/big.2022.0261 PMID:37074075	research paper	该研究通过增强的卷积神经网络模型在胸部X射线图像上检测肺炎	使用增强的CNN模型和多种深度学习算法（如VGG-19、ResNet-50）进行肺炎检测，并比较它们的性能	数据集虽然扩充了，但仍然可能不足以覆盖所有肺炎病例的多样性	开发并评估深度学习模型以准确检测胸部X射线图像中的肺炎	胸部X射线图像	computer vision	lung cancer	deep learning	CNN, VGG-19, ResNet-50	image	5863张胸部X射线图像
1356	2025-04-23	Community Graph Convolution Neural Network for Alzheimer's Disease Classification and Pathogenetic Factors Identification 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3269446 PMID:37204952	研究论文	提出了一种名为社区图卷积神经网络(Com-GCN)的新深度学习方法，用于研究阿尔茨海默病(AD)的分类和致病因素识别	提出了脑区基因社区网络(BG-CN)的概念，并设计了Com-GCN架构，该架构基于亲和力聚合模型，具有社区间和社区内卷积操作，提高了分类性能和可解释性	仅在ADNI数据集上进行了实验验证，未在其他神经退行性疾病数据集上进行验证	研究阿尔茨海默病的分类和致病因素识别	阿尔茨海默病患者	数字病理学	阿尔茨海默病	图卷积神经网络	Com-GCN	神经影像数据	ADNI数据集
1357	2025-04-23	Hypernetwork-Based Physics-Driven Personalized Federated Learning for CT Imaging 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3338867 PMID:38100342	research paper	提出了一种基于超网络的物理驱动个性化联邦学习方法（HyperFed），用于CT成像，以解决数据共享和隐私问题	将每个域的优化问题分为局部数据适应和全局CT成像两个子问题，通过机构特定的物理驱动超网络和全局共享成像网络分别实现	未提及具体样本量或实验范围，可能影响方法的泛化性	提高CT成像质量并满足不同机构或扫描仪的个性化需求，同时避免数据共享	CT成像数据	digital pathology	NA	deep learning, federated learning	hypernetwork	CT图像	NA
1358	2025-04-23	EnsembleSE: identification of super-enhancers based on ensemble learning 2025-Jan-15, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elaf003 PMID:40251827	research paper	提出了一种基于集成学习的超增强子识别方法EnsembleSE，用于更有效地识别基因调控网络中的超增强子	集成不同模型的优势，提出基于集成策略的模型，增强模型的泛化能力，并设计了一种结合局部结构和全局信息的多角度特征表示方法	需要大量标记数据进行训练，限制了其在生物数据中的进一步应用	提高超增强子识别的准确性和效率，以支持基因调控网络和疾病机制的研究	超增强子（SEs）	machine learning	NA	ensemble learning	ensemble model	sequence data	在小鼠和人类数据集上进行了评估
1359	2025-04-23	Enhancer-driven cell type comparison reveals similarities between the mammalian and bird pallium 2025-01-02, Science (New York, N.Y.) DOI:10.1126/science.adp3957 PMID:39946451	研究论文	使用深度学习比较哺乳动物和鸟类大脑皮层细胞类型的增强子编码	提出了三种指标来比较羊膜动物端脑中的细胞类型，并利用深度学习表征增强子编码	研究主要关注羊膜动物，可能不适用于其他生物类群	比较哺乳动物和鸟类大脑皮层细胞类型的增强子编码	鸡端脑的非神经元和GABA能细胞类型以及兴奋性神经元	机器学习	NA	单细胞多组学和空间转录组学	深度学习	基因组调控序列数据	鸡端脑的单细胞数据
1360	2025-04-23	Deep Learning in Breast Cancer Imaging: A Decade of Progress and Future Directions 2025, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2024.3357877 PMID:38265911	review	本文综述了过去十年深度学习在乳腺癌影像分析中的进展，并探讨了未来的研究方向	总结了深度学习在乳腺癌影像分析中的主要方法和应用，并提出了未来研究的挑战和潜在方向	NA	总结深度学习在乳腺癌影像分析中的进展并探讨未来研究方向	乳腺癌影像数据，包括乳腺X光片、超声、磁共振成像和数字病理图像	digital pathology	breast cancer	deep learning	NA	image	NA