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
121	2025-05-11	Deep Learning Technology for Classification of Thyroid Nodules Using Multi-View Ultrasound Images: Potential Benefits and Challenges in Clinical Application 2025-Apr, Endocrinology and metabolism (Seoul, Korea) DOI:10.3803/EnM.2024.2058 PMID:39805576	research paper	本研究评估了深度学习技术在甲状腺结节超声图像分类中的适用性	使用多种CNN算法（ResNet、DenseNet和EfficientNet）及Siamese神经网络进行多视角分析，提高了甲状腺结节分类的准确性	模型性能可能因不同医生和设备获取的图像质量而异	评估深度学习技术在甲状腺结节超声图像分类中的临床应用潜力	甲状腺结节超声图像	digital pathology	thyroid cancer	ultrasound imaging	CNN (ResNet, DenseNet, EfficientNet), Siamese neural networks	image	1,048个甲状腺结节（来自943名患者），其中306个（29%）被鉴定为甲状腺癌
122	2025-05-11	Leveraging Radiomics and Hybrid Quantum-Classical Convolutional Networks for Non-Invasive Detection of Microsatellite Instability in Colorectal Cancer 2025-Apr, Molecular imaging and biology IF:3.0Q2 DOI:10.1007/s11307-025-01990-w PMID:39979579	研究论文	本研究提出了一种结合放射组学和混合量子-经典卷积神经网络的新框架，用于无创检测结直肠癌的微卫星不稳定性状态	采用自注意力对抗性染色标准化、Slimmable Transformer进行肿瘤轮廓描绘以及混合量子-经典神经网络提取放射组学特征，显著提高了MSI状态检测的准确性	NA	提升结直肠癌微卫星不稳定性状态的检测准确性，改善临床决策和患者预后	结直肠癌组织病理学切片图像	数字病理学	结直肠癌	放射组学分析、混合量子-经典神经网络	混合量子-经典卷积网络、Slimmable Transformer	组织病理学图像	来自NCT-CRC-HE-100K和PAIP 2020数据库的样本
123	2025-05-11	AI-MET: A deep learning-based clinical decision support system for distinguishing multisystem inflammatory syndrome in children from endemic typhus 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109815 PMID:39987695	research paper	本文介绍了一种基于深度学习的临床决策支持系统AI-MET，用于区分儿童多系统炎症综合征（MIS-C）和地方性斑疹伤寒	AI-MET系统利用临床和实验室特征，在患者就诊前六小时内即可及时区分MIS-C和地方性斑疹伤寒，且在训练和测试数据集上的五个评估指标均达到100%	研究样本量相对较小，仅包括87例地方性斑疹伤寒患者和133例MIS-C患者	开发一种能够准确区分MIS-C和地方性斑疹伤寒的临床决策支持系统，以改善这两种疾病的早期诊断	儿童多系统炎症综合征（MIS-C）和地方性斑疹伤寒患者	digital pathology	multisystem inflammatory syndrome in children, endemic typhus	deep learning	NA	clinical and laboratory features	87例地方性斑疹伤寒患者和133例MIS-C患者（训练和测试数据集），111例MIS-C患者（验证数据集）
124	2025-05-11	Missing-modality enabled multi-modal fusion architecture for medical data 2025-Apr, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104796 PMID:39988001	研究论文	本研究提出了一种能够处理缺失模态的多模态融合架构，用于提升医学数据的深度学习模型性能	开发了一种基于Transformer的双模态融合模块，并将其组合成三模态融合框架，同时引入了多元损失函数以提高模型对缺失模态的鲁棒性	虽然对缺失模态具有鲁棒性，但在模态不完整数据上的性能仍略有下降	开发一种对缺失模态具有鲁棒性的多模态融合架构，以提升临床任务的性能	胸部X光片（图像模态）、放射学报告（文本模态）和结构化数值数据（表格数据模态）	数字病理	NA	Transformer	基于Transformer的双模态融合模块和三模态融合框架	图像、文本、表格数据	MIMIC-IV和MIMIC-CXR数据集
125	2025-05-11	Artificial Intelligence non-invasive methods for neonatal jaundice detection: A review 2025-Apr, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103088 PMID:39988547	review	本文综述了人工智能在新生儿黄疸非侵入性检测方法中的应用	探讨了多种AI驱动技术（如机器学习和深度学习）在提高新生儿黄疸诊断准确性方面的潜力，并指出AI模型在检测黄疸方面达到超过90%的准确率	讨论了在临床实践中整合这些技术的伦理和实际影响，并建议未来研究方向，如开发新的成像技术和可穿戴传感器	评估AI解决方案在减少新生儿发病率和死亡率方面的潜在影响，重点关注早期黄疸诊断	新生儿黄疸	digital pathology	geriatric disease	Machine Learning (ML), Deep Learning (DL)	neural networks	image	NA
126	2025-05-11	A comprehensive validation study on the influencing factors of cough-based COVID-19 detection through multi-center data with abundant metadata 2025-Apr, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104798 PMID:39993588	研究论文	本研究通过多中心数据和丰富的元数据，全面验证了基于咳嗽的COVID-19检测模型的影响因素	首次结合自监督学习和多源数据，验证了咳嗽类型、症状和感染阶段等因素对检测性能的影响，并观察了预测概率与临床指标的相关性	在康复个体和开源数据集上检测性能较差，显示了现有基于咳嗽的检测模型的局限性	评估基于咳嗽的COVID-19检测模型在实际应用中的可行性	临床和大规模众包的咳嗽音频数据	机器学习	COVID-19	自监督学习	深度学习模型	音频	多中心临床数据和众包数据
127	2025-05-11	Improving explanations for medical X-ray diagnosis combining variational autoencoders and adversarial machine learning 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109857 PMID:39999495	research paper	提出了一种结合变分自编码器和对抗性机器学习的新型深度学习架构，用于医学X射线诊断的可解释人工智能	利用变分自编码器在低维嵌入空间中对图像进行线性修改，并通过全局和局部正则化潜在空间生成非线性解释，同时设计了一种多目标遗传算法来搜索解释	未提及具体样本量或实验数据的局限性	提高医学计算机视觉中人工智能的可解释性，特别是在医学诊断领域	医学X射线图像	computer vision	NA	variational autoencoders, adversarial machine learning, multi-objective genetic algorithm	VAE	image	NA
128	2025-05-11	Prediction and detection of terminal diseases using Internet of Medical Things: A review 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109835 PMID:39999492	综述	本文综述了人工智能（AI）与医疗物联网（IoMT）结合在预测和检测慢性及终末期疾病中的应用及面临的挑战	探讨了AI-IoMT技术在疾病预测中的创新方法，包括联邦学习、迁移学习和区块链技术，以提高模型的鲁棒性、数据安全性和互操作性	面临数据异质性、隐私问题和模型泛化能力等挑战	评估AI-IoMT技术在预测和检测慢性及终末期疾病中的有效性	心血管疾病、阿尔茨海默病和癌症等慢性及终末期疾病	医疗物联网	心血管疾病、阿尔茨海默病、癌症	联邦学习、迁移学习、区块链	XGBoost、Random Forest、CNN、LSTM	医疗数据	NA
129	2025-05-11	Prediction of school PM2.5 by an attention-based deep learning approach informed with data from nearby air quality monitoring stations 2025-Apr, Chemosphere IF:8.1Q1 DOI:10.1016/j.chemosphere.2025.144241 PMID:39999669	研究论文	本研究提出了一种基于注意力机制的深度学习方法来预测学校室内外PM2.5浓度，利用附近空气质量监测站的数据，无需学校现场传感器	提出了一种基于注意力深度卷积自编码器（ADCAE）的软传感器，完全消除了学校现场传感器的需求，降低了安装、操作和维护的财务和技术成本	NA	预测学校室内外PM2.5浓度，确保健康的学习环境	学校环境（教室和操场）的PM2.5浓度	机器学习	NA	深度学习	ADCAE（注意力深度卷积自编码器）	空气质量数据	多所学校（小学、初中和高中）
130	2025-05-11	Deep learning-based LDL-C level prediction and explainable AI interpretation 2025-Apr, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109905 PMID:40010176	研究论文	本研究探讨了使用深度学习模型预测低密度脂蛋白胆固醇（LDL-C）水平的方法	采用深度学习模型（如CNN、RNN和LSTM）预测LDL-C水平，并通过LIME方法解释模型预测结果，相比传统方法和公式具有更高准确性	深度学习模型需要更多的计算资源来解释其决策过程	预测低密度脂蛋白胆固醇（LDL-C）水平，以评估心血管疾病风险并规划治疗方案	低密度脂蛋白胆固醇（LDL-C）水平	机器学习	心血管疾病	深度学习	CNN, RNN, LSTM	临床数据（包括甘油三酯、总胆固醇和高密度脂蛋白胆固醇）	来自纽约-长老会医院/威尔康奈尔医学中心的数据集（具体样本量未提及）
131	2025-05-11	Automated vertebral compression fracture detection and quantification on opportunistic CT scans: a performance evaluation 2025-Apr, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106831 PMID:40010260	研究论文	开发了一种基于深度学习的算法，用于在机会性CT扫描中自动检测和量化椎体压缩性骨折	使用2D/3D U-Nets卷积神经网络开发了一种自动化工具，用于在非专门针对椎体压缩性骨折的CT扫描中进行机会性筛查	研究样本量相对较小（100名患者），且为回顾性研究	评估基于深度学习的算法在机会性CT扫描中检测和量化椎体压缩性骨折的性能	椎体压缩性骨折（VCF）患者	数字病理学	骨质疏松症	CT扫描	2D/3D U-Nets	医学影像	100名患者（平均年龄76.6岁，72%为女性）
132	2025-05-11	Comprehensive analysis of human dendritic spine morphology and density 2025-Apr-01, Journal of neurophysiology IF:2.1Q3 DOI:10.1152/jn.00622.2024 PMID:40013734	研究论文	本文通过对27名患者的人脑组织进行综合研究，分析了树突棘的形态和密度，并利用深度学习模型实现了自动化的树突棘分割和三维重建	首次使用人脑组织进行树突棘的深入分析，结合深度学习与传统方法，实现了高效的自动化处理	样本量相对较小（27名患者），且仅来自肿瘤或癫痫手术患者，可能影响结果的普遍性	研究人脑树突棘的形态和密度差异，探索其与神经和精神疾病的潜在联系	27名患者（8名女性，19名男性，年龄18-71岁）的脑组织样本	神经科学	神经疾病	三维重建、深度学习	深度学习模型	图像	27名患者的脑组织样本，近4000个形态重建的树突棘
133	2025-05-11	Automated segmentation by SCA-UNet can be directly used for radiomics diagnosis of thymic epithelial tumors 2025-Apr, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112004 PMID:40014944	研究论文	本研究开发了一种名为SCA-UNet的深度学习网络，用于自动分割胸腺病变，并应用于胸腺上皮肿瘤（TETs）的放射组学诊断和风险评估	提出了结合空间通道注意力的SCA-UNet模型，增强了全局上下文感知能力，提高了分割精度和泛化性能	研究仅基于单一医疗中心的数据，可能影响模型的泛化能力	开发自动分割胸腺病变的深度学习模型，并探索其在TETs诊断和风险评估中的应用	712例纵隔病变患者的术前CT图像	数字病理	胸腺上皮肿瘤	CT成像	SCA-UNet（基于UNet改进的深度学习网络）	医学影像（CT图像）	712例患者
134	2025-05-11	A multi-stage multi-modal learning algorithm with adaptive multimodal fusion for improving multi-label skin lesion classification 2025-Apr, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103091 PMID:40015211	research paper	本文提出了一种基于不确定性的混合融合策略的多模态学习算法，用于提高多标签皮肤病变分类的准确性	引入了一种新颖的基于不确定性的混合融合策略，结合了临床图像、皮肤镜图像和元数据三种不同模态，通过中间融合策略和不确定性机制自适应地整合多模态信息	未提及具体的数据集规模限制或算法在特定条件下的性能局限	提高皮肤癌诊断的准确性和临床适用性	皮肤病变图像（临床图像和皮肤镜图像）及相关元数据	digital pathology	skin cancer	multi-modal learning, uncertainty mechanism	deep learning-based multi-modal fusion algorithm	image, metadata	使用了一个流行的公开皮肤疾病诊断数据集（具体数量未提及）
135	2025-05-11	Optimizing visible retinal area in pediatric ultra-widefield fundus imaging: The effectiveness of mydriasis and eyelid lifting 2025-Apr, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2025.104532 PMID:40015615	研究论文	本研究探讨了在儿童超广角眼底成像中，通过散瞳和眼睑提升来最大化可见视网膜区域（VRA）的效果	结合散瞳和手动眼睑提升显著增加了超广角眼底成像中的可见视网膜区域，有效减少了由睫毛和眼睑引起的伪影影响	研究样本量较小（53名儿童，106只眼睛），且仅在单一医院进行，可能影响结果的普遍性	最大化儿童超广角眼底成像中的可见视网膜区域，以提高周边视网膜病变的检测率	53名儿童（106只眼睛）的超广角眼底图像	数字病理学	视网膜病变	超广角Optos成像系统（Daytona P200T）和基于深度学习的图像分割工具	深度学习	图像	53名儿童（106只眼睛）
136	2025-05-11	Noninvasive Artificial Intelligence System for Early Predicting Residual Cancer Burden During Neoadjuvant Chemotherapy in Breast Cancer 2025-Apr-01, Annals of surgery IF:7.5Q1 DOI:10.1097/SLA.0000000000006279 PMID:38557792	research paper	开发一种人工智能系统，用于在乳腺癌新辅助化疗期间早期预测残留癌症负担	提出了一种多任务AI系统，能够在乳腺癌新辅助化疗期间早期预测残留癌症负担，填补了早期检测方法的空白	研究仅基于4个机构的1048名患者，可能存在样本选择偏差	开发一种非侵入性工具，用于早期预测乳腺癌新辅助化疗期间的残留癌症负担	乳腺癌患者	digital pathology	breast cancer	radiomics and deep learning	multitask AI system	magnetic resonance images	1048名乳腺癌患者（335名主要队列，713名外部验证队列）
137	2025-05-11	Use of deep learning model for paediatric elbow radiograph binomial classification: initial experience, performance and lessons learnt 2025-04-01, Singapore medical journal IF:1.7Q2 DOI:10.4103/singaporemedj.SMJ-2022-078 PMID:40258236	研究论文	本研究比较了基于卷积神经网络（CNN）的深度学习模型与儿科急诊医生在儿童肘部X光片二分类任务上的表现	使用EfficientNet B1网络架构训练AI模型，并在儿童肘部X光片的二分类任务上与医生表现进行比较	样本量相对较小（1,314张X光片），且医生间的一致性仅为一般水平（fair inter-rater agreement）	评估深度学习模型在儿童肘部X光片二分类任务中的性能	儿童肘部侧位X光片	计算机视觉	NA	深度学习	CNN（EfficientNet B1）	图像（X光片）	1,314张儿童肘部侧位X光片（患者平均年龄8.2岁）
138	2025-05-11	Transformer-based deep learning enables improved B-cell epitope prediction in parasitic pathogens: A proof-of-concept study on Fasciola hepatica 2025-Apr, PLoS neglected tropical diseases IF:3.4Q1 DOI:10.1371/journal.pntd.0012985 PMID:40300022	研究论文	本研究提出了一种基于Transformer的深度学习模型deepBCE-Parasite，用于预测寄生虫病原体中的B细胞表位	利用最先进的自注意力机制，模型在预测线性B细胞表位方面表现出色，准确率约为81%，AUC为0.90	研究仅针对Fasciola hepatica进行了案例验证，未涵盖所有寄生虫病原体	提高B细胞表位的预测准确性，推动基于表位的疫苗设计、治疗性抗体开发和诊断应用	寄生虫病原体中的B细胞表位，特别是Fasciola hepatica的亮氨酸氨基肽酶蛋白	机器学习	寄生虫病	深度学习	Transformer	肽序列	Fasciola hepatica蛋白质组数据中的八个B细胞表位
139	2025-05-11	Technical note: Impact of tissue section thickness on accuracy of cell classification with a deep learning network 2025-Apr, Journal of pathology informatics DOI:10.1016/j.jpi.2025.100440 PMID:40343112	research paper	研究组织切片厚度对深度学习网络细胞分类准确性的影响	确定了用于细胞分类系统的最佳组织切片厚度，并详细描述了不同厚度引入的形态学差异	研究仅针对肝脏组织，未涉及其他组织类型	优化深度学习网络在常规组织病理学中的细胞分类准确性	肝脏组织中的肝细胞和非肝细胞	digital pathology	NA	HE染色和数字化切片	ResNet CNN和随机森林	image	手动切割的5种厚度和自动切片机(DS)切割的肝脏组织切片
140	2025-05-11	A new era of psoriasis treatment: Drug repurposing through the lens of nanotechnology and machine learning 2025-Mar-30, International journal of pharmaceutics IF:5.3Q1 DOI:10.1016/j.ijpharm.2025.125385 PMID:39999900	review	本文综述了通过纳米技术和机器学习重新利用药物治疗银屑病的新方法	结合纳米技术和人工智能（AI）重新利用现有药物治疗银屑病，克服传统疗法的挑战	药物重新利用方法尚处于早期阶段，可能存在潜在缺点	探索纳米技术和AI在银屑病治疗药物重新利用中的应用	银屑病治疗药物	machine learning	银屑病	machine learning, deep learning, nanotechnology	NA	NA	NA