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
1501	2025-04-18	EMCAH-Net: an effective multi-scale context aggregation hybrid network for medical image segmentation 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1983 PMID:40235751	research paper	提出了一种名为EMCAH-Net的混合深度学习模型，用于有效且鲁棒地分割医学图像	集成了有效的多尺度上下文聚合（EMCA）块和双注意力增强自注意力（DASA）块，有效整合局部多尺度特征和全局特征	未明确提及具体局限性	开发一种能够有效分割医学图像的混合深度学习模型	医学图像，包括但不限于CT和MR图像	digital pathology	NA	深度学习	CNN, Transformer, EMCAH-Net	image	Synapse, ACDC, DRIVE数据集
1502	2025-04-18	SuperMRF: deep robust reconstruction for highly accelerated magnetic resonance fingerprinting 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-23-1819 PMID:40235764	研究论文	本文提出了一种名为SuperMRF的深度学习框架，用于从欠采样的3D Cartesian MRF数据直接生成定量T1和T2图，绕过传统的模式匹配方法	SuperMRF利用3D CNN同时利用空间和时间信息进行重建，相比传统方法在高度加速扫描下仍能保持高精度和鲁棒性	研究仅针对健康志愿者的膝关节扫描数据进行了验证，样本量较小（4名志愿者）	设计和评估一种新型深度学习框架，用于磁共振指纹（MRF）的快速、高质量重建	磁共振指纹（MRF）数据	医学影像分析	NA	磁共振指纹（MRF）	3D CNN	3D医学影像	健康志愿者膝关节扫描数据（模拟实验）和4名志愿者前瞻性数据
1503	2025-04-18	Detecting keypoints with semantic labels on skull point cloud for plastic surgery 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1358 PMID:40235762	研究论文	提出了一种用于整形外科的密集三维头骨点云关键点检测框架，以辅助术前规划	结合PointRes2Net模块和自组织映射的关键点描述符-检测器框架，以及基于关键点的局部小部分分割策略	需要密集的三维点云数据，且未提及对其他类型点云的适用性	开发用于整形外科的精确关键点检测和分割方法	头骨三维点云模型	计算机视觉	整形外科	深度学习	PointRes2Net, 自组织映射	三维点云	未明确提及具体样本数量，但涉及尺寸为231 mm × 173 mm × 151 mm的头骨模型
1504	2025-04-18	A novel dual-branch segmentation algorithm for overall spine segmentation 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-2297 PMID:40235769	research paper	提出了一种基于nnUnet框架的双分支分割算法DBU-Net，用于脊柱CT图像的高效自动化分割	DBU-Net结合了多尺度特征通道注意力模块和双分支解码器架构，能够自适应调整各通道重要性并整合全局上下文与局部特征	研究仅使用了VerSe数据集进行验证，未在其他脊柱CT数据集上进行广泛测试	开发一种高效的深度学习分割网络，用于脊柱CT图像的自动化分割	脊柱CT图像中的椎骨结构	digital pathology	spinal disease	CT imaging	DBU-Net (基于nnUNet改进的双分支网络)	CT图像	MICCAI 2019和2020年VerSe数据集
1505	2025-04-18	Diagnostic accuracy of deep learning for the invasiveness assessment of ground-glass nodules with fine segmentation: a systematic review and meta-analysis 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1839 PMID:40235789	meta-analysis	系统评价和荟萃分析深度学习模型通过精细结节分割在评估肺腺癌侵袭性方面的诊断准确性	首次系统评价和荟萃分析深度学习模型在肺腺癌侵袭性评估中的诊断准确性	证据的整体质量较低，需要更多大规模、多中心、高质量的研究来验证	评估深度学习模型通过精细结节分割在肺腺癌侵袭性诊断中的准确性	肺腺癌（IAC）表现为磨玻璃结节（GGNs）的患者	digital pathology	lung cancer	deep learning, nodule segmentation	DL	image	8项研究，涉及5,281个结节和4,676名患者
1506	2025-04-18	Carotid artery segmentation in computed tomography angiography (CTA) using multi-scale deep supervision with Swin-UNet and advanced data augmentation 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-2087 PMID:40235793	research paper	本研究提出了一种基于深度学习的自动化三维颈动脉分割方法，用于计算机断层扫描血管造影（CTA）图像	结合了Swin变换器、深度监督机制和创新数据增强技术，显著提高了分割的准确性和鲁棒性	研究仅基于214例CTA图像，样本量相对较小	开发一种自动且准确的3D颈动脉分割方法，以辅助颈动脉疾病（CAD）的诊断	颈动脉疾病患者的CTA图像	digital pathology	cardiovascular disease	deep learning	MFSD-UNet (Multi-Flux-Swin-Deepsup-UNet)	image	214例CTA图像
1507	2025-04-18	Formal validation of a deep learning-based automated interpretation system for cardiac structure and function in adult echocardiography 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1852 PMID:40235804	研究论文	本研究提出了一种基于深度学习的自动化系统，用于解释成人超声心动图中的心脏结构和功能	开发了Auto-Echo和Auto-Doppler两种深度学习算法，用于自动测量超声心动图参数，显著提高了测量效率和准确性	在RV-A4C视图和RV参数测量中观察到较大的绝对偏差，且跨瓣速度的VTI测量显示出较大的相对偏差	验证深度学习在超声心动图心脏结构和功能自动解释中的准确性和效率	成人心脏结构和功能的超声心动图测量	数字病理学	心血管疾病	超声心动图	深度学习（具体架构未明确说明）	视频和图像	训练集：141名患者的416个视频循环和892幅多普勒图像；验证集：60名新患者的178个新视频循环和391幅多普勒图像；外部验证集：90个2D视频和120幅多普勒图像
1508	2025-04-18	Feasibility of magnetization-transfer-contrast relaxation-enhanced angiography without contrast and triggering (REACT) imaging at 1.5 T combined with deep learning-based reconstruction for cardiovascular visualization 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-2199 PMID:40235803	研究论文	本研究评估了在1.5 T磁场下结合磁化转移对比增强的无对比剂和触发血管成像（REACT）与基于深度学习的重建技术用于心血管可视化的可行性	结合磁化转移对比（MTC）预脉冲和深度学习的Adaptive-CS-Net算法，显著提升了肺动脉和肺静脉成像的信噪比（SNR）和对比噪声比（CNR）	研究样本量较小（20名参与者），且仅针对肺静脉和肺动脉成像进行了评估	评估MTC-REACT技术结合深度学习重建在心血管成像中的可行性和图像质量提升效果	肺动脉和肺静脉	医学影像	心血管疾病	磁共振血管成像（MRA）、深度学习重建	Adaptive-CS-Net	医学影像数据	20名参与者
1509	2025-04-18	Development and validation of the Artificial Intelligence-Proliferative Vitreoretinopathy (AI-PVR) Insight system for deep learning-based diagnosis and postoperative risk prediction in proliferative vitreoretinopathy using multimodal fundus imaging 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1644 PMID:40235812	research paper	开发并验证了一个基于深度学习的系统AI-PVR Insight，用于增殖性玻璃体视网膜病变(PVR)的自动识别、分级及术后风险评估	结合TwinsSVT和DenseNet-121两种深度学习模型，从B-scan超声、OCT和超广角视网膜成像三种模态中提取特征，实现PVR的自动化诊断与风险预测	研究数据来源于两家医院，可能存在选择偏倚；模型性能需在更多外部数据集中进一步验证	开发自动化系统以改善增殖性玻璃体视网膜病变的早期诊断和术后管理	接受玻璃体切除术的1700例患者（1700只眼）的多模态眼底影像数据	digital pathology	增殖性玻璃体视网膜病变(PVR)	B-scan超声、光学相干断层扫描(OCT)、超广角视网膜成像(UWF)	TwinsSVT, DenseNet-121, MLP, SVM	多模态医学影像	1700例患者（1700只眼）的回顾性数据
1510	2025-04-18	Deep learning network based on high-resolution magnetic resonance vessel wall imaging combined with attention mechanism for predicting stroke recurrence in patients with symptomatic intracranial atherosclerosis 2025-Apr-01, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims-24-1723 PMID:40235801	研究论文	本研究开发了一种基于高分辨率磁共振血管壁成像（HR-VWI）和注意力机制的深度学习网络模型，用于预测症状性颅内动脉粥样硬化性狭窄（sICAS）患者的卒中复发风险	结合Transformer注意力机制构建了先进的集成模型Trans-CNN，显著提升了预测性能	研究为回顾性设计，样本量相对有限（363例患者）	开发高精度模型预测sICAS患者的卒中复发风险	症状性颅内动脉粥样硬化性狭窄患者	数字病理学	心血管疾病	高分辨率磁共振血管壁成像（HR-VWI）	CNN（ResNet50和DenseNet169）与Transformer注意力机制结合的Trans-CNN模型	医学影像	363例sICAS患者（训练集254例，测试集109例）
1511	2025-04-18	MRI-based habitat radiomics combined with vision transformer for identifying vulnerable intracranial atherosclerotic plaques and predicting stroke events: a multicenter, retrospective study 2025-Apr, EClinicalMedicine IF:9.6Q1 DOI:10.1016/j.eclinm.2025.103186 PMID:40235946	研究论文	本研究开发了一种基于高分辨率血管壁成像（HR-VWI）的人工智能模型，用于识别症状性颅内动脉粥样硬化狭窄（sICAS）患者的易损斑块并预测卒中复发风险	结合了栖息地放射组学与Vision Transformer（ViT）架构，采用堆叠融合策略构建融合模型，显著提高了识别和预测性能	研究为回顾性设计，可能存在选择偏倚；样本来自四个医疗机构，可能影响模型的泛化能力	开发非侵入性工具以准确识别高风险易损斑块并评估卒中风险，辅助临床决策	726名sICAS患者的1806个斑块	数字病理	心血管疾病	高分辨率血管壁成像（HR-VWI）、K-means聚类、放射组学分析	Vision Transformer（ViT）、栖息地模型、融合模型	MRI图像	726名患者的1806个斑块
1512	2025-04-18	Optimizing Coronary CT Image Reconstruction With Deep Learning for Improved Quality: A Retrospective Study 2025-Apr-01, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001746 PMID:40241428	研究论文	本研究评估了深度学习图像重建在冠状动脉CT血管成像（CCTA）中对图像质量的影响，并与自适应统计迭代重建（ASIR）进行了比较	首次在CCTA中应用深度学习图像重建技术（DLIR-H），并证明其在降低图像噪声、提高信噪比（SNR）和对比噪声比（CNR）方面显著优于传统ASIR-V方法	研究样本量有限（100例患者），且为单中心回顾性研究	优化冠状动脉CT图像重建技术以提高图像质量	疑似冠状动脉疾病（CAD）患者的CCTA图像	数字病理	心血管疾病	深度学习图像重建（DLIR-H）	深度学习（未指定具体模型）	医学影像（CT图像）	100例疑似CAD患者的连续病例
1513	2025-04-18	Lit-OTAR framework for extracting biological evidences from literature 2025-Mar-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf113 PMID:40097274	研究论文	介绍了一种名为lit-OTAR的框架，该框架利用深度学习从科学文献中提取证据，以加速药物发现过程	结合命名实体识别和实体归一化技术，从大量科学文献中提取并标准化基因/蛋白质、疾病、生物体和化学/药物信息	未提及具体的技术性能指标或与其他方法的比较	加速药物发现过程和科学研究，通过从文献中提取生物医学证据	科学文献中的基因/蛋白质、疾病、生物体和化学/药物	自然语言处理	NA	深度学习	NA	文本	超过3900万篇摘要和450万篇全文文章及预印本
1514	2025-04-18	H2GnnDTI: hierarchical heterogeneous graph neural networks for drug-target interaction prediction 2025-Mar-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf117 PMID:40097269	研究论文	提出了一种名为H2GnnDTI的两级层次异构图学习模型，用于预测药物-靶点相互作用	通过低层次视图GNN和高层次视图GNN整合药物和蛋白质的结构，充分利用了DTIs中的层次信息	未提及具体局限性	开发计算工具以自动预测和理解药物-靶点相互作用，支持药物再利用和药物发现	药物和蛋白质	机器学习	NA	图神经网络	H2GnnDTI (两级层次异构图学习模型)	图数据	三个基准数据集
1515	2025-03-29	Author Correction: ThyroNet-X4 genesis: an advanced deep learning model for auxiliary diagnosis of thyroid nodules' malignancy 2025-Mar-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-94090-2 PMID:40148386	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1516	2025-04-18	Machine Learning Analysis of Videourodynamics to Predict Incident Hydronephrosis in Patients With Spina Bifida 2025-Mar-25, The Journal of urology IF:5.9Q1 DOI:10.1097/JU.0000000000004547 PMID:40132220	研究论文	利用机器学习分析视频尿动力学数据，预测脊柱裂患者发生肾积水的风险	开发了结合压力/体积记录和膀胱荧光镜图像特征的集成模型，提高了预测准确性	样本量相对有限，且仅针对脊柱裂患者	提高脊柱裂患者肾积水风险的预测准确性	脊柱裂患者	机器学习	脊柱裂	视频尿动力学	随机生存森林模型, 集成模型	视频尿动力学数据, 荧光镜图像	训练队列354人，验证队列200人
1517	2025-04-18	A deep learning model trained on expressed transcripts across different tissue types reveals cell-type codon-optimization preferences 2025-Mar-20, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkaf233 PMID:40156867	research paper	本文开发了一种基于深度学习的工具，用于预测细胞类型依赖的密码子偏好，以提高重组蛋白的表达水平	使用RNN模型定义细胞类型依赖的密码子偏好，显著提高了蛋白质翻译效率，尤其是分泌蛋白	仅测试了三种组织类型（脑、肝和肌肉）的基因表达数据，可能不适用于所有细胞类型	开发一种新型深度学习工具，用于优化密码子使用以提高蛋白质表达水平	基因表达数据（脑、肝和肌肉组织）和分泌基因	machine learning	NA	RNA-seq	RNN	gene expression data	三种组织类型（脑、肝和肌肉）的基因表达数据
1518	2025-04-18	Smart Grain Storage Solution: Integrated Deep Learning Framework for Grain Storage Monitoring and Risk Alert 2025-Mar-18, Foods (Basel, Switzerland) DOI:10.3390/foods14061024 PMID:40232114	研究论文	提出了一种基于深度学习框架的多模型融合方法，用于粮食储存状态监测和风险预警	结合3D DenseNet和3DCNN-LSTM两种三维深度学习模型，实现了粮食储存状态的准确分类和温度场的精确预测	未提及具体的数据集规模或实际应用中的潜在问题	克服现有粮食储存状态监测方法的局限性，提高风险预警能力	粮食储存状态和温度场动态变化	机器学习	NA	深度学习	3D DenseNet, 3DCNN-LSTM	三维温度数据	NA
1519	2025-04-18	The Fermentation Degree Prediction Model for Tieguanyin Oolong Tea Based on Visual and Sensing Technologies 2025-Mar-13, Foods (Basel, Switzerland) DOI:10.3390/foods14060983 PMID:40231982	研究论文	本研究基于视觉和传感技术，建立了铁观音乌龙茶发酵程度的预测模型	结合多源特征融合和Sparrow Search Algorithm优化，显著提高了发酵程度预测的准确性	研究仅针对铁观音乌龙茶，未验证在其他茶类中的适用性	实现铁观音乌龙茶发酵程度的在线实时监测，促进自动化生产	铁观音乌龙茶	机器学习	NA	重量传感器、氧化锡型气体传感器、视觉采集系统	SVR、RF、LSTM	图像、气味、重量数据	NA
1520	2025-04-18	How much data do you need? An analysis of pelvic multi-organ segmentation in a limited data context 2025-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-024-01514-w PMID:40067638	研究论文	本研究探讨了在有限数据背景下，盆腔多器官MR分割中数据集大小对nnU-Net模型性能的影响	评估了nnU-Net在有限数据和单一扫描仪条件下的性能表现，确定了数据量对分割性能的影响阈值（12张图像）	研究仅基于单一扫描仪（Elekta Unity）获取的数据，可能影响结果的普适性	探索深度学习模型在有限数据条件下的盆腔多器官分割性能	接受Elekta Unity治疗的12名参与者的58张MR图像（前列腺、精囊、膀胱和直肠）	数字病理	前列腺癌	MR成像	nnU-Net	医学影像	12名参与者（58张MR图像，其中46张用于训练，12张用于测试）