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
141	2025-04-24	Transformer-Based Multilabel Deep Learning Model Is Efficient for Detecting Ankle Lateral and Medial Ligament Injuries on Magnetic Resonance Imaging and Improving Clinicians' Diagnostic Accuracy for Rotational Chronic Ankle Instability 2025-Mar, Arthroscopy : the journal of arthroscopic & related surgery : official publication of the Arthroscopy Association of North America and the International Arthroscopy Association IF:4.4Q1 DOI:10.1016/j.arthro.2024.05.027 PMID:38876447	research paper	开发了一种基于Transformer的多标签深度学习模型，用于检测踝关节外侧和内侧韧带损伤，并评估其对临床医生诊断慢性踝关节不稳（CAI）的影响	提出了一种基于Transformer的多标签深度学习模型（AnkleNet），在检测踝关节韧带损伤方面表现优于传统的CNN模型，并显著提高了临床医生的诊断准确性	研究基于回顾性收集的MRI数据，可能存在选择偏差	开发一种深度学习模型，辅助诊断慢性踝关节不稳（CAI）	踝关节外侧和内侧韧带损伤	digital pathology	chronic ankle instability	MRI	Transformer-based multilabel DL model (AnkleNet) and CNN	image	回顾性收集的踝关节MRI数据（2016年4月至2022年3月，来自3个中心）
142	2025-04-24	Melanoma classification using generative adversarial network and proximal policy optimization 2025 Mar-Apr, Photochemistry and photobiology IF:2.6Q3 DOI:10.1111/php.14006 PMID:39080818	research paper	提出了一种结合生成对抗网络和近端策略优化的新型深度学习框架，用于黑色素瘤分类	引入了Off-policy PPO算法处理数据不平衡问题，并结合GAN进行数据增强以提高模型的泛化能力	未提及模型在外部验证集上的表现或计算资源需求	提高黑色素瘤的早期检测准确率以改善临床治疗效果	黑色素瘤皮肤病变图像	digital pathology	melanoma	deep learning	GAN, Off-policy PPO	image	SIIM-ISIC Melanoma Classification Challenge-ISIC-2020数据集（具体数量未说明）
143	2025-04-24	Deep Learning-Based Techniques in Glioma Brain Tumor Segmentation Using Multi-Parametric MRI: A Review on Clinical Applications and Future Outlooks 2025-Mar, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29543 PMID:39074952	review	本文综述了深度学习在多参数MRI胶质瘤脑肿瘤分割中的角色及其临床应用	探讨了从早期CNN模型到最新注意力机制和Transformer模型的演进，以及深度学习在治疗计划、监测治疗反应等方面的应用	讨论了数据质量、梯度消失和模型可解释性等挑战	探索深度学习在多参数MRI胶质瘤分割中的应用及其未来发展方向	胶质瘤脑肿瘤	digital pathology	brain tumor	multiparametric MRI	CNN, attention mechanisms, transformer models	MRI图像	NA
144	2025-04-24	Deep Learning Assisted Classification of T1ρ-MR Based Intervertebral Disc Degeneration Phases 2025-Mar, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29499 PMID:39010746	research paper	该研究利用深度学习模型从常规T1-MR图像中分类基于T1ρ-MR的椎间盘退变阶段	提出了一种深度学习模型，能够从常规T1-MR图像中预测T1ρ-MR的椎间盘退变阶段，克服了T1ρ-MR扫描时间长和费用高的问题	样本量较小（60名患者），且研究为回顾性设计	开发一种方法，通过常规T1-MR图像预测T1ρ-MR的椎间盘退变阶段，以促进T1ρ-MR在椎间盘退变中的应用	椎间盘退变（IDD）患者	digital pathology	geriatric disease	T1-, T2-, and T1ρ-MR sequence (spin echo)	deep learning model	image	60名患者（35男/25女），分为训练集（50人）和测试集（10人）
145	2025-04-24	Deep learning and digital pathology powers prediction of HCC development in steatotic liver disease 2025-Mar-01, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000000904 PMID:38768142	研究论文	本文提出了一种深度学习模型，用于预测脂肪肝病患者发展为肝细胞癌（HCC）的风险	利用深度学习模型从H&E染色的全切片图像中预测HCC发展，能够捕捉纤维化阶段之外的细微病理特征	样本量较小，尤其是HCC类患者仅46例	预测脂肪肝病患者发展为HCC的风险	脂肪肝病患者	数字病理学	肝癌	深度学习	CNN	图像	639名非HCC患者和46名HCC患者
146	2025-04-24	Clinical applications of deep learning in neuroinflammatory diseases: A scoping review 2025-Mar, Revue neurologique IF:2.8Q2 DOI:10.1016/j.neurol.2024.04.004 PMID:38772806	综述	本文探讨了深度学习在神经炎症性疾病中的临床应用，并对该领域的现状进行了范围性回顾	提供了深度学习技术在神经炎症性疾病临床应用中的全面概述，并分析了不同数据模态和模型架构的应用情况	研究仅基于2018-2024年间发表的148篇文章和5个商业算法，可能存在发表偏倚	评估深度学习在神经炎症性疾病临床应用中的现状和发展趋势	神经炎症性疾病相关的临床数据和算法	数字病理学	神经炎症性疾病	深度学习	多种DL架构	图像、文本、时间序列信号	148篇文献和5个商业算法
147	2025-04-24	Intraoperative Real-Time IDH Diagnosis for Glioma Based on Automatic Analysis of Contrast-Enhanced Ultrasound Video 2025-03, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2024.11.007 PMID:39674714	研究论文	提出了一种基于术中对比增强超声（CEUS）视频自动分析的实时IDH状态诊断方法ATAN	首次利用自动CEUS视频分析方法实现术中实时IDH诊断，无需肿瘤样本，且诊断准确率较现有方法平均提高15%	主要队列样本量较小（60例胶质瘤患者）	开发一种术中实时诊断胶质瘤IDH状态的方法	胶质瘤患者	数字病理学	胶质瘤	对比增强超声（CEUS）视频分析	ATAN（Automatic TIC Analysis Network）	视频	60例胶质瘤患者（主队列）+258例患者（两个辅助队列）
148	2025-04-24	Automatic Segmentation of Sylvian Fissure in Brain Ultrasound Images of Pre-Term Infants Using Deep Learning Models 2025-03, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2024.11.016 PMID:39676003	研究论文	本研究首次尝试使用深度学习模型自动分割早产儿脑部超声图像中的Sylvian裂	首次在早产儿脑部超声图像中应用深度学习模型进行Sylvian裂的自动分割，并比较了U-Net和ResU-Net的性能	模型在不同厂商设备获取的图像上性能有所下降，且目前仅针对单一平面(C3)的Sylvian裂进行分割	开发自动分割早产儿脑部超声图像中脑沟的方法，以监测其脑部发育情况	早产儿的脑部超声图像	数字病理学	儿科疾病	深度学习	U-Net, ResU-Net	超声图像	未明确说明样本数量，但涉及多个超声设备采集的图像数据
149	2025-04-24	Attention-based Fusion Network for Breast Cancer Segmentation and Classification Using Multi-modal Ultrasound Images 2025-03, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2024.11.020 PMID:39694743	研究论文	提出一种基于注意力机制的多模态超声图像融合网络，用于乳腺癌的分割和分类	提出了一种新颖的深度学习模型MMF-U-Net，通过融合B模式和SE模式超声图像信息进行病灶分割和分类	使用的真实临床数据样本量未明确说明，可能影响模型泛化能力评估	开发可靠的乳腺癌早期计算机辅助诊断系统	乳腺超声图像中的良恶性病灶	数字病理	乳腺癌	深度学习	MMF-U-Net（改进的U-Net架构）	多模态超声图像（B模式和SE模式）	NA
150	2025-04-24	Interactively Fusing Global and Local Features for Benign and Malignant Classification of Breast Ultrasound Images 2025-03, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2024.11.014 PMID:39709289	研究论文	本研究提出了一种结合CNN和ViT的深度学习方法CTMF-Net，用于乳腺超声图像的良恶性分类	通过CNN和ViT的多阶段融合网络，实现了中间特征的交互和更新，提高了分类准确率	未提及具体的数据集偏差或模型泛化能力的详细分析	开发一种高精度的乳腺超声图像自动分类方法	乳腺超声图像	计算机视觉	乳腺癌	深度学习	CNN和ViT融合网络（CTMF-Net）	图像	三个公共乳腺超声数据集（SYSU、UDIAT和BUSI）
151	2025-04-24	Categorizing high-grade serous ovarian carcinoma into clinically relevant subgroups using deep learning-based histomic clusters 2025-Mar, Journal of pathology and translational medicine IF:1.7Q3 DOI:10.4132/jptm.2024.10.23 PMID:39962925	research paper	本研究利用深度学习技术对高级别浆液性卵巢癌进行组织学聚类，将其分为临床相关的亚组	首次应用深度学习模型对HGSC进行组织学聚类，揭示了线粒体动力学和能量代谢在疾病进展中的关键作用	研究基于TCGA数据集，样本来源可能有限，未涉及其他独立验证队列	改善高级别浆液性卵巢癌的预后分层和个性化治疗策略	高级别浆液性卵巢癌(HGSC)患者	digital pathology	ovarian cancer	RNA sequencing	deep learning	whole slide images	TCGA数据集中的卵巢癌样本
152	2025-04-24	Enhancing the prediction of symptomatic radiation pneumonitis for locally advanced non-small-cell lung cancer by combining 3D deep learning-derived imaging features with dose-volume metrics: a two-center study 2025-Mar, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al] IF:2.7Q2 DOI:10.1007/s00066-024-02221-x PMID:38498173	研究论文	本研究旨在探讨深度学习衍生的影像特征结合剂量体积指标在预测局部晚期非小细胞肺癌患者放射性肺炎中的能力	结合3D深度学习衍生的影像特征与剂量体积指标，提高了放射性肺炎的预测准确性	研究样本量相对较小，且仅来自两个中心	预测局部晚期非小细胞肺癌患者的放射性肺炎	局部晚期非小细胞肺癌患者	数字病理	肺癌	3D深度学习	多层感知机	CT影像	149名患者（90名来自复旦大学附属肿瘤医院，59名来自江南大学附属医院）
153	2025-04-24	Deep Learning for Automated Measurement of Total Cardiac Volume for Heart Transplantation Size Matching 2025-Mar, Pediatric cardiology IF:1.5Q2 DOI:10.1007/s00246-024-03470-4 PMID:38570368	research paper	本研究开发了一种基于深度学习的自动测量总心脏体积（TCV）的方法，用于儿科心脏移植中的尺寸匹配	首次使用3D-CNN深度学习模型自动计算TCV，取代了传统的手动分割方法	单中心研究，未来需要通过多中心研究和更丰富的心脏病理数据来提高模型的泛化能力	开发快速准确的TCV自动测量方法，促进心脏移植中供受体尺寸匹配的广泛应用	0-30岁受试者的CT扫描图像	digital pathology	cardiovascular disease	CT扫描	3D-CNN（结合DenseNet和ResNet架构）	医学影像（CT图像）	训练队列270例，验证队列44例（36例正常心脏，8例心脏病）
154	2025-04-24	Recent advances and issues in imaging modalities for hepatocellular carcinoma surveillance 2025-Mar, Journal of liver cancer DOI:10.17998/jlc.2025.02.16 PMID:40007309	综述	本文综述了肝细胞癌（HCC）监测中影像学技术的最新进展及其存在的问题	探讨了低剂量CT结合深度学习重建等新技术在提高HCC监测安全性和可行性方面的潜力，以及基于个体风险特征的定制化监测策略	MRI虽然具有优越的组织对比度和敏感性，但其可及性和成本仍是挑战	提高肝细胞癌（HCC）早期检测的敏感性和成本效益	肝细胞癌（HCC）患者	数字病理学	肝癌	超声（US）、对比增强计算机断层扫描（CT）、磁共振成像（MRI）、深度学习重建	NA	影像数据	NA
155	2025-04-24	DER-GCN: Dialog and Event Relation-Aware Graph Convolutional Neural Network for Multimodal Dialog Emotion Recognition 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3367940 PMID:38437139	研究论文	提出了一种新型的对话和事件关系感知图卷积神经网络（DER-GCN），用于多模态对话情感识别	首次同时建模说话者间的对话关系和潜在事件关系信息，并引入了自监督掩码图自编码器（SMGAE）和多信息Transformer（MIT）来增强特征和结构的融合表示能力	未提及模型在更大规模数据集上的泛化能力	提高多模态对话情感识别的准确性和情感识别值	多模态对话数据（文本、视频和音频）	自然语言处理	NA	图卷积神经网络（GCN）、自监督掩码图自编码器（SMGAE）、多信息Transformer（MIT）	DER-GCN	多模态数据（文本、视频、音频）	两个基准数据集（IEMOCAP和MELD）
156	2025-04-24	Deep learning enables automatic detection of joint damage progression in rheumatoid arthritis-model development and external validation 2025-Mar-01, Rheumatology (Oxford, England) DOI:10.1093/rheumatology/keae215 PMID:38597875	研究论文	本文开发并验证了一种名为AuRA的深度学习算法，用于自动检测类风湿性关节炎患者关节损伤的进展	首次提出并外部验证了AuRA算法，展示了其在真实临床环境中监测放射学进展的实用性	样本量相对有限，且仅验证于特定医院的数据	开发并验证能够自动检测类风湿性关节炎关节损伤进展的算法	类风湿性关节炎患者的关节损伤	数字病理学	类风湿性关节炎	深度学习	CNN	X光图像	初始训练集367例，外部验证集205例，纵向研究54例
157	2025-04-24	BINDTI: A Bi-Directional Intention Network for Drug-Target Interaction Identification Based on Attention Mechanisms 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3375025 PMID:38457318	research paper	提出了一种基于注意力机制的双向意图网络BINDTI，用于药物-靶点相互作用识别	结合双向意图网络和ACmix混合模型，创新性地融合药物和蛋白质特征，提高了DTI预测的准确性	未提及具体的数据集规模限制或模型计算复杂度问题	开发一种高效的药物-靶点相互作用预测方法以加速药物发现过程	药物分子和蛋白质靶点	machine learning	NA	graph convolutional networks, self-attention mechanism, convolution	BINDTI (Bi-Directional Intention network), ACmix, multilayer perceptron	2D molecular graph (SMILES), amino acid sequence	BindingDB, BioSNAP, DrugBank, Human datasets (具体数量未提及)
158	2025-04-24	Rapid discrimination and ratio quantification of mixed antibiotics in aqueous solution through integrative analysis of SERS spectra via CNN combined with NN-EN model 2025-Mar, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2024.03.016 PMID:38531495	研究论文	该研究提出了一种基于深度学习算法的SERS光谱智能分析模型，用于快速识别混合物中的抗生素成分并定量测定这些成分的比例	结合CNN和NN-EN模型，实现了对混合物中抗生素成分的高精度识别和比例定量	研究仅针对三种抗生素（环丙沙星、多西环素和左氧氟沙星）进行了测试，未涵盖更多种类的抗生素	开发一种快速、高精度的抗生素残留检测技术，以维护水生环境中的抗生素安全	水环境中的抗生素残留（环丙沙星、多西环素和左氧氟沙星）	机器学习	NA	表面增强拉曼光谱（SERS）	CNN和NN-EN	光谱数据	NA
159	2025-04-24	Property-Guided Few-Shot Learning for Molecular Property Prediction With Dual-View Encoder and Relation Graph Learning Network 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3381896 PMID:38536684	research paper	提出了一种名为PG-DERN的新型少样本学习模型，用于分子属性预测，通过双视角编码器和关系图学习网络提高预测准确性	引入了双视角编码器学习分子表示，提出关系图学习模块构建分子间相似性关系图，采用MAML元学习策略优化参数，设计了属性引导的特征增强模块	未明确提及具体局限性	解决药物发现中分子属性预测任务在数据稀缺情况下的准确性问题	药物分子	machine learning	NA	few-shot learning, meta-learning	PG-DERN (包含dual-view encoder和relation graph learning network)	分子结构数据	四个基准数据集（未明确样本数量）
160	2025-04-24	Multimodal Drug Target Binding Affinity Prediction Using Graph Local Substructure 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3386815 PMID:38598378	研究论文	提出了一种基于图局部子结构的多模态药物靶点结合亲和力预测模型MLSDTA	综合整合药物和靶点的图和序列模态信息，通过交叉注意力方法实现多模态特征融合，并应用自适应结构感知池化生成包含局部子结构信息的图	未提及具体的数据集规模限制或模型在其他类型药物靶点上的泛化能力	降低药物开发成本和周期，提高药物靶点结合亲和力预测的准确性	药物和靶点的结合亲和力	机器学习	NA	深度学习	MLSDTA（基于图局部子结构的多模态模型）	图和序列数据	在两个基准数据集上进行实验