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
1581	2025-09-03	Computer vision systems for monitoring hutch-housed dairy calves 2025-Sep, Journal of dairy science IF:3.7Q2 DOI:10.3168/jds.2025-26267 PMID:40447089	研究论文	开发并评估基于计算机视觉的系统，用于监测户外犊牛舍中奶犊的位置、姿态及其与热应激指标的关系	首次针对美国主流犊牛舍（占比>50%）开发CVS监测系统，并比较大小深度学习模型在边缘计算中的应用潜力	样本量较小（n=12头犊牛），且数据来源于特定通风条件设计的实验	开发自动化监测系统以提升犊牛健康与福利管理水平	户外犊牛舍中的断奶前小母牛	计算机视觉	NA	深度学习目标检测	YOLOv3, YOLOv3-tiny	图像	12头犊牛，20天内每5分钟采集图像（共27,704张图像）
1582	2025-09-03	Deep Learning Differentiates Papilledema, NAION, and Healthy Eyes With Unsegmented 3D OCT Volumes 2025-Sep, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2025.05.036 PMID:40447246	研究论文	使用深度学习模型基于未分割的3D OCT体积区分视乳头水肿、非动脉炎性前部缺血性视神经病变和健康眼	首次利用完整3D OCT体积而非分割区域或二维图像进行多类别眼科疾病鉴别，并验证了不同解剖区域（视盘及周围视网膜）的诊断价值	回顾性研究设计，需前瞻性验证；未包含其他原因引起的视盘水肿病例	开发自动化诊断工具区分视乳头水肿、NAION和健康眼	人眼视神经头OCT扫描数据	计算机视觉	眼科疾病	光学相干断层扫描（OCT）	ResNet 3D-18	3D医学影像	4619个原始扫描（1539只眼），外部验证集1663个扫描（742只眼）
1583	2025-09-03	Deep Learning CAIPIRINHA-VIBE Improves and Accelerates Head and Neck MRI 2025-Sep, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.05.020 PMID:40447509	研究论文	本研究评估了基于深度学习重建的加速VIBE序列在头颈部增强MRI中的图像质量提升效果	首次将深度学习重建技术应用于CAIPIRINHA加速的VIBE序列，在显著缩短扫描时间的同时提升图像质量	单中心研究，样本量有限（68例患者），未进行多中心验证	评估深度学习重建加速VIBE序列在头颈部增强MRI中的图像质量	接受颈部MRI检查的患者	医学影像分析	头颈部疾病	深度学习重建，MRI序列加速技术（CAIPIRINHA）	深度学习模型（具体架构未说明）	医学影像（MRI）	68例患者（60.3%男性，平均年龄57.4±16岁）
1584	2025-09-03	Recent advances in monoclonal antibody development for treatment of B-cell acute lymphoblastic leukemia 2025-Sep, Leukemia & lymphoma IF:2.2Q3 DOI:10.1080/10428194.2025.2507198 PMID:40455243	综述	本文综述了单克隆抗体在B细胞急性淋巴细胞白血病治疗中的最新进展，包括临床效果、耐药机制及技术革新	整合人工智能与深度学习技术进行抗体设计，实现表位结合预测和从头蛋白质工程，加速新一代疗法开发	面临抗原逃逸、基质介导的耐药性及治疗相关毒性等持续挑战	总结单克隆抗体疗法在B-ALL治疗中的临床成果与耐药机制，探索组合疗法及新技术应用	B细胞急性淋巴细胞白血病（B-ALL）患者，特别是复发/难治性疾病群体	生物医学工程	B细胞急性淋巴细胞白血病	单克隆抗体技术、抗体工程（Fc优化、纳米抗体、人源化）、人工智能与深度学习	NA	临床研究数据与文献数据	基于PubMed、Web of Science和ClinicalTrials.gov（2000-2024年）的文献综合
1585	2025-09-03	Classifying fungi biodiversity using hybrid transformer models 2025-Sep, Journal of microbiological methods IF:1.7Q4 DOI:10.1016/j.mimet.2025.107155 PMID:40460919	研究论文	提出一种结合Vision Transformer和Swin Transformer的混合深度学习模型，用于真菌多类别分类	首次将Vision Transformer和Swin Transformer与传统CNN模型（如MobileNetV2、DenseNet121、EfficientNetB0）通过迁移学习框架融合，用于真菌生物多样性分类	NA	提升真菌生物多样性分类的准确性和效率，以支持生态保护和可持续实践	五类真菌物种的图像数据	计算机视觉	NA	迁移学习、数据增强、五折交叉验证、可解释AI（Grad-CAM）	Hybrid Transformer（ViT, Swin Transformer）与CNN（MobileNetV2, DenseNet121, EfficientNetB0）混合模型	图像	9115张真菌图像，涵盖5个物种
1586	2025-09-03	DeepSurv-based deep learning model for survival prediction and personalized treatment recommendation in tongue squamous cell carcinoma 2025-Sep, Journal of cranio-maxillo-facial surgery : official publication of the European Association for Cranio-Maxillo-Facial Surgery DOI:10.1016/j.jcms.2025.05.005 PMID:40461342	研究论文	基于DeepSurv的深度学习模型用于舌鳞状细胞癌的生存预测和个性化治疗推荐	采用双残差块结合批量归一化和复合Cox排序损失函数，在舌鳞状细胞癌中实现生存预测和治疗效益评估	需要前瞻性验证以支持临床实施	舌鳞状细胞癌的生存预测和个性化治疗推荐	舌鳞状细胞癌患者	数字病理	舌鳞状细胞癌	深度学习	DeepSurv-based deep neural network	临床数据	SEER数据库2,015名患者（2000-2021），内部验证504例，外部验证249例
1587	2025-09-03	A Study on Predicting the Efficacy of Posterior Lumbar Interbody Fusion Surgery Using a Deep Learning Radiomics Model 2025-Sep, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.05.026 PMID:40450398	研究论文	开发结合临床数据、影像组学和深度学习的模型，用于预测后路腰椎椎间融合术（PLIF）的疗效	提出融合临床特征、影像组学特征和深度学习特征的多模态组合模型，并探索不同ROI掩膜扩展对预测性能的影响	回顾性研究设计，样本量有限（461例患者），需外部验证确认泛化能力	预测PLIF手术术后融合效果	接受PLIF手术的退行性腰椎疾病患者	医学影像分析	退行性腰椎疾病	影像组学分析、深度学习特征提取	逻辑回归、随机森林、深度学习模型	MRI影像（矢状位T2加权图像）、临床数据	461例患者（训练集368例，测试集93例）
1588	2025-09-03	A segmentation network based on CNNs for identifying laryngeal structures in video laryngoscope images 2025-Sep, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102573 PMID:40472423	研究论文	提出一种基于CNN的MPE-UNet深度学习模型，用于视频喉镜图像中喉部结构的精确分割	在U-Net架构中引入改进的多尺度特征提取模块、金字塔融合注意力模块和即插即用注意力机制模块，提升复杂喉部图像的处理能力和细节捕捉	NA	辅助临床医生更准确高效地进行气管插管操作	视频喉镜图像中的喉部结构	计算机视觉	NA	深度学习	U-Net (CNN)	图像	NA
1589	2025-09-03	Differentiating Bacterial and Non-Bacterial Pneumonia on Chest CT Using Multi-Plane Features and Clinical Biomarkers 2025-Sep, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.05.047 PMID:40494699	研究论文	开发并评估多平面多模态深度学习模型MPMT-Pneumo，用于区分细菌性和非细菌性肺炎	提出结合多平面CT视图和临床炎症生物标志物的混合CNN-Transformer架构，并采用Poly Focal Loss解决类别不平衡问题	研究样本仅来自两家医院，可能存在选择偏倚；未提及外部验证结果	提高细菌性肺炎与非细菌性肺炎的CT影像鉴别诊断准确性	384例经微生物学确认的肺炎患者（239例细菌性，145例非细菌性）	计算机视觉	肺炎	CT成像，炎症生物标志物检测（WBC, ANC, CRP, PCT）	CNN-Transformer混合架构	图像（多平面CT视图），临床数据（生物标志物）	384例患者
1590	2025-09-03	Robust Bayesian brain extraction by integrating structural subspace-based spatial prior into deep neural networks 2025-Sep, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102572 PMID:40516207	研究论文	提出一种结合结构子空间先验与深度学习的贝叶斯脑提取方法，用于准确且鲁棒的颅骨剥离	将基于混合特征模态的结构子空间先验集成到深度神经网络中，有效捕捉大脑的高维空间-强度分布	NA	实现跨疾病、机构和年龄组的准确且鲁棒的脑提取	大脑图像，包括健康扫描、病变图像及受噪声和伪影影响的图像	医学图像分析	神经系统疾病	深度学习，结构子空间建模	多分辨率位置依赖神经网络，基于patch的融合网络	图像	多机构数据集，涵盖全生命周期健康扫描、病变图像及噪声/伪影图像
1591	2025-09-03	Prediction of NIHSS Scores and Acute Ischemic Stroke Severity Using a Cross-attention Vision Transformer Model with Multimodal MRI 2025-Sep, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.05.031 PMID:40517096	研究论文	本研究开发并评估了一种基于跨注意力视觉Transformer模型的多模态MRI方法，用于预测急性缺血性卒中患者的NIHSS评分和卒中严重程度	首次将Vision Transformer框架与跨模态融合策略相结合应用于卒中严重程度分类，实现了优异的预测性能和模型可解释性	在BMI亚组中存在显著预测差异(p < 0.001)，需要进一步优化模型在该人群的适用性	开发基于多模态MRI数据的急性缺血性卒中神经功能缺损严重程度分类模型	急性缺血性卒中患者	计算机视觉	心血管疾病	多模态MRI（DWI、T1WI、T2WI、FLAIR）	Vision Transformer (ViT) with cross-attention	医学影像	1227例急性缺血性卒中患者回顾性队列
1592	2025-09-03	Predicting occupant response curves in vehicle crashes via Attention-enhanced multimodal temporal Network 2025-Sep, Accident; analysis and prevention DOI:10.1016/j.aap.2025.108140 PMID:40532417	研究论文	提出一种基于注意力增强多模态时序网络的车辆碰撞乘员响应曲线预测方法	引入跨注意力机制融合多模态数据，并采用改进的时序卷积网络与动态自适应损失实现多任务时序预测	NA	提升车辆碰撞安全性预测的准确性与效率，减少对高成本物理测试的依赖	车辆碰撞过程中的乘员多部位响应曲线	机器学习	NA	深度学习，注意力机制	Attention-enhanced Multimodal Temporal Network (AMTN), Temporal Convolutional Network (TCN)	数值参数，车辆碰撞脉冲信号	工程获取的数据集（具体数量未说明）
1593	2025-09-03	Quantification of Breast Arterial Calcification in Mammograms Using a UNet-Based Deep Learning for Detecting Cardiovascular Disease 2025-Sep, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.05.036 PMID:40541546	研究论文	开发并验证一种基于U-Net的深度学习模型，用于在乳腺X光片中检测、分割和量化乳腺动脉钙化，以改进心血管疾病风险评估	采用改进的U-Net架构，结合Hausdorff损失、Dice损失和二元交叉熵损失进行精确分割和量化，实现高精度BAC检测	回顾性研究，样本量有限（369例患者），需进一步外部验证	提升乳腺X光筛查中心血管疾病风险的检测与量化能力	乳腺X光片中的乳腺动脉钙化（BAC）	计算机视觉	心血管疾病	深度学习，图像分割	U-Net	图像	369例患者的乳腺X光片
1594	2025-09-03	Classification of glioma grade and Ki-67 level prediction in MRI data: A SHAP-driven interpretation 2025-Sep, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102578 PMID:40543244	研究论文	本研究利用可解释人工智能和SHAP方法，基于MRI数据对胶质瘤分级和Ki-67水平进行AI驱动分类	首次结合深度学习特征与Ki-67生物标志物，并通过SHAP分析揭示特征与生物标志物之间的强关联性	样本量较小（101例患者），仅使用T2W-FLAIR序列MRI数据	开发AI驱动的MRI分析方法，提升胶质瘤临床管理决策	胶质瘤患者	医学影像分析	胶质瘤	MRI（T2W-FLAIR序列）、深度学习特征提取	ResNet50、XGBoost	医学影像（MRI）	101例胶质瘤患者
1595	2025-09-03	Deep learning based colorectal cancer detection in medical images: A comprehensive analysis of datasets, methods, and future directions 2025-Sep, Clinical imaging IF:1.8Q3 DOI:10.1016/j.clinimag.2025.110542 PMID:40543496	综述	本文全面回顾了2019至2025年间基于人工智能的结直肠癌医学影像检测技术发展现状	系统量化分析了110篇高质量文献和9个公开医学影像数据集，并对包括ResNet、VGG及新兴Transformer模型在内的多种CNN架构进行分类评估	存在数据集稀缺性、计算资源限制及标准化挑战等技术局限性	评估人工智能在结直肠癌医学影像检测中的应用现状与发展趋势	结直肠癌医学影像数据及深度学习模型	计算机视觉	结直肠癌	深度学习，超参数优化（遗传算法、粒子群优化），可解释AI（Grad-CAM、SHAP）	CNN（ResNet、VGG）、Transformer	医学影像	基于9个公开数据集和110篇文献的系统分析
1596	2025-09-03	MDEANet: A multi-scale deep enhanced attention net for popliteal fossa segmentation in ultrasound images 2025-Sep, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102570 PMID:40544544	研究论文	提出一种基于深度学习的超声图像分割网络MDEANet，用于精确分割腘窝区域的神经、肌肉和动脉	结合了级联多尺度空洞卷积(CMAC)、增强空间注意力机制(ESAM)和跨层级特征融合(CLFF)，显著提升了多尺度特征提取和关键解剖区域关注能力	NA	提高超声引导下坐骨神经阻滞的准确性和效率，通过精确分割腘窝解剖结构为麻醉医师提供决策支持	腘窝区域的神经、肌肉和动脉	计算机视觉	NA	深度学习	CNN	超声图像	NA
1597	2025-09-03	VTrans: A VAE-Based Pre-Trained Transformer Method for Microbiome Data Analysis 2025-Sep, Journal of computational biology : a journal of computational molecular cell biology IF:1.4Q2 DOI:10.1089/cmb.2024.0884 PMID:40295093	研究论文	提出一种结合Transformer编码器和变分自编码器(VAE)的深度学习模型VTrans，用于基于微生物数据预测癌症患者的生存风险	首次将Transformer编码器与VAE结合，并采用预训练和微调策略来解决微生物数据高维小样本的挑战	研究仅基于TCGA的三个癌症数据集，尚未扩展到更多癌症类型或外部验证	预测癌症患者的生存结局并评估其风险	癌症患者的微生物组数据	机器学习	癌症	微生物组数据分析	Transformer, VAE	微生物组数据	三个TCGA癌症数据集
1598	2025-09-03	Ensemble deep learning model for early diagnosis and classification of Alzheimer's disease using MRI scans 2025-Sep, Journal of Alzheimer's disease : JAD DOI:10.1177/13872877251359950 PMID:40776602	研究论文	本研究提出一种集成深度学习模型，利用MRI扫描进行阿尔茨海默病的早期诊断与分类	结合改进的Beluga鲸优化器和Manta觅食优化的新型特征选择框架H-IBMFO，以及MobileNet V2、DarkNet和ResNet的集成深度学习模型	NA	通过先进的图像预处理、最优特征选择和集成深度学习技术提升基于MRI的AD分类性能	阿尔茨海默病患者的MRI脑部扫描图像	计算机视觉	阿尔茨海默病	MRI图像处理，包括归一化、仿射变换和去噪	集成深度学习模型（MobileNet V2, DarkNet, ResNet）	图像	NA
1599	2025-09-03	Deep Learning-Based Fully Automated Aortic Valve Leaflets and Root Measurement From Computed Tomography Images　- A Feasibility Study 2025-Aug-25, Circulation journal : official journal of the Japanese Circulation Society IF:3.1Q2 DOI:10.1253/circj.CJ-24-1031 PMID:40436780	研究论文	本研究开发并验证了一种基于深度学习的全自动算法，用于从CT图像中测量主动脉瓣叶和根部，并评估其临床可行性	首次实现了基于深度学习的全自动主动脉瓣叶和根部测量算法，能够显著缩短测量时间并减少人工工作量	对于主动脉反流病例的窦管交界处测量存在较大误差（10.3 mm），特别是在扩张窦部边界不明确的情况下	评估基于深度学习的全自动主动脉瓣叶和根部测量算法在临床中的可行性	主动脉根部扩张、主动脉瓣狭窄和主动脉瓣反流患者	计算机视觉	心血管疾病	深度学习，计算机断层扫描（CT）	深度学习算法	CT图像	167例患者（40例用于算法训练，100例用于算法评估）
1600	2025-09-03	Deep learning-based system for automatic identification of benign and malignant eyelid tumours 2025-Aug-20, The British journal of ophthalmology DOI:10.1136/bjo-2025-327127 PMID:40348397	研究论文	开发基于深度学习的系统，用于自动识别和分类眼睑良性和恶性肿瘤	首次应用多种CNN模型（包括双路径Inception-v4变体）进行眼睑肿瘤的自动分类，并展示高诊断性能	需在更广泛和多样化的数据集上进行验证，尚未集成到临床工作流程中	提高眼睑肿瘤诊断的准确性和效率	正常眼睑、良性及恶性眼睑肿瘤的图像	计算机视觉	眼睑肿瘤	深度学习	CNN（包括VGG16, ResNet50, Inception-v4, EfficientNet-V2-M及其变体）	图像	未明确指定样本数量，按8:2比例分为训练集和验证集