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
1701	2025-04-07	Evaluating auto-contouring accuracy in reduced CT dose images for radiopharmaceutical therapies: Denoising and evaluation of 177Lu DOTATATE therapy dataset 2025-Apr, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70066 PMID:40025651	研究论文	评估在降低CT剂量图像中自动轮廓勾画的准确性，用于放射性药物治疗，特别是177Lu DOTATATE疗法	使用深度学习方法（DenseNet模型）进行图像去噪，以支持降低CT剂量，同时保持177Lu DOTATATE治疗的剂量测定准确性	研究仅针对177Lu DOTATATE疗法，未涵盖其他放射性药物治疗	促进CT剂量降低，同时保持器官分割和剂量测定的准确性	接受177Lu DOTATATE治疗的患者的SPECT/CT序列图像	数字病理	癌症	CT成像、SPECT/CT成像、深度学习去噪	DenseNet、TotalSegmentator	医学图像	Deep Blue Data中存储的177Lu DOTATATE患者数据集
1702	2025-04-07	Artificial intelligence based detection and control strategies for river water pollution: A comprehensive review 2025-Apr, Journal of contaminant hydrology IF:3.5Q2 DOI:10.1016/j.jconhyd.2025.104541 PMID:40112582	综述	本文全面回顾了基于人工智能的河流水污染检测与控制策略	突出了机器学习和深度学习技术在河流水质模拟中的关键进展，以及物联网技术在实时监测和预测能力中的作用	主要基于2019年至2024年的研究文章，可能未涵盖最新技术发展	探讨人工智能技术在河流水污染检测与控制中的应用	河流水质	机器学习	NA	机器学习、深度学习、物联网	ANN、DNN、LSTM、RF	水质相关数据集	分析了超过110篇研究文章
1703	2025-04-07	Evaluation and failure analysis of four commercial deep learning-based autosegmentation software for abdominal organs at risk 2025-Apr, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70010 PMID:39946266	research paper	评估四种商业深度学习自动分割软件在腹部风险器官分割中的表现及失败原因分析	首次对四种商业深度学习自动分割软件在腹部风险器官分割中的异常情况进行系统分析，总结了六类失败原因	研究仅针对腹部器官，未涵盖其他部位；样本量相对较小（111例患者）	评估商业深度学习自动分割软件在临床实践中的表现并分析其失败模式	四种商业深度学习自动分割软件（Limbus AI、MIM Contour ProtégéAI、Radformation AutoContour、Siemens syngo.via）	digital pathology	NA	deep learning-based segmentation	NA	medical imaging (CT scans)	111例患者病例
1704	2025-04-07	Using explainable machine learning to predict the irritation and corrosivity of chemicals on eyes and skin 2025-Apr-01, Toxicology letters IF:2.9Q2 DOI:10.1016/j.toxlet.2025.03.008 PMID:40180199	研究论文	本研究利用可解释的机器学习方法预测化学物质对眼睛和皮肤的刺激性和腐蚀性	采用计算建模方法整合大量实验数据，开发多种机器学习和深度学习模型，并通过多层次的解释性分析提供预测结果的深入理解	模型在外部验证集上的平衡准确率分别为73.0%和75.1%，仍有提升空间	评估个人护理产品、化妆品和工业化学品对人类健康的潜在危害	化学物质对眼睛和皮肤的刺激性和腐蚀性	机器学习	NA	机器学习和深度学习	多种模型（未具体说明）	实验数据	3316个眼睛刺激实验数据点和3080个皮肤刺激实验数据点
1705	2025-04-07	AI/ML modeling to enhance the capability of in vitro and in vivo tests in predicting human carcinogenicity 2025-Apr, Mutation research. Genetic toxicology and environmental mutagenesis DOI:10.1016/j.mrgentox.2025.503858 PMID:40185541	研究论文	本研究旨在利用先进的深度学习技术，特别是图神经网络（GNN），通过多任务学习（MTL）方法开发一种预测人类致癌性的计算机模型	采用多任务学习框架结合多种辅助任务（如致突变性、遗传毒性、动物致癌性等）来增强GNN模型在预测人类致癌性方面的性能	未提及具体的数据集大小或模型在外部验证集上的表现	开发更准确的人类致癌性预测模型以提高化学物质筛选和优先排序的可靠性	化学物质的致癌性预测	机器学习	癌症	GNN, MTL	图神经网络（GNN）	化学物质数据	NA
1706	2025-04-07	Deep prior embedding method for Electrical Impedance Tomography 2025-Mar-31, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107419 PMID:40184867	research paper	提出了一种基于深度学习的电阻抗断层扫描(EIT)重建新方法，有效整合图像先验信息以提高重建质量	利用图像先验信息指导神经网络初始化，更充分地利用先验知识，显著提升重建保真度	未提及具体计算复杂度或实时性能指标	改进电阻抗断层扫描的图像重建质量	电阻抗断层扫描重建算法	medical imaging	NA	deep learning, Electrical Impedance Tomography	neural network	medical imaging data	通过仿真和实验研究验证（未提具体样本量）
1707	2025-04-07	The environmental risk of heterogeneous oxidation is unneglectable: Time-resolved assessments beyond typical intermediate investigation 2025-Mar-29, Water research IF:11.4Q1 DOI:10.1016/j.watres.2025.123572 PMID:40184704	research paper	本文提出了一种环境风险评估方法，用于区分高级氧化过程中解毒效应的优选氧化途径，从而为每种污染物选择最合适的处理系统	通过基于副产物量化的环境风险分析，重新发现了之前被忽视的40%以上的毒性，显著提高了污染物解毒评估的准确性	当前研究仅限于对目标污染物副产物的定性毒性调查，而异构高级氧化过程的解毒效应在很大程度上是未知的	提高高级氧化过程的安全性和效率，支持复杂异构氧化过程中新兴污染物降解的定量环境风险评估	高级氧化过程中的污染物及其副产物	环境科学	NA	密度泛函理论，深度神经网络回归建模	深度神经网络	化学数据	NA
1708	2025-04-07	MuSIA: Exploiting multi-source information fusion with abnormal activations for out-of-distribution detection 2025-Mar-29, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107427 PMID:40184868	research paper	提出了一种名为MuSIA的新方法，通过多源信息融合和异常激活捕获来提高深度学习模型在开放世界中的分布外检测性能	MuSIA方法首次结合多源信息融合与异常激活捕获，显著提升了分布外样本的检测效果	实验仅在六种预训练模型上进行验证，未涵盖所有可能的模型架构	提高深度学习模型在开放世界中的分布外检测性能	分布外样本检测	machine learning	NA	多源信息融合技术	ViT, RepVGG, DeiT等预训练模型	NA	六个分布外数据集
1709	2025-04-07	Prediction of influenza virus infection based on deep learning and peripheral blood proteomics: A diagnostic study 2025-Mar-28, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.03.051 PMID:40158620	研究论文	本研究基于深度学习和外周血蛋白质组学预测流感病毒感染，并验证了该模型在流感、COVID-19和健康人群鉴别诊断中的潜在价值	结合随机森林模型和LASSO回归模型筛选出能准确区分流感患者的临床指标，并通过蛋白质组测序和机器学习发现了26个差异表达蛋白，其中SAA2被证实可作为流感感染的辅助诊断指标	样本量相对有限（850名患者和265名健康个体），且仅针对特定病毒感染（流感、COVID-19及混合感染）进行研究	预测流感病毒感染的关键分子标记	流感、COVID-19及混合感染患者以及健康个体的外周血样本	机器学习	流感	蛋白质组测序、ELISA	随机森林模型、LASSO回归模型	蛋白质组数据、临床特征数据	850名患者（包括流感、COVID-19和混合感染）和265名健康个体
1710	2025-04-07	Temporal and spatial feature extraction using graph neural networks for multi-point water quality prediction in river network areas 2025-Mar-26, Water research IF:11.4Q1 DOI:10.1016/j.watres.2025.123561 PMID:40184707	研究论文	提出了一种时空特征图神经网络（STF-GNN），用于河流网络区域多点水质预测	结合图卷积网络（GCN）、门控循环单元（GRU）和自注意力机制，显式建模分布式监测站之间的多尺度时空依赖关系	未提及模型在极端环境条件下的表现或对其他污染物的适用性	改进河流网络区域的水质预测	分布式水质监测站	机器学习	NA	图卷积网络（GCN）、门控循环单元（GRU）、自注意力机制	STF-GNN	多元时间序列数据	未明确提及具体样本数量，涉及多个监测站点的数据
1711	2025-04-07	AESeg: Affinity-enhanced segmenter using feature class mapping knowledge distillation for efficient RGB-D semantic segmentation of indoor scenes 2025-Mar-25, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107438 PMID:40184869	研究论文	提出了一种结合静态和动态方法的亲和力增强语义分割框架，用于室内场景的RGB-D语义分割	通过构建二进制亲和矩阵和特征到类别的映射细化技术，实现了全局上下文感知与静态特征的结合，提高了准确性且减少了计算负担	未明确提及	提高RGB-D语义分割的效率和准确性	室内和室外场景的RGB-D图像	计算机视觉	NA	深度学习	AESeg	RGB-D图像	NYUv2、SUN-RGBD和CamVid数据集
1712	2025-04-07	Using deep-learning based segmentation to enable spatial evaluation of knee osteoarthritis (SEKO) in rodent models 2025-Mar-24, Osteoarthritis and cartilage IF:7.2Q1 DOI:10.1016/j.joca.2025.02.787 PMID:40139644	research paper	本研究介绍了一种基于深度学习的组织学分析流程SEKO，用于在啮齿动物模型中空间评估膝骨关节炎	开发了SEKO流程，结合深度学习和可视化工具，用于量化并可视化啮齿动物膝关节内侧区域的关节重塑	未提及具体样本量或数据集的多样性限制	开发一种自动化工具，用于客观评估骨关节炎进展和治疗干预效果	啮齿动物膝关节的组织学数据	digital pathology	osteoarthritis	深度学习驱动的组织学分析	U-Net, HRNet	组织学图像	NA
1713	2025-04-07	Robust DEEP heterogeneous ensemble and META-learning for honey authentication 2025-Mar-22, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.144001 PMID:40184746	research paper	该研究提出了一种结合多种分析技术和深度学习模型的框架，用于区分纯蜂蜜与掺假蜂蜜	通过元学习整合多种分析技术和深度学习模型，扩展输入特征空间，提升预测性能	NA	解决蜂蜜掺假问题，保障消费者健康和经济诚信	纯蜂蜜与掺入甘蔗糖蜜、葡萄糖浆或焦糖味冰淇淋配料的蜂蜜样本	machine learning	NA	多种分析技术	CNN, 元学习	NA	NA
1714	2025-04-07	Utility-based Analysis of Statistical Approaches and Deep Learning Models for Synthetic Data Generation With Focus on Correlation Structures: Algorithm Development and Validation 2025-Mar-20, JMIR AI DOI:10.2196/65729 PMID:40112290	研究论文	本研究评估了多种合成数据生成方法在复制真实医疗数据集中的相关结构方面的有效性，并比较了它们在随机森林等下游任务中的表现	综合比较了统计方法和深度学习方法在生成合成数据时的性能，特别是在保留相关结构方面的表现	深度学习方法在小型数据集或有限训练周期下表现不佳，LLMs在复制数值依赖关系方面存在困难	评估不同合成数据生成方法在医疗数据中的相关结构复制能力和下游任务表现	合成数据生成方法在模拟和真实医疗数据集上的表现	机器学习	乳腺癌, 糖尿病	Generative Adversarial Networks, 大语言模型(LLMs), Random Forests, eXtreme Gradient Boosting, Gated Additive Tree Ensembles	GAN, ctgan, tvae, LLMs	表格数据	模拟数据(10个高斯变量和1个二元目标变量), 体测数据集(13,393样本), 威斯康星乳腺癌数据集(569样本), 糖尿病数据集(768样本)
1715	2025-04-07	A Large Language Model-Powered Map of Metabolomics Research 2025-Mar-19, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.18.643696 PMID:40166287	研究论文	本文通过分析超过80,000篇代谢组学文献，利用PubMedBERT和t-SNE等技术，构建了一个全面的代谢组学研究图谱	使用PubMedBERT和GPT-4o mini进行主题建模，揭示了代谢组学领域的20个关键主题，并开发了一个交互式网络应用程序供动态探索	研究依赖于PubMed文献数据库，可能未涵盖所有相关研究	构建代谢组学研究的全面图谱，帮助研究人员、临床医生和政策制定者识别新兴研究方向	80,000篇代谢组学相关文献	自然语言处理	NA	PubMedBERT, t-SNE, GPT-4o mini	BERT, 神经网络主题模型	文本	80,000篇文献
1716	2025-04-07	Artificial intelligence in bacterial diagnostics and antimicrobial susceptibility testing: Current advances and future prospects 2025-Mar-19, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2025.117399 PMID:40184880	综述	本文探讨了人工智能在细菌诊断和抗菌药物敏感性测试中的当前进展和未来前景	利用机器学习模型（如Random Forest、SVM）和深度学习架构（如CNN和transformer）革新细菌检测和抗菌药物敏感性测试	未具体提及当前技术的局限性	提升细菌诊断和抗菌药物敏感性测试的速度、准确性和可扩展性	细菌诊断和抗菌药物敏感性测试	机器学习	细菌感染	机器学习、深度学习、质谱、显微镜检测、电化学传感器、拉曼光谱等	Random Forest、SVM、CNN、transformer	图像、光谱数据、电化学数据等	NA
1717	2025-04-07	Development of a Clinically Applicable Deep Learning System Based on Sparse Training Data to Accurately Detect Acute Intracranial Hemorrhage from Non-enhanced Head Computed Tomography 2025-Mar-15, Neurologia medico-chirurgica IF:2.4Q2 DOI:10.2176/jns-nmc.2024-0163 PMID:39864839	研究论文	开发一种基于稀疏训练数据的深度学习系统DeepCT，用于从非增强头部CT中准确检测急性颅内出血	基于U-Net和ResNet架构的深度学习模型在稀疏训练数据下实现高准确率，并在多中心验证中表现出普遍可靠性	训练数据仅来自单一中心，可能影响模型的泛化能力	开发并评估一种深度学习算法，用于检测非增强头部CT中的急性颅内出血	非增强头部CT图像	数字病理学	颅内出血	深度学习	U-Net和ResNet	CT图像	1,815个CT图像集用于训练，多个中心的数据集用于验证和测试
1718	2025-04-07	Establishing a Deep Learning Model That Integrates Pretreatment and Midtreatment Computed Tomography to Predict Treatment Response in Non-Small Cell Lung Cancer 2025-Mar-13, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.03.012 PMID:40089073	research paper	本研究旨在开发一个深度学习模型，通过整合治疗前和治疗中的计算机断层扫描（CT）来预测非小细胞肺癌（NSCLC）患者的治疗反应	整合治疗前和治疗中的CT数据，建立变时间间隔长短期记忆网络（LSTM）用于预测治疗反应，并推导出针对预测肿瘤体积消退不理想患者的个性化剂量递增（DE）方案	样本量相对较小（168例患者），且仅来自三家医院，可能影响模型的泛化能力	预测NSCLC患者对放射治疗（RT）的反应，并探索个性化剂量递增的可能性	非小细胞肺癌（NSCLC）患者	digital pathology	lung cancer	CT扫描	LSTM	image	168例NSCLC患者（来自三家医院）
1719	2025-04-07	Genetic Distinctions Between Reticular Pseudodrusen and Drusen: A Genome-Wide Association Study 2025-Mar-09, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2025.03.007 PMID:40064387	研究论文	通过全基因组关联研究（GWAS）比较网状假性玻璃膜疣（RPD）和玻璃膜疣（drusen）的遗传差异	首次识别出与RPD特异性相关的三个新基因位点，并证实了ARMS2-HTRA1位点与RPD负荷的明确关联	样本量有限，尤其是纯RPD病例较少（仅66例），且部分发现的基因变异为低频变异（次要等位基因频率<5%）	鉴定RPD区别于玻璃膜疣的遗传决定因素	英国生物银行（UKBB）中具有RPD、玻璃膜疣的参与者及对照组	基因组学	年龄相关性黄斑变性（AMD）	全基因组关联研究（GWAS）、深度学习框架、光学相干断层扫描（OCT）	深度学习	基因组数据、OCT影像、彩色眼底照片	1787名参与者（1037名对照，361名纯玻璃膜疣，66名纯RPD，323名混合病例）
1720	2025-04-07	Clinical Features and Physiological Signals Fusion Network for Mechanical Circulatory Support Need Prediction in Pediatric Cardiac Intensive Care Unit 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3510217 PMID:40030552	研究论文	本文通过分析生理时间序列和临床特征，利用机器学习/深度学习集成方法，在儿科心脏重症监护环境中预测机械循环支持（MCS）的需求	与现有研究通常处理单一特征类型或从生理信号中关注短期诊断不同，本系统处理每分钟的多传感器数据，以识别急性失代偿性心力衰竭患者对MCS的需求	研究数据来源于单一的四级护理医院，可能限制结果的普遍性	预测儿科心脏重症监护患者对机械循环支持的需求	儿科心脏重症监护病房中因急性失代偿性心力衰竭入院的患者	机器学习	心血管疾病	机器学习/深度学习集成方法	NA	时间序列数据、临床特征表格数据、心电图和动脉血压信号的原始波形	NA