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
161	2025-05-04	Deep learning-based classification of coronary arteries and left ventricle using multimodal data for autonomous protocol selection or adjustment in angiography 2025-Apr-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-99651-z PMID:40307429	研究论文	该研究提出了一种基于深度学习的算法，用于自主检测冠状动脉和左心室，并调整血管造影中的成像参数	开发了一种多模态深度学习模型，能够在无血管结构的单X射线帧上准确分类心脏解剖结构，实现成像参数的自动选择和调整	研究仅使用了275个放射序列进行训练和验证，可能限制了模型的泛化能力	优化血管造影中的X射线成像参数选择，以提高图像质量并减少辐射暴露	左冠状动脉（LCA）、右冠状动脉（RCA）和左心室（LV）	计算机视觉	心血管疾病	深度学习	ResNet-50, MLP, 多模态模型	X射线图像和C臂角度数据	275个放射序列用于训练和验证，146个独立测试序列用于评估
162	2025-05-04	Evaluation of deliverable artificial intelligence-based automated volumetric arc radiation therapy planning for whole pelvic radiation in gynecologic cancer 2025-Apr-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-99717-y PMID:40307456	research paper	本研究旨在开发一种基于深度学习的可交付全盆腔容积弧形放射治疗（VMAT）计划，用于妇科癌症患者，并评估其临床有效性	使用名为RatoGuide的原型深度学习自动计划支持系统，预测并生成可交付的VMAT计划，减少医院间计划质量的差异	样本量较小（测试数据n=10），且仅在一家医院进行验证	开发并验证基于深度学习的自动化放射治疗计划系统在妇科癌症全盆腔VMAT中的临床适用性	妇科癌症患者	数字病理	妇科癌症	深度学习	DL-based三维剂量预测模型	剂量分布和结构数据	110名妇科癌症患者（训练数据n=100，测试数据n=10）
163	2025-05-04	Improving the accuracy of prediction models for small datasets of Cytochrome P450 inhibition with deep learning 2025-Apr-30, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01015-2 PMID:40307863	研究论文	本研究探讨了深度学习技术在预测细胞色素P450（CYP）抑制中的应用，特别是在CYP2B6和CYP2C8亚型数据有限的情况下	利用多任务深度学习和数据填补技术显著提高了CYP抑制预测的准确性，尤其是在小数据集条件下	研究主要针对CYP2B6和CYP2C8亚型，可能不适用于所有CYP亚型	提高CYP抑制预测模型的准确性，特别是在小数据集条件下	细胞色素P450（CYP）抑制，特别是CYP2B6和CYP2C8亚型	机器学习	NA	深度学习，数据填补	图卷积网络（GCN），多任务学习模型	化合物IC50值	12,369种针对7种CYP亚型的化合物，1,808种已批准药物
164	2025-05-04	MSRP-TODNet: a multi-scale reinforced region wise analyser for tiny object detection 2025-Apr-30, BMC research notes IF:1.6Q2 DOI:10.1186/s13104-025-07263-7 PMID:40307915	研究论文	提出了一种名为MSRP-TODNet的多尺度强化区域分析器，用于微小物体检测	结合了多智能体强化学习算法和生成对抗网络，通过改进的特征金字塔网络整合特征图，提高了微小物体检测的准确性和实时性	仅在特定数据集（VisDrone VID 2019和MS-COCO）上进行了训练和测试，可能在其他场景下的泛化能力有限	解决实时监控中小型远距离物体检测的挑战，提高检测性能	无人机监控和航空影像中的微小物体	计算机视觉	NA	多智能体强化学习(MARL)、生成对抗网络(GAN)	MSRP-TODNet（基于GAN和EFPN）	图像	VisDrone VID 2019和MS-COCO数据集
165	2025-05-04	Real-time morphological and dosimetric adaptation in nasopharyngeal carcinoma radiotherapy: insights from autosegmented fractional fan-beam CT 2025-Apr-30, Radiation oncology (London, England) DOI:10.1186/s13014-025-02643-6 PMID:40307931	research paper	该研究通过自动分割的扇形束CT量化鼻咽癌放疗中的形态和剂量变化，为自适应放疗的决策提供依据	开发了四种基于深度学习的自动分割模型，用于评估高风险器官和目标体积的每周体积、Dice相似系数和剂量变化	研究为回顾性分析，样本量相对较小（23名患者）	量化鼻咽癌放疗中的形态和剂量变化，优化自适应放疗的时机	23名鼻咽癌患者的681次FBCT扫描	digital pathology	nasopharyngeal carcinoma	fan-beam computed tomography (FBCT)	deep learning-based autosegmentation models	CT图像	23名患者的681次FBCT扫描
166	2025-05-04	AdptDilatedGCN: Protein-ligand binding affinity prediction based on multi-scale interaction fusion mechanism and dilated GCN 2025-Apr-30, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2025.143751 PMID:40316081	research paper	提出了一种基于多尺度交互融合机制和扩张GCN的蛋白质-配体结合亲和力预测方法AdptDilatedGCN	通过多尺度交互融合机制充分挖掘蛋白质和配体的细粒度和粗粒度信息，结合跳跃连接和多尺度融合策略提高特征利用率，并增强特征	未提及具体局限性	预测蛋白质-配体结合亲和力，以促进药物发现	蛋白质和配体的结合亲和力	machine learning	NA	AutoDock Vina	AdptDilatedGCN, GCN, GRU	蛋白质和配体的特征数据	CASF-2016和CASF-2013公共测试集
167	2025-05-04	Deep Learning-based Triple-Tracer Brain PET Scanning in a Single Session: A simulation study using clinical data 2025-Apr-30, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121246 PMID:40316225	研究论文	本研究探索了基于深度学习的单次三示踪剂脑PET成像协议，旨在简化多示踪剂PET成像并减少辐射暴露	利用深度学习模型从同时获取的三示踪剂PET扫描中分离信号，简化多示踪剂PET成像过程	深度学习模型在生成FTP图像方面的表现不够理想	简化多示踪剂PET成像，减少扫描时间和辐射暴露	阿尔茨海默病神经影像学倡议(ADNI)数据集中的认知正常患者、轻度认知障碍患者和痴呆患者	数字病理	阿尔茨海默病	PET扫描	Swin Transformer	图像	ADNI数据集中的患者(具体数量未提及)
168	2025-05-04	Evaluation of precipitation forecasting base on GraphCast over mainland China 2025-Apr-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-98944-7 PMID:40295583	research paper	评估基于GraphCast的中国大陆降水预报性能	结合深度学习和大气科学大数据，验证了GraphCast模型在降水预报中的性能，并与ECMWF进行了比较	当前大模型仍缺乏实地数据验证，且随着预报时间延长，预报能力下降	评估GraphCast模型在中国大陆地区的降水预报性能	中国大陆地区1-3天累积降水数据	machine learning	NA	深度学习	GraphCast	气象数据	2393个观测站2020-2021年的数据
169	2025-05-04	TransAnno-Net: A Deep Learning Framework for Accurate Cell Type Annotation of Mouse Lung Tissue Using Self-supervised Pretraining 2025-Apr-24, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108809 PMID:40315689	研究论文	提出了一种基于自监督预训练的深度学习框架TransAnno-Net，用于小鼠肺组织单细胞RNA测序数据的准确细胞类型注释	结合迁移学习和Transformer架构，利用自监督预训练减少标注成本，并通过随机过采样技术解决细胞类型不平衡问题	主要针对小鼠肺组织数据，在其他组织或物种中的适用性需要进一步验证	开发高效准确的单细胞RNA测序数据细胞类型注释方法	小鼠肺组织的单细胞RNA测序数据	数字病理学	肺病	scRNA-seq	Transformer	基因表达数据	约100,000个细胞
170	2025-05-04	Deep learning modelling to forecast emergency department visits using calendar, meteorological, internet search data and stock market price 2025-Apr-24, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108808 PMID:40315688	研究论文	本研究探讨了结合日历、气象、互联网搜索数据和股票市场价格，利用深度学习模型预测急诊科患者访问量的效果	首次将股票市场价格与互联网搜索数据结合日历和气象数据，用于急诊科访问量的深度学习预测，并比较了不同混合深度学习架构的性能	研究仅基于2010-2012年新加坡总医院的数据，可能不具有普遍性	提高急诊科患者访问量的预测准确性，优化医疗资源分配	急诊科患者访问量	机器学习	NA	深度学习	LSTM, 1D CNN, CNN-LSTM混合模型	时间序列数据	2010-2012年新加坡总医院的每日急诊科患者访问量数据
171	2025-05-04	Canopy height and biomass distribution across the forests of Iberian Peninsula 2025-Apr-22, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05021-9 PMID:40263468	research paper	该研究通过高分辨率遥感数据和深度学习框架，绘制了伊比利亚半岛森林的冠层高度和地上生物量分布图	结合Sentinel-1、Sentinel-2和LiDAR数据，开发了两种UNET模型，用于高分辨率冠层高度和生物量估算	冠层高度估算在树木覆盖区域的MAE为2-3米，生物量估算的MAE约为29 Mg/ha，可能存在一定误差	为森林监测、气候变化缓解和可持续林业提供高分辨率的植被冠层高度和生物量分布图	伊比利亚半岛的森林	remote sensing	NA	Sentinel-1、Sentinel-2、LiDAR、Airborne Laser Scanning (ALS)、Global Ecosystem Dynamics Investigation (GEDI)	UNET、Random Forest	遥感数据	6,308个西班牙国家森林调查(NFI)样地(2017-2019)
172	2025-05-04	Machine Learning and Deep Learning for Healthcare Data Processing and Analyzing: Towards Data-Driven Decision-Making and Precise Medicine 2025-Apr-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15081051 PMID:40310409	review	探讨机器学习和深度学习在医疗数据处理和分析中的应用，以实现数据驱动的决策和精准医疗	综述了AI在医疗数据处理中的最新进展，强调了数据驱动决策和精准医疗的重要性	未提及具体的技术实现细节或实验验证	探索AI技术在医疗数据处理和分析中的应用	医疗数据	machine learning	NA	NA	NA	医疗数据	NA
173	2025-05-04	Fractal-Based Architectures with Skip Connections and Attention Mechanism for Improved Segmentation of MS Lesions in Cervical Spinal Cord 2025-Apr-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15081041 PMID:40310404	research paper	提出两种基于分形架构的深度学习模型，用于自动检测和分割颈椎脊髓中的多发性硬化病变	在FractalSpiNet架构中引入注意力机制以改进对小结构和图像细节的检测，并在U-Net的跳跃连接结构中整合分形卷积块	未提及具体的数据集规模或外部验证结果	改进颈椎脊髓中多发性硬化病变的自动检测和分割	颈椎脊髓中的多发性硬化病变	digital pathology	multiple sclerosis	deep learning	U-Net, FractalSpiNet, Con-FractalU-Net, Att-FractalSpiNet	image	NA
174	2025-05-04	Improving TMJ Diagnosis: A Deep Learning Approach for Detecting Mandibular Condyle Bone Changes 2025-Apr-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15081022 PMID:40310446	research paper	评估深度学习在检测下颌髁突骨退化变化中的潜力	利用深度学习技术（特别是CNN）从全景X光片中准确高效地检测TMJ相关的下颌髁突骨变化	研究中包含骨赘和侵蚀的图像数量有限，且未使用横断面成像方法	提高下颌髁突骨变化的检测和诊断准确性	下颌髁突骨变化（如扁平化、骨赘、侵蚀）	digital pathology	TMJ-related condylar bone changes	deep learning, transfer learning	CNN, Dense Networks, Residual Networks, VGG Networks, Google Networks	image	3875张下颌髁突图像
175	2025-05-04	Integrating Machine Learning and Deep Learning for Predicting Non-Surgical Root Canal Treatment Outcomes Using Two-Dimensional Periapical Radiographs 2025-Apr-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15081009 PMID:40310439	research paper	本研究评估了深度学习在利用二维根尖周X光片预测非手术根管治疗结果中的效果，并与机器学习模型进行了比较	结合深度学习和机器学习方法，利用二维根尖周X光片预测非手术根管治疗结果，并展示了深度学习模型在预测能力上的优势	研究未详细讨论深度学习模型的可解释性及其在临床实践中的具体应用挑战	评估和比较深度学习与机器学习模型在预测非手术根管治疗结果中的效能	非手术根管治疗的结果预测	machine learning	apical periodontitis	deep learning, machine learning	CNN, logistic regression, random forest	image	NA
176	2025-05-04	Assessment of AI-accelerated T2-weighted brain MRI, based on clinical ratings and image quality evaluation 2025-Apr-16, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112123 PMID:40315626	research paper	比较基于深度学习的MRI重建方法与传统T2加权脑MRI在临床评分和图像质量上的差异	首次评估了商业化深度学习MRI重建方法在临床环境中的表现，并与传统方法进行对比	研究样本量相对较小(100例)，且仅在单一型号的MRI扫描仪上进行测试	评估AI加速的T2加权脑MRI在临床应用中的可行性	100名患有各种神经系统疾病的患者	digital pathology	neurological conditions	Deep Learning-based MRI reconstruction	NA	MRI图像	100名患者
177	2025-05-04	Geometric deep learning framework for de novo genome assembly 2025-Apr-14, Genome research IF:6.2Q1 DOI:10.1101/gr.279307.124 PMID:39472021	研究论文	介绍了一种基于几何深度学习的框架GNNome，用于从PacBio HiFi reads中重建基因组序列	利用几何深度学习技术，不依赖现有组装策略，直接从组装图中训练模型，解决了重复区域导致的复杂图纠缠问题	目前主要适用于单倍体基因组的组装，对于复杂基因组（如多倍体和非整倍体）的适用性有待进一步验证	开发一种新的基因组组装方法，提高基因组序列重建的连续性和质量	基因组组装图	机器学习	NA	PacBio HiFi测序	GNN	基因组序列数据	多个物种的基因组数据
178	2025-05-04	A Multimodal Deep Learning Model for the Classification of Breast Cancer Subtypes 2025-Apr-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15080995 PMID:40310373	research paper	提出了一种多模态深度学习模型，结合乳腺X线摄影图像和临床元数据对乳腺癌亚型进行分类	通过整合乳腺X线摄影图像和临床元数据，显著提高了乳腺癌亚型分类的准确性	研究依赖于公开数据库，可能无法涵盖所有乳腺癌亚型的多样性	优化乳腺癌亚型的非侵入性分类方法，以提高诊断精度和个性化治疗策略	乳腺癌病变，分为良性、luminal A、luminal B、HER2-enriched和三阴性五类	digital pathology	breast cancer	Deep Learning	multimodal DL model	image, clinical metadata	4056张图像来自1775名患者
179	2025-05-04	Retrospective Clinical Trial to Evaluate the Effectiveness of a New Tanner-Whitehouse-Based Bone Age Assessment Algorithm Trained with a Deep Neural Network System 2025-Apr-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15080993 PMID:40310372	研究论文	开发了一种基于深度学习的自动骨龄预测模型，并评估其与儿科放射科医生性能的对比	使用Tanner-Whitehouse (TW3)方法和深度神经网络系统开发自动骨龄预测模型	模型在6岁以下和13岁以上参与者中的表现与放射科医生存在显著差异	评估自动深度学习骨龄评估模型的可行性和有效性	560名韩国儿童和青少年（280名女性，280名男性，平均年龄9.43 ± 2.92岁）的手腕X光片	数字病理	NA	深度学习	Rotated Single Shot MultiBox Detector (SSD) 和 EfficientNet-B0	图像	560名儿童和青少年
180	2025-05-04	FCN-PD: An Advanced Deep Learning Framework for Parkinson's Disease Diagnosis Using MRI Data 2025-Apr-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15080992 PMID:40310386	research paper	提出了一种名为FCN-PD的深度学习框架，用于通过MRI数据准确诊断帕金森病	结合了EfficientNet和注意力机制的混合特征提取阶段，以及全连接网络（FCN）进行最终分类，有效处理高维MRI数据并减少过拟合和特征冗余	仅使用了公开可用的MRI数据集，未涉及其他类型的数据或更大规模的临床验证	提高帕金森病的早期和准确诊断	帕金森病患者	digital pathology	geriatric disease	MRI	FCN, EfficientNet	image	三个公开可用的MRI数据集（PPMI、OASIS、MIRIAD）