深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
1961	2025-12-03	New developments in the application of artificial intelligence to laryngology 2024-Dec-01, Current opinion in otolaryngology & head and neck surgery IF:1.9Q2 DOI:10.1097/MOO.0000000000000999 PMID:39146248	综述	本文综述了人工智能在喉科学中的应用，总结了最新进展并指出了当前实施中的障碍	强调了人工智能在喉科学中的新兴应用，如声学生物标志物用于疾病筛查、深度学习分析喉镜视频识别病变，以及自动分割视频荧光镜检测误吸	现有研究大多缺乏大规模和多样化的数据集、外部验证以及一致的参考标准，这限制了结果的普适性	总结人工智能技术在喉科学中的应用现状，并探讨其临床转化潜力	喉科学相关的诊断、筛查和数据分析	自然语言处理, 计算机视觉	喉部疾病	NA	深度学习	视频, 音频	NA	NA	NA	NA	NA
1962	2025-12-03	Automated Field of Interest Determination for Quantitative Ultrasound Analyses of Cervical Tissues: Toward Real-time Clinical Translation in Spontaneous Preterm Birth Risk Assessment 2024-12, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2024.08.011 PMID:39271408	研究论文	本研究开发了一种自动确定宫颈超声感兴趣区域的方法，以替代手动绘制，促进定量超声技术在早产风险评估中的临床转化	首次提出使用深度学习模型自动确定宫颈超声的感兴趣区域，替代传统的手动绘制方法，提高了处理效率并减少了人为误差	研究基于特定数据集，可能未涵盖所有临床变异情况，且自动方法的泛化能力需进一步验证	评估自动与手动感兴趣区域在定量超声分析中的一致性，推动实时临床应用的实现	527名孕妇的宫颈超声数据	医学影像分析	早产	定量超声	深度学习模型	B模式超声图像	527名孕妇	NA	NA	像素准确率, Dice系数, 皮尔逊相关系数	NA
1963	2025-12-03	SELFNet: Denoising Shear Wave Elastography Using Spatial-temporal Fourier Feature Networks 2024-12, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2024.08.004 PMID:39317627	研究论文	本文提出了一种基于物理信息深度学习的剪切波弹性成像去噪方法SELFNet，用于估计和去噪粒子位移信号	引入了空间-时间随机傅里叶特征在物理信息神经网络框架中，通过稀疏映射增强鲁棒性，并结合控制方程进行正则化，同时学习剪切模量的映射	方法在有限采集条件下评估，需成功转化才能扩展至临床应用	开发一种去噪剪切波弹性成像的方法，以提高组织刚度估计的准确性	组织模拟幻影中的病变和离体组织	医学影像处理	癌症或肝脏疾病	剪切波弹性成像	物理信息神经网络	粒子位移信号	NA	物理信息神经网络框架	SELFNet	相对ℓ2误差, 重建均方根误差	NA
1964	2025-12-03	Accelerated 2D radial Look-Locker T1 mapping using a deep learning-based rapid inversion recovery sampling technique 2024-Dec, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5266 PMID:39358992	研究论文	本研究开发了一种基于深度学习加速的T1映射框架，用于在单次屏气期间实现高效的腹部覆盖	结合快速T1恢复曲线采样、选择性反转、优化的切片交错以及基于CNN的T1估计，显著缩短了采样时间	NA	开发一种高效的腹部T1映射方法，以克服临床中屏气时间和T1恢复时间的限制	腹部器官的T1映射	医学影像分析	NA	T1映射，快速T1恢复曲线采样，切片选择性反转	CNN	医学影像数据	NA	NA	卷积神经网络	Pearson相关系数，重复性系数，变异系数	NA
1965	2025-12-03	HIV-1 M group subtype classification using deep learning approach 2024-Dec, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109218 PMID:39369547	研究论文	本研究提出了首个基于深度学习的HIV-1 M群亚型分类方法HIV-1-M-SPBEnv，通过env基因序列实现高精度亚型鉴定	首次将深度学习应用于HIV-1 M群亚型分类，并采用人工分子进化技术生成适用于机器学习的合成数据集以克服样本量限制	未明确说明模型在其他HIV基因区域或病毒群组中的泛化能力	开发高精度的HIV-1 M群病毒亚型自动分类工具	HIV-1 M群病毒的env基因序列	生物信息学	HIV感染	基因测序	自编码器, 全连接神经网络	DNA序列数据	通过人工分子进化技术生成的合成数据集（具体数量未说明）	未明确说明	卷积自编码器（包含两个残差块和两个转置残差块）	精确度, 准确率, 召回率, F1分数	未明确说明
1966	2025-12-03	Cardiac murmur grading and risk analysis of cardiac diseases based on adaptable heterogeneous-modality multi-task learning 2024-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-023-00249-4 PMID:38045019	研究论文	本文提出了一种基于异构模态自适应多任务学习的心脏杂音分级与心脏疾病风险分析方法	提出了分层多任务学习方法以防止任务间负干扰，设计了异构多模态特征影响自适应机制以平衡非结构化与结构化模态，并引入了基于随机掩码的多任务可解释性学习模块	未明确说明方法在临床环境中的实际部署验证情况，也未讨论模型对不同人群或噪声环境的泛化能力	开发可靠的人工智能辅助诊断算法，用于心脏杂音的分级和心脏疾病的风险分析	心脏声音信号（心音图）和结构化人口统计学数据	机器学习	心血管疾病	心音分析，多模态学习	多任务学习模型	音频（心音），结构化数据（人口统计学）	大型真实世界CirCor DigiScope PCG数据集（具体样本数未在摘要中提供）	NA	分层多任务学习（HMT），异构多模态特征影响自适应（HMA）	NA	NA
1967	2025-12-03	An anthropomorphic diagnosis system of pulmonary nodules using weak annotation-based deep learning 2024-Dec, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2024.102438 PMID:39426342	研究论文	本文开发了一种基于弱标注深度学习的肺结节拟人化诊断系统，用于CT扫描中肺结节的定位和良恶性分类	使用弱标注数据进行训练，无需耗时费力的人工标注，并结合手工形状特征增强分类网络，能区分不同类型的肺结节	未明确说明系统在更广泛数据集或实际临床环境中的泛化能力，且依赖于特定数据集进行验证	开发一种在资源有限环境下高效定位和鉴别诊断肺结节的深度学习系统	CT扫描中的肺结节，包括纯磨玻璃影、部分实性结节和实性结节	计算机视觉	肺癌	CT扫描	深度学习模型	图像	两个数据集：LIDC-IDRI数据集814个测试病例，内部数据集822个测试病例	NA	NA	AUC	NA
1968	2025-12-03	Clinical evaluation of accelerated diffusion-weighted imaging of rectal cancer using a denoising neural network 2024-Dec, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2024.111802 PMID:39467396	研究论文	本研究评估了一种基于深度学习去噪网络加速直肠癌扩散加权成像（DWI）的有效性，旨在提高图像质量和诊断准确性	采用卷积神经网络对加速采集的DWI图像进行去噪处理，在保持诊断准确性的同时显著缩短扫描时间并提升图像质量	研究为单中心回顾性设计，样本量有限（46例患者），且未涉及外部验证	评估深度学习去噪方法在加速直肠癌DWI成像中的应用效果，以优化直肠癌治疗后重新分期的MRI检查流程	接受全量新辅助治疗后进行重新分期直肠MRI检查的局部晚期直肠癌患者	数字病理	直肠癌	扩散加权成像（DWI），深度学习去噪	CNN	医学影像（MRI图像）	46例患者（中位年龄60岁，男性37例，女性9例）	NA	卷积神经网络	诊断准确性，条件特异性，加权kappa统计量，图像质量评分	NA
1969	2025-12-03	DPD (DePression Detection) Net: a deep neural network for multimodal depression detection 2024-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-024-00311-9 PMID:39544256	研究论文	本文提出了一种名为DPD Net的深度学习模型，用于通过文本、音频和视觉特征进行多模态抑郁症检测，并在临床和社交媒体两种应用场景下工作	设计了一种新颖的图神经网络增强的Transformer模型（DPD Net），能够整合多种数据模态，并适用于不同应用场景，同时提出了结合EEG信号和语音数据的DPD-E Net模型	模型在四个基准数据集上进行了测试，但可能仍存在泛化能力或数据偏差的潜在限制，未详细讨论模型在更广泛人群或真实世界环境中的适用性	开发深度学习模型以辅助抑郁症的自动检测，提高诊断的客观性和效率	抑郁症患者，使用文本、音频、视觉数据以及EEG信号作为研究对象	自然语言处理, 计算机视觉, 机器学习	抑郁症	深度学习, 多模态融合, 图神经网络, Transformer	GNN, Transformer	文本, 音频, 视觉, EEG信号	四个基准数据集（E-DAIC数据集, Twitter抑郁症数据集, MODMA数据集, D-vlog数据集），具体样本数量未在摘要中说明	NA	Graph Neural Network-enhanced Transformer, DPD Net, DPD-E Net	NA	NA
1970	2025-12-03	State-of-the-Art Deep Learning CT Reconstruction Algorithms in Abdominal Imaging 2024-12, Radiographics : a review publication of the Radiological Society of North America, Inc IF:5.2Q1 DOI:10.1148/rg.240095 PMID:39612283	综述	本文综述了深度学习重建（DLR）CT算法在腹部成像中的技术原理、临床应用及当前局限性与未来展望	全面探讨了DLR算法作为传统滤波反投影（FBP）和迭代重建（IR）的有效替代方案，在低辐射剂量下保持图像纹理和诊断性能，并实现高重建速度的创新点	文中概述了当前DLR算法的局限性，但未具体说明（如泛化能力、数据需求等），需参考全文细节	综述深度学习CT重建算法在腹部成像中的技术发展、临床应用及未来方向	深度学习重建（DLR）CT算法及其在腹部CT成像中的应用	医学影像	NA	深度学习重建（DLR）CT算法	深度神经网络	CT图像	NA	NA	NA	图像噪声降低、诊断性能、重建速度	NA
1971	2025-12-03	Self-supervised neural network-based endoscopic monocular 3D reconstruction method 2024-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-023-00262-7 PMID:38093716	研究论文	本文提出了一种基于自监督神经网络的单目内窥镜三维重建方法，旨在解决临床手术环境中复杂场景的挑战	引入基于光流的神经网络处理帧间亮度不一致问题，并结合注意力模块和层间损失来应对内窥镜场景的复杂性	当前研究主要在实验室环境中进行，缺乏处理复杂临床手术环境的经验	开发一种适用于临床内窥镜成像的自监督单目三维重建方法	内窥镜图像序列	计算机视觉	NA	自监督深度学习	神经网络	图像	临床数据集和SCARED数据集	NA	基于光流的神经网络	互相关系数	NA
1972	2025-12-03	Optimised deep k-nearest neighbour's based diabetic retinopathy diagnosis(ODeep-NN) using retinal images 2024-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-024-00282-x PMID:38469456	研究论文	提出一种基于优化深度k最近邻的糖尿病视网膜病变诊断模型，结合深度学习特征提取与自然启发元启发式算法进行特征选择	将深度学习模型的特征提取能力与自然启发元启发式算法相结合，并采用k最近邻算法进行分类，在特征选择阶段优化了模型效率	未明确说明模型在临床环境中的泛化能力及对不同类型病变的识别效果	开发高效的计算机辅助诊断系统以辅助医生准确诊断糖尿病视网膜病变	彩色眼底图像中的病变区域	计算机视觉	糖尿病视网膜病变	NA	深度学习与k最近邻结合模型	图像	两个不同数据集（具体数量未说明）	NA	ResNet50, AlexNet（作为对比模型）	准确率	NA
1973	2025-12-03	A review of machine learning-based methods for predicting drug-target interactions 2024-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-024-00287-6 PMID:38617016	综述	本文综述了基于机器学习预测药物-靶点相互作用的方法，涵盖数据表示、分类方法、常用数据集和评估指标	提出了针对深度神经网络模型在DTI预测中的新分类法	NA	预测药物-靶点相互作用以支持药物发现与开发	药物和蛋白质	机器学习	NA	NA	传统机器学习方法, 深度学习方法	药物和蛋白质的多种表示形式	NA	NA	NA	常用评估指标	NA
1974	2025-12-03	Exploiting biochemical data to improve osteosarcoma diagnosis with deep learning 2024-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-024-00288-5 PMID:38645838	研究论文	本文提出了一种融合X射线影像和生化数据（ALP和LDH）的深度学习模型，用于提高骨肉瘤诊断的准确性、可解释性和泛化能力	首次将生化数据（碱性磷酸酶和乳酸脱氢酶）与X射线影像特征通过特征空间晚期融合方法结合，提升了骨肉瘤诊断性能	研究仅基于848名患者的单中心数据，未提及外部验证或跨机构泛化测试	开发具有更高准确性、可解释性和泛化性的骨肉瘤诊断方法	骨肉瘤患者	数字病理	骨肉瘤	X射线成像，生化检测	深度学习	图像，数值数据	848名患者（年龄4-81岁），共2608个病例	未明确说明	未明确说明具体架构（采用晚期融合方法）	准确率	NA
1975	2025-12-03	Advancements in automated diagnosis of autism spectrum disorder through deep learning and resting-state functional mri biomarkers: a systematic review 2024-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-024-10176-z PMID:39712105	综述	本文基于PRISMA指南，系统综述了利用深度学习和静息态功能磁共振成像生物标志物进行自闭症谱系障碍自动诊断的研究进展	系统性地比较了不同深度学习算法在ASD自动诊断中的应用及其准确率，并总结了基于rs-fMRI图像的最高诊断准确率接近0.99	综述范围仅限于已发表的约26篇文章，可能未涵盖所有相关研究，且未对模型泛化能力进行深入评估	评估机器学习和深度学习技术在自闭症谱系障碍早期自动诊断中的应用效果	自闭症谱系障碍患者，主要基于ABIDE I和ABIDE II等rs-fMRI图像数据集	机器学习	自闭症谱系障碍	静息态功能磁共振成像	深度学习算法	rs-fMRI图像	基于ABIDE I和ABIDE II等公共数据集，具体样本量未明确说明	NA	NA	准确率	NA
1976	2025-12-03	Brain-inspired multisensory integration neural network for cross-modal recognition through spatiotemporal dynamics and deep learning 2024-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-023-09932-4 PMID:39712112	研究论文	本文提出了一种受大脑启发的多感官整合神经网络，用于通过时空动力学和深度学习实现跨模态识别	提出了一种结合并行CNN和RNN的级联框架，模拟大脑多感官整合过程，并揭示了特征在正交子空间编码及网络状态沿准旋转对称轨迹演化的机制	使用合成训练数据进行数字识别任务，可能未在真实世界复杂多模态数据上验证	研究多感官整合的计算原理，开发受大脑启发的智能神经网络模型以实现跨模态识别	视觉和音频感官输入的多模态信息	机器学习	NA	深度学习	CNN, RNN	图像, 音频	NA	NA	并行卷积神经网络, 循环神经网络	NA	NA
1977	2025-12-03	Deep source transfer learning for the estimation of internal brain dynamics using scalp EEG 2024-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-024-10149-2 PMID:39712104	研究论文	本文提出了一种基于深度学习的新型EEG数据驱动源成像方案，用于精确高效地估计丘脑和皮层区域的大尺度时空脑动力学	提出了一种结合卷积循环神经网络的深度源成像框架，并利用基于人脑连接组学构建的脑模型生成合成训练数据，进一步应用迁移学习算法以减少合成数据与真实EEG数据之间的动态差异	未明确提及具体的数据集规模限制或模型泛化能力的详细评估	通过源成像技术提高EEG的空间分辨率，以增强神经解码和脑机交互的可靠性	大脑内部活动，特别是丘脑和皮层区域的宏观时空动力学	机器学习	癫痫	脑电图（EEG）	CNN, RNN	高密度EEG记录	NA	NA	卷积循环神经网络	NA	NA
1978	2025-12-03	Adaptive learning rate in dynamical binary environments: the signature of adaptive information processing 2024-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-024-10128-7 PMID:39712114	研究论文	本文构建了一个具有自适应学习率的分层贝叶斯模型，用于推断动态二元环境中的隐藏概率，并分析了该模型在合成数据上的自适应行为	模型的自适应学习率受信念和环境不确定性调节，其更新规则是Rescorla-Wagner方程的扩展，强调了自适应学习率作为高效准确推断的机制组成部分	NA	研究自适应学习模型在解释人类和动物自适应行为中的作用，特别是在动态二元环境中推断隐藏概率	合成数据	机器学习	NA	分层贝叶斯建模	贝叶斯模型	合成数据	NA	NA	分层贝叶斯模型	NA	NA
1979	2025-12-03	MSHANet: a multi-scale residual network with hybrid attention for motor imagery EEG decoding 2024-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-024-10127-8 PMID:39712122	研究论文	本研究提出了一种多尺度残差网络与混合注意力机制（MSHANet），用于解码四种运动想象脑电图类别，以提升脑机接口的性能	结合多头注意力和挤压-激励注意力机制，混合聚焦于脑电图特征的重要信息，并应用多尺度残差块提取丰富的特征，同时共享部分块参数以提取共同特征	NA	解码运动想象脑电图，以开发稳定且高效的脑机接口系统	运动想象脑电图数据	机器学习	NA	脑电图解码	CNN	脑电图信号	NA	NA	MSHANet	准确率	NA
1980	2025-12-03	Advances in brain-computer interface for decoding speech imagery from EEG signals: a systematic review 2024-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-024-10167-0 PMID:39712121	综述	本文系统综述了基于脑电图（EEG）信号的脑机接口（BCI）在解码想象言语方面的最新进展，旨在帮助言语障碍者实现有效沟通	从认知神经发育视角整合EEG信号解码想象言语的关键研究，系统梳理了预处理、特征提取和分类算法（包括深度学习和机器学习方法）及其融合的创新方法	NA	推动基于EEG的BCI系统在解码想象言语方面的实际应用，以改善言语障碍者的沟通能力	基于EEG信号的想象言语解码研究	脑机接口	神经系统疾病	脑电图（EEG）	深度学习, 机器学习	EEG信号	NA	NA	NA	NA	NA