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
1	2026-03-01	Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations 2026-Jun-05, Information sciences DOI:10.1016/j.ins.2026.123184 PMID:41737630	研究论文	本文通过大规模功能磁共振成像数据，评估了机器学习模型在认知任务识别和疾病诊断中的性能，并提出了设计深度学习模型的实证指南	利用大规模神经影像数据（39,784个fMRI样本）系统评估了多种深度学习模型在认知和临床场景中的表现，并引入了基于注意力的可解释性方法来揭示与任务和疾病相关的大脑激活空间模式	研究结果可能受数据集、任务类型和评估设置的差异影响，且未提供统一的通用模型	为功能神经影像学中的深度学习模型设计建立实证指南，并探讨模型在认知任务识别和疾病诊断中的性能与局限性	大规模功能磁共振成像数据，涵盖认知任务和疾病诊断场景	机器学习	NA	功能磁共振成像	深度学习模型	图像	39,784个fMRI样本，来自七个数据库	NA	NA	NA	NA
2	2026-03-01	LDM-Morph: Latent diffusion model guided deformable image registration 2026-Jun, Pattern recognition IF:7.5Q1 DOI:10.1016/j.patcog.2025.112925 PMID:41736822	研究论文	本文提出了一种名为LDM-Morph的无监督可变形图像配准算法，通过集成潜在扩散模型特征来增强语义信息，以提高医学图像配准的准确性和拓扑保持能力	首次将潜在扩散模型特征集成到可变形图像配准中，设计了基于潜在和全局特征的交叉注意力模块，并提出了分层度量方法，在像素空间和潜在特征空间同时评估相似性	未明确说明算法在更广泛医学图像数据集上的泛化能力，也未讨论对计算资源的具体需求	提高医学图像可变形配准的准确性和拓扑保持能力	医学图像，包括2D心脏图像和3D图像	计算机视觉	心血管疾病	潜在扩散模型	CNN, Transformer	图像	四个公开2D心脏图像数据集和两个3D图像数据集	NA	潜在扩散模型	准确性, 拓扑保持能力, 计算效率	NA
3	2026-03-01	Predicting treatment response to neoadjuvant chemotherapy in locally advanced rectal cancer: A combined deep learning and machine learning approach utilizing longitudinal multi-sequence MRI 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100739 PMID:41756036	研究论文	本研究开发并验证了基于深度学习和机器学习的模型，利用纵向多序列MRI预测局部晚期直肠癌患者对新辅助化疗的治疗反应	结合纵向多序列MRI的深度学习特征与临床放射学特征，构建融合模型以预测治疗反应	研究为回顾性设计，样本量相对较小（169例患者），且模型性能提升未达到统计学显著性	预测局部晚期直肠癌患者对新辅助化疗的病理反应	局部晚期直肠癌患者	数字病理学	直肠癌	多序列MRI（CE-T1WI, T2WI, DWI）	深度学习, 机器学习	图像	169例局部晚期直肠癌患者（训练队列118例，测试队列51例）	NA	DenseNet121	AUC, 准确率, 灵敏度, 特异性, Brier分数	NA
4	2026-03-01	Harnessing angular geometry in deep learning for protein-ligand binding affinity prediction 2026-May-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109282 PMID:41691876	研究论文	本文提出了一种利用角度几何特征进行蛋白质-配体结合亲和力预测的深度学习方法	引入七种类型的二面角作为结合相互作用的关键描述符，替代了传统的3D网格或体素化表示，提出了轻量级的Angle-Aware Predictor (AAP)集成网络	未明确说明模型对特定蛋白质家族或配体类型的泛化能力限制	开发更高效准确的蛋白质-配体结合亲和力预测方法以支持基于结构的药物设计	蛋白质-配体复合物	机器学习	NA	角度几何特征提取	全连接神经网络	几何特征数据	CASF-2016基准数据集及四个附加基准数据集	NA	Angle-Aware Predictor (AAP)	相关系数(R), 均方根误差(RMSE), 平均绝对误差(MAE), 标准差(SD), 一致性指数(CI)	NA
5	2026-03-01	Artificial intelligence approaches for non-invasive diabetes prediction using ECG signals: A systematic review 2026-May-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109264 PMID:41643489	系统综述	本文系统综述了利用心电图信号进行非侵入性糖尿病预测的人工智能方法	首次系统性地总结和评估了基于AI的心电图分析在糖尿病及糖尿病前期预测中的应用，指出了该领域的研究现状、潜力与关键局限	纳入研究大多基于小型、单中心、横断面数据集，缺乏外部验证和亚组性能评估，方法标准化不足，透明度低，且未专门关注农村或服务不足人群	批判性评估用于心电图信号非侵入性预测糖尿病及糖尿病前期的机器学习和深度学习模型	基于心电图信号预测糖尿病及糖尿病前期的AI模型	机器学习	糖尿病	心电图分析	机器学习模型, 深度学习模型	心电图信号	样本量从24到超过190,000名个体不等，多数研究样本量较小	NA	NA	准确率	NA
6	2026-03-01	Deep Learning for Ultrasound-Based Auxiliary Diagnosis of Emergency Ascites 2026-Apr, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2025.11.665 PMID:41483985	研究论文	本研究开发了一种基于Transformer的深度学习模型，用于在创伤超声重点评估（FAST）图像中自动检测腹腔游离液体，以辅助非专业操作者进行诊断	首次将Transformer架构应用于FAST图像的自动分割与分类，并评估了其对不同经验水平操作者诊断准确性的提升效果	研究为回顾性设计，样本主要来自两家医院，可能存在选择偏倚，且未在更广泛的多中心数据上进行前瞻性验证	开发并验证一个基于深度学习的自动化模型，以辅助非专业操作者通过FAST图像快速、准确地诊断腹腔游离液体（腹水）	FAST超声图像（显示腹腔游离液体的阳性图像和无液体的阴性图像）	计算机视觉	腹腔积液/创伤	超声成像（FAST）	Transformer	图像	内部数据集：1829张FAST阳性图像和303张FAST阴性图像；外部验证集：848张图像（424张阳性，424张阴性）	NA	Transformer	交并比（IoU）, Dice系数, 像素准确率（PA）, 准确率, 灵敏度, 特异性, AUC	NA
7	2026-03-01	UltraMN: Advancing Real-Time Median Nerve Ultrasound Monitoring With a Multitask Deep Learning Framework 2026-Apr, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2025.12.002 PMID:41506963	研究论文	本研究提出了一种名为UltraMN的多任务深度学习框架，用于提升实时超声监测正中神经的性能	提出了一种新颖的多任务学习模型，将标准平面分类（UltraCLS）和组织分割（UltraSEG）集成到一个框架中，用于正中神经的全面分析	本研究仅基于健康正中神经的超声数据，其对于病理情况（如腕管综合征）的泛化能力需要进一步验证	开发一种先进的深度学习框架，以克服与实时超声监测正中神经相关的挑战	正中神经的超声图像和视频	计算机视觉	NA	超声成像	深度学习	图像, 视频	446个病例，每个病例双侧采集8个视频，总计3568个视频和249,985张图像，涵盖四个标准化成像平面	Python	UltraMN, UltraCLS, UltraSEG	准确率, 精确率, 召回率, F1分数, 平均交并比	NA
8	2026-03-01	From Recognition to Action: Integrating Deep Learning and Robotic Control in Transthoracic Echocardiography 2026-Apr, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2025.12.007 PMID:41530021	综述	本文综述了人工智能在经胸超声心动图图像分析和机器人辅助超声系统方面的最新进展，并探讨了语义到运动映射的未来方向	整合了深度学习与机器人控制，提出了语义到运动映射的讨论框架，为自动化心脏诊断提供了新的视角	作为一篇综述文章，未提出新的实验数据或模型，主要基于现有文献进行分析和展望	探讨人工智能和机器人技术在经胸超声心动图检查中的应用现状与未来方向，以应对人口老龄化带来的心力衰竭诊断负担	经胸超声心动图图像、机器人超声系统	计算机视觉, 机器人技术	心血管疾病	NA	NA	图像	NA	NA	NA	NA	NA
9	2026-03-01	Automatic measurement of pharyngeal contraction ratio during deglutition using 2D cine MRI with deep learning: A pilot study 2026-Mar, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-025-00984-1 PMID:41236586	研究论文	本研究开发了一种基于深度学习的自动分割咽部区域并测量吞咽过程中咽部收缩比的方法，使用电影磁共振成像技术	结合2D U-Net进行咽部区域提取与自动计算咽部面积和收缩比，实现了从电影MRI中自动测量咽部收缩比的技术可行性	仅分析了20名健康成年人的数据，样本量较小，且未涉及患者群体，限制了结果的普遍性	开发自动测量吞咽过程中咽部收缩比的方法，以评估吞咽功能	20名健康成年人（10男10女，年龄22-29岁）的电影MRI数据	医学影像分析	吞咽障碍	电影磁共振成像	CNN	图像	20名健康成年人	NA	U-Net	Dice系数, 相关系数, Bland-Altman分析	NA
10	2025-11-27	Deep learning-based support system for alignment classification and correction guidance in postoperative total knee arthroplasty lateral radiographs 2026-Mar, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-025-00987-y PMID:41288930	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11	2026-03-01	Effect of deep learning reconstruction on arm-induced artifacts compared with hybrid iterative reconstruction and filtered-backprojection in abdominal CT 2026-Mar, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-025-00998-9 PMID:41442007	研究论文	本研究评估了深度学习图像重建（DLIR）在腹部CT中减少手臂伪影和提升图像质量的效果，并与自适应统计迭代重建（ASIR-V）和滤波反投影（FBP）进行比较	首次在腹部CT中系统比较DLIR、ASIR-V和FBP对手臂伪影的减少效果，并证明DLIR在伪影抑制和图像质量方面优于传统方法	研究样本量较小（仅10名患者），且仅评估了特定手臂位置，可能未覆盖所有临床场景	评估DLIR在腹部CT中减少手臂伪影和提升图像质量的效果	肝脏结节体模（含手臂部分）和10名患者的腹部CT图像	医学影像	NA	计算机断层扫描（CT）	深度学习图像重建（DLIR）	CT图像	1个体模和10名患者	NA	NA	伪影强度（Gumbel分布位置参数和标准差）、信噪比（SNR）、对比噪声比（CNR）、噪声、伪影、锐度和整体质量的主观评分	NA
12	2026-01-06	Implementation of deep learning with convolutional block attention module for detecting collimator rotation errors in stereotactic radiosurgery quality assurance 2026-Mar, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-025-01002-0 PMID:41489764	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
13	2026-03-01	The application of artificial intelligence in blind ultrasound sweep diagnostics for prenatal medicine: A systematic literature review 2026-Mar, Acta obstetricia et gynecologica Scandinavica IF:3.5Q1 DOI:10.1111/aogs.70147 PMID:41574472	系统综述	本文系统综述了人工智能在盲超声扫描诊断于产前医学中的应用	聚焦于人工智能应用于由最低限度培训人员执行的标准化盲超声扫描，以改善产前超声诊断的可及性	在妊娠晚期准确性降低，以及在早期妊娠或异常检测方面的验证有限	评估人工智能模型在盲超声扫描中用于产前诊断的性能和潜力	产前盲超声扫描数据	数字病理学	NA	超声扫描	深度学习	图像	NA	NA	NA	平均绝对误差, AUC, Dice系数, 准确率	NA
14	2026-03-01	High-speed quantitative X-ray multi-contrast imaging with deep learning based modulated pattern analysis 2026-Mar-01, Journal of synchrotron radiation IF:2.4Q3 DOI:10.1107/S1600577526000846 PMID:41701528	研究论文	本文提出了一种基于深度学习的增强扫描模式成像神经网络（ESPINNet），用于实现高速、高分辨率的X射线多对比度定量成像	ESPINNet比基于相关的散斑跟踪方法（如XSVT和UMPA）更快，通过使用更少的扫描图像在分辨率和数据采集速度之间取得平衡，并首次引入了生成暗场图像的能力	未在摘要中明确说明	开发一种高速、高分辨率的X射线多对比度定量成像工具，以克服现有方法在测量和分析X射线调制图案时效率低下的问题	材料和生物样本的内部结构	计算机视觉	NA	X射线多对比度成像	深度学习神经网络	X射线调制图案（扫描图像）	NA	NA	ESPINNet（增强扫描模式成像神经网络）	分辨率，速度	NA
15	2026-03-01	Simultaneous synthesis of perfusion and ventilation images from CT using a dual-decoder residual attention network for lung disease diagnosis 2026-Mar, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70498 PMID:41746161	研究论文	本研究开发了一种基于深度学习的双解码器残差注意力网络，用于从三维CT图像中同时合成肺灌注和通气图像，以支持肺部疾病诊断	首次提出能够同时从CT图像合成肺灌注和通气图像的双解码器残差注意力网络，实现了对肺功能的整体评估	研究样本量相对较小（98例），且仅基于特定放射性示踪剂（99mTc标记的巨聚白蛋白和Technegas）的SPECT图像进行验证	开发一种深度学习框架，用于从三维CT图像中同时生成肺灌注和通气图像，以改善肺部疾病诊断	接受单光子发射CT灌注图像、通气图像和三维CT图像扫描的肺部疾病患者	数字病理学	肺癌	单光子发射CT（SPECT）、三维CT成像	CNN	图像	98例患者的三维CT、SPECT灌注和通气图像	NA	双解码器残差注意力网络（DDRAN）、单解码器残差注意力网络（RAN）	结构相似性指数（SSIM）、斯皮尔曼等级相关系数（Rs）、Dice相似系数（DSC）	NA
16	2026-03-01	Quantitative evaluation of a deep learning-based noise reduction algorithm in digital radiography using noise power spectrum analysis 2026-Mar, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70521 PMID:41741150	研究论文	本研究通过噪声功率谱分析，定量评估了数字放射摄影中基于深度学习的降噪算法的图像质量	引入噪声功率谱改进因子作为补充指标，量化不同频率范围内的噪声抑制效果，并直接比较深度学习和传统降噪方法	未将噪声分析与诊断性能指标结合以全面评估临床效用，且算法性能对训练数据特性敏感	定量评估商业深度学习降噪算法在数字放射摄影中的图像质量，并与传统算法进行比较	数字放射摄影系统及其降噪算法	计算机视觉	NA	噪声功率谱分析	深度学习	图像	NA	NA	NA	噪声功率谱改进因子	NA
17	2026-03-01	Development of a hybrid deep learning-based framework for liver fibrosis classification using ultrasound images 2026-Mar, iLIVER DOI:10.1016/j.iliver.2026.100225 PMID:41756166	研究论文	本研究开发了一种结合ResNet50和VGG16的混合深度学习框架，用于基于超声图像的肝纤维化多分类（F0-F4）	提出了一种混合深度学习模型，结合了ResNet50和VGG16，用于肝纤维化的多分类，提高了诊断准确性并增强了模型的可解释性	研究依赖于公开数据集，可能未涵盖所有临床场景；模型性能评估虽使用统计方法，但外部验证仍需进一步进行	开发自动化的肝纤维化分期工具，以减少对活检的依赖，并提供经济、可解释的肝脏疾病评估方法	肝纤维化患者	计算机视觉	肝纤维化	超声成像	CNN	图像	6323个超声图像样本	NA	ResNet50, VGG16	准确率, 灵敏度, 特异性, AUC	NA
18	2026-03-01	Real-Time MRI With Deep Learning for Efficient Evaluation of Neuromuscular Breathing Impairment 2026-Mar, MedComm IF:10.7Q1 DOI:10.1002/mco2.70579 PMID:41756255	研究论文	本研究评估了实时MRI结合深度学习图像分割在检测晚发型庞贝病呼吸功能障碍中的敏感性	首次将实时MRI与基于U-Net的深度学习肺部分割技术结合，用于量化膈肌运动异常，为神经肌肉呼吸障碍提供了新型生物标志物	样本量较小（仅11名患者和11名对照），且研究聚焦于单一疾病模型（晚发型庞贝病）	开发一种高效检测神经肌肉疾病呼吸障碍的新方法	晚发型庞贝病患者和健康对照个体	数字病理	神经肌肉疾病	实时MRI，快速T1映射	CNN	MRI图像	11名庞贝病患者和11名健康对照	NA	U-Net	NA	NA
19	2026-03-01	Prostate cancer and benign prostatic hyperplasia lesions segmentation using diffusion kurtosis imaging, T2, and R2 mapping with U-Net++ algorithm 2026-Mar, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-025-00977-0 PMID:41091407	研究论文	本研究提出了一种基于深度学习的分割框架，用于在多种MRI采集和衍生参数图上分割前列腺病变	结合优化的深度学习架构与先进的MRI衍生图像，以增强诊断精度	NA	比较不同MRI衍生图像在分割前列腺病变中的性能，以识别提供最区分性信息的图像	前列腺癌和良性前列腺增生病变	数字病理学	前列腺癌	扩散峰度成像、T2加权成像、R2映射	深度学习	MRI图像	51名患者	NA	U-Net++	Dice相似系数、交并比、灵敏度、特异性	NA
20	2026-03-01	Image quality restoration in 15-s breath-hold PET using a diffusion-based neural network 2026-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.70361 PMID:41761600	研究论文	本文提出了一种基于扩散概率模型和时序注意力调制的深度学习框架TAM-DiffPET，用于提升15秒屏气PET图像的质量，抑制噪声并增强病灶可见性	提出了TAM-DiffPET模型，通过时序注意力调制（TAM）注入扩散时间步嵌入和时序上下文线索来细化中间特征表示，以改善超短采集时间下的PET图像质量	研究数据来自单一医院（仁济医院），样本量相对有限（230例患者），且仅针对15秒屏气PET扫描进行评估，未在其他采集时间或不同设备上验证	改善15秒屏气PET扫描的图像质量，抑制噪声并增强病灶可见性，同时保持定量准确性	来自230名患者的配对PET数据集，包括15秒屏气扫描和5分钟自由呼吸扫描	医学影像处理	NA	PET成像	扩散概率模型（DDPM），深度学习	PET图像	230名患者（180例用于训练，50例用于评估）	NA	TAM-DiffPET（基于DDPM并增强时序注意力调制），U-Net，CycleGAN，DDPM	PSNR，SSIM，体素级SUV分布，平均绝对误差，标准偏差	NA