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	2026-10-13	InSiNet: a deep convolutional approach to skin cancer detection and segmentation 2022-Mar, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-021-02473-0 PMID:35028864	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2	2026-10-13	Image-to-Images Translation for Multiple Virtual Histological Staining of Unlabeled Human Carotid Atherosclerotic Tissue 2022-02, Molecular imaging and biology IF:3.0Q2 DOI:10.1007/s11307-021-01641-w PMID:34622424	研究论文	该文章提出了一种基于深度学习的方法，利用pix2pix模型实现未标记人颈动脉粥样硬化组织的多重虚拟组织学染色，包括H&E、PSR和EVG染色	首次实现了对未标记人颈动脉粥样硬化斑块组织图像的同时多重虚拟染色，能够识别同一组织样本中的组织病理学特征	摘要中未明确提及研究的局限性	开发一种深度学习方法，将未标记组织切片的明场显微图像同时转换为等效的多个虚拟染色切片，以替代传统组织学染色过程	人颈动脉粥样硬化斑块组织	数字病理学	心血管疾病	虚拟组织学染色	GAN	图像	NA	NA	pix2pix	NA	NA
3	2026-10-13	Displacement detection with sub-pixel accuracy and high spatial resolution using deep learning 2022-Jan, Journal of medical ultrasonics (2001) DOI:10.1007/s10396-021-01162-7 PMID:34837159	研究论文	该研究利用深度学习从超声图像中检测二维亚像素位移，实现高空间分辨率	提出基于改进FlowNet2的深度学习网络，从超声图像估计位移分布，实现高空间分辨率的二维亚像素位移检测，突破传统方法在空间分辨率和亚像素精度间的权衡	训练数据集基于超声图像模拟，可能无法完全代表真实临床超声的复杂性；临床评估仅使用肝脏HIFU暴露图像，样本类型有限	利用超声诊断设备实现高空间分辨率的二维亚像素位移检测	超声图像中的位移分布，模拟超声图像和HIFU暴露的肝脏超声图像	计算机视觉	肝脏疾病	超声成像, 高强度聚焦超声	CNN	图像	未明确说明	NA	FlowNet2改进版	准确度, 精确度, 空间分辨率	NA
4	2026-10-13	Synthesizing high-resolution magnetic resonance imaging using parallel cycle-consistent generative adversarial networks for fast magnetic resonance imaging 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15380 PMID:34821395	研究论文	本文提出了一种基于并行CycleGAN的自监督方法，从低分辨率MRI生成高分辨率MRI，以缩短MRI扫描时间	使用两个并行训练的CycleGAN分别预测两个正交平面的高分辨率MRI，然后融合生成最终高分辨率图像，采用自监督策略解决配对数据难以获取的问题	未充分讨论计算资源需求、不同扫描仪或协议的泛化能力，以及临床验证的规模	开发一种从纵向低分辨率MRI生成高分辨率MRI的方法，以缩短临床MRI采集时间	多模态脑肿瘤MRI图像（T1、T1CE、T2、FLAIR），来自BraTS2020数据集和机构收集的MRI图像	医学图像处理	脑肿瘤	MRI	GAN	图像	BraTS2020数据集（多模态脑肿瘤分割挑战2020）和机构收集的MRI图像，具体数量未指定	NA	CycleGAN	NMAE, PSNR, EKI, SSIM, IFC, VIFP	NA
5	2026-10-13	Aorta-aware GAN for non-contrast to artery contrasted CT translation and its application to abdominal aortic aneurysm detection 2022-Jan, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-021-02492-0 PMID:34674136	研究论文	本文提出一种主动脉感知的深度学习方法，将非对比CT体积合成动脉对比CT体积，用于腹主动脉瘤检测	在生成器中引入辅助多分辨率分割任务，迫使网络关注主动脉和其他血管结构区域，利用辅助任务的分割结果提取主动脉，并通过估计主动脉最大轴向半径检测含动脉瘤的异常CT图像	未明确说明	避免对比剂引起的并发症，合成动脉对比CT体积以用于腹主动脉瘤检测	非对比CT体积和动脉对比CT体积	计算机视觉	腹主动脉瘤	CT	GAN	图像	未明确说明	未明确说明	未明确说明	峰值信噪比，F分数	未明确说明
6	2026-10-13	Deep learning-based ultrasonic dynamic video detection and segmentation of thyroid gland and its surrounding cervical soft tissues 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15332 PMID:34730231	研究论文	本研究建立并验证了一种基于超声视频的深度学习方法（级联区域卷积神经网络，Cascade R-CNN），用于自动检测和分割甲状腺及其周围颈部软组织，以减少放射科医生的工作量并提高甲状腺疾病的检测和诊断率	构建了基于超声动态视频的深度学习模型，能够自动检测和分割甲状腺及其周围多种颈部软组织，并创建了包含大量标注区域的数据集用于训练和测试	对环状软骨和甲状腺内血管的分割效果不佳（AP50分别为53.9%和48.5%），样本量较小（共71例患者）	建立并验证基于超声视频的深度学习方法，用于自动检测和分割甲状腺及其周围组织，以提高甲状腺疾病的检测和诊断效率	71例甲状腺超声正常的患者，包括59例训练集、12例验证集和9例测试集患者的超声视频	医学图像分析	甲状腺疾病	超声视频分析	CNN	视频	71例患者的超声视频，训练集标注166817个区域，验证集标注34364个区域，测试集标注29227个区域	NA	Cascade R-CNN, CenterMask	AP, AP50, AP75	NA
7	2026-10-13	Implementation and prospective clinical validation of AI-based planning and shimming techniques in cardiac MRI 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15327 PMID:34748660	研究论文	本文旨在实现并前瞻性临床验证两种基于AI的深度学习技术，用于心脏MRI中的自动切片定位和心脏匀场，并评估其在临床心脏磁共振成像中的性能	开发了两种深度神经网络用于心脏MRI的自动切片规划和匀场，实现了扫描仪内置的自动心脏规划（EasyScan）和AI匀场（AI shim），并在前瞻性临床研究中验证了其性能，证明AI规划可减少操作者依赖性并缩短扫描时间，AI匀场可改善B0场均匀性并提高图像质量	样本量较小（EasyScan验证仅10名健康受试者，AI匀场验证共20名受试者），且部分指标（如绝对壁增厚）的组间差异未达到统计学显著性（健康组p=0.234，患者组p=0.059）	实现基于AI的心脏MRI自动切片定位和匀场技术，并评估其在临床心脏磁共振成像中的性能，以简化成像流程、缩短采集时间并提高磁场均匀性	接受心脏磁共振检查的健康受试者和心脏肿瘤患者	医学图像处理	心血管疾病, 心脏肿瘤	心脏磁共振成像（MRI）	深度神经网络	图像	训练和验证数据集超过500名受试者的心脏MRI数据；EasyScan验证：10名健康受试者；AI匀场验证：20名受试者（10名健康受试者和10名心脏肿瘤患者）	NA	深度神经网络	扫描时间, 平面角度误差, 信噪比（SNR）, 对比噪声比（CNR）, 图像质量（锐度和图像退化）, 射血分数（EF）, 绝对壁增厚	1.5 T临床MRI扫描仪
8	2026-10-13	Automatic quadriceps and patellae segmentation of MRI with cascaded U2 -Net and SASSNet deep learning model 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15335 PMID:34755359	研究论文	该研究开发并验证了一种端到端全自动深度学习模型，用于儿童MRI中股四头肌和髌骨的精确分割	提出了两阶段级联深度学习模型，第一阶段用U2-Net粗略检测肌肉区域，第二阶段用SASSNet进行精细分割，并探索了多特征图像映射和不同裁剪分辨率对分割精度的影响	数据集相对较小且变异性大，仅包含40名儿童参与者，模型泛化能力有待进一步验证	开发并验证一种全自动深度学习模型，用于儿童MRI中股直肌、股外侧肌、股内侧肌和股中间肌的精确分割	儿童膝关节MRI图像中的股四头肌（股直肌、股外侧肌、股内侧肌、股中间肌）和髌骨	数字病理学	NA	MRI	CNN	图像	40名儿童参与者的3D MRI图像（年龄15.3±1.9岁，体重55.8±11.8 kg，身高164.2±7.9 cm，38女/2男）	NA	U2-Net, SASSNet	Dice相似系数	NA
9	2026-10-13	Hybrid Method Incorporating a Rule-Based Approach and Deep Learning for Prescription Error Prediction 2022-01, Drug safety IF:4.0Q1 DOI:10.1007/s40264-021-01123-6 PMID:34766251	研究论文	本研究开发了一种结合规则和深度学习的混合方法（ARDNN），用于儿科处方错误预测，以提高检测准确性并减少医生的警报疲劳	提出了一种新型的混合方法ARDNN，将基于规则的DUR系统与深度神经网络相结合，用于处方错误检测，减少了警报疲劳	研究仅限于儿科部门，可能不适用于其他科室；样本量相对较小；仅针对35种药物进行了规则定义和模型开发	开发一种新的混合方法，通过人工智能预测处方错误，补充基于DUR的规则，减少医生的警报疲劳，提高医疗质量	儿科患者，特别是对药物敏感的儿童，使用来自Konyang大学医院（KYUH）的常见数据模型（CDM）和DUR的处方历史数据	机器学习	儿科疾病	NA	深度神经网络	文本	15,281名患者级观察数据，包括137,802个正常处方和1,609个处方错误	NA	高级规则基深度神经网络（ARDNN）	精确率、召回率、F1分数	NA
10	2026-10-13	Automatic upper airway segmentation in static and dynamic MRI via anatomy-guided convolutional neural networks 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15345 PMID:34773260	研究论文	本文开发并测试了一种基于深度学习的自动上气道分割系统，用于静态和动态MRI图像	提出了一种统一的框架，包括广义感兴趣区域（GROI）策略和基于假阳性和假阴性率的新型损失函数，用于处理静态和动态MRI数据	未明确提及局限性，但可能包括数据集的变异性、手动标注的读者间差异等	实现自动上气道分割，以定量研究上气道的解剖结构和功能	上气道及其周围组织	计算机视觉	NA	MRI	CNN	图像	160名受试者，超过20000张MRI切片	NA	U-Net	Dice系数	NA
11	2026-10-13	RootPainter3D: Interactive-machine-learning enables rapid and accurate contouring for radiotherapy 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15353 PMID:34783028	研究论文	该论文开发了交互式机器学习软件RootPainter3D，用于放疗中器官风险的轮廓勾画，并通过实验评估其准确性和时间节省	开发了开源交互式机器学习软件，支持对深度学习生成的轮廓进行纠正标注，使非计算机科学家能够在常规临床工作流程中训练深度学习模型分割感兴趣的结构	实验仅由一名医师完成，且仅针对心脏分割任务，样本量有限，未在其他器官或多名医师中验证	研究交互式机器学习方法在器官风险轮廓勾画任务中的准确性和时间节省效果	X射线CT图像中的心脏	计算机视觉	心血管疾病	NA	深度学习	图像	933个心脏CT图像	NA	NA	Dice分数	NA
12	2026-10-13	A deep learning method for eliminating head motion artifacts in computed tomography 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15354 PMID:34786714	研究论文	本文提出了一种基于深度学习的方法，通过设计一种新颖的具有大感受野和高图像分辨率的3D网络结构，采用运动模拟算法合成带有运动伪影的CT图像进行训练，以消除头部CT扫描中的运动伪影	开发了运动模拟算法合成带有运动伪影的CT图像，设计了具有大感受野和高图像分辨率的新颖3D网络结构，可处理旋转、平移、振荡及任意组合引起的伪影	仅针对头部CT扫描的运动伪影，临床评估样本量相对有限（来自两家医院的30组运动污染图像）	消除计算机断层扫描（CT）中由患者不自主运动引起的运动伪影，提高图像质量和诊断信心	头部CT扫描图像中的运动伪影	计算机视觉	NA	CT扫描，运动模拟算法	CNN	图像	30组来自两家医院的运动污染图像用于临床评估，以及模拟数据用于训练和验证	NA	3D U-Net变体，带空洞卷积结构	归一化均方根误差（NRMSE），峰值信噪比（PSNR），结构相似性（SSIM）	NA
13	2026-10-13	Intentional deep overfit learning (IDOL): A novel deep learning strategy for adaptive radiation therapy 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15352 PMID:34791672	研究论文	本文提出了一种名为有意深度过拟合学习（IDOL）的新型深度学习策略，用于自适应放疗中的个性化模型训练	提出IDOL框架，通过两阶段训练策略——先训练泛化模型，再有意过拟合到患者特异性数据集，实现个性化深度学习模型，该框架具有任务无关性，可广泛应用于自适应放疗工作流	IDOL模型依赖于患者特异性先验信息的可用性，在缺乏先验信息的情况下可能不适用，且仅在三个任务上进行了验证	解决深度学习模型在自适应放疗临床应用中泛化性不足的问题，特别是难以收集高质量、一致性标注的任务特异性训练数据集	自适应放疗工作流中的三个任务：再计划CT的自动轮廓勾画、MRI引导放疗的MRI超分辨率、以及MRI-only放疗的合成CT重建	计算机视觉	癌症	NA	CNN	图像	N名患者的多样化训练数据集，以及N+1名患者特异性数据	NA	NA	Dice相似系数, 平均绝对误差	NA
14	2026-10-13	Spatial adaptive and transformer fusion network (STFNet) for low-count PET blind denoising with MRI 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15368 PMID:34796526	研究论文	本文提出了一种名为STFNet的新型深度学习方法，用于低计数PET盲去噪，结合MRI输入，通过空间自适应块和Transformer融合编码器实现	提出了包含Siamese编码器（具有空间自适应块）和Transformer融合编码器（TFE）的STFNet，其中空间自适应块包含可变形卷积与融合调制（DCFM），TFE帮助建立PET和MRI高层特征图之间的局部和全局关系，解码器设计两个分支分别用于PET去噪和MRI翻译，并通过可训练加权求和获得预测	仅使用L1损失训练数据集，数据集包含不同低计数的 corrupted PET，可能仍有改进空间，未来可探索基于生成对抗网络（GAN）的范式以进一步提升视觉质量	针对低计数PET与MRI输入的盲去噪问题，提出一种新的深度学习方法，以充分提取和融合多模态输入的上下文和互补信息	低计数颈部PET图像和MRI图像	计算机视觉	NA	正电子发射断层扫描（PET），磁共振成像（MRI）	深度学习	图像	NA	NA	STFNet（Siamese编码器，空间自适应块，Transformer融合编码器，双分支解码器）	均方根误差（RMSE），峰值信噪比（PSNR），结构相似性（SSIM），皮尔逊相关系数（PCC）	NA
15	2026-10-13	A multitask dual-stream attention network for the identification of KRAS mutation in colorectal cancer 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15361 PMID:34806195	研究论文	提出一种多任务双流注意力网络，基于结直肠癌患者的T2 MRI图像识别KRAS基因突变状态	提出多任务注意力模型，由分割子网络和识别子网络组成，利用分割模型编码器提取的特征作为引导信息激活识别网络中的注意力模块，引入层间损失函数鼓励两个子网络参数相似性，缓解小数据集导致的过拟合问题	数据集规模较小，仅包含36个临床病例的382张图像，模型的泛化能力有待进一步验证	准确识别结直肠癌患者的KRAS基因突变状态，辅助肿瘤预后判断和个性化治疗	结直肠癌患者的T2 MRI图像	计算机视觉, 医学图像分析	结直肠癌	T2 MRI	CNN	图像	36个临床病例的382张图像	NA	多任务双流注意力网络（包含分割子网络和识别子网络）	准确率, 灵敏度, 特异度, AUC, Dice系数	NA
16	2026-10-13	Intratumoral analysis of digital breast tomosynthesis for predicting the Ki-67 level in breast cancer: A multi-center radiomics study 2022-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.15392 PMID:34861045	研究论文	该研究基于数字乳腺断层摄影（DBT）图像，通过肿瘤内亚区域放射组学方法，非侵入性地预测乳腺癌患者的Ki-67表达水平	首次将肿瘤区域划分为内部和边缘亚区域，并分别提取手工放射组学特征和深度学习特征，融合后用于预测Ki-67水平，提高了预测性能	外部验证队列的AUC值相对较低，且样本量有限，需要更大规模的多中心研究验证	开发一种基于亚区域放射组学的非侵入性方法，用于预测乳腺癌患者的Ki-67水平	接受DBT扫描的乳腺癌患者	数字病理学	乳腺癌	数字乳腺断层摄影（DBT）、放射组学、深度学习	卷积神经网络（CNN）	图像	266例患者（来自两个中心）	NA	NA	AUC、准确率、灵敏度、特异度	NA
17	2026-10-13	Vertebrae, IVD and spinal canal boundary extraction on MRI, utilizing CT-trained active shape models 2021-Dec, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-021-02502-1 PMID:34643884	研究论文	提出一种利用CT训练的活动形状模型在MRI中提取椎骨、椎间盘和椎管边界的方法	使用从CT图像导出的形状先验来指导MRI中的边界提取，不依赖于CT/MR图像对，且不需要大量训练数据	需要有限的用户干预	在MRI中自动提取椎骨、椎间盘和椎管的边界	MRI图像中的椎骨、椎间盘和椎管	计算机视觉	脊髓疾病	活动形状模型	活动形状模型	图像	两个MRI数据集	NA	活动形状模型	NA	NA
18	2026-10-13	Deep learning improves macromolecule identification in 3D cellular cryo-electron tomograms 2021-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-021-01275-4 PMID:34675434	研究论文	本文提出了DeepFinder，一种利用人工神经网络在细胞冷冻电子断层扫描图像中同时定位多类大分子的计算流程	DeepFinder能够同时定位多类大分子，推理阶段比模板匹配更快，在合成和实验数据集上优于其他竞争性深度学习方法，并在细胞冷冻电子断层扫描数据上达到了与专家监督标注相当的精度	摘要中未明确提及研究局限性	提高3D细胞冷冻电子断层扫描中大分子识别的自动化程度和准确性	细胞冷冻电子断层扫描图像中的大分子，包括膜结合和胞质核糖体、核酮糖-1,5-二磷酸羧化酶/加氧酶以及光系统II	计算机视觉	NA	冷冻电子断层扫描	人工神经网络	图像	NA	NA	NA	定位精度	NA
19	2026-10-12	Fast and Precise Hippocampus Segmentation Through Deep Convolutional Neural Network Ensembles and Transfer Learning 2019-10, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-019-09417-y PMID:30877605	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
20	2026-10-11	Deep progressive learning reconstruction for fast and low-dose whole-body PET scans in an integrated PET/MR system 2026-Jul-15, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02568-w PMID:42458316	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA