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	2026-10-12	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
2	2026-10-05	Attention-Based Deep Neural Networks for Detection of Cancerous and Precancerous Esophagus Tissue on Histopathological Slides 2019-11-01, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2019.14645 PMID:31693124	研究论文	本文提出了一种基于组织级注释的注意力深度神经网络，用于在组织病理学图像中检测巴雷特食管和食管腺癌	使用组织级注释而非感兴趣区域注释，结合卷积神经网络和基于网格的注意力网络进行高分辨率组织学图像分析	所提出的模型在性能上仅略微优于滑动窗口方法，且这种优势在统计上不显著	评估一种新颖的深度学习方法，使用组织级注释对高分辨率组织学图像进行分析，以检测巴雷特食管和食管腺癌	巴雷特食管和食管腺癌的组织病理学图像	数字病理学	食管癌	组织病理学成像	CNN	图像	训练集379张组织学图像，独立测试集123张组织学图像	NA	卷积神经网络, 基于网格的注意力网络	准确率, 召回率, 精确率, F1分数	NA
3	2026-10-04	Analysis of risk factor domains in psychosis patient health records 2019-10-31, Journal of biomedical semantics IF:1.6Q3 DOI:10.1186/s13326-019-0210-8 PMID:31672168	研究论文	该研究设计并评估了多种多层感知器和径向基函数神经网络，用于预测精神病患者电子健康记录中与七个再入院风险因素域相关的句子，旨在为再入院风险分类器开发主题提取组件	采用深度学习（多层感知器和径向基函数神经网络）进行主题提取，相比基于余弦相似度的基线模型，F1分数从0.66提升至0.83，且更具可扩展性和计算效率；同时发现在预处理阶段整合临床相关的多词表达能提高模型准确性，并允许在半监督设置下识别更广泛的训练数据	论文未明确提及局限性	开发精神病电子健康记录中的主题提取组件，以服务于长期的再入院风险分类器构建目标	精神病患者的电子健康记录（EHR）中的临床叙述文本	自然语言处理	精神疾病	NA	多层感知器（MLP）、径向基函数神经网络（RBF）	文本（精神病电子健康记录中的临床叙述）	NA	NA	多层感知器、径向基函数神经网络	F1分数	NA
4	2024-10-02	Comment on: "Deep learning for pharmacovigilance: recurrent neural network architectures for labeling adverse drug reactions in Twitter posts" 2019-06-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz013 PMID:31087070	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5	2026-10-01	Intelligent nanophotonics: merging photonics and artificial intelligence at the nanoscale 2019-Mar, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2018-0183 PMID:34290952	综述	本文综述了纳米光子学与机器学习（尤其是深度学习）融合的最新进展，重点关注纳米光子逆向设计中的深度学习方法及在光子平台上实现深度神经网络	系统总结了纳米光子学与机器学习交叉领域的研究进展，聚焦于深度学习用于纳米光子逆向设计以及在光子平台上实现深度神经网络	作为综述文章，未提出新的实验方法或模型，也未进行定量性能比较	概述纳米光子学与机器学习融合领域的最新进展，重点介绍用于纳米光子逆向设计的深度学习方法，并展望未来任务	纳米光子器件、纳米光子逆向设计、光子平台上的深度神经网络	纳米光子学与机器学习交叉领域	NA	深度学习	深度神经网络	NA	NA	NA	深度神经网络	NA	NA
6	2026-09-29	Acceleration of spleen segmentation with end-to-end deep learning method and automated pipeline 2019-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2019.01.018 PMID:30798219	研究论文	该文章提出了一种基于端到端深度学习和自动化流水线的腹部脾脏分割方法	提出了一种自动化流水线，提供端到端的合成过程，使用户无需安装任何软件包并在本地处理中间结果	流水线整个过程平均需要20分钟，与手动分割的30分钟相比，时间减少有限	加速脾脏分割过程，减少人工标注CT数据的时间	CT腹部解剖结构，特别是脾脏	计算机视觉	NA	CT	深度学习	图像	NA	NA	NA	时间	NA
7	2026-08-18	Learning-based automatic segmentation of arteriovenous malformations on contrast CT images in brain stereotactic radiosurgery 2019-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.13560 PMID:31050804	研究论文	提出一种基于深度学习的3D V-Net方法，用于在脑立体定向放射外科的CT图像上自动分割动静脉畸形（AVM），以减少手动分割的时间和差异。	创新点在于使用深度监督3D V-Net和复合损失函数（Logistic和Dice损失），以解决有限训练数据下的深度网络优化困难，并实现了高精度自动分割。	研究仅回顾性调查了80例患者，样本量相对较小，可能限制了泛化性；且依赖CT模拟图像，未涉及其他模态（如MRI）的验证。	开发一种自动分割AVM的方法，以提高立体定向放射外科中目标勾画的准确性和效率。	研究对象为80例脑动静脉畸形患者，这些患者在接受治疗前进行了CT模拟和数字减影血管造影（DSA）检查。	医学影像分析, 深度学习	脑动静脉畸形	CT模拟成像, 数字减影血管造影	3D V-Net	CT图像	80例AVM患者	NA	V-Net	Dice相似系数, 敏感性, 特异性, 质心距离, 体积差异, 剂量覆盖	NA
8	2026-08-18	Projection-domain scatter correction for cone beam computed tomography using a residual convolutional neural network 2019-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.13583 PMID:31077390	研究论文	本研究提出了一种基于残差卷积神经网络（CNN）的锥形束计算机断层扫描（CBCT）投影域散射校正方法，旨在提高图像质量。	利用U-net架构的25层CNN进行CBCT散射校正，并通过迁移学习实现从全扇扫描到半扇扫描的适应性，且在性能和计算效率上优于传统方法。	研究主要依赖于蒙特卡洛模拟生成的投影数据，未在真实临床数据上验证，且模型训练需要大量模拟数据。	开发一种有效的散射校正方法，以改善CBCT图像质量，支持定量成像和图像引导放射治疗。	非拟人体模、数字头模、拟人头模和肺部体模的CBCT投影数据。	计算机视觉	NA	蒙特卡洛模拟	卷积神经网络（CNN）	图像（CBCT投影）	训练：1800对全扇投影；验证：200个数字头模投影；测试：360个拟人头模投影、360个半扇投影和额外的肺部体模投影。	NA	U-Net	均方根误差（RMSE）、均绝对误差（MAE）、均方误差（MSE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）	单张NVIDIA GTX 1070 GPU，Intel Core-i7 CPU（4.20 GHz）
9	2026-08-18	Ultrasound prostate segmentation based on multidirectional deeply supervised V-Net 2019-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.13577 PMID:31074513	研究论文	本文提出了一种基于多方向深度监督的V-Net网络，用于超声图像中的前列腺自动分割，以提高经直肠超声引导的前列腺癌干预措施的准确性和效率。	将三维深度监督机制集成到V-Net中，结合逐阶段混合损失函数（包括二元交叉熵和基于批次的Dice损失），并通过补丁融合和轮廓细化后处理提高分割精度。	未明确提及，但可能受限于训练数据量有限（44例患者）和依赖于手动分割作为金标准。	开发一种基于深度学习的自动分割方法，用于经直肠超声图像中的前列腺分割，以辅助前列腺癌的诊断和治疗。	经直肠超声图像中的前列腺组织。	计算机视觉	前列腺癌	超声成像	V-Net	图像	44例患者的经直肠超声图像	未指定（可能是PyTorch或TensorFlow，但未在摘要中提及）	V-Net	Dice相似系数（DSC）、Hausdorff距离（HD）、平均表面距离（MSD）、残差平均表面距离（RMSD）	未指定（可能是GPU，但未在摘要中提及）
10	2026-08-18	Automatic multiorgan segmentation in thorax CT images using U-net-GAN 2019-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.13458 PMID:30810231	研究论文	提出一种基于U-Net-GAN的深度学习方法，用于胸部CT图像中多个危及器官的自动分割，以提高放射治疗计划的效率。	采用对抗训练策略，联合训练U-Net作为生成器和全卷积网络作为判别器，实现多器官分割，并通过生成器与判别器的对抗过程优化分割结果。	未提及具体限制。	开发一种基于深度学习的自动分割方法，用于胸部CT图像中多个危及器官的分割，以辅助放射治疗计划制定。	胸部CT图像中的危及器官，包括左肺、右肺、脊髓、食管和心脏。	计算机视觉	肺癌	CT成像	GAN	图像	35例患者的胸部CT图像和20个立体定向体部放疗计划。	NA	U-Net, FCN	Dice相似系数, 平均表面距离, 剂量差异	NA
11	2026-08-18	Automated pectoral muscle identification on MLO-view mammograms: Comparison of deep neural network to conventional computer vision 2019-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.13451 PMID:30771257	研究论文	开发了一种基于深度卷积神经网络的全自动方法用于乳腺X线摄影斜位视图中胸肌的自动识别，并与其先前开发的基于传统图像特征分析的纹理场方向方法进行了性能比较。	首次将深度卷积神经网络应用于乳腺X线摄影斜位视图的胸肌自动分割，并与传统计算机视觉方法进行了系统比较，证明了其优越性。	未明确提及局限性。	开发并评估一种全自动深度学习方法来识别乳腺X线摄影斜位视图中的胸肌，并与传统图像特征分析方法进行比较。	胸肌区域在乳腺X线摄影斜位视图中的自动分割。	计算机视觉，数字病理学	乳腺癌	NA	深度卷积神经网络（DCNN）	图像（乳腺X线摄影图像）	729张斜位视图乳腺X线摄影图像（包括637张数字化胶片乳腺X线摄影图像和92张数字乳腺X线摄影图像）用于训练和验证，以及203张来自131名患者的数字乳腺X线摄影图像用于独立测试。	NA	包含收缩路径和对称扩展路径的深度卷积神经网络结构，具体比较了三种不同的结构。	重叠面积百分比（POA）、豪斯多夫距离（Hdist）、平均欧氏距离（AvgDist）	NA
12	2026-08-18	A deep learning- and partial least square regression-based model observer for a low-contrast lesion detection task in CT 2019-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.13500 PMID:30889282	研究论文	提出一种基于深度学习与偏最小二乘回归的模型观察者，用于CT图像中低对比度病灶检测任务，并与人类观察者表现进行验证比较	采用迁移学习策略，结合预训练深度卷积神经网络、偏最小二乘回归判别分析和内部噪声组件，构建直接基于患者图像的CT图像质量评估新框架	研究仅使用来自同一类型CT扫描仪的七例腹部CT图像数据，样本量有限，可能影响方法推广性	开发并验证一种基于深度学习的模型观察者，用于涉及患者解剖背景的CT低对比度病灶检测任务中的图像质量评估	低对比度肝脏转移性病灶检测任务，涉及不同病灶尺寸、对比度、辐射剂量和重建类型组合的CT图像	计算机视觉	肝癌	CT成像	CNN、PLSR	医学图像（CT图像）	7例腹部CT检查，12种实验条件每种154次试验	NA	预训练CNN	皮尔逊积矩相关系数，Bland-Altman一致性分析	NA
13	2026-08-18	U-Net based deep learning bladder segmentation in CT urography 2019-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.13438 PMID:30734932	研究论文	开发了一种基于U-Net的深度学习膀胱分割方法，用于CT尿路造影中的膀胱分割，以辅助膀胱癌检测和治疗反应评估。	方法无需用户输入边界框，自动估算膀胱似然图，无需后处理水平集，比之前的DCNN-LS方法更自动且更准确。	未明确提及局限，但可能包括对图像质量差或癌症扩散情况的处理仍有挑战。	开发和评估U-Net深度学习模型在CT尿路造影中自动分割膀胱的性能，以支持膀胱癌检测和治疗反应评估流程。	173例CT尿路造影病例，包括训练/验证集81例（42个肿块、21个壁增厚、18个正常膀胱）和测试集92例（43个肿块、36个壁增厚、13个正常膀胱）。	深度学习	膀胱癌	NA	U-Net	CT图像（2D切片和3D体积）	173例（81例训练/验证，92例测试）	NA	U-Net	平均体积交比（AVI）、平均百分比体积误差（AVE）、平均绝对体积误差（AAVE）、平均最小距离（AMD）、平均豪斯多夫距离（AHD）、平均Jaccard指数（AJI）	NA
14	2026-08-18	Deeply supervised 3D fully convolutional networks with group dilated convolution for automatic MRI prostate segmentation 2019-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.13416 PMID:30702759	研究论文	开发了一种用于MRI前列腺自动分割的深度监督3D全卷积网络，结合组膨胀卷积，以提高分割准确性。	引入深度监督机制到3D FCN中缓解梯度问题，并提出组膨胀卷积扩大感受野，使用余弦和交叉熵的组合损失函数优化边界。	未提及	实现MRI前列腺自动分割，以辅助图像引导干预。	MRI前列腺图像	计算机视觉	前列腺癌	MRI	3D 全卷积网络	MRI图像	内部数据集40个T2加权前列腺MR体积；公开数据集PROMISE12含50个T2加权前列腺MR体积	NA	3D FCN	Dice相似系数、平均表面距离、95% Hausdorff距离、绝对相对体积差	NA
15	2026-08-18	Simultaneous cosegmentation of tumors in PET-CT images using deep fully convolutional networks 2019-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.13331 PMID:30537103	研究论文	本文研究了使用三维深度全卷积网络（DFCN）在非小细胞肺癌的PET-CT图像中同时进行肿瘤分割的方法	提出了一种基于DFCN的双耦合3D-UNet架构，能够在PET和CT模态间共享互补信息，实现同时分割，较传统基于图的方法有显著性能提升	具体局限性未在标题和摘要中提及，可能包括数据集规模较小（60对PET/CT）以及对专家标注的依赖	评估3D DFCN在PET-CT图像中同时分割非小细胞肺癌肿瘤的有效性和效率	非小细胞肺癌（NSCLC）肿瘤的PET-CT图像	计算机视觉	肺癌	医学影像分割技术（PET-CT成像）	深度全卷积网络（DFCN）	图像（PET和CT）	60对PET/CT图像	NA	3D-UNet（双耦合编码器-解码器架构）	加权平均灵敏度与阳性预测值（Scores）、Dice相似系数（DSC）、平均对称表面距离	NA
16	2026-08-18	Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversion 2019-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.13361 PMID:30589947	研究论文	提出一种基于深度卷积神经网络和颜色转换的迁移学习方法，用于超声图像中的乳腺肿块分类，并与四位经验丰富的放射科医生的评估进行比较。	引入匹配层概念，通过反向传播在微调过程中将灰度超声图像转换为RGB图像，以更有效地利用在ImageNet上预训练的卷积神经网络的判别能力。	摘要中未提及明显的局限性。	开发一种基于深度学习的乳腺肿块分类方法，并评估其性能，与放射科医生的诊断进行比较。	乳腺肿块超声图像。	计算机视觉	乳腺癌	超声成像	卷积神经网络（CNN）	图像	882张超声图像，测试集150例，另用两个公开数据集	未提及	未提及	曲线下面积（AUC）	未提及
17	2026-08-17	Paired cycle-GAN-based image correction for quantitative cone-beam computed tomography 2019-Sep, Medical physics IF:3.2Q1 DOI:10.1002/mp.13656 PMID:31206709	研究论文	提出了一种基于配对循环GAN的图像校正方法，用于定量锥形束计算机断层扫描，以提高CBCT图像质量。	将残差块概念整合到循环一致对抗网络（cycle-GAN）框架中，实现CBCT到CT图像的端到端转换，并通过逆变换约束模型，提升校正精度。	研究仅评估了脑部和骨盆的少量患者数据，可能缺乏泛化性；未提及计算资源消耗或临床应用中的实际挑战。	开发一种基于深度学习的方法，生成高质量校正CBCT图像，使其与计划CT图像质量相当，以支持定量自适应放射治疗。	脑部和骨盆的锥形束CT图像及其对应的计划CT图像。	计算机视觉	肿瘤（脑部和骨盆肿瘤）	CBCT成像	Cycle-GAN	图像（3D CT图像）	24组脑部患者数据和20组骨盆患者数据	未提及，可能使用深度学习框架如PyTorch或TensorFlow	残差块全卷积神经网络（作为生成器），配套判别器（未具体指定）	平均绝对误差（MAE）、峰值信噪比（PSNR）、归一化互相关（NCC）、空间非均匀性（SNU）	未提及（输出NA）
18	2026-08-17	Shading artifact correction in breast CT using an interleaved deep learning segmentation and maximum-likelihood polynomial fitting approach 2019-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.13599 PMID:31102462	研究论文	提出一种交错深度学习分割与最大似然多项式拟合方法，用于校正乳腺CT中的阴影伪影并提高亨氏单位准确性	采用交错迭代的分割和低阶多项式拟合方法校正阴影伪影，无需硬件修改或扫描协议变更，且网络参数开放获取	摘要未明确提及局限性	提高乳腺CT图像分割的鲁棒性和准确性，并通过后处理校正低频谱阴影伪影，从而改善亨氏单位准确性	乳房CT体积数据集、患者扫描、数学和物理体模	医学图像分析	乳腺癌	CT成像	CNN（卷积神经网络）	CT图像	45621张冠状CT图像，来自111个患者体积数据集	NA	U-Net（修改版）	Dice相似系数、精确率、召回率、F1分数	NA
19	2026-08-17	Technical Note: Design and implementation of a high-throughput pipeline for reconstruction and quantitative analysis of CT image data 2019-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.13401 PMID:30677145	技术报告	本文章描述了一种用于CT图像数据重建和定量分析的高通量计算流水线的设计与实现。	提出了一个开源的高通量计算流水线框架，能够高效地进行大规模CT图像的定量分析，并通过GPU队列和模块化设计加速数据处理。	由于摘要中未提及，未明确说明局限性，可能包括对特定类型图像数据的适用性或计算资源需求等。	建立一种高效、广泛可用的计算流水线，以支持大规模CT图像的定量分析研究。	142名受试者的肺部筛查队列，用于演示流水线的效率。	医学影像分析	肺部疾病（如肺气肿）	CT成像	NA	CT图像数据	142名受试者的肺部筛查队列，每个队列36种不同参数配置，共5112个重建数据集。	NA	NA	处理时间（约10天，72倍加速）、分割和肺气肿评分质量。	GPU（图形处理单元）用于重建，集群处理用于分析。
20	2026-08-17	Combining handcrafted features with latent variables in machine learning for prediction of radiation-induced lung damage 2019-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.13497 PMID:30891794	研究论文	本文研究并比较了传统机器学习方法和深度学习方法在放疗结果预测中的应用，提出了一种基于变分自编码器的联合架构，用于预测放射性肺损伤。	提出了一种将手工特征选择与VAE-MLP联合架构结合的新方法，利用隐变量补充手工特征，显著提高预测性能。	数据集规模有限（106例患者），且仅基于单中心数据，模型泛化性需进一步验证。	探索结合传统机器学习和深度学习方法，以解决放疗毒副作用建模中变量多而样本少的问题，提高放射性肺炎预测准确性。	106例接受放疗的非小细胞肺癌患者，其中22例发生2级及以上放射性肺炎。	医学影像分析, 机器学习	肺癌	NA	随机森林, 支持向量机, 多层感知机, 变分自编码器	表格数据（临床特征和生物标志物）	106例非小细胞肺癌患者	NA	VAE-MLP联合架构	AUC	NA