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
21	2025-12-14	BIRADS features-oriented semi-supervised deep learning for breast ultrasound computer-aided diagnosis 2020-06-12, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7e7d PMID:32155605	研究论文	提出一种新颖的BIRADS-SSDL网络，将临床批准的乳腺病变特征（BIRADS特征）整合到面向任务的半监督深度学习（SSDL）中，用于小训练数据集下的超声图像准确诊断	通过距离变换和高斯滤波器将乳腺超声图像转换为BIRADS导向特征图（BFMs），并设计多任务学习框架，使无监督的堆叠卷积自编码器（SCAE）在病灶分类任务约束下提取特征，同时利用SCAE编码器特征实现病灶分类	模型性能受病灶分割精度影响，分类准确率随分割精度下降而降低；预训练策略虽加速收敛但未提升测试集分类准确率	开发一种基于小数据集的乳腺超声计算机辅助诊断方法	乳腺超声图像	计算机视觉	乳腺癌	超声成像	半监督深度学习, 自编码器	图像	两个乳腺超声图像数据集（具体样本数未提供）	NA	堆叠卷积自编码器（SCAE）, 卷积网络	分类准确率	NA
22	2025-12-14	Deep learning based methods for gamma ray interaction location estimation in monolithic scintillation crystal detectors 2020-06-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab857a PMID:32235062	研究论文	本文探索了基于深度学习的伽马射线相互作用位置估计方法，使用平均探测器响应函数信息，以替代传统的搜索方法	提出使用深度学习技术直接从平均探测器响应函数数据估计伽马射线相互作用位置，无需记录所有参考数据，显著降低了内存成本并加速了定位过程	未考虑深度信息，仅评估了x和y方向的定位误差	开发高效、低内存成本的伽马射线相互作用位置估计方法，用于单块闪烁晶体探测器	伽马射线在单块闪烁晶体探测器中的相互作用位置	机器学习	NA	平均探测器响应函数	CNN, 全连接网络	平均探测器响应函数数据	NA	NA	全连接网络, CNN	定位误差, 测试速度, 内存成本	NA
23	2025-12-14	Development of integrated prompt gamma imaging and positron emission tomography system for in vivo 3-D dose verification: a Monte Carlo study 2020-05-22, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab857c PMID:32235068	研究论文	本研究提出了一种结合即时伽马成像和正电子发射断层扫描的系统，用于体内三维剂量验证，并通过蒙特卡洛模拟进行了优化和评估	首次提出将PG成像和PET系统集成，结合两者优势进行体内质子剂量验证，并优化了探测器几何结构和背景减少技术	研究基于蒙特卡洛模拟和水体模，尚未进行实际临床验证；未来需开发基于深度学习的精确三维剂量评估技术	开发一种集成PG成像和PET的系统，用于体内质子治疗的三维剂量验证	水体模中由质子束产生的次级辐射（即时伽马和正电子发射）	医学成像	NA	蒙特卡洛模拟（Geant4.10.00）、即时伽马成像、正电子发射断层扫描	NA	模拟数据、二维和三维分布图像	使用150 MeV质子束的水体模模拟，以及80 MeV和100 MeV质子束的验证	NA	NA	探测器性能改进百分比（38%和167%）	NA
24	2025-12-14	Automated fibroglandular tissue segmentation in breast MRI using generative adversarial networks 2020-05-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7e7f PMID:32155611	研究论文	本研究开发了一种基于生成对抗网络的自动化深度学习方法，用于在乳腺MRI中分割纤维腺体组织区域，并评估其在背景实质强化定量分析中的应用效果	提出了一种改进的U-Net作为生成器来提取更多FGT区域特征，并设计了一个补丁深度卷积神经网络作为判别器来评估合成FGT区域的真实性，从而使分割结果更稳定和准确	研究仅使用了100名患者的3D乳腺MRI扫描数据，样本量相对有限，且未提及模型在其他数据集或临床环境中的泛化能力	开发自动化深度学习方法以准确分割乳腺MRI中的纤维腺体组织区域，并评估其对背景实质强化定量分析的影响	乳腺MRI扫描中的纤维腺体组织区域	计算机视觉	乳腺癌	磁共振成像	GAN, CNN	3D图像	100名患者（年龄22-78岁）的100个3D双侧乳腺MRI扫描	NA	U-Net, 深度卷积神经网络	Dice相似系数, Jaccard指数	NA
25	2025-12-14	Automatic segmentation and quantification of epicardial adipose tissue from coronary computed tomography angiography 2020-05-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8077 PMID:32182595	研究论文	本文提出了一种基于3D深度注意力U-Net的方法，用于从冠状动脉CT血管造影图像中自动分割心外膜脂肪组织	开发了一种新颖的深度学习方法来快速、可重复地自动分割心外膜脂肪组织，解决了手动分割耗时且复杂的问题	研究为回顾性研究，样本量相对有限（200例患者），且未明确说明模型在更广泛人群或不同疾病状态下的泛化能力	实现心外膜脂肪组织的自动分割与量化，以辅助冠状动脉疾病的计算机辅助诊断	心外膜脂肪组织	计算机视觉	心血管疾病	冠状动脉CT血管造影	CNN	3D医学图像	200例患者	NA	3D深度注意力U-Net	Dice相似系数, 敏感性, 特异性, Jaccard指数, Hausdorff距离, 平均表面距离, 残差均方距离, 质心距离, Pearson相关系数, Bland-Altman分析	NA
26	2025-12-14	4D-CT deformable image registration using multiscale unsupervised deep learning 2020-04-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab79c4 PMID:32097902	研究论文	本研究提出了一种用于4D-CT腹部图像配准的多尺度无监督深度学习网络，以提高配准的准确性和速度	提出了一种结合全局和局部网络的多尺度无监督深度学习网络，通过单次前向预测直接生成变形向量场，无需迭代计算，显著加速了配准过程	研究仅基于25名患者的4D-CT数据集进行训练和测试，样本量相对较小，可能限制了模型的泛化能力	开发一种准确且快速的4D-CT腹部图像可变形图像配准方法，用于放射治疗中的运动跟踪、目标定义和剂量累积等应用	4D-CT腹部图像	医学图像处理	NA	4D-CT成像	CNN, GAN	图像	25名患者的4D-CT数据集	NA	多尺度无监督深度学习网络（MS-DIRNet），包含全局网络（GlobalNet）和局部网络（LocalNet），生成器采用带注意力门的卷积神经网络	目标配准误差（TRE）	NA
27	2025-12-14	Deep learning-based radiomic features for improving neoadjuvant chemoradiation response prediction in locally advanced rectal cancer 2020-04-02, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7970 PMID:32092710	研究论文	本研究比较了基于手工设计和深度学习的放射组学特征在预测局部晚期直肠癌新辅助放化疗反应中的性能	首次将预训练的卷积神经网络提取的深度学习特征与传统手工特征在预测直肠癌治疗反应方面进行直接比较，并证明了深度学习特征的优越性	样本量较小（43例患者），且为单中心研究，可能影响结果的泛化能力	比较手工和深度学习放射组学特征在预测局部晚期直肠癌新辅助放化疗反应中的有效性	接受新辅助放化疗的局部晚期直肠癌患者	数字病理学	直肠癌	扩散加权磁共振成像	CNN	图像	43例患者（22例应答者，21例非应答者）	NA	预训练的卷积神经网络	AUC	NA
28	2025-12-14	Interactive 3D U-net for the segmentation of the pancreas in computed tomography scans 2020-03-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab6f99 PMID:31978921	研究论文	本文提出了一种用于胰腺CT扫描分割的交互式3D U-net方法，旨在提高分割精度和效率	开发了名为iUnet的交互式U-net架构，该架构在初始分割性能上优于现有iFCN方法，并能通过用户交互快速达到专家手动分割水平	研究仅在胰腺CT数据集上进行验证，未在其他器官或模态上测试其通用性	提高胰腺在CT影像中的分割精度和效率，以支持人工智能辅助诊断和介入治疗	胰腺在计算机断层扫描（CT）影像中的分割	数字病理学	胰腺癌	计算机断层扫描（CT）	CNN	3D医学影像	100例CT数据集	未明确说明	U-net, FCN	Dice相似系数	NA
29	2025-12-14	Learning-based estimation of dielectric properties and tissue density in head models for personalized radio-frequency dosimetry 2020-03-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7308 PMID:32023556	研究论文	本研究开发了一种基于深度学习的方法，用于从磁共振图像中快速准确地估计头部模型的介电特性和组织密度，以改进个性化射频剂量测定	提出了一种无需组织分割的单次估计方法，通过平滑介电特性分布改善了特定吸收率分布的平滑度	NA	开发快速准确的个性化射频剂量测定方法，以考虑个体间变异性	头部模型中的介电特性和组织密度	数字病理学	NA	磁共振成像	CNN	图像	NA	NA	卷积神经网络	特定吸收率分布一致性	NA
30	2025-12-14	An introduction to deep learning in medical physics: advantages, potential, and challenges 2020-03-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab6f51 PMID:31972556	综述	本文介绍了深度学习在医学物理学领域的优势、潜力和挑战，旨在为研究人员提供入门指导和深入讨论	系统性地概述了深度学习在医学物理学中的应用，并深入探讨了其面临的挑战及可能的解决方案	作为综述文章，未涉及具体实验或模型验证，主要基于现有文献和理论分析	为医学物理学研究人员提供深度学习方法的入门指南，并讨论其技术挑战和解决方案	深度学习在医学物理学领域的应用	机器学习	NA	深度学习	NA	NA	NA	NA	NA	NA	NA
31	2025-12-14	Deep learning-based attenuation correction in the absence of structural information for whole-body positron emission tomography imaging 2020-03-02, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab652c PMID:31869826	研究论文	本研究提出了一种基于深度学习的衰减校正方法，用于全身PET成像，无需结构信息即可从非衰减校正PET图像生成衰减校正PET图像	首次引入3D基于补丁的循环一致生成对抗网络，结合残差块学习NAC PET与AC PET之间的差异，实现无结构信息的衰减校正	研究为回顾性分析，样本量有限（55个数据集），且仅评估了单一PET扫描仪或混合平台的数据	开发一种无需结构信息的深度学习衰减校正方法，以解决全身PET成像中结构图获取的挑战	全身PET/CT扫描数据集	医学影像分析	NA	PET成像	GAN	图像	55个全身PET/CT扫描数据集	NA	CycleGAN, 残差块	平均误差, 归一化均方误差, 强度变化	NA
32	2025-12-14	A novel deep learning model using dosimetric and clinical information for grade 4 radiotherapy-induced lymphopenia prediction 2020-02-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab63b6 PMID:31851954	研究论文	本文开发了一种新颖的混合深度学习模型，用于预测4级放疗诱导的淋巴细胞减少症	提出了一种双输入通道混合深度学习模型，结合了堆叠双向LSTM处理剂量参数和多层感知机处理非剂量信息，以改进预测性能	NA	提高放疗诱导的淋巴细胞减少症的预测准确性	放疗患者	机器学习	癌症	放疗	混合深度学习模型	剂量参数和临床信息	505名患者用于训练，216名患者用于测试	NA	堆叠双向LSTM, 多层感知机	AUC, 准确率, F1分数, 精确率, 召回率	NA
33	2025-12-14	Deep DoseNet: a deep neural network for accurate dosimetric transformation between different spatial resolutions and/or different dose calculation algorithms for precision radiation therapy 2020-02-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab652d PMID:31869825	研究论文	本文提出了一种名为Deep DoseNet的深度神经网络，用于在不同空间分辨率和/或不同剂量计算算法之间进行精确的剂量学转换，以提高放射治疗的精度	引入了一种新颖的深度学习策略，通过从低成本算法计算的剂量分布进行转换，以获得高精度的剂量计划，显著提高了剂量计算的准确性和效率	研究仅基于10名患者的CT数据，样本量相对较小，且仅针对特定治疗部位（肺、脑、腹部和骨盆）进行了验证	开发一种深度学习方法，用于精确转换不同剂量计算算法或空间分辨率下的剂量分布，以加速和优化放射治疗计划	放射治疗中的剂量分布数据，具体基于患者CT图像计算的剂量切片	机器学习	肺癌, 脑癌, 腹部和骨盆癌症	剂量计算算法（AAA和AXB），深度学习	CNN	图像（剂量分布切片和CT切片）	25,168个剂量分布切片，基于10名患者的CT数据	NA	Deep DoseNet（包含特征提取和上采样部分）	均方误差, Gamma指数通过率	NVIDIA DGX工作站
34	2025-12-14	A deep learning approach to radiation dose estimation 2020-02-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab65dc PMID:31881547	研究论文	本研究提出了一种基于深度学习和经验模态分解的混合方法（DNN-EMD），用于提高临床放射剂量估计的精度和可靠性	结合了Green's函数经验模态分解和U-net架构的深度学习技术，并利用软组织核蒙特卡洛模拟，以克服传统剂量估计方法的局限性	研究样本量较小（仅26名患者），且依赖于蒙特卡洛模拟作为参考标准，可能在实际应用中存在泛化性限制	开发一种个体化放射剂量预测方法，以改进临床剂量学应用的精度和可靠性	患者队列的X射线计算机断层扫描组织密度图和剂量图，以及Lu放射性核素的SPECT分布数据	机器学习	NA	蒙特卡洛模拟，SPECT分布测量，经验模态分解	深度神经网络，U-net	图像（CT组织密度图和剂量图）	26名患者	NA	U-net	平均偏差，方差	NA
35	2025-12-14	A multi-scale framework with unsupervised joint training of convolutional neural networks for pulmonary deformable image registration 2020-01-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab5da0 PMID:31783390	研究论文	本文提出了一种用于肺部CT图像变形配准的多尺度无监督联合训练卷积神经网络框架MJ-CNN	提出多尺度无监督联合训练卷积神经网络框架，通过从粗到细的配准避免局部最小值，无需真实变形矢量场监督，并展示了跨数据集和成像技术的泛化能力	未提及具体局限性，但可能包括对训练数据质量和多样性的依赖，以及未在更广泛临床场景中验证	实现肺部CT图像的准确快速变形图像配准	肺部CT图像，包括4D-CT、CT-to-CBCT和CBCT-to-CBCT配准	计算机视觉	肺癌	CT、4D-CT、CBCT成像	CNN	图像	使用公共SPARE 4D-CT数据训练，在DIR-LAB 4D-CT数据集及临床CT-to-CBCT和CBCT-to-CBCT配准上评估	未明确指定，但基于卷积神经网络	多尺度卷积神经网络	配准误差	未明确指定，但配准速度约为1.4秒，无需手动调参
36	2025-12-05	DeepCompete : A deep learning approach to competing risks in continuous time domain 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936389	研究论文	本文提出了一种名为DeepCompete的深度学习模型，用于在连续时间域中处理竞争风险生存分析	引入了一种新颖的连续时间深度学习架构，能够以数据驱动方式学习每种疾病的风险，无需对底层随机过程做出强假设	未在摘要中明确说明	开发一种工具来量化由每种竞争疾病导致的不良事件的相对风险，并优先处理患者多种疾病中的治疗	65岁及以上患有多种急性疾病（多病共存）的老年人群	机器学习	老年疾病	NA	深度学习模型	NA	NA	NA	DeepCompete	NA	NA
37	2025-12-05	Deep Learning Approach to Parse Eligibility Criteria in Dietary Supplements Clinical Trials Following OMOP Common Data Model 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936396	研究论文	本研究利用深度学习模型（Bi-LSTM-CRF）解析膳食补充剂临床试验的资格标准，并映射到OMOP通用数据模型，以支持患者招募	首次将膳食补充剂作为新实体映射到OMOP通用数据模型，并评估深度学习模型在解析资格标准中的可行性	模型平均F1分数仅为0.601，表明性能有待提升，且样本量仅基于100个随机选择的临床试验	自动解析临床试验资格标准以加速患者招募过程	膳食补充剂临床试验的资格标准文本	自然语言处理	NA	深度学习	Bi-LSTM-CRF	文本	100个随机选择的膳食补充剂临床试验	CLAMP平台	Bi-LSTM-CRF	F1分数	NA
38	2025-12-05	Contextual Embeddings from Clinical Notes Improves Prediction of Sepsis 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936391	研究论文	本研究设计了一种基于电子健康记录数据的深度学习算法，通过整合临床文本特征来改进脓毒症的早期预测	利用预训练的神经语言表示模型从临床文本中提取特征，无需依赖基于本体的命名实体识别和分类，从而整合了非结构化数据	未明确说明模型在外部验证集上的泛化能力或临床部署的可行性	改进脓毒症的早期预测，以降低假警报并促进及时治疗	脓毒症患者	自然语言处理	脓毒症	电子健康记录分析	深度学习模型	结构化数据（生命体征、实验室结果）和非结构化数据（临床文本）	超过40,000名患者，包括2,805名脓毒症患者	NA	预训练的神经语言表示模型	AUC	NA
39	2025-12-05	RadLex Normalization in Radiology Reports 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936406	研究论文	本文旨在将放射学报告中的多样化实体标准化为RadLex术语，并提出了基于BERT的深度学习方法进行自动归一化	首次尝试利用RadLex进行放射学实体的标准化，并构建了一个手动标注的归一化语料库，同时提出了基于BERT的两种NLP方法	研究仅基于三种类型的报告构建语料库，样本量相对有限（1706个实体提及），且最佳准确率为78.44%，仍有提升空间	标准化放射学报告中的实体到RadLex术语，以促进临床信息的提取和共享	放射学报告中的实体，如解剖结构、成像发现等	自然语言处理	NA	自然语言处理（NLP），基于预训练语言模型	BERT	文本（放射学报告）	1706个实体提及，来自三种类型的放射学报告	NA	BERT	准确率	NA
40	2025-12-05	A Clinically Practical and Interpretable Deep Model for ICU Mortality Prediction with External Validation 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936437	研究论文	本研究提出了一种临床实用且可解释的深度学习模型，用于ICU死亡率预测，并进行了外部验证	结合了外部验证和可解释性，使用双层注意力机制的循环神经网络，并在新发布的Philips eICU数据集上训练，在MIMIC III数据集上进行外部验证	未提及模型在其他独立数据集上的泛化能力，也未讨论模型在不同ICU类型或患者亚群中的性能差异	开发一种能够在重症监护场景中推广应用的深度学习模型，用于死亡率预测并支持临床决策	重症监护病房（ICU）患者	机器学习	重症监护	NA	循环神经网络（RNN）	临床时间序列数据	使用Philips eICU数据集进行训练，MIMIC III数据集进行外部验证（具体样本数量未提及）	NA	具有双层注意力机制的循环神经网络	AUC（曲线下面积）	NA