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	2026-09-29	Deep Learning Method for Mandibular Canal Segmentation in Dental Cone Beam Computed Tomography Volumes 2020-04-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-62321-3 PMID:32245989	研究论文	本文提出了一种基于深度学习的全卷积神经网络分割系统，用于在牙科锥形束CT图像中自动定位下颌管	应用全卷积神经网络分割在临床多样化的637例锥形束CT数据集上，使用放射科医生的粗略标注进行训练，并用15例精确体素级标注数据进行评估，实现了高精度的下颌管自动定位	训练数据仅使用粗略标注，且评估数据集规模较小（15例），可能影响模型的泛化能力	实现下颌管的自动定位，以减少牙种植学中手动标注的工作量	下颌管	计算机视觉	NA	锥形束CT	CNN	图像	637例锥形束CT体积用于训练，15例用于评估	NA	全卷积神经网络	平均曲线距离, 平均对称表面距离	NA
22	2026-09-29	Automatic Lumbar Spine Tracking Based on Siamese Convolutional Network 2020-04, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-019-00273-5 PMID:31602548	研究论文	本文提出了一种基于孪生卷积网络的全自动腰椎追踪方法，用于在数字化视频荧光成像序列中追踪L1至L4腰椎	无需标注的腰椎序列，通过离线训练孪生网络学习通用图像特征和相似性函数，实现旋转边界框的腰椎追踪	摘要中未明确提及研究的局限性	开发一种稳定且鲁棒的腰椎追踪方法，以定量分析脊柱运动模式并诊断腰椎不稳	数字化视频荧光成像序列中的腰椎（L1至L4）	计算机视觉	腰椎不稳	数字化视频荧光成像	孪生卷积网络	图像序列	NA	NA	全卷积孪生网络	NA	NA
23	2026-09-29	A Metal Artifact Reduction Method Using a Fully Convolutional Network in the Sinogram and Image Domains for Dental Computed Tomography 2020-04, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-019-00297-x PMID:31720891	研究论文	本文提出了一种基于全卷积网络在正弦图和图像域进行金属伪影减少的方法，用于牙科CT	在正弦图和图像域同时使用全卷积网络进行金属伪影减少，并结合金属插入步骤	未明确说明	研究有效的金属伪影减少方法，以提高牙科CT图像质量	牙科CT图像中的金属伪影	计算机视觉	NA	牙科计算机断层扫描	FCN	图像	NA	NA	FCN	均方根误差, 结构相似性	NA
24	2026-09-29	LungRegNet: An unsupervised deformable image registration method for 4D-CT lung 2020-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.14065 PMID:32017141	研究论文	开发了一种名为LungRegNet的无监督深度学习可变形图像配准方法，用于4D-CT肺部图像的快速准确配准	提出了由CoarseNet和FineNet两个子网络组成的无监督深度学习架构，每个子网络包含生成器和判别器，并引入血管增强图像（肺血管概率图）来提高配准精度	未明确提及	开发一种准确且快速的4D-CT肺部图像可变形图像配准方法	4D-CT肺部图像	计算机视觉, 医学图像分析	肺癌, 肺部疾病	4D-CT, 可变形图像配准	GAN	图像	10个本部门4D-CT数据集（五折交叉验证），10个DIRLAB数据集（每个病例300个手动标记点对）	NA	CoarseNet, FineNet, 生成器, 判别器	目标配准误差	NA
25	2026-09-29	Detection of Rare Objects by Flow Cytometry: Imaging, Cell Sorting, and Deep Learning Approaches 2020-Mar-27, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms21072323 PMID:32230871	综述	本文综述了流式细胞术在检测血液中罕见病原体（如循环肿瘤细胞、微生物和寄生虫）的成像、分选和深度学习方法	系统总结了流式细胞术中罕见物体检测的可视化技术、提取方法和基于深度学习的自动识别新方法	未提及	概述流式细胞术中用于检测血液中罕见诊断物体的主要技术，包括可视化、提取和自动识别方法	血液中的罕见病原体，包括循环肿瘤细胞、微生物和寄生虫	数字病理学	癌症、血液感染	流式细胞术、成像、细胞分选、深度学习	深度学习	图像	NA	NA	NA	NA	NA
26	2026-09-29	Systematic Review of Privacy-Preserving Distributed Machine Learning From Federated Databases in Health Care 2020-03, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.19.00047 PMID:32134684	综述	本文系统回顾了医疗领域中基于联邦数据库的隐私保护分布式机器学习的应用与实现	系统综述了医疗领域中分布式学习的主要实现方式，涵盖隐私保护、法律背景、机器学习概念及未来展望	存在综述本身的局限性，未具体说明	回顾医疗领域中分布式学习的主要应用与实现，探讨利用联邦数据库促进医疗大数据应用	医疗领域中的分布式机器学习应用与联邦数据库	机器学习	NA	联邦学习、分布式学习	NA	文本	NA	NA	NA	NA	NA
27	2026-09-29	Brain Tumor Analysis Empowered with Deep Learning: A Review, Taxonomy, and Future Challenges 2020-Feb-22, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci10020118 PMID:32098333	综述	本文综述了深度学习在脑肿瘤分析中的应用，包括分割、分类、预测和评估，并提出了研究分类体系及未来挑战	提供了脑肿瘤分析领域中深度学习研究的连贯分类体系，并系统梳理了该新兴领域的主要方面	未进行原始实验验证，仅基于文献综述，且深度学习技术本身仍存在局限性	综述与脑肿瘤分析相关的主要深度学习概念，包括分割、分类、预测和评估	脑肿瘤相关的医学图像及文献研究	医学图像处理	脑肿瘤	深度学习	NA	图像	NA	NA	NA	NA	NA
28	2026-09-29	Integrating radiomics into holomics for personalised oncology: from algorithms to bedside 2020-02-07, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-019-0143-0 PMID:32034573	综述	本文综述了放射组学在个性化肿瘤学中的研究趋势，从手工放射组学特征提取与统计分析到深度学习，并探讨了将基因组学、免疫组学等多组学数据整合到放射组学中以改善患者分层和治疗反应预测，以及数据协调和管理基础设施的挑战。	提出了“全组学”这一新兴范式，强调将放射组学与所有其他组学数据整合到临床工作流程中，并指出大数据基础设施实施中的范式转变。	作为综述文章，未提供原始实验数据；数据协调和管理基础设施仍面临挑战；全组学的临床整合尚需进一步验证。	分析放射组学的当前研究趋势，探讨将放射组学与基因组学、免疫组学等多组学数据整合以改善患者分层和治疗反应预测，并讨论数据协调和管理基础设施的挑战。	医学影像大数据、放射组学特征、基因组学数据、免疫组学数据、患者分层与治疗反应预测	数字病理学	肺癌	放射组学、人工智能、深度学习	卷积神经网络、深度学习模型	图像、文本	NA	NA	NA	NA	NA
29	2026-09-29	Locating induced earthquakes with a network of seismic stations in Oklahoma via a deep learning method 2020-02-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-58908-5 PMID:32029857	研究论文	该论文开发了一个全卷积网络，利用俄克拉荷马州30个地震台站的数据定位石油和天然气作业引发的地震	使用全卷积网络进行地震定位，输出三维事件位置概率体积，无需速度模型或人工干预，能自动区分干扰事件或监测区域外事件	对于较小事件（M=1.0, 0.5）定位误差大于11公里，且定位精度受目录地面真值精度影响	准确自动确定小地震（M<3.0）的位置，以监测地震活动和评估潜在危害	俄克拉荷马州石油和天然气作业引发的地震	机器学习	NA	深度学习	CNN	地震波形数据	1,013个目录事件（M≥3.0）作为基础数据，加上针对较小事件（3.0>M≥0.5）的增强数据，来自30个台站	NA	全卷积网络	平均震中误差	NA
30	2026-09-29	A deep learning system accurately classifies primary and metastatic cancers using passenger mutation patterns 2020-02-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-13825-8 PMID:32024849	研究论文	该文章基于全基因组测序中的体细胞乘客突变模式，训练了一个深度学习分类器来预测癌症类型，并在独立原发性和转移性样本上验证了其准确性	利用体细胞乘客突变模式而非驱动突变来分类癌症类型；开发了一个深度学习分类器，在转移性肿瘤样本上的准确率约为病理学家的两倍；发现添加驱动突变信息反而降低了准确率	摘要中未明确提及研究的局限性	开发一个深度学习分类器，基于体细胞乘客突变模式预测癌症类型，特别是针对原发灶不明的转移性肿瘤	2606个肿瘤样本，涵盖24种常见癌症类型，来自ICGC/TCGA Pan-Cancer Analysis of Whole Genomes (PCAWG) 联盟	机器学习	癌症	全基因组测序 (WGS)	深度学习分类器	基因组数据	2606个肿瘤样本（包括原发性肿瘤和转移性肿瘤），涵盖24种癌症类型	NA	NA	准确率	NA
31	2026-09-29	A Multi-Task Framework for Facial Attributes Classification through End-to-End Face Parsing and Deep Convolutional Neural Networks 2020-Jan-07, Sensors (Basel, Switzerland) DOI:10.3390/s20020328 PMID:31935996	研究论文	该论文提出了一种通过端到端人脸解析和深度卷积神经网络进行人脸属性（种族、年龄、性别）分类的多任务框架	手动标注人脸图像训练端到端人脸解析模型，生成七类密集概率图作为特征描述符，并为每个属性任务训练单独的CNN，结合多任务框架提升分类性能	未明确说明	解决人脸图像分析中的种族、年龄和性别识别三个挑战性问题	人脸图像	计算机视觉	不适用	深度学习	CNN	图像	未明确说明	未明确说明	未明确说明	未明确说明	未明确说明
32	2026-09-29	Estimation of absolute states of human skeletal muscle via standard B-mode ultrasound imaging and deep convolutional neural networks 2020-01, Journal of the Royal Society, Interface DOI:10.1098/rsif.2019.0715 PMID:31992165	研究论文	本文利用标准B型超声成像和深度卷积神经网络，从人体骨骼肌图像中估计主动和被动状态，包括活动、关节角度和关节力矩	首次使用深度卷积神经网络从2D超声图像中同时估计绝对、无漂移的神经生物力学状态组件（活动、关节角度、关节力矩），并实现可泛化性	研究样本量较小（32名健康参与者），仅涉及小腿肌肉，需要进一步验证在更广泛人群和肌肉群中的适用性	测试使用超声成像自动估计主动和被动骨骼肌状态的可行性，提供一种非侵入性的在线估计方法	人体骨骼肌（特别是内侧腓肠肌和比目鱼肌）	计算机视觉, 医学影像分析	NA	B型超声成像, 肌电图, 关节力矩/角度测量	深度卷积神经网络	2D超声图像, 肌电图信号, 关节角度和力矩数据	32名健康参与者（7名女性，年龄范围19-65岁，平均27.5岁），共32个留出样本用于16折交叉验证	NA	深度卷积神经网络	准确率	NA
33	2026-09-29	Cardiac MR segmentation based on sequence propagation by deep learning 2020, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0230415 PMID:32271777	研究论文	本文提出了一种基于U-Net并结合图像序列信息的心脏磁共振（CMR）分割方法，通过利用3D序列信息从顶部切片到底部切片进行有效分割	在训练过程中，每个输入切片依赖于其下方的切片，即预测的分割结果依赖于前一个切片的现有分割标签，从而充分利用了3D序列信息	未明确提及	实现心脏MRI中心肌的准确分割，以支持快速诊断和定量病理分析	心脏磁共振图像（CMR）中的心肌	计算机视觉	心血管疾病	心脏磁共振成像（CMR）	CNN	图像	100名患者的CMR图像（1700张2D MRI），评估时使用了340张CMR图像	NA	U-Net	Dice分数	NA
34	2026-09-20	Prediction of Total Knee Replacement and Diagnosis of Osteoarthritis by Using Deep Learning on Knee Radiographs: Data from the Osteoarthritis Initiative 2020-09, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020192091 PMID:32573386	研究论文	本研究利用深度学习模型分析膝关节X射线片，以预测骨关节炎患者进行全膝关节置换的风险，并诊断骨关节炎的严重程度	提出了一种基于ResNet34架构和迁移学习的深度学习模型，用于预测全膝关节置换的风险，并采用了七折嵌套交叉验证，性能优于基于Kellgren-Lawrence等级和OARSI等级的二元预测模型	研究为回顾性设计，样本量有限，仅来自骨关节炎倡议数据库，可能影响泛化性	开发一个深度学习预测模型，利用膝关节X射线片预测骨关节炎进展风险，特别是全膝关节置换的可能性，并诊断骨关节炎	骨关节炎患者和匹配的对照组患者，年龄在45至79岁之间	计算机视觉	骨关节炎	深度学习	CNN	图像	728名参与者，包括324名患者和324名对照组患者	NA	ResNet34	AUC	NA
35	2026-09-20	Development and Validation of a Multitask Deep Learning Model for Severity Grading of Hip Osteoarthritis Features on Radiographs 2020-04, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020190925 PMID:32013791	研究论文	该研究开发并验证了一个多任务深度学习模型，用于在X光片上对髋关节骨关节炎特征进行严重程度分级，并与放射科医生进行性能比较	开发了一个基于DenseNet-161的多任务深度学习模型，能够同时评估五个髋关节骨关节炎放射学特征，并在内部和外部测试集上验证了其性能，与放射科医生水平相当	研究未明确提及模型的局限性，但可能包括外部测试集样本量较小，以及模型在更广泛人群中的泛化能力有待进一步验证	开发一个多任务深度学习模型，用于在X光片上对髋关节骨关节炎特征进行严重程度分级，并评估其在临床常规中的潜在应用价值	骨关节炎倡议（OAI）参与者的髋关节X光片，以及常规临床X光片作为外部验证集	计算机视觉	骨关节炎	X光摄影	CNN	图像	4368名参与者（平均年龄61.0岁±9.2，2538名女性），共7738张负重前后位骨盆X光片，包含15364个髋关节	NA	DenseNet-161	准确率	NA
36	2026-09-07	Deep convolutional neural networks: Outperforming established algorithms in the evaluation of industrial optical coherence tomography (OCT) images of pharmaceutical coatings 2020-Dec, International journal of pharmaceutics: X DOI:10.1016/j.ijpx.2020.100058 PMID:33294841	研究论文	提出了一种基于深度卷积神经网络的新型评估方法，用于分析药物固体制剂的光学相干断层扫描图像，并证明了其性能优于传统算法	首次将深度CNN应用于工业OCT图像分析中的药物涂层评估，并展示了其超越基于椭圆拟合的既有算法的能力	未提及具体限制，但讨论了在实时条件下部署深度CNN时需处理图像噪声和外观变化的挑战	开发并验证一种基于深度CNN的OCT图像分析新方法，以在实时工业环境中高效评估药物涂层	膜包衣片剂以及单层和多层颗粒的OCT图像数据	计算机视觉	NA	OCT	CNN	图像	未指定具体样本数量，涉及片剂和颗粒的OCT图像	NA	深度卷积神经网络（未指定具体架构如ResNet等）	效率（计算速度）、灵敏度（检测次数）、准确度（与参考方法的偏差）	在相同的硬件上执行算法以确保可比性，但未指定具体GPU或云平台
37	2026-09-07	Deep Learning for Predicting Enhancing Lesions in Multiple Sclerosis from Noncontrast MRI 2020-02, Radiology IF:12.1Q1 DOI:10.1148/radiol.2019191061 PMID:31845845	研究论文	本研究评估了深度学习能否在无对比剂的MRI扫描中预测多发性硬化症的增强病灶	首次将深度学习应用于无对比剂MRI预测多发性硬化增强病灶，结合卷积神经网络与全连接网络进行逐切片和逐参与者预测	未明确提及局限性，但可能存在对增强病灶的误判风险及依赖特定MRI协议	开发并评估无需对比剂即可预测多发性硬化增强病灶的深度学习方法	多发性硬化患者的非对比剂多参数MRI扫描和增强病灶	医学影像分析	多发性硬化症	NA	卷积神经网络	MRI影像	1008名参与者的1970次多参数MRI扫描	NA	卷积神经网络和全连接网络	灵敏度、特异性、AUC	NA
38	2026-09-07	Are multi-contrast magnetic resonance images necessary for segmenting multiple sclerosis brains? A large cohort study based on deep learning 2020-01, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.10.003 PMID:31670238	研究论文	本研究基于深度学习模型，探讨多对比磁共振图像对多发性硬化脑组织分割的必要性，并评估不同输入组合的性能。	首次在大规模（1000例）多发性硬化患者队列中系统比较了15种多对比图像组合作为输入对分割结果的影响。	对于极小的病灶（<20 μl），所有图像组合的分割性能均较差，且仅使用FLAIR图像时对小型病灶的假阳性率略高。	确定单对比或多对比磁共振图像输入对多发性硬化脑组织（灰质、白质、脑脊液、病灶）分割体积的影响，以优化扫描流程并保持分割质量。	多发性硬化患者的脑部磁共振图像，包括FLAIR、T1加权、T2加权和质子密度加权图像。	计算机视觉, 数字病理	多发性硬化	磁共振成像	卷积神经网络	图像	1000例多发性硬化患者	NA	U-Net	Dice相似系数、真阳性率、假阳性率	NA
39	2026-09-01	Deep learning-based model for predicting progression in patients with head and neck squamous cell carcinoma 2020, Cancer biomarkers : section A of Disease markers IF:2.2Q3 DOI:10.3233/CBM-190380 PMID:31658045	研究论文	本研究旨在通过整合多组学数据构建深度学习模型，预测头颈鳞状细胞癌患者的疾病进展。	利用自编码器集成RNA测序、miRNA测序和甲基化数据，结合SVM算法构建预后模型，相较于PCA和Cox-PH模型具有更高的准确性和效率。	未明确提及，但可能包括样本量有限、依赖TCGA数据库、需外部验证等。	构建并验证基于深度学习的预后模型，预测HNSCC患者的无进展生存期，并识别相关分子特征。	头颈鳞状细胞癌患者的多组学数据，包括RNA测序、miRNA测序和甲基化数据。	数字病理学	头颈鳞状细胞癌	RNA测序、miRNA测序、甲基化测序	自编码器、支持向量机	基因组数据	未明确说明，但基于TCGA数据库，包含训练集和三个验证集	未明确说明	自编码器、PCA、Cox-PH	C-index、准确性、效率	未明确说明
40	2026-08-27	Breast ultrasound lesion classification based on image decomposition and transfer learning 2020-Dec, Medical physics IF:3.2Q1 DOI:10.1002/mp.14510 PMID:33012047	研究论文	本研究提出了一种基于图像分解和迁移学习的乳腺超声图像分类方法，通过模糊增强和双边滤波图像与原始超声图像结合，利用预训练模型提高良性/恶性病变分类性能	采用图像分解技术生成模糊增强和双边滤波图像，与原始超声图像构建多特征数据，增强预训练模型的特征提取能力	摘要中未提及明显的局限性信息	解决乳腺超声图像模糊和斑点噪声干扰下深度学习分类可靠性不足的问题	乳腺超声图像中的良性/恶性病变	医学图像分析	乳腺病变	图像分解	卷积神经网络（CNN）	图像	NA	NA	VGG16	准确率、灵敏度、特异度、F1分数、AUC	NA