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
181	2026-08-10	Segmentation of Pancreatic Subregions in Computed Tomography Images 2022-Jul-12, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8070195 PMID:35877639	研究论文	本文提出了一种多阶段解剖引导框架，用于在CT图像中自动分割胰腺亚区域（头、体、尾），并验证了其性能。	据我们所知，这是首个自动化胰腺亚区域分割模型，并建立了NIH数据集的参考解剖标签数据集。	未提及，NA	实现CT图像中胰腺亚区域的准确、自动3D分割，以辅助胰腺癌的诊断和治疗规划。	胰腺亚区域（头、体、尾）在CT图像中的分割	计算机视觉	胰腺癌	CT成像	朴素贝叶斯分类器和U-Net	计算机断层扫描（CT）图像	三个数据集：一个公共NIH健康胰腺数据集，以及两个分别用于癌前和癌性胰腺的数据集（具体样本数未提供）	NA	U-Net	性能指标未在摘要中明确提及	NA
182	2026-08-07	A sequence-based global map of regulatory activity for deciphering human genetics 2022-07, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-022-01102-2 PMID:35817977	研究论文	本文介绍Sei框架，通过深度学习方法整合人类遗传学数据与序列信息，预测大规模染色质谱图，提供全球调控活动图谱，以解析人类遗传变异的功能影响。	首次提出基于序列的全局调控活动图谱框架Sei，能够从任意序列或变异映射到调控活性，并学习调控活动词汇表（序列类别），实现细胞类型特异性的增强子功能等多样调控活性的分类和定量。	未明确提及限制，可能包括依赖参考表观基因组数据、对罕见变异预测的准确性和缺乏实验验证等。	建立从DNA序列到调控活性的系统映射，以揭示复杂性状和疾病的调控机制，为人类遗传学提供解读工具。	人类基因组中的调控序列和遗传变异，包括增强子等调控元件。	机器学习	NA	深度学习（预测染色质谱图）	深度学习模型（可能包含CNN或Transformer）	染色质谱图数据（表观基因组学）	超过1300种细胞系和组织类型的21,907个染色质谱图。	NA	NA	组织特异性表达支持、表达数量性状位点关联、进化保守性。	NA
183	2026-08-06	Clinical significance, challenges and limitations in using artificial intelligence for electrocardiography-based diagnosis 2022, International journal of arrhythmia DOI:10.1186/s42444-022-00075-x PMID:36212507	综述	本文综述了人工智能在心电图诊断中的临床应用意义、挑战与局限性	全面总结了AI算法在心电诊断中的挑战与局限性，如专业责任、系统性偏差、监控、网络安全及技术和后勤问题	文章未提及具体的AI算法性能数据或实证结果，可能缺乏量化比较	提高对AI在心电图诊断中应用的熟悉度和认识，并告知相关利益方其潜在用途	AI算法在心电图诊断中的应用	机器学习	心血管疾病	NA	NA	心电图数据	NA	NA	NA	NA	NA
184	2026-08-03	Photoplethysmogram based vascular aging assessment using the deep convolutional neural network 2022-07-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-15240-4 PMID:35790836	研究论文	本研究提出了一种基于光电容积脉搏波（PPG）和深度卷积神经网络的无创血管老化评估方法，用于年龄估计。	使用可解释的人工智能模型（Grad-Cam）解释PPG波形特征对血管年龄估计的贡献，并采用端到端学习方式，无需额外特征检测过程。	研究样本量有限（752名成年人），且为单中心研究，可能影响模型的泛化能力。	通过深度学习模型从PPG信号中估计年龄，以非侵入性评估血管老化。	752名年龄在20-89岁之间的成年人。	机器学习	心血管疾病	光电容积脉搏波（PPG）	卷积神经网络（CNN）	图像	752名成年人（年龄20-89岁）	NA	卷积层和全连接层（具体架构未指定，但包含三个卷积层和两个全连接层）	平均绝对误差（MAE）、均方根误差（RMSE）、皮尔逊相关系数（r）、决定系数（R²）	NA
185	2026-08-02	Radiomics and deep learning for myocardial scar screening in hypertrophic cardiomyopathy 2022-06-27, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1186/s12968-022-00869-x PMID:35761339	研究论文	本研究开发并评估了一种结合放射组学与深度学习的AI筛查模型，利用bSSFP电影序列图像在肥厚型心肌病患者中识别无心肌瘢痕的个体，以减少不必要的钆剂增强CMR检查	首次将放射组学与深度学习特征联合用于HCM患者心肌瘢痕的无创筛查，利用bSSFP电影序列替代LGE成像，并验证了多中心/多设备数据的泛化性能	模型临床效用有限，准确性及泛化性需进一步改进；外部数据集中性能下降明显，且仅以AUC为主要评估指标，缺乏多指标验证	开发AI筛查模型，在注射钆剂前利用bSSFP电影序列图像识别无心肌瘢痕的HCM患者，以减少重复的钆基CMR检查	759名HCM患者（内部多中心数据集）和100名HCM患者（外部验证数据集）的bSSFP电影序列图像	医学影像分析	肥厚型心肌病	心血管磁共振成像	深度学习模型（DL模型）	医学图像（bSSFP电影序列）	内部数据集759例HCM患者（平均50岁，66%男性），外部数据集100例HCM患者（平均53岁，70%男性）	NA	NA	AUC	NA
186	2026-08-02	Discriminating TB lung nodules from early lung cancers using deep learning 2022-06-21, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-022-01904-8 PMID:35725445	研究论文	本研究使用基于VGG16的自定义15层二维深度卷积神经网络，区分肺结核结节与早期肺癌，在解锁预训练权重条件下达到90.4%的准确率和90.1%的F值	首次将深度学习应用于区分潜伏性肺结核结节与早期肺癌，并采用自定义VGG16架构结合迁移学习	未在摘要中明确说明，可能包括样本多样性或外部验证不足	开发一种非侵入性筛查工具，用于可靠地区分肺癌与潜伏性肺结核结节	肺部CT图像，包括肺癌结节和肺结核结节	计算机视觉	肺癌、肺结核	CT成像	卷积神经网络	图像	未明确，数据来自国家肺筛查试验和TB Portals数据库	未明确	VGG16	准确率、F值（F分数）	未明确
187	2026-08-02	Multimodal deep learning for Alzheimer's disease dementia assessment 2022-06-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-31037-5 PMID:35725739	研究论文	本文提出一种多模态深度学习框架，用于依次完成阿尔茨海默病及相关痴呆的诊断步骤，识别正常认知、轻度认知障碍、阿尔茨海默病和非阿尔茨海默痴呆	开发了能灵活组合常规临床信息的深度学习框架，并应用计算机视觉可解释性方法验证模型检测的疾病特异性模式与神经病理学病变的一致性	摘要未提及具体局限性	改进因各种病因导致的认知障碍个体的诊断方法，提高痴呆诊断的准确性	正常认知、轻度认知障碍、阿尔茨海默病和非阿尔茨海默痴呆的个体	深度学习	阿尔茨海默病、痴呆	神经影像学	深度学习模型	临床信息（人口统计学、病史、神经心理测试、神经影像、功能评估）	NA	NA	NA	诊断准确性	NA
188	2026-07-30	SLEAP: A deep learning system for multi-animal pose tracking 2022-04, Nature methods IF:36.1Q1 DOI:10.1038/s41592-022-01426-1 PMID:35379947	研究论文	提出SLEAP，一个用于多动物姿态追踪的深度学习系统	结合了可访问的图形用户界面、标准化数据模型、可重复配置系统、30多种模型架构以及两种部分分组和身份追踪方法，实现了多动物无标记姿态估计的高准确度和实时处理速度	未明确提及	开发能够处理多动物姿态追踪挑战的机器学习系统，支持社交行为研究	多动物姿态追踪	计算机视觉	不适用	未明确提及	深度学习模型	图像	涵盖苍蝇、蜜蜂、小鼠和沙鼠共七个数据集	未明确提及	超过30种模型架构	准确度（accuracy）、速度（frames per second）、延迟（latency）	未明确提及
189	2026-07-29	Deep learning-based model for diagnosing Alzheimer's disease and tauopathies 2022-02, Neuropathology and applied neurobiology IF:4.0Q1 DOI:10.1111/nan.12759 PMID:34402107	研究论文	基于深度学习的模型用于诊断阿尔茨海默病和tau蛋白病	首次利用YOLOv3目标检测算法结合随机森林分类器，基于tau免疫染色数字切片图像区分多种tau蛋白病，且模型在CP13和AT8染色上均有效	未提及	开发一种基于深度学习的模型，用于区分不同的tau蛋白病，包括阿尔茨海默病、进行性核上性麻痹、皮质基底节变性和皮克病	tau蛋白病（阿尔茨海默病、进行性核上性麻痹、皮质基底节变性、皮克病）	数字病理学	阿尔茨海默病, tau蛋白病	tau免疫染色	YOLOv3, 随机森林	数字切片图像	训练集：2522张图像（来自10例AD、10例PSP、10例CBD的CP13染色切片）；分类器训练：120例（32例AD、36例PSP、31例CBD、21例PiD）分为90例训练和30例测试；验证集：50例（10例AD、17例PSP、13例CBD、10例PiD）的CP13和AT8染色切片	未提及	YOLOv3, 随机森林	平均测试得分0.97, 诊断准确率>92%（无数据增强）和>95%（有数据增强）	未提及
190	2026-07-06	Deep Learning vs Traditional Breast Cancer Risk Models to Support Risk-Based Mammography Screening 2022-10-06, Journal of the National Cancer Institute DOI:10.1093/jnci/djac142 PMID:35876790	研究论文	比较深度学习与传统乳腺癌风险模型在基于风险的乳腺X线筛查中的准确性	首次在前瞻性筛查队列中验证深度学习乳腺癌风险模型优于传统风险模型	未明确提及局限性，但可能包括数据来源局限性或模型泛化能力	评估深度学习风险评分与传统风险评分在识别筛查中癌症患者方面的准确性	57,617名患者的119,139次双侧筛查乳腺X线图像	深度学习	乳腺癌	乳腺X线成像	深度学习模型	图像	57,617名患者，119,139次筛查乳腺X线图像	NA	NA	接收者操作特征曲线下面积、癌症检出率	NA
191	2026-07-03	Analyzing fibrous tissue pattern in fibrous dysplasia bone images using deep R-CNN networks for segmentation 2022, Soft computing IF:3.1Q2 DOI:10.1007/s00500-021-06519-1 PMID:34867079	研究论文	利用深度R-CNN网络分割纤维异常增生骨图像中的纤维组织模式	提出了结合区域卷积神经网络与线性回归模型的方法，用于纤维异常增生骨图像中纤维组织分割及骨异常程度预测	未说明数据样本量、计算资源及与其他方法的对比，仅报告了自身性能指标	实现纤维异常增生骨图像中纤维组织的自动分割，并预测骨异常水平	纤维异常增生（FD）患者的骨图像	计算机视觉, 数字病理学	骨骼疾病	医学影像分析	区域卷积神经网络（R-CNN）	图像	未提及	NA	R-CNN	准确率, 损失值	未提及
192	2026-06-30	Facial Emotion Recognition Using a Novel Fusion of Convolutional Neural Network and Local Binary Pattern in Crime Investigation 2022, Computational intelligence and neuroscience DOI:10.1155/2022/2249417 PMID:36188698	研究论文	提出一种融合卷积神经网络与局部二值模式的面部表情识别方法，用于犯罪调查中青少年心理特征分析	采用CNN与优化中心局部二值模式（CLBP）算法的创新融合，构建CNN-CLBP模型，提升面部表情识别准确率	对悲伤表情的误识别率较高（22.54%），且模型在真实犯罪场景中的泛化能力未充分验证	分析涉案青少年心理特征，促进深度学习在心理特征提取中的应用	面部表情图像及青少年犯罪心理特征	计算机视觉	NA	NA	CNN、CLBP	图像	未明确说明样本数量，涉及面部表情数据集	NA	VGGNet、AlexNet、LeNet-5、CNN-CLBP	准确率、平均识别率、误识别率	NA
193	2026-06-26	EPI susceptibility correction introduces significant differences far from local areas of high distortion 2022-10, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.05.016 PMID:35644448	研究论文	应用深度学习工具PreQual校正EPI磁敏感伪影，发现校正不仅改善局部高畸变区域，还在全脑范围内显著影响扩散成像和基于扩散的推理结果	首次证明EPI磁敏感伪影校正对远离高畸变区域的图像保真度和扩散指标（如FA）有广泛影响，挑战了传统认为伪影仅局限于局部区域的观念	未明确说明样本量、具体深度学习模型架构和计算资源细节	评估基于深度学习的EPI磁敏感伪影校正对图像保真度和扩散数据解释的影响，特别关注远离高畸变区域的效应	抑郁与非抑郁受试者的扩散加权成像（DWI）数据	机器学习	抑郁	扩散加权成像（DWI），EPI序列	深度学习（PreQual工具）	图像	NA	PreQual	NA	基于纤维束空间统计（TBSS）的FA分析、回归系数显著性检验	NA
194	2026-06-26	Quantification of lung ventilation defects on hyperpolarized MRI: The Multi-Ethnic Study of Atherosclerosis (MESA) COPD study 2022-10, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.06.016 PMID:35777684	研究论文	开发一个端到端深度学习框架，用于分割肺部超极化MRI上的通气缺陷	提出级联U-Net框架，结合传统数据增强和生成对抗网络数据增强，实现全自动分割	生成对抗网络数据增强未带来进一步改进，样本量较小（56名参与者）	量化肺部超极化MRI上的通气缺陷，用于COPD研究	老年吸烟者的肺部超极化MRI图像	机器学习	慢性阻塞性肺疾病	超极化MRI	U-Net	图像	56名参与者，820张1H和3He MRI切片	NA	级联U-Net	Dice相似系数	NA
195	2026-06-26	Clinical feasibility of an abdominal thin-slice breath-hold single-shot fast spin echo sequence processed using a deep learning-based noise-reduction approach 2022-07, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.04.005 PMID:35504409	研究论文	评估基于深度学习降噪的腹部薄层屏气单次激发快速自旋回波序列在胰腺MRI中的临床可行性	利用深度学习降噪重建技术加速屏气薄层单次激发快速自旋回波MRI，显著提升图像质量并缩短扫描时间	未提及具体限制，如样本量较小或单中心研究	评估深度学习降噪序列在胰腺解剖成像中的图像质量与临床可行性	疑似胰胆疾病患者的胰腺和肝脏MRI图像	医学影像	胰胆疾病	MRI T2加权成像，单次激发快速自旋回波序列	深度学习降噪模型	MRI图像	42名疑似胰胆疾病患者	NA	深度学习降噪重建	信噪比，对比噪声比，图像质量定性评分	1.5T MRI扫描仪
196	2026-06-26	ArtifactID: Identifying artifacts in low-field MRI of the brain using deep learning 2022-06, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.02.002 PMID:35176447	研究论文	利用深度学习识别低场脑部MRI中的伪影	首次针对低场MRI中的卷褶和吉布斯环振伪影开发专门的识别模型，并利用GradCAM提供可视化解释以增强模型可信度	仅使用T1加权图像，可能限制模型在其他序列上的泛化能力；数据量有限，可能影响模型鲁棒性	识别低场脑部MRI中的卷褶和吉布斯环振伪影，提升诊断质量	低场脑部MRI图像中的卷褶伪影（通过平面和平面内）和吉布斯环振伪影	计算机视觉	不适用	MRI	卷积神经网络	图像	179张来自0.36T扫描仪的T1加权病理脑图像和581张公开可用的T1加权脑图像	不适用	不适用	精确率, 召回率, Cohen's kappa	不适用
197	2026-06-26	DBGAN: A dual-branch generative adversarial network for undersampled MRI reconstruction 2022-06, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.03.003 PMID:35339616	研究论文	提出一种基于双分支生成对抗网络的欠采样MRI重建方法	采用跨阶段跳跃连接扩宽特征传播通道，用实例归一化代替批归一化避免训练与推理差异，引入双线性插值解码器分支补充反卷积解码器信息缺失	未提及在其他MRI模态或更大规模数据集上的验证，以及与其他非生成对抗网络方法的全面比较	提高欠采样MRI重建的图像质量和速度，适用于实时处理	T1加权的脑部MRI数据（来自MICCAI 2013挑战赛）和膝盖MRI数据	计算机视觉	未指定	MRI	生成对抗网络	图像	未明确说明样本数量，但使用MICCAI 2013挑战赛的T1加权脑部数据集和膝盖MRI数据	NA	U-Net	峰值信噪比, 归一化均方误差	每个256×256图像重建耗时60毫秒，模型参数少于最先进方法的一半
198	2026-06-02	Differential Role for Hippocampal Subfields in Alzheimer's Disease Progression Revealed with Deep Learning 2022-01-22, Cerebral cortex (New York, N.Y. : 1991) DOI:10.1093/cercor/bhab223 PMID:34322704	research paper	利用深度学习揭示海马亚区在阿尔茨海默病进展中的差异化作用	提出密集卷积神经网络架构，基于海马形态测量区分稳定型和进展型轻度认知障碍，并创新性地使用遮挡分析揭示海马亚区对模型性能的不同贡献	未提及	探究海马亚区在轻度认知障碍进展中的作用机制	海马亚区形态测量数据	machine learning	Alzheimer's disease	NA	CNN	影像数据	NA	NA	DenseNet	accuracy	NA
199	2026-06-02	Towards Robot-Assisted Therapy for Children With Autism-The Ontological Knowledge Models and Reinforcement Learning-Based Algorithms 2022, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2022.713964 PMID:35462779	研究论文	本文提出一种基于本体知识模型和强化学习算法的机器人辅助自闭症儿童疗法	结合深度学习、强化学习与本知识库，实现自闭症检测、治疗方案推荐和远程监控一体化的人形机器人辅助系统	NA	开发辅助治疗师的社交机器人，通过分析儿童行为实现自闭症检测、疗法推荐和监控	自闭症儿童	机器人技术、机器学习	自闭症	NA	卷积神经网络、强化学习	NA	NA	NA	NA	NA	NA
200	2026-06-01	Automated grading of enlarged perivascular spaces in clinical imaging data of an acute stroke cohort using an interpretable, 3D deep learning framework 2022-01-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-04287-4 PMID:35039524	研究论文	开发了一种可解释的3D深度学习框架，用于自动化分级急性卒中患者临床影像数据中的血管周围间隙扩大	首次利用3D-ResNet-152和3DGradCAM可解释性技术，在异质性急性卒中队列的临床级影像数据中实现自动化EPVS严重程度分级	样本量较小（n=262），且仅基于T2加权图像进行单一解剖区域（基底节）的评估	开发一个可解释的3D神经网络，用于自动化分级急性卒中患者基底节区血管周围间隙扩大（EPVS）的严重程度	262名急性卒中患者的T2加权影像数据	计算机视觉，数字病理学	脑血管疾病	磁共振成像（MRI）	3D卷积神经网络（CNN）	图像（临床级T2加权MRI）	262名急性卒中患者（训练/测试集：85%/15%）	PyTorch	3D-ResNet-152	准确率（0.897），AUC（0.879）	NA