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
61	2025-12-21	Physiological sensor data cleaning with autoencoders 2023-12-15, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ad10c7 PMID:38029439	研究论文	提出一种基于深度学习的生理传感器数据清洗框架，利用扩张卷积和自编码器提升信号质量	首次将扩张卷积与自编码器结合用于生理信号清洗，通过半监督学习利用大量未标注数据，并增强模型可解释性	模型调优仍有改进空间，未具体说明数据采集设备和环境条件	开发高精度生理传感器数据清洗方法，支持远程患者监测和临床试验决策	光电容积脉搏波等生理传感器信号	机器学习	NA	传感器信号采集	自编码器, CNN	时序信号数据	NA	NA	扩张卷积网络	准确率, 假阳性率, 假阴性率	NA
62	2025-12-21	Deep learning based uncertainty prediction of deformable image registration for contour propagation and dose accumulation in online adaptive radiotherapy 2023-12-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad0282 PMID:37820691	研究论文	本文开发了基于深度学习的可变形图像配准不确定性预测方法，以促进其在在线自适应放疗中的临床应用	首次提出深度学习方法来预测可变形图像配准过程的不确定性，并能够将不确定性传播到临床可用的指标中	方法在肺癌患者数据上进行了验证，但未在其他癌症类型或更大样本量中进行广泛测试	开发可变形图像配准的不确定性预测方法，以支持在线自适应放疗中的轮廓传播和剂量累积	肺癌患者的医学图像数据，包括可变形向量场和手动标注的解剖标志点	数字病理	肺癌	可变形图像配准	神经网络	医学图像	5名肺癌患者的数据，以及DIRLAB数据集中的手动标注标志点	NA	监督和无监督神经网络	轮廓不确定性小于3%，剂量体积直方图	NA
63	2025-12-21	Learnable PM diffusion coefficients and reformative coordinate attention network for low dose CT denoising 2023-12-11, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aced33 PMID:37536336	研究论文	本文提出了一种基于编码器-解码器结构的低剂量CT去噪网络，结合可学习的PM扩散系数和坐标注意力机制，以平衡噪声抑制与边缘结构保留	提出了一种新颖的边缘特征提取方法，将Perona-Malik模型的各向异性图像处理思想融入神经网络，并设计了多尺度改进坐标注意力模块，增强了网络的可解释性和临床应用价值	未明确提及具体的数据集规模或计算资源限制，可能在实际应用中存在泛化性挑战	解决低剂量CT图像去噪任务中噪声抑制与边缘结构保留之间的平衡问题	低剂量CT图像	计算机视觉	NA	深度学习	CNN	图像	NA	NA	编码器-解码器结构	定量和定性评估	NA
64	2025-12-21	Volumetric feature points integration with bio-structure-informed guidance for deformable multi-modal CT image registration 2023-12-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad03d2 PMID:37844603	研究论文	本文提出了一种基于体积特征点集成与生物结构引导的可变形多模态CT图像配准方法	通过结合体素特征点和生物结构特征点共同指导训练过程，提高了配准精度，相比其他深度学习方法精度提升了6%	未明确说明方法在处理其他模态或低对比度器官时的泛化能力	解决医学图像配准中的挑战，特别是在图像引导放射治疗（IGRT）中的CT-CBCT配准问题	配对的CT-CBCT数据集	医学图像处理	NA	深度学习	NA	CT图像, CBCT图像	NA	NA	NA	精度	NA
65	2025-12-21	MB-DECTNet: a model-based unrolling network for accurate 3D dual-energy CT reconstruction from clinically acquired helical scans 2023-12-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad00fb PMID:37802071	研究论文	本研究提出了一种基于模型展开的深度学习网络MB-DECTNet，用于从临床螺旋扫描中实现精确的三维双能CT重建，显著加速了传统统计迭代重建过程	将双能CT统计迭代重建整合到端到端可训练的深度学习模型展开网络中，在保持模型算法无偏估计特性的同时，学习迭代算法的捷径，实现计算加速	未明确说明模型在不同扫描参数或患者群体中的泛化能力，以及临床验证的广泛性	加速三维双能CT统计迭代重建，同时保持亚百分比或接近亚百分比的精度，使其更符合临床时间要求	临床获取的螺旋扫描双能CT数据	医学影像重建	NA	双能CT成像	深度学习模型展开网络	三维CT图像数据	NA	NA	MB-DECTNet（包含多个堆叠的更新块，每个块有数据一致性层和空间混合层）	偏差，平均绝对误差	NA
66	2025-12-21	Deep learning-based multi-stage postoperative type-b aortic dissection segmentation using global-local fusion learning 2023-11-29, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/acfec7 PMID:37774717	研究论文	本文提出了一种基于深度学习的多阶段分割框架，用于术后B型主动脉夹层的分割，通过全局-局部融合学习机制提升分割精度	设计了全局-局部融合学习机制，通过补偿裁剪图像缺失的上下文特征，改善了血栓和分支血管的分割效果	未明确提及具体局限性，但可能受限于数据集规模和多样性	构建一个深度学习分割框架，用于术后B型主动脉夹层的快速准确分割，以支持患者特异性三维形态学和血流动力学分析	术后B型主动脉夹层患者的CT图像，包括真腔、假腔、血栓和分支血管	数字病理学	心血管疾病	CT成像	深度学习	医学图像	133名患者的306张随访图像	NA	NA	Dice相似系数	NA
67	2025-12-21	Radiation-induced acoustic signal denoising using a supervised deep learning framework for imaging and therapy monitoring 2023-11-29, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad0283 PMID:37820684	研究论文	本文提出了一种基于监督深度学习的通用深度初始卷积神经网络（GDI-CNN），用于去噪辐射诱导声学信号，以显著减少平均所需的帧数，从而降低成像剂量并提高实时治疗监测的频率	开发了一种通用的深度初始卷积神经网络（GDI-CNN），该网络在每个初始块中采用多扩张卷积，能够编码和解码具有不同时间特征的信号，从而泛化处理不同辐射源产生的声学信号去噪	未明确提及具体局限性，但可能包括对训练数据质量和多样性的依赖，以及在实际临床环境中的泛化能力验证	提高辐射诱导声学成像的信号质量，减少所需平均帧数，以降低辐射剂量并增强实时治疗监测的实用性	辐射诱导声学信号，包括X射线诱导声学、质子声学和电声学信号	医学影像处理	NA	辐射诱导声学成像	CNN	声学信号	使用实验数据进行评估，具体样本数量未明确说明	NA	GDI-CNN（通用深度初始卷积神经网络）	均方误差, 峰值信噪比, 结构相似性	NA
68	2025-12-21	MAG-Res2Net: a novel deep learning network for human activity recognition 2023-11-28, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ad0ab8 PMID:37939391	研究论文	本文提出了一种名为MAG-Res2Net的新型深度学习网络，用于解决人类活动识别任务中的特征提取挑战	结合了Borderline-SMOTE数据上采样算法、基于度量学习的损失函数组合算法和Lion优化算法，提升了模型对多样化人类活动数据的处理能力	未明确说明模型在更复杂或噪声更大的现实场景中的泛化能力	开发一种能够有效处理人类活动多样性并提升识别性能的深度学习模型	人类活动识别	机器学习	NA	深度学习	CNN	传感器数据	三个公共数据集（UCI-HAR、WISDM、CSL-SHARE）	未明确说明	Res2Net	准确率, F1-macro, F1-weighted	NA
69	2025-12-21	Deep learning with fetal ECG recognition 2023-11-27, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ad0ab7 PMID:37939396	研究论文	本文提出了一种基于深度学习的胎儿心电图识别新方法，通过开发跨域一致卷积神经网络来自动识别多通道心电图数据中的胎儿心电信号	开发了一种跨域一致卷积神经网络（CDC-Net），用于解决独立成分分析结果的不确定性，实现胎儿心电信号的自动识别	NA	提出一种新的胎儿心电图识别方法，以改进胎儿心电监测的自动化水平	胎儿心电信号	机器学习	心血管疾病	独立成分分析	CNN	信号数据	来自两个数据库的信号数据	NA	CDC-Net	精确率, 召回率, F1分数	NA
70	2025-12-21	Deep learning-based workflow for hip joint morphometric parameter measurement from CT images 2023-11-06, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad04aa PMID:37852280	研究论文	本文提出了一种基于深度学习的CT图像髋关节形态参数测量工作流程	首次提出了一种从粗到精的深度学习模型，用于从CT图像中精确重建髋关节几何结构（3D骨骼模型和关键标志点），并基于此开发了稳健的形态参数测量方法	未明确说明	为术前关节置换规划和生物力学模拟提供精确的髋关节形态测量	髋关节CT图像	计算机视觉	骨科疾病	CT成像	深度学习模型	CT图像	两个具有不同成像协议参数的数据集	未明确说明	未明确说明	Dice系数, 标志点预测误差, Pearson相关系数, 组内相关系数	未明确说明
71	2025-12-21	An uncertainty aided framework for learning based liverT1ρmapping and analysis 2023-11-01, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad027e PMID:37820639	研究论文	提出一种用于基于学习的肝脏T1ρ映射的不确定性辅助框架，以提高量化结果的可靠性和准确性	提出参数图细化方法，以概率方式训练模型来建模不确定性，并利用不确定性图空间加权训练改进的T1ρ映射网络，以提升性能并移除感兴趣区域中不可靠的像素	研究仅在51名不同肝纤维化分期患者的数据集上进行测试，样本量相对有限	开发一种可靠的学习型定量MRI系统，用于肝脏T1ρ映射	肝脏病理（特别是肝纤维化）患者的定量T1ρ成像	数字病理	肝纤维化	定量T1ρ成像	深度学习模型	医学图像（MRI）	51名不同肝纤维化分期的患者	NA	NA	相对映射误差	NA
72	2025-12-21	Unified Bayesian network for uncertainty quantification of physiological parameters in dynamic contrast enhanced (DCE) MRI of the liver 2023-11-01, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad0284 PMID:37820640	研究论文	本文提出了一种用于肝脏动态对比增强MRI生理参数估计的深度学习框架，旨在提供准确的参数估计和不确定性量化	提出了一种统一的贝叶斯神经网络框架，通过联合最小化偶然不确定性和认知不确定性来同时估计生理参数及其不确定性	未明确说明训练数据的具体规模和多样性，且OD数据的评估可能未覆盖所有临床场景	为肝脏DCE-MRI提供准确的生理参数估计和不确定性量化方法	肝脏DCE-MRI数据，包括模拟的浓度时间曲线和患有肝肿瘤病变患者的实际数据	医学影像分析	肝肿瘤	动态对比增强MRI	贝叶斯神经网络	医学影像数据，浓度时间曲线	NA	NA	贝叶斯神经网络	均方根误差，不确定性估计	NA
73	2025-12-21	Generalisation of radiotherapy dose calculation for Monte Carlo algorithm combined with 3D Swin-Unet: a multi-institutional IMRT evaluation 2023-10-31, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad02d8 PMID:37827160	研究论文	本文提出了一种基于深度学习的通用剂量计算框架，结合3D Swin-Unet模型，用于多机构IMRT计划的剂量计算评估	提出了一种结合TERMA-Monte Carlo网络（T-MC net）与3D Swin-Unet的深度学习剂量计算方法，并在多机构、多身体区域的IMRT计划中进行了泛化性评估	研究仅基于60个IMRT计划进行测试，样本量相对有限，且未涵盖所有可能的临床场景	评估深度学习剂量计算方法的泛化能力，以提升放射治疗剂量计算的准确性和效率	来自四个机构的头颈、胸腹和盆腔区域的IMRT治疗计划	数字病理	NA	强度调制放射治疗（IMRT），蒙特卡洛（MC）算法	深度学习网络	三维剂量分布数据，剂量体积直方图（DVH）	60个IMRT计划	NA	3D Swin-Unet, T-MC net	伽马通过率（GPR），一致性百分比（PA），剂量差异比（DDR），剂量指数D	NA
74	2025-12-21	Coarse-to-fine prior-guided attention network for multi-structure segmentation on dental panoramic radiographs 2023-10-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad0218 PMID:37816372	研究论文	提出一种基于深度学习的粗到细先验引导注意力网络，用于在牙科全景X光片上自动分割多个解剖结构	采用两阶段粗到细先验引导分割框架，结合先验引导边缘融合模块、空间注意力模块和混合注意力模块，提升多结构分割精度	未提及模型在更广泛数据集或不同设备采集图像上的泛化能力	实现牙科全景X光片上多个解剖结构的准确自动分割，以辅助数字牙科的诊断和治疗规划	牙科全景X光片中的上颌窦、下颌髁突、下颌神经、牙槽骨和牙齿	计算机视觉	NA	深度学习	CNN	图像	150张来自真实临床场景的全景X光片	NA	编码器-解码器架构	Jaccard分数	NA
75	2025-12-21	Radiation-induced Acoustic Signal Denoising using a Supervised Deep Learning Framework for Imaging and Therapy Monitoring 2023-Apr-26, ArXiv PMID:37163138	研究论文	本文提出了一种基于监督深度学习框架的辐射诱导声学信号去噪方法，用于成像和治疗监测	开发了通用的深度初始卷积神经网络（GDI-CNN），通过多扩张卷积编码和解码不同时间特征的信号，实现对多种辐射源信号的泛化去噪	未明确提及具体的数据集规模或模型在极端噪声条件下的性能限制	旨在减少辐射诱导声学成像所需的平均次数，以降低辐射剂量并提高时间分辨率	辐射诱导声学信号，包括X射线诱导声学、质子声学和电声学信号	医学影像处理	NA	辐射诱导声学成像	CNN	声学信号	NA	NA	GDI-CNN（通用深度初始卷积神经网络）	信噪比	NA
76	2025-12-20	Super-resolution dual-layer CBCT imaging with model-guided deep learning 2023-12-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1211 PMID:38048627	研究论文	本研究提出了一种基于双层面板探测器的超分辨率CBCT成像方法，通过深度学习模型从低分辨率投影中恢复高分辨率双能信息	提出了一种新的超分辨率CBCT成像方法，利用双层面板探测器获取过采样空间信息，并开发了基于成像模型的专用循环神经网络suRi-Net	NA	研究一种新型的超分辨率CBCT成像方法，以提高图像空间分辨率	双层面板探测器获取的低能和高能投影数据	计算机视觉	NA	双层面板探测器成像	循环神经网络	图像	NA	NA	suRi-Net	空间分辨率提升百分比	NA
77	2025-12-20	ABUS tumor segmentation via decouple contrastive knowledge distillation 2023-12-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1274 PMID:38052091	研究论文	本文提出了一种用于自动乳腺超声（ABUS）肿瘤分割的新型知识蒸馏方法，通过解耦对比学习来减少计算需求并提升性能	提出了一种解耦对比知识蒸馏方法，将特征解耦为阳性（肿瘤）和阴性（非肿瘤）对，并设计了基于距离度量的排序损失函数来解决医学图像分割中的难负样本挖掘问题	方法在私有ABUS数据集和公共海马体数据集上进行了评估，但可能在其他医学图像分割任务中的泛化能力未充分验证	开发一种高效的知识蒸馏方法，用于ABUS肿瘤分割，以减少计算和参数需求，同时保持高分割精度	自动乳腺超声（ABUS）图像中的肿瘤区域	计算机视觉	乳腺癌	深度学习，知识蒸馏，对比学习	CNN	3D医学图像	私有ABUS数据集和公共海马体数据集，具体样本数量未明确说明	未明确指定，但可能基于PyTorch或TensorFlow等深度学习框架	3D U-Net, 3D HR-Net	Dice相似系数（DSC）	未明确指定，但提及了参数减少（学生网络参数仅为教师网络的6.8%和12.1%）
78	2025-12-20	CAM-QUS guided self-tuning modular CNNs with multi-loss functions for fully automated breast lesion classification in ultrasound images 2023-12-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1319 PMID:38056017	研究论文	本文提出了一种基于模块化卷积神经网络和新型损失函数的全自动乳腺超声图像病灶分类系统	引入了基于类激活映射和定量超声特征的新型损失函数，结合动态通道输入增强网络和注意力引导的InceptionV3特征提取网络，无需显式分割即可实现可解释的病灶分类	未明确说明模型在不同超声设备间的泛化性能细节，且未讨论计算复杂度对实时诊断的潜在影响	开发全自动乳腺超声计算机辅助诊断系统以实现乳腺癌早期检测	乳腺超声图像中的良恶性病灶	计算机视觉	乳腺癌	超声成像	CNN	图像	1494张来自四个公共数据集、一个私有数据集及多中心合并数据集的乳腺超声图像	未明确说明	InceptionV3	准确率, 灵敏度, F1分数	未明确说明
79	2025-12-20	ETU-Net: edge enhancement-guided U-Net with transformer for skin lesion segmentation 2023-12-22, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad13d2 PMID:38131313	研究论文	提出了一种结合边缘增强、CNN和Transformer的新型多尺度U-Net模型ETU-Net，用于皮肤病变分割任务	引入了边缘检测算子到差分卷积中，设计了边缘增强卷积块和局部Transformer块以强调边缘特征，并提出了多尺度局部注意力块和全局Transformer块以解决边界模糊和补丁划分带来的不确定性	未明确提及	提高皮肤病变分割的准确性，特别是在处理复杂病变形状和模糊边界时	皮肤病变图像	计算机视觉	皮肤癌	NA	CNN, Transformer	图像	三个公开皮肤数据集（PH2, ISIC-2017, ISIC-2018）以及无锡市第二人民医院提供的皮肤镜图像	NA	U-Net, Transformer	分割性能指标（未具体说明，如准确率、Dice系数等）	NA
80	2025-12-20	AI approach to biventricular function assessment in cine-MRI: an ultra-small training dataset and multivendor study 2023-12-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad0903 PMID:37918023	研究论文	本文提出了一种基于超小训练数据集的3D深度学习模型，用于多厂商心脏电影磁共振成像中的双心室结构分割与功能评估	在超小数据集（仅150例）上结合Transformer与U-Net的3D深度学习模型，实现了多厂商、多序列心脏MRI的自动化分析	训练数据规模极小，且未在更广泛的外部数据集中验证模型的泛化能力	开发一种基于超小训练数据集的自动化方法，用于心脏MRI中双心室结构分割与功能评估	心脏电影磁共振成像图像	计算机视觉	心血管疾病	心脏电影磁共振成像	深度学习	3D医学图像	150例心脏数据集（90例训练，60例测试），来自三个不同MRI厂商，每例包含两个心脏周期相位和三个电影序列	NA	Transformer, U-Net	Dice系数, Hausdorff距离, Pearson相关系数, 组内相关系数, Bland-Altman分析	NA