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	2026-04-14	Deep Learning for Inference of Hepatic Proton Density Fat Fraction From T1-Weighted In-Phase and Opposed-Phase MRI: Retrospective Analysis of Population-Based Trial Data 2023-11, AJR. American journal of roentgenology DOI:10.2214/AJR.23.29607 PMID:37466189	研究论文	本研究利用深度学习卷积神经网络从常规T1加权同相和反相MRI图像推断肝脏质子密度脂肪分数，并与传统两点Dixon信号脂肪分数方法进行比较，以化学位移编码MRI PDFF作为参考标准	首次开发基于CNN的模型，能够从广泛可用的常规T1加权同相和反相MRI图像中准确推断肝脏质子密度脂肪分数，避免了传统信号脂肪分数方法的偏差问题	需要在中度至重度铁过载个体中进行进一步研究验证	比较基于深度学习的PDFF推断方法与传统的两点Dixon信号FF方法在肝脏脂肪定量中的准确性	来自美国印第安社区的292名参与者（203名女性，89名男性；平均年龄53.7±12.0岁）的肝脏MRI数据	医学影像分析	非酒精性脂肪肝病	化学位移编码MRI，T1加权同相和反相MRI，两点Dixon方法	CNN	MRI图像	292名参与者（训练集218人，测试集74人）	NA	卷积神经网络	组内相关系数，Bland-Altman分析，线性回归分析	NA
2	2026-04-11	trRosettaRNA: automated prediction of RNA 3D structure with transformer network 2023-11-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-42528-4 PMID:37945552	研究论文	本文介绍了trRosettaRNA，一种基于深度学习的自动化方法，用于预测RNA三维结构，并在基准测试和盲测中表现出色	开发了首个结合transformer网络和能量最小化的自动化RNA三维结构预测方法，在CASP15和RNA-Puzzles实验中与顶尖人工预测结果竞争	对于合成RNA的准确结构预测仍具有挑战性	解决RNA三维结构预测的长期难题	RNA分子	机器学习	NA	深度学习	Transformer	RNA序列和结构数据	NA	NA	Transformer	均方根偏差Z分数	NA
3	2026-04-11	Assessment of a deep learning model for COVID-19 classification on chest radiographs: a comparison across image acquisition techniques and clinical factors 2023-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.10.6.064504 PMID:38162317	研究论文	评估预训练的深度学习模型在胸部X光片上分类COVID-19阳性和阴性患者的表现，并考虑图像采集参数、临床因素和患者人口统计学	通过比较不同图像采集技术（标准与软组织X光）和临床因素（如病毒变体、免疫状态）来评估模型性能，并探讨了模型在新测试集上性能下降的原因	模型在新测试集上性能显著下降，且时间匹配、免疫状态、疾病严重程度、年龄和性别分布未能完全解释性能差异，表明模型可能存在过拟合和泛化能力不足	评估深度学习模型在COVID-19分类任务中的性能，并分析图像采集技术和临床因素对模型表现的影响	胸部X光片（标准与软组织图像）	计算机视觉	COVID-19	胸部X光成像	CNN	图像	原始数据集9860名患者，当前测试集5893名患者	NA	DenseNet-121	ROC AUC	NA
4	2026-04-04	Predicting early breast cancer recurrence from histopathological images in the Carolina Breast Cancer Study 2023-Nov-11, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-023-00597-0 PMID:37952058	研究论文	本研究利用深度学习从组织病理学图像中预测早期乳腺癌复发	首次在卡罗莱纳乳腺癌研究队列中应用深度学习模型从H&E染色肿瘤切片图像预测早期复发，并发现图像模型能识别70%的早期复发低中级别肿瘤	样本量相对有限（202名参与者），预测准确率（62.4%）与现有临床标记物（分级、ER状态）相近但未显著超越	开发基于图像的快速筛查方法以识别早期乳腺癌复发高风险患者	乳腺癌患者的H&E染色肿瘤组织切片图像	数字病理学	乳腺癌	H&E染色组织病理学成像	深度学习模型	图像	704张1毫米肿瘤核心H&E图像（来自202名参与者，其中101名复发，101名未复发）	NA	NA	准确率	NA
5	2026-04-01	Small-molecule binding and sensing with a designed protein family 2023-Nov-02, bioRxiv : the preprint server for biology DOI:10.1101/2023.11.01.565201 PMID:37961294	研究论文	本文结合深度学习和物理方法设计了一个具有多样可设计口袋几何形状的蛋白质家族，并成功计算设计出针对六种不同小分子靶点的结合蛋白	开发了一种通用方法，通过结合深度学习和物理模拟，设计能够结合任意小分子的蛋白质家族，并实现了化学诱导二聚化系统的设计	未提及具体的设计失败率或对更复杂小分子的适用性限制	设计能够结合和传感任意小分子的蛋白质，用于分析、环境和生物医学应用	六种化学和结构上不同的小分子靶点	机器学习	NA	深度学习，物理方法	NA	蛋白质结构数据，小分子化学数据	六种小分子靶点	NA	NA	结合亲和力（纳摩尔至低微摩尔），设计准确性（原子级）	NA
6	2026-04-01	Improving prognosis and assessing adjuvant chemotherapy benefit in locally advanced rectal cancer with deep learning for MRI: A retrospective, multi-cohort study 2023-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2023.109899 PMID:37660753	研究论文	本研究开发了一种基于术前MRI的深度学习模型，用于预测局部晚期直肠癌患者的局部复发、远处转移和总生存期，并评估辅助化疗的益处	提出了多生存任务网络（MuST）模型，能够同时预测多种生存结局，并构建了结合MuST-DM评分、神经侵犯和CA19-9的辅助化疗决策树，实现了个体化治疗评估	这是一项回顾性研究，可能存在选择偏倚，且模型在更广泛人群中的泛化能力仍需进一步验证	开发预测局部晚期直肠癌患者生存结局的深度学习模型，并识别能从辅助化疗中获益的患者	局部晚期直肠癌患者	数字病理学	直肠癌	MRI	深度学习	图像	主要队列308例，两个外部验证队列分别247例和245例	NA	多生存任务网络（MuST）	预后准确性	NA
7	2026-04-01	Evaluation of different algorithms for automatic segmentation of head-and-neck lymph nodes on CT images 2023-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2023.109870 PMID:37634765	研究论文	本研究评估了四种基于图谱和两种深度学习算法在头颈部CT图像上自动分割淋巴结的性能	首次在头颈部淋巴结自动分割任务中，系统比较了基于图谱方法与深度学习方法的性能，并引入了多中心深度学习解决方案的评估	样本量相对较小（69例患者），且所有数据均来自单一机构，可能限制了结果的泛化能力	评估不同自动分割算法在头颈部淋巴结CT图像分割中的准确性和临床实用性	头颈部癌症患者的双侧选择性淋巴结（CTVn）	计算机视觉	头颈部癌症	CT成像	深度学习模型	CT图像	69例头颈部癌症患者（10例用于图谱库，49例用于训练，20例用于测试）	NA	NA	Dice相似系数, 95% Hausdorff距离	NA
8	2026-04-01	Efficient segmentation using domain adaptation for MRI-guided and CBCT-guided online adaptive radiotherapy 2023-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2023.109871 PMID:37634767	研究论文	本研究开发了基于域适应的高效分割方法，用于MRI引导和CBCT引导的在线自适应放疗	设计了两种域适应方法，将计划CT的特征学习并适应到MRI或CBCT模态，并通过个性化建模提高分割准确性	NA	开发高效的分割方法以改进自适应放疗中的ROI勾画	前列腺癌患者、鼻咽癌患者和胰腺癌患者的医学影像数据	数字病理	前列腺癌, 鼻咽癌, 胰腺癌	MRI, CBCT, CT, 域适应	深度学习模型	医学影像（MRI, CBCT, CT）	242名前列腺癌患者（MRIgART），530名鼻咽癌患者（CBCTgART），35名胰腺癌患者（公共CBCT数据集）	NA	NA	Dice相似系数（DSC）	NA
9	2026-03-15	Identifying sex differences in EEG-based emotion recognition using graph convolutional network with attention mechanism 2023-Nov-21, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad085a PMID:37906969	研究论文	本研究利用图卷积网络和注意力机制，基于脑电图数据识别情绪，并探究情绪处理中的性别差异	首次在跨文化多数据集上系统评估情绪脑电图模式的性别差异，并构建了性别特异性情绪识别模型	研究依赖于公开数据集，未考虑个体差异、年龄、激素水平等其他潜在影响因素	探究情绪脑电图模式中的性别差异及其对情绪识别模型性能的影响	五个公开脑电图情绪数据集（SEED, SEED-IV, SEED-V, DEAP, DREAMER）中的情绪脑电图信号	机器学习	NA	脑电图	图卷积网络, 注意力机制	脑电图信号	五个公开数据集（SEED, SEED-IV, SEED-V, DEAP, DREAMER）	NA	图卷积网络	NA	NA
10	2026-03-13	Comprehensive Evaluation of a Deep Learning Model for Automatic Organs-at-Risk Segmentation on Heterogeneous Computed Tomography Images for Abdominal Radiation Therapy 2023-Nov-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2023.05.034 PMID:37244625	研究论文	本文开发了一个名为AbsegNet的深度学习模型，用于在腹部恶性肿瘤的放射治疗中自动分割16个危及器官	提出了一种新颖的深度学习模型AbsegNet，能够在异质性CT图像上准确分割多个危及器官，并在多个外部数据集上验证了其鲁棒性和临床适用性	对于结肠和小肠的分割，仍有15.0%的患者需要进行重大修订，表明模型在这些器官上的性能有待进一步提升	开发一个深度学习模型，实现腹部放射治疗中危及器官的自动分割，以支持全自动放射治疗计划	腹部恶性肿瘤患者的CT扫描图像	数字病理	腹部恶性肿瘤	CT扫描	深度学习模型	CT图像	544例CT扫描，分为多个队列进行训练、测试和验证	NA	AbsegNet	Dice相似系数, 95th-percentile Hausdorff距离, 体积修订度	NA
11	2026-03-13	Deep Learning MRI Reconstruction for Accelerating Turbo Spin Echo Hand and Wrist Imaging: A Comparison of Image Quality, Visualization of Anatomy, and Detection of Common Pathologies with Standard Imaging 2023-Nov, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2022.12.042 PMID:36797172	研究论文	本研究评估了深度学习重建在加速手部和腕部涡轮自旋回波MRI成像中的应用，比较了其与标准成像在图像质量、解剖结构可视化和常见病变检测方面的表现	首次将深度学习重建应用于手部和腕部涡轮自旋回波MRI序列，实现了超过60%的扫描时间减少，同时保持了图像质量和诊断性能	样本量较小（仅21名患者），且研究为单中心前瞻性研究，需要更大规模的多中心验证	评估深度学习重建在加速手部和腕部MRI扫描中的临床应用价值	手部和腕部的MRI图像	医学影像分析	肌肉骨骼疾病	涡轮自旋回波序列，并行成像欠采样，深度学习重建	深度学习模型	MRI图像	21名患者（10名男性，11名女性，平均年龄43±19岁）	NA	NA	图像质量评分，噪声评分，边缘锐度评分，伪影评分，诊断置信度评分，解剖结构描绘评分，kappa统计量	NA
12	2026-03-13	Semantic segmentation of retinal exudates using a residual encoder-decoder architecture in diabetic retinopathy 2023-Nov, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.24345 PMID:37194727	研究论文	本文提出了一种用于糖尿病视网膜病变中渗出物语义分割的残差编码器-解码器架构	提出了一种带有残差跳跃连接的残差CNN架构，以减少参数，并采用合适的图像增强技术来提高网络性能	NA	开发一种用于糖尿病视网膜病变筛查的计算机辅助诊断方法，实现视网膜渗出物的自动检测和分割	视网膜渗出物	计算机视觉	糖尿病视网膜病变	NA	CNN	图像	三个基准数据库：E-ophtha, DIARETDB1, Hamilton Ophthalmology Institute's Macular Edema	NA	残差编码器-解码器架构	精确度, 准确度, 灵敏度, 特异性, AUC	NA
13	2026-03-13	Study on method of organ section retention and tracking through deep learning in automated diagnostic and therapeutic robotics 2023-Nov, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-02955-6 PMID:37249747	研究论文	本文提出了一种用于自动诊断和治疗机器人中器官截面保留和跟踪的深度学习方法，特别针对肾脏和肝脏的高强度聚焦超声治疗中的器官角度估计	提出了AEMA、AEMAD和AEMAD++三种新方法用于超声图像中器官角度估计，并在旋转扫描跟踪系统中进行了评估，其中AEMAD++在速度和精度上表现最佳	研究基于体模实验，未来需要添加周围器官区域或肾脏内部结构作为新特征以验证结果，且样本量较小（仅6个数据集）	开发一种在自动化诊断和治疗机器人中通过深度学习实现器官截面保留和跟踪的方法，以应对呼吸运动导致的器官位移问题	肾脏和肝脏器官，特别是在高强度聚焦超声治疗中的超声图像	计算机视觉	NA	高强度聚焦超声治疗，旋转扫描跟踪系统	深度学习模型	超声图像	6个数据集（5个用于初步准备，1个用于测试），包含从长轴图像到短轴图像的90度肾脏图像	NA	AEMA, AEMAD, AEMAD++	准确率，处理速度（FPS）	NA
14	2026-03-13	Improving instrument detection for a robotic scrub nurse using multi-view voting 2023-Nov, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-03002-0 PMID:37530904	研究论文	本文提出了一种基于多视角投票的方案，用于改进机器人手术护士的器械检测性能	结合训练好的器械检测器与基于实例的多视角投票方案，显著提升了检测准确性	NA	提高机器人手术护士在手术器械检测任务中的性能	手术器械	计算机视觉	NA	深度学习	Mask R-CNN	RGB图像, 点云	NA	PyTorch	Mask R-CNN	错误减少率	NA
15	2026-03-13	Deep-learning based classification of a tumor marker for prognosis on Hodgkin's disease 2023-Nov, European journal of haematology IF:2.3Q2 DOI:10.1111/ejh.14066 PMID:37549921	研究论文	本研究利用深度学习模型（YOLOv4）分析霍奇金病患者的全切片图像，评估picrosirius red染色纤维作为预后标志物的潜力	首次将YOLOv4深度学习模型应用于霍奇金病全切片图像，以picrosirius red染色纤维的弱染色程度作为预后指标进行自动分类和预测	样本量较小（仅83例），且picrosirius red染色作为预后设备的有效性尚不充分，需要进一步验证	评估基于深度学习的医学图像分类模型在预测霍奇金病临床结局中的应用，以辅助治疗决策	霍奇金病患者的FFPE活检标本（83例），根据qPET评分分层	数字病理学	霍奇金病	全切片图像扫描，picrosirius red染色，MMP9染色	CNN	图像	83例FFPE活检标本（训练集30例，评估集53例）	NA	YOLOv4	AUC	NA
16	2026-03-13	Deep learning study on the mechanism of edge artifacts in point spread function reconstruction for numerical brain images 2023-Nov, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-023-01862-9 PMID:37610591	研究论文	本研究通过深度学习对模糊的数值脑图像进行非盲去模糊处理，以获取无边缘伪影的图像，并基于空间频率特性探讨点扩散函数重建中边缘伪影的产生机制	利用深度学习中的深度图像先验进行非盲去模糊处理，避免了点扩散函数重建，并通过数值模拟深入分析边缘伪影的空间频率特性机制	研究基于理想化的二维平行光束投影数据和简化的大脑图像模型，未考虑实际成像中的其他退化因素，可能限制了结果的普适性	探究点扩散函数重建中边缘伪影的产生机制，并比较不同重建方法在空间频率特性和分辨率方面的表现	数值模拟的脑图像，包括灰质、白质和脑脊液区域	计算机视觉	NA	数值模拟，深度学习去模糊，点扩散函数重建	深度图像先验	图像	256×256矩阵的脑图像	NA	深度图像先验	恢复系数，空间频率特性，一维物体特定调制传递函数	NA
17	2026-03-13	Diagnosing evapotranspiration responses to water deficit across biomes using deep learning 2023-Nov, The New phytologist DOI:10.1111/nph.19197 PMID:37621238	研究论文	本研究利用深度学习分析不同生物群落中蒸散对水分亏缺的响应，揭示植被对干旱的敏感性	通过训练深度神经网络从通量测量中提取水分胁迫因子，首次系统量化了蒸散对累积水分亏缺的响应，并发现了标准地表模型未捕捉的多样化响应模式	研究依赖于通量测量数据，可能受站点代表性和数据质量的限制；模型简化了地下水分储存的表示	诊断不同生物群落中蒸散对水分亏缺的响应，以更好地理解植被对干旱的敏感性	不同生物群落（如稀树草原、草地、森林）的蒸散过程	机器学习	NA	通量测量	深度神经网络	通量测量数据	多个稀树草原、草地和森林站点	NA	深度神经网络	NA	NA
18	2026-03-13	MLACNN: an attention mechanism-based CNN architecture for predicting genome-wide DNA methylation 2023-Nov, Theory in biosciences = Theorie in den Biowissenschaften DOI:10.1007/s12064-023-00402-3 PMID:37648910	研究论文	本文提出了一种基于注意力机制的CNN架构MLACNN，用于预测全基因组DNA甲基化	引入基于注意力机制的瓶颈网络，结合三种编码方法进行特征融合，以学习更多有效特征并减少过拟合	未明确说明模型在特定生物环境或数据集外的泛化能力	开发深度学习模型以改进DNA甲基化预测	DNA序列及其甲基化状态	机器学习	NA	DNA甲基化预测	CNN	DNA序列	NA	NA	MLACNN	NA	NA
19	2026-03-13	Interindividual distances and orientations of laying hens under 8 stocking densities measured by integrative deep learning techniques 2023-Nov, Poultry science IF:3.8Q1 DOI:10.1016/j.psj.2023.103076 PMID:37742450	研究论文	本研究通过集成深度学习技术，测量了蛋鸡在不同饲养密度下的个体间距离和方向，以优化鸡群空间分配	首次将深度学习技术应用于蛋鸡个体间距离和方向的自动检测，并系统分析了8种不同饲养密度下的行为指标	研究仅针对特定品种（京粉蛋鸡）和年龄（35周龄），且实验环境为受控的隔间，可能无法完全反映实际养殖场条件	开发深度学习技术以自动测量蛋鸡的个体间距离和方向，并评估不同饲养密度对这些指标的影响	蛋鸡（京粉品种，35周龄）	计算机视觉	NA	深度学习图像分类、定向目标检测	CNN	视频	8种饲养密度（3-10只鸡/隔间），具体数量未明确	NA	YOLOv5m	准确率、精确率、召回率、F1分数	NA
20	2026-03-06	Deep learning-based dose prediction to improve the plan quality of volumetric modulated arc therapy for gynecologic cancers 2023-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.16735 PMID:37706560	研究论文	本文开发了一种基于深度学习的模型，用于预测妇科癌症患者容积旋转调强放疗（VMAT）计划的高质量三维剂量分布，并评估其在提升计划质量方面的实用性	首次将3D密集扩张U-Net模型应用于妇科癌症VMAT计划的剂量预测，并利用预测结果指导临床计划的再优化，以识别和改善可优化的计划	研究样本量较小（仅79个VMAT计划），且仅针对女性盆腔区域，模型在其他癌症类型或解剖部位的泛化能力尚未验证	开发深度学习模型以预测高质量剂量分布，并评估其驱动VMAT计划质量改进的实用性	妇科癌症患者的容积旋转调强放疗（VMAT）计划	数字病理	妇科癌症	容积旋转调强放疗（VMAT）	CNN	CT扫描图像、剂量处方、靶区和正常组织轮廓	79个VMAT计划（训练集47个，验证集16个，测试集16个）	NA	3D密集扩张U-Net	体素级剂量差异均值、靶区剂量指标D1%和D98%的百分比差异、危及器官平均和最大剂量差异、临床可接受性评分（5点量表）	NA