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	2026-09-05	Deep Learning Radiomics Nomogram Based on Multiphase Computed Tomography for Predicting Axillary Lymph Node Metastasis in Breast Cancer 2024-02, Molecular imaging and biology IF:3.0Q2 DOI:10.1007/s11307-023-01839-0 PMID:37563517	研究论文	本研究旨在开发和验证一种基于多期计算机断层扫描的深度学习放射组学列线图，用于预测乳腺癌患者的腋窝淋巴结转移。	将深度学习特征与放射组学特征结合，并利用多期CT数据构建列线图，以提高预测腋窝淋巴结转移的准确性。	样本量较小，且为单中心回顾性研究，可能限制模型的泛化能力。	开发和验证一种深度学习放射组学列线图，用于预测乳腺癌患者的腋窝淋巴结转移，以提供个体化治疗的信息。	196名经病理证实为非特异性浸润性乳腺癌的患者。	医学影像分析	乳腺癌	多期计算机断层扫描（CT）	支持向量机（SVM）	医学影像（CT图像）及临床数据	196例乳腺癌患者	NA	NA	受试者工作特征曲线下面积，校准曲线，决策曲线分析	NA
2	2026-09-05	Image Denoising of Low-Dose PET Mouse Scans with Deep Learning: Validation Study for Preclinical Imaging Applicability 2024-02, Molecular imaging and biology IF:3.0Q2 DOI:10.1007/s11307-023-01866-x PMID:37875748	研究论文	本研究提出了一种基于深度学习的图像去噪框架，用于降低微型PET小鼠扫描中的低剂量图像噪声，并通过视觉和定量评估验证其性能	将深度学习U-Net应用于低剂量微型PET图像去噪，并在多种示踪剂和体模上验证了其泛化能力	未提及明确的局限性，但可能受限于样本数量和数据多样性	评估深度学习去噪框架在低剂量微型PET图像中的适用性，以提高图像质量同时减少放射性剂量或扫描时间	36只小鼠的[18F]FDG PET扫描，以及NEMA-NU4体模和不同示踪剂（[18F]PSMA、[18F]FAPI、[68Ga]FAPI）研究	医学影像分析，深度学习	NA	PET成像，深度学习	U-Net	医学图像（PET扫描）	36只小鼠的PET扫描，和NEMA-NU4体模以及多种示踪剂研究	未提及	U-Net	视觉和定量比较，标准化摄取值（SUV）	未提及
3	2026-08-31	Flexible protein-protein docking with a multitrack iterative transformer 2024-02, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4862 PMID:38148272	研究论文	提出GeoDock，一种多轨道迭代Transformer网络，用于从独立的对接伙伴预测蛋白质-蛋白质对接结构，支持结合诱导的构象变化。	GeoDock采用多轨道迭代Transformer架构，不需要多序列比对输入，能够在残基级别灵活预测构象变化，速度快（单GPU下小于1秒），且在新标准DIPS测试集上取得了优于其他测试方法的成功率和速度。	在标准DIPS数据集中发现训练集存在同源污染，去污后成功率下降；在DB5.5和抗体验证集上，性能落后于大多数传统方法和AlphaFold-Multimer；结合诱导的构象变化仍因训练和评估数据有限而面临挑战。	开发一种快速、灵活、高成功率的蛋白质-蛋白质对接深度学习方法，克服传统采样重排和刚性对接的局限，以支持高通量结构预测和构象变化研究。	蛋白质-蛋白质复合物，包括DIPS测试集、DB5.5测试集和抗体-抗原复合物基准数据集。	机器学习	NA	NA	Transformer	蛋白质序列和结构	使用了DIPS、DB5.5和抗体-抗原复合物等数据集，具体样本数未提供	PyTorch	多头迭代Transformer网络（GeoDock）	成功率（top-1 success rate）、平均推理速度	单个GPU
4	2026-08-26	Sacroiliitis diagnosis based on interpretable features and multi-task learning 2024-02-16, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2010 PMID:38237177	研究论文	提出一种基于可解释特征和多任务学习的CT扫描图像骶髂关节炎阳性诊断算法	结合放射组学和深度学习的深度特征可视化方法，增强分级特征的可解释性，并采用多任务学习和五类标签以减少放射科医师评估差异	未明确提及	在CT扫描图像上实现骶髂关节炎的自动阳性诊断，并通过特征可视化提高临床可解释性	骶髂关节炎（强直性脊柱炎的早期表现）	计算机视觉	风湿性疾病（骶髂关节炎）	CT成像	U-Net	3D CT图像	私有数据集，具体样本量未明确	未明确提及	U-Net	准确率（准确度87.3%）	未明确提及
5	2026-08-26	Attenuation correction and truncation completion for breast PET/MR imaging using deep learning 2024-02-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2126 PMID:38252969	研究论文	本研究利用深度学习算法实现乳腺PET/MR成像的衰减校正和截断补偿，通过预测合成CT图像以提高PET图像质量。	首次提出仅从PET数据中恢复缺失解剖结构和提供骨信息的深度学习衰减校正方法，并评估了三种不同损失函数的U-Net模型在乳腺PET/MR中的性能。	样本量较小（23例），且仅针对侵袭性乳腺癌患者，可能限制了模型的泛化性。	建立一种基于深度学习的稳健衰减校正算法，用于乳腺PET/MR成像，以解决截断和骨信息缺失问题。	23名患有侵袭性乳腺癌的女性受试者，其PET/CT和PET/MR图像数据集中于乳腺区域。	医学影像分析、深度学习	乳腺癌	PET/MR成像、PET/CT成像、深度学习（卷积神经网络）	3D U-Net	医学图像（PET、CT、MR）	23名女性受试者	NA	U-Net	平均绝对误差（MAE）、峰值信噪比（PSNR）、归一化互相关、标准化摄取值（SUV）百分误差	NA
6	2026-08-26	Interactive segmentation of medical images using deep learning 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1cf8 PMID:38198729	研究论文	本文提出了一种基于深度学习的交互式医学图像分割方法，通过早期和晚期融合策略及解耦头结构提升分割性能，减少标注成本	提出早期融合和晚期融合策略以防止交互信息过早稀释，并设计解耦头结构结合边界损失函数来增强网络对边界信息的关注	本文未明确提及局限性	降低医学图像分割的标注成本，提高交互式分割的性能	医学图像，包括CT、MRI等影像数据	计算机视觉	不适用	深度学习，交互式分割	卷积神经网络（CNN）	图像	三个医学数据集：Chaos、VerSe和Uterine Myoma MRI	未明确提及	解耦头结构，早期融合和晚期融合的网络	NoC@80（IoU阈值为80%时的交互点击次数），IoU	未明确提及
7	2026-08-26	High-resolution MRI synthesis using a data-driven framework with denoising diffusion probabilistic modeling 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad209c PMID:38241726	研究论文	本研究提出了一种基于去噪扩散概率模型的数据驱动框架，用于从低分辨率MRI生成高分辨率图像，并在前列腺和脑肿瘤数据集上进行了验证。	首次将去噪扩散概率模型（DDPM）应用于MRI超分辨率任务，利用马尔可夫链前向过程和U-Net反向去噪，显著提高了图像质量，优于传统方法和CGAN。	研究仅基于回顾性数据，未进行前瞻性临床测试；未来需在不同临床适应症中验证框架的有效性。	开发一种深度学习的扩散概率框架，以提高MRI图像分辨率，从而减少扫描时间并改善临床工作流程。	T2加权MRI图像，包括机构前列腺患者图像和BraTS2020脑肿瘤患者图像。	计算机视觉	前列腺癌, 脑肿瘤	MRI成像	扩散概率模型（DDPM）, U-Net	图像	机构前列腺患者和脑肿瘤分割挑战赛2020（BraTS2020）的脑患者数据集，具体样本数量未指定。	未指定	U-Net	噪声质量度量（BLUR？），信噪比（SNR），峰值信噪比（PSNR），多尺度结构相似性指数（MS-SSIM）	未指定
8	2026-08-26	High-precision retinal blood vessel segmentation based on a multi-stage and dual-channel deep learning network 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1cf6 PMID:38198716	研究论文	提出一种多阶段双通道深度学习网络MSDC_NET，用于高精度分割眼底图像中的视网膜血管，特别是低对比度的微血管。	首次结合自适应图像增强策略与双通道多尺度感知模型，并通过后处理操作进一步提取微血管，显著提升低对比度薄血管的分割性能。	未提及具体局限性。	提高眼底图像中低对比度薄血管的分割精度，辅助眼科疾病的早期诊断。	视网膜血管，包括薄血管和微血管。	计算机视觉, 数字病理	眼部疾病（血管相关）	图像增强, 深度学习	CNN	眼底图像	三个公开数据集：DRIVE, STARE, CHASE_DB1（未提供具体样本数）	NA	多阶段双通道网络（MSDC_NET）	特异性, F-score	NA
9	2026-08-26	Interactive content-based image retrieval with deep learning for CT abdominal organ recognition 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1f86 PMID:38232396	研究论文	本研究提出了一种基于深度学习的交互式内容图像检索系统，用于腹部CT图像中七个器官的识别，并评估了不同架构的性能。	结合了预训练深度学习特征提取与CBIR系统，用于腹部CT器官自动识别，并比较了DenseNet、ViT和SwinViT架构的性能。	未在论文标题和摘要中明确提及局限性。	提出并评估一种基于深度学习的CBIR系统，用于自动化识别腹部CT切片中的七个关键器官，并提供临床相似性证据。	腹部CT切片中的七个器官：肝脏、胃、胰腺、脾脏、右肾、左肾和胆囊。	计算机视觉	NA	CT成像	DenseNet, ViT, SwinViT	图像	2827张腹部CT切片，包括638张肝脏、450张胃、229张胰腺、442张脾脏、362张右肾、424张左肾和282张胆囊组织。	NA	DenseNet, Vision Transformer (ViT), Swin Transformer v2 (SwinViT)	准确率, 检索结果	NA
10	2026-08-26	A cascade transformer-based model for 3D dose distribution prediction in head and neck cancer radiotherapy 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad209a PMID:38241717	研究论文	提出了一种基于级联Transformer的模型，用于头颈癌放疗中的三维剂量分布预测	创新的级联模型结合了Transformer编码器和多尺度卷积解码器，用于OARs分割和剂量预测，并在端到端联合训练中表现出优势	未明确提及，但使用内部数据集和公共数据集，可能缺乏多中心外部验证	提高头颈癌放疗中剂量分布预测的准确性和效率，减少人工规划的时间和主观性	头颈癌患者的CT影像和相应的剂量分布	计算机视觉, 数字病理学	头颈癌	NA	Transformer, 卷积神经网络（CNN）	图像	96例内部头颈癌患者和340例公共OpenKBP数据集患者	NA	Transformer, U-Net, 金字塔架构	Dice系数, HD95, 剂量分数, 剂量-体积直方图分数	NA
11	2026-08-25	Groundwater potential delineation using geodetector based convolutional neural network in the Gunabay watershed of Ethiopia 2024-02-01, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2023.117790 PMID:38036202	研究论文	该研究在埃塞俄比亚Gunabay流域应用基于地理探测器的卷积神经网络来划分地下水潜力区域	创新性地将地理探测器与卷积神经网络相结合，用于地下水潜力划分，提高了预测能力和准确性	未明确提及局限性	利用卷积神经网络基于主要影响因素划分地下水潜力，为水资源开发提供技术支持	Gunabay流域的地下水潜力	机器学习	不适用	不适用	CNN	地理空间数据	128个样本，其中70%用于训练，30%用于测试	不明确	卷积神经网络（CNN）	AUC，准确性	不明确
12	2026-08-23	Affine medical image registration with fusion feature mapping in local and global 2024-02-28, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2717 PMID:38324893	研究论文	本文提出了一种基于深度学习的粗到细全局与局部特征融合架构，用于快速的医学图像仿射配准，并采用无监督端到端训练方法	提出加权全局位置注意力机制融合全局和局部特征映射，以及融合回归器生成仿射参数，无需质心初始化，提高配准精度	未提及	实现实时且高精度的医学图像仿射配准算法	3D MRI脑图像，来自OASIS数据集，共414个样本	医学图像分析	不适用	深度学习	卷积神经网络	3D MRI图像	414个3D MRI脑图像	未提及	多尺度卷积核模块，加权全局位置注意力模块，融合回归器	配准精度，运行时间	未提及
13	2026-08-23	TdDS-UNet: top-down deeply supervised U-Net for the delineation of 3D colorectal cancer 2024-02-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad25c5 PMID:38306960	研究论文	设计了一种基于自顶向下深度监督的U-Net网络，用于自动且准确地描绘3D结直肠癌的模糊边界	提出TdDS方法，通过映射与阶段属性一致的ground truth来细化上下阶段的语义目标，引导模型学习从粗到细的描绘过程，逐渐缩小边界，提高模糊边界的描绘精度，并具有类似注意力机制的作用	未提及	自动准确地描绘3D结直肠癌的模糊边界	3D盆腔磁共振图像中的结直肠癌	计算机视觉	结直肠癌	磁共振成像（MRI）	U-Net	3D图像	共144个3D盆腔磁共振成像体积，其中训练103个，验证12个，测试29个	NA	U-Net	Dice相似系数（DSC）、豪斯多夫距离（HD）	NA
14	2026-08-23	Semi-supervised low-dose SPECT restoration using sinogram inner-structure aware graph neural network 2024-02-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2716 PMID:38324896	研究论文	本研究提出一种用于低剂量SPECT正弦图恢复的半监督框架，该框架利用正弦图内部结构感知的图神经网络，结合Mean Teacher半监督学习，以提升低剂量图像质量	创新点在于首次将正弦图内部结构感知引入低剂量SPECT恢复，设计了SSN-GNN和W-KNN-GNN模块，并采用半监督方法利用未标记数据	局限性在于数据集仅基于XCAT数字体模，未涉及真实临床数据，且未明确讨论计算资源的详细配置	开发一种新型的、利用正弦图内部结构的半监督框架，用于低剂量SPECT正弦图恢复，以降低辐射剂量而不牺牲图像质量	研究对象为XCAT数字体模生成的SPECT正弦图和重建图像，以及未标记的低剂量正弦图	医学影像	不适用	SPECT成像、深度学习	图神经网络	图像（正弦图和重建图像）	未明确说明具体样本数量，涉及XCAT数字体模数据集	未明确说明	UNet、图神经网络（SSN-GNN、W-KNN-GNN）	定量和定性指标，包括图像质量评估指标（如PSNR、SSIM等），具体指标未在摘要中列出	未明确说明
15	2026-08-23	Deep learning for head and neck semi-supervised semantic segmentation 2024-02-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad25c2 PMID:38306968	研究论文	本文提出了一种跨域正交一致性（CD-OPC）策略，用于头颈癌CT图像中器官风险区域的半监督语义分割，以缓解域偏移和确认偏差问题。	创新性地提出了跨域正交基于视角一致性策略，结合两分支协作训练框架和新的生成式预文本任务（跨域预测），促进子网络从无关视角学习特征。	摘要未提及具体局限性，可能需在全文进一步阐述。	利用未标注数据有效支持标注数据，以克服域偏移和确认偏差，提高头颈癌OAR分割的准确性和可靠性。	来自九个不同机构的头颈CT图像数据集，以及四个本地机构的数据集。	计算机视觉, 数字病理学	头颈癌	CT成像, 半监督学习	深度学习模型（具体架构未指定）	CT图像	九个机构的训练数据集和四个本地机构的验证数据集	NA	双分支网络（具体架构未指定）	性能指标未明确，通常包括Dice系数、准确性等，但此处未具体说明。	NA
16	2026-08-23	A spatially adaptive regularization based three-dimensional reconstruction network for quantitative susceptibility mapping 2024-02-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad237f PMID:38286013	研究论文	本文提出了一种基于空间自适应正则化的三维重建网络SAQSM，用于定量磁化率成像（QSM）的准确重建。	设计了空间自适应模块，并在不同分辨率下插入网络解码器，作为跨模态的正则化约束，以利用场和幅值数据调整特征图的尺度和偏移，修正信息丢失或偏差；网络编码采用动态感知初始化，增强对不同大小特征的检测能力。	未明确说明局限性，但从摘要看，可能包括对严重病变区域的稳定性仍需改进，以及需要更多临床验证。	解决QSM重建中的不适定逆问题，实现场位移（Hz）与磁化率值（ppm）之间的准确定量映射，减少磁化率伪影，提升重建精度和泛化能力。	健康志愿者的大脑数据、临床出血和模拟钙化幻影。	医学图像处理	神经系统疾病	定量磁化率成像（QSM）	深度学习网络	图像	未明确说明具体样本量，但包括健康志愿者、临床出血和模拟幻影数据。	NA	编码器-解码器结构，包含空间自适应模块和动态感知初始化	重建精度、伪影减少、稳定性、泛化能力（未指定具体指标）	NA
17	2026-08-23	UC-stack: a deep learning computer automatic detection system for diabetic retinopathy classification 2024-02-12, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad22a1 PMID:38271723	研究论文	提出一种基于深度学习的糖尿病视网膜病变自动检测与分级系统UC-stack，通过图像预处理、特征分割、特征提取和集成分类模块实现DR的早期检测和分级	结合对比度受限自适应直方图均衡化和高斯滤波的图像预处理技术，并融合特征分割模块、深度学习特征提取模块和集成分类模块，在多个视网膜图像数据库上展现出优越性能	未提及	开发一种自动化的糖尿病视网膜病变检测与分级系统，以减少对医生主观评估的依赖，提高诊断的一致性和可靠性	糖尿病视网膜病变患者的视网膜图像	计算机视觉, 数字病理学	糖尿病视网膜病变	光学成像	卷积神经网络, Swin Transformer	图像	四个视网膜图像数据库（APTOS 2019, Messidor, DDR, EyePACS）	NA	卷积神经网络, Swin Transformer	AUC, 二次加权Kappa评分, 九项性能评估指标	NA
18	2026-08-22	Data-driven modelling for assessing trophic status in marine ecosystems using machine learning approaches 2024-02-01, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2023.117755 PMID:38008200	研究论文	本文开发了一种基于机器学习和人工智能的新型营养状态指数评估工具，以提高沿海和过渡水域富营养化评估的可靠性和准确性	引入了改进的数据驱动方法，包括选择相关水质指标、计算ATSI分数和新的分类方案，并利用XGBoost等机器学习算法优化输入数据，减少冗余	未在摘要中明确提及局限性	提高海洋生态系统中营养状态评估的准确性，特别是在过渡和沿海水域	爱尔兰科克港及其他四个爱尔兰水体的营养状态	机器学习	NA	机器学习算法（包括XGBoost等十种算法）	XGBoost等机器学习模型	水质指标数据	四个不同的爱尔兰水体作为案例研究	NA	XGBoost	RMSE, MSE, MAE, R, Nash-Sutcliffe效率（NSE）, 模型效率因子（MEF）	NA
19	2026-08-21	Linear motifs regulating protein secretion, sorting and autophagy in Leishmania parasites are diverged with respect to their host equivalents 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011902 PMID:38363808	研究论文	本研究深入探索了利什曼原虫中三个关键靶向短线性基序系统及其受体，结合结构建模、进化序列差异和深度学习，揭示了它们与宿主对应物的差异，并构建了预测未表征蛋白质定位和功能的模型	首次系统性地揭示了利什曼原虫中分泌信号肽、ER滞留基序和自噬信号基序与其宿主对应物的分岐，并发现了富含Ala/Val的分泌信号肽和C端Asp-Leu-COOH的ER驻留蛋白等独特分子特征，这些特征可作为选择性抗利什曼病药物的潜在靶点	未提供具体实验验证或大规模数据集，具体样本大小和计算资源未描述，可能限制模型预测的泛化能力	通过进化、结构和深度学习分析，理解利什曼原虫中分泌、分选和自噬相关的短线性基序系统，并开发预测工具以识别潜在药物靶点	利什曼原虫中的分泌信号肽、ER滞留基序（KDEL）、自噬信号基序（与ATG8家族相互作用）及其受体	结构生物学、进化生物学、深度学习	利什曼病	结构建模、进化序列差异分析、深度学习	深度学习模型（具体类型未提及）	蛋白质序列和结构数据	未明确提及样本数量	NA	NA	NA	NA
20	2026-08-21	Denoising diffusion probabilistic models for generation of realistic fully-annotated microscopy image datasets 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011890 PMID:38377165	研究论文	本研究展示了去噪扩散概率模型能够通过无监督和直观的方法，以粗略的结构草图作为起点，生成完全标注的显微镜图像数据集。	提出了一种基于扩散模型的流水线，仅需粗略草图即可生成完全标注的显微镜图像，减少了深度学习方法中手动标注的依赖。	未明确提及局限性。	减少深度学习分割方法对手动标注数据的依赖，实现无需人工标注即可分割多样化数据集。	显微镜图像及相应的分割模型。	计算机视觉	不适用	不适用	去噪扩散概率模型	图像	不适用	不适用	不适用	准确率	不适用