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	2026-08-23	[18F]FDG PET integrated with structural MRI for accurate brain age prediction 2024-10, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-06784-w PMID:38839623	研究论文	本文开发了一种基于[18F]FDG PET和结构MRI的双路径3D简单全卷积网络（Dual-SFCNeXt）用于预测脑年龄，并验证其提高预测准确性。	首次整合[18F]FDG PET和结构MRI的多模态数据，提出Dual-SFCNeXt双路径网络，显著提升脑年龄预测准确性。	样本量有限，且限于特定数据集，可能影响泛化能力；未提及计算资源的详细情况。	建立一种利用结构和代谢成像数据的深度学习方法来准确预测脑年龄。	正常对照、轻度认知障碍和阿尔茨海默病受试者。	计算机视觉, 深度学习	阿尔茨海默病	PET成像, MRI成像	CNN, 简单全卷积网络	图像（[18F]FDG PET和结构MRI）	395名正常对照（UMIDC）；438名正常对照、51名轻度认知障碍和56名阿尔茨海默病（ADNI）	NA	SFCNeXt, Dual-SFCNeXt	平均绝对误差（MAE）, 皮尔逊相关系数（r）	NA
22	2026-08-22	Deep learning can predict subgenome dominance in ancient but not in neo/synthetic polyploidized genomes 2024-10, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.16979 PMID:39133828	研究论文	利用深度学习构建两种卷积神经网络模型，预测多倍体基因组中的亚基因组优势，并探究其机制	首次将深度学习方法应用于预测亚基因组优势，并区分了古代与新生/合成多倍化过程中的不同预测能力，揭示了启动子序列分化在亚基因组优势中的关键作用	模型无法预测新生/合成多倍化中同源基因对的表达优势，可能受限于新多倍化事件的序列差异不足	探究亚基因组优势的潜在机制，并验证DNA序列与甲基化位点在预测亚基因组优势中的有效性	三个代表性多倍化系统（芸苔属、棉属和葫芦科）中的古代与新生/合成多倍化基因组	深度学习	NA	DNA序列分析、甲基化位点分析	卷积神经网络（CNN）	DNA序列数据、甲基化数据	三个多倍化系统，每个系统包含古代与新生/合成多倍化基因组，具体样本数量未提及	NA	二元表达模型（BEM）和同源对比模型（HCM）	预测准确性	NA
23	2026-08-21	Cough2COVID-19 detection using an enhanced multi layer ensemble deep learning framework and CoughFeatureRanker 2024-10-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76639-9 PMID:39448760	研究论文	提出Cough2COVID-19框架，利用咳嗽音频信号通过多层集成深度学习实现高效且非侵入的COVID-19检测。	引入多层集成深度学习框架和CoughFeatureRanker算法，从15个特征中选取最具判别性能的特征，提升检测准确性。	摘要中未提及明确局限性。	开发一种成本低、非侵入且可广泛获取的COVID-19检测方法，以替代传统PCR测试的限制。	咳嗽音频信号及其特征。	机器学习	COVID-19	音频信号分析	多层集成深度学习（MLEDL）框架	音频数据	未明确说明样本量。	未明确说明。	多层集成深度学习（MLEDL）框架，具体架构未明确。	特异性、灵敏度、准确率、AUC分数	未明确说明。
24	2026-08-20	A deep learning framework combining molecular image and protein structural representations identifies candidate drugs for pain 2024-10-21, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2024.100865 PMID:39341201	研究论文	本文提出了一种结合分子图像和蛋白质三维结构表示的深度学习框架LISA-CPI，用于预测化合物-蛋白质相互作用，并识别治疗疼痛的候选药物	创新性地将无监督深度学习分子图像表示（ImageMol）与基于AlphaFold2的算法（Evoformer）集成，用于化合物-蛋白质相互作用预测，并在平均绝对误差上比现有最优模型提升约20%	未明确提及局限性	开发一种可解释的深度学习框架，用于预测化合物-蛋白质相互作用，并识别治疗疼痛的潜在候选药物	104,969个配体和33个G蛋白偶联受体（GPCRs）的相互作用，以及可能的疼痛治疗药物和肠道微生物衍生代谢物	深度学习	疼痛	深度学习、分子图像表示、蛋白质结构预测	深度学习框架	分子图像和蛋白质三维结构数据	104,969个配体和33个GPCRs的实验相互作用数据	NA	ImageMol、Evoformer	平均绝对误差（MAE）	NA
25	2026-08-20	Local and global changes in cell density induce reorganisation of 3D packing in a proliferating epithelium 2024-10-15, Development (Cambridge, England) DOI:10.1242/dev.202362 PMID:38619327	研究论文	本研究利用活体成像和基于深度学习的图像分割技术，探究海星胚胎增殖上皮中细胞密度和增殖对三维包装重组的贡献，揭示scutoid形成的动力学机制。	结合活体成像、深度学习分割和物理压缩实验及计算模型，系统解析了细胞密度、组织压实和细胞增殖在scutoid形成中的相对作用，首次提出有丝分裂后出现的顶-基底穿插有助于容纳新细胞。	研究主要基于海星胚胎模型，其结论的普遍性需在其他物种或组织中验证，且未深入探讨scutoid形成的分子机制。	阐明增殖上皮中三维包装重组的动态变化，特别是scutoid形成的调控因素和机制。	海星胚胎的上皮组织，具体为增殖中的假复层上皮细胞。	计算机视觉、深度学习、发育生物学	不适用	活体成像、深度学习分割	深度学习分割模型（未具体指定类型）	图像（活体成像的三维共聚焦图像）	未明确说明，涉及海星胚胎的活体成像数据	未明确说明（可能使用PyTorch或TensorFlow等，但摘要中未提及）	未明确指定（可能基于U-Net等常见分割架构，但摘要中未提供）	未明确说明（可能包括分割准确性等，但摘要中未提及）	未明确说明
26	2026-08-19	Deep learning model with pathological knowledge for detection of colorectal neuroendocrine tumor 2024-10-15, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101785 PMID:39413732	研究论文	提出一种利用病理先验信息区分结直肠神经内分泌肿瘤和结直肠癌的深度学习方法，基于病理图像实现高准确率分类	利用病理形态学描述与图像块之间的相似性，仅选择2%的诊断相关图像块进行训练和推理，以提高效率并保持高准确率	未明确说明局限性，可能包括对外部数据集的泛化能力依赖等未提及细节	开发一种经济有效的深度学习模型，准确区分结直肠神经内分泌肿瘤与结直肠癌，以减少不必要的免疫组化检测并改善患者治疗	结直肠神经内分泌肿瘤和结直肠癌的病理图像	数字病理学	结直肠神经内分泌肿瘤	病理图像分析	深度学习模型	病理图像	内部数据集和两个外部数据集（具体样本数量未提供）	NA	NA	AUROC（受试者工作特征曲线下面积）	NA
27	2024-10-02	Deep learning sharpens vistas on biodiversity mapping 2024-10-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2416358121 PMID:39348547	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
28	2026-08-13	Classifying histopathological growth patterns for resected colorectal liver metastasis with a deep learning analysis 2024-10-29, BJS open IF:3.5Q1 DOI:10.1093/bjsopen/zrae127 PMID:39471410	研究论文	开发并验证了一种基于深度学习的神经图像压缩算法，用于自动区分结直肠癌肝转移的促结缔组织增生性和非促结缔组织增生性组织学生长模式	首次将神经图像压缩技术应用于结直肠癌肝转移的组织学生长模式自动分类，实现了高准确率的二分类，并在外部验证中保持稳定性能	未明确提及局限性，但可能包括单中心开发数据集的偏差、对全切片图像的依赖以及模型在不同染色或扫描仪下的泛化性问题	开发并验证一种自动化的深度学习算法，以客观、高效地评估结直肠癌肝转移的组织学生长模式，促进其在临床实践和研究中的应用	结直肠癌肝转移患者的数字化苏木精-伊红染色全切片图像	数字病理学	结直肠癌肝转移	数字病理图像分析	深度学习模型（神经图像压缩）	全切片图像	开发队列932例患者（3641张全切片图像），外部验证队列870张全切片图像	NA	神经图像压缩	曲线下面积、多变量风险比	NA
29	2026-08-11	Improved deep learning prediction of antigen-antibody interactions 2024-10-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2410529121 PMID:39361651	研究论文	本文评估了深度学习在预测抗原-抗体相互作用中的性能，通过两个基准测试预测SARS-CoV-2刺突蛋白受体结合域的特异性抗体	采用了三种不同的输入序列比对策略来预测抗原-抗体复合物结构，并发现利用已知抗原结合序列的策略在预测精度上优于其他方法	召回率较低（仅25%），且测试集有限，预测准确性仍有提升空间	提高抗原-抗体相互作用的预测准确性，并探索与单B细胞测序结合的潜力	SARS-CoV-2刺突蛋白受体结合域及其特异性抗体	自然语言处理	新冠	NA	深度学习模型	序列数据	初始测试集包含已知实验结构，后续测试集约1000个抗体	NA	NA	精确度、召回率、成功率	NA
30	2026-08-08	FCSSL: fusion enhanced contrastive self-supervised learning method for parallel MRI reconstruction 2024-10-14, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad6d28 PMID:39116910	研究论文	提出了一种融合增强的对比自监督学习（FCSSL）方法，用于并行MRI重建，无需全采样数据或线圈灵敏度图。	在对比学习框架中引入两对重新欠采样掩模策略，并设计了一种自适应融合网络，以自监督方式整合重建结果，提高了重建质量。	性能仍略低于监督方法，且对源域和目标域数据差异较大时需微调。	解决MRI成像中全采样数据获取困难或成本高的问题，实现高质量的并行MRI重建。	膝关节MRI数据，在不同欠采样掩模条件下进行重建。	医学图像重建	NA	MRI	对比学习、自监督学习	MRI图像	膝关节数据集（具体数量未在摘要中提及）	NA	自适应融合网络	重建性能（具体指标未提及）	NA
31	2026-08-08	Predicting prostate cancer grade reclassification on active surveillance using a deep learning-based grading algorithm 2024-10-01, Journal of the National Cancer Institute DOI:10.1093/jnci/djae139 PMID:38889303	研究论文	本研究利用深度学习分级算法AIRAProstate对前列腺癌主动监测患者的初始活检样本进行重新分级，验证其在预测癌症等级升级方面的临床价值	首次通过临床结局比较验证基于深度学习的癌症分级算法在前列腺癌风险分层中的效用	样本来自观察性队列，可能存在选择偏倚，且未明确考虑临床病理因素的综合影响	评估深度学习算法AIRAProstate对前列腺癌主动监测患者初始活检样本重新分级的预后预测价值	两个独立的主动监测队列，包括仅采用系统活检的GG1患者和采用磁共振成像引导活检的患者	数字病理学	前列腺癌	数字病理切片分析	深度学习模型（具体为AIRAProstate算法）	活检病理图像	138例（仅系统活检队列）和169例（磁共振成像引导活检队列）	NA	NA	比值比（odds ratio）、风险比（hazard ratio）、P值	NA
32	2026-08-07	Deep learning-based automatic contour quality assurance for auto-segmented abdominal MR-Linac contours 2024-10-25, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad87a6 PMID:39413822	研究论文	本研究开发并评估了基于3D卷积神经网络的自动轮廓质量保证模型，用于评估腹部MRI引导在线自适应放疗中深度学习自动分割的胰腺和十二指肠轮廓质量	首次在1.5T MR-Linac环境中针对腹部器官开发DL-based 3D ACQA模型，能够快速准确区分可接受和需编辑的轮廓，并有效识别假阳性和假阴性轮廓，支持自动轮廓校正和工具选择	仅针对胰腺和十二指肠轮廓，样本量较小，且依赖特定的分割工具和轮廓分类工具，可能限制模型的泛化性	开发并验证基于深度学习的3D自动轮廓质量保证模型，以促进腹部MRI引导在线自适应放疗中深度学习自动分割轮廓的临床接受	胰腺和十二指肠的自动分割轮廓及其质量评级	医学影像分析	腹部恶性肿瘤	NA	3D卷积神经网络	腹部磁共振图像	训练集包含103例腹部MRI，独立测试集包含34例腹部MRI	NA	3D CNN	准确率	NA
33	2026-08-07	PET image reconstruction using weighted nuclear norm maximization and deep learning prior 2024-10-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad841d PMID:39374634	研究论文	提出一种基于加权核范数最大化和深度学习先验的PET图像重建方法，以提高图像质量和噪声控制。	首次在PET图像重建中应用加权核范数最大化而非最小化，并利用神经网络抑制由此产生的噪声。	未指明具体局限性，但可能依赖于模拟和临床数据的有限验证。	改进PET图像重建的质量，实现更好的对比度与噪声权衡，并恢复图像细节。	PET图像重建问题，包括模拟和临床低剂量PET数据集。	计算机视觉	不适用	PET成像	神经网络	图像	模拟和临床数据集（具体数量未提供）	未提及	神经网络（具体架构未提及）	对比度、噪声、病变对比恢复	未提及
34	2026-08-07	Enhancing bone scan image quality: an improved self-supervised denoising approach 2024-10-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad7e79 PMID:39312947	研究论文	本研究提出一种改进的自监督去噪方法，以提高骨扫描图像质量，减少与临床标准的偏差	提出了一种改进的自监督去噪技术（iN2N），通过插值版本最小化深度学习去噪与全扫描图像之间的差异，并针对不同扫描时间进行训练，以提高骨扫描图像质量	未明确提及，但可能包括对特定扫描时间范围的依赖以及模型在极端噪声条件下的性能限制	提高骨扫描图像质量，减少深度学习去噪与临床标准的偏差，以增强诊断性能	351个全身骨扫描数据集	医学影像	骨骼疾病	深度学习去噪	自监督深度学习模型	医学图像	351个全身骨扫描数据集	未提及	N2N, N2F, iN2N	定量分析和临床评估	未提及
35	2026-08-07	Dual convolution-transformer UNet (DCT-UNet) for organs at risk and clinical target volume segmentation in MRI for cervical cancer brachytherapy 2024-10-18, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad84b2 PMID:39378904	研究论文	提出了一种名为DCT-UNet的双卷积-Transformer UNet模型，用于宫颈癌近距离放疗中MRI图像的危及器官和高风险临床靶体积的自动分割	设计了双路径编码器，结合卷积和Transformer模块，并采用尺寸自适应多模型方法处理HR-CTV的可变尺寸	未明确提及，但可能包括对特定数据集依赖和未进行外部验证	实现宫颈癌近距离放疗中MRI图像的OARs和HR-CTV的快速、准确自动分割	女性盆腔MRI图像中的膀胱、直肠、乙状结肠和HR-CTV	医学影像分析	宫颈癌	深度学习，MRI成像	DCT-UNet（卷积和Transformer结合的UNet）	MRI图像	未明确说明样本数量	PyTorch（推测）	DCT-UNet（双卷积-Transformer UNet架构）	Dice相似系数（DSC），均值±标准差	未明确说明，但代码可在GitHub上获取
36	2026-08-07	MFCA-MICNN: a convolutional neural network with multiscale fast channel attention and multibranch irregular convolution for noise removal in dMRI 2024-10-16, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad8294 PMID:39412243	研究论文	提出一种名为MFCA-MICNN的卷积神经网络，用于扩散磁共振成像（dMRI）图像去噪，通过多尺度快速通道注意力和多分支不规则卷积提升去噪性能	首次提出多尺度快速通道注意力机制，用于跨通道的高效多尺度特征提取与注意力权重计算；设计多分支不规则卷积架构以打破空间噪声相关性并捕获噪声特征；开发了在边缘和平坦区域均表现优越的新型损失函数	摘要中未提及明确的局限性	提高dMRI图像去噪性能，解决水分子自由扩散导致的信噪比降低问题，从而提升微结构数据的准确性和精确性	dMRI图像中的噪声去除，涉及脑组织微结构和白质纤维束重建	计算机视觉	NA	NA	卷积神经网络（CNN）	图像（dMRI图像）	NA	NA	多尺度快速通道注意力（MFCA）和多分支不规则卷积（MICNN）	定量指标（未明确列出具体指标）和定性评估	NA
37	2026-08-07	A dynamic approach for MR T2-weighted pelvic imaging 2024-10-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad8335 PMID:39362274	研究论文	本文提出一种动态方法用于MR T2加权盆腔成像，通过快速动态数据采集和基于深度平衡模型的未滚动重建技术，解决蠕动引起的运动伪影问题，无需患者准备。	引入互补采样轨迹的快速动态采集策略，实现高欠采样运动抵抗性数据采样，并利用基于深度平衡模型的未滚动方法进行图像重建，其定点收敛特性确保重建稳定性。	摘要中未明确提及研究的局限性。	解决盆腔T2加权成像中因蠕动引起的运动伪影和模糊问题，无需患者准备。	盆腔结构的MR T2加权成像，包括回顾性和前瞻性数据。	医学影像	不适用	MR成像，动态数据采集	深度平衡模型	图像	回顾性和前瞻性数据，具体数量未在摘要中提及	未提及	深度平衡模型	运动伪影减少和结构细节描绘的准确性，具体指标未在摘要中详述	未提及
38	2026-08-07	A comparative study on automatic treatment planning for online adaptive proton therapy of esophageal cancer: which combination of deformable registration and deep learning planning tools performs the best? 2024-10-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad80f6 PMID:39332445	研究论文	本研究比较了四种自动在线自适应质子治疗策略在食管癌中的应用效果，评估了变形图像配准和深度学习工具组合的性能。	首次在商用治疗计划系统中集成全自动在线自适应质子治疗策略，并比较不同组合的变形配准和深度学习分割及剂量预测工具的性能。	样本量较小（17名患者），且需要进一步调谐剂量模拟算法以提升DL-DEF和DL-DL的性能。	证明全自动在线自适应质子治疗策略在商用系统中的可行性，并确定最佳的组合策略，以促进临床实施。	食管癌患者的重复CT扫描数据，涉及器官分割、临床靶体积和剂量预测。	医学图像分析	食管癌	CT成像、变形图像配准	深度学习网络（nnU-Net）	CT图像	17名患者，每名患者有一次重复CT扫描	NA	nnU-Net	D98%, 通过率	NA
39	2026-08-07	Comparison of deep-learning multimodality data fusion strategies in mandibular osteoradionecrosis NTCP modelling using clinical variables and radiation dose distribution volumes 2024-10-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad8290 PMID:39357529	研究论文	比较不同深度学习多模态数据融合策略在利用临床变量和辐射剂量分布体积进行下颌骨放射性骨坏死NTCP建模中的应用	首次比较将图像数据纳入基于深度学习的NTCP模型的不同融合策略，并结合临床变量等低维数据	未明确提及	提出不同的多模态数据融合策略，以促进基于深度学习的NTCP研究	下颌骨放射性骨坏死病例和对照组	机器学习	放射性骨坏死	NA	3D DenseNet-40, 随机森林	临床数据, 影像数据（下颌骨剂量分布图）	92例骨坏死病例和92例对照组	NA	DenseNet-40	区分度, 校准度	NA
40	2026-08-07	Joint segmentation of tumors in 3D PET-CT images with a network fusing multi-view and multi-modal information 2024-10-07, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad7f1b PMID:39317235	研究论文	提出一种基于深度学习的MIEMFF-Net网络，用于三维PET-CT图像中肿瘤的联合分割，通过动态多模态融合和多视图信息增强策略提升分割性能	提出动态多模态融合策略以有效利用PET和CT的代谢和解剖信息，以及多视图信息增强策略以恢复上采样过程中的信息丢失，并引入多尺度空间感知块以减少多视图特征提取中的冗余干扰	未在摘要中明确提及限制	开发一种深度学习算法，以改进PET-CT图像中肿瘤的联合分割，解决现有方法在多模态融合和多视图信息利用方面的不足	三维PET-CT图像中的肿瘤	计算机视觉	肿瘤	NA	深度学习网络（具体为MIEMFF-Net）	图像（PET-CT）	使用Soft Tissue Sarcomas数据集和AutoPET数据集，但未提供具体样本数量	NA	MIEMFF-Net（包含动态多模态融合、多视图信息增强和多尺度空间感知块）	Dice系数、精确率、敏感性、IOU	NA