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	2026-07-10	Automatic pipeline for segmentation of LV myocardium on quantitative MR T1 maps using deep learning model and computation of radial T1 and ECV values 2024-12, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5230 PMID:39097976	研究论文	提出一种基于深度学习模型的自动化流程，用于在定量T1图上分割左心室心肌并计算径向T1和ECV值	创新性地将深度学习分割模型应用于定量T1图，实现左心室心肌的自动分割及径向T1和ECV值的自动计算，为心血管疾病诊断提供客观辅助	未明确说明局限性	开发并验证基于深度学习的自动化流程，用于左心室心肌分割及径向T1和ECV计算，辅助心血管疾病诊断	左心室心肌及径向T1和ECV值	机器学习, 数字病理学	心血管疾病	T1 mapping, MRI	深度学习, U-Net, Deep Res U-Net	图像, MRI数据	332例受试者的多中心回顾性多参数MRI数据	NA	U-Net, Deep Res U-Net	Dice相似系数, t检验	NA
2	2026-07-10	Synthesis of higher-B0 CEST Z-spectra from lower-B0 data via deep learning and singular value decomposition 2024-12, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5221 PMID:39113170	研究论文	利用深度学习和奇异值分解从低场B0数据合成高场B0 CEST Z谱	首次提出从3T低场CEST数据合成9.4T高场Z谱的深度学习方法，结合奇异值分解捕获关键特征	模型通过模拟数据训练，可能无法完全覆盖实际临床中的复杂场不均匀性和噪声条件	开发从低场CEST数据合成高场Z谱的框架，以提高化学交换饱和转移MRI的特异性和定量能力	磷肌酸模型和伪在体模型的Z谱数据，包括磷肌酸体模、蛋清体模和活体大鼠脑	机器学习	不适用	CEST MRI	深度神经网络	Z谱（光谱数据）	7个磷肌酸管、3个蛋清管、3个大鼠脑切片	PyTorch	两个深度神经网络（DNN）及奇异值分解（SVD）模块	均方根误差（RMSE）、相关系数R	不适用
3	2026-07-10	Automatic deep learning segmentation of the hippocampus on high-resolution diffusion magnetic resonance imaging and its application to the healthy lifespan 2024-12, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5227 PMID:39136393	研究论文	提出一种基于深度学习的自动分割方法，直接在高分辨率扩散磁共振成像上分割海马体，并应用于健康寿命分析	通过在UNet和UNet++架构中引入额外的密集残差连接，实现了直接在高分辨率扩散图像上自动分割海马体，克服了传统方法因脑覆盖限制和对比度差异而无法自动分割的问题	需要在患者群体中进一步验证；当前仅基于健康参与者数据训练	开发一种自动分割海马体的深度学习方法，以支持大规模人群研究中的微结构变化分析	海马体在扩散磁共振成像上的自动分割及其与年龄相关的体积、各向异性分数和平均扩散率变化	数字病理学	NA	扩散张量成像	卷积神经网络	图像	训练集：100名健康参与者；评估集：53名典型健康参与者；验证集：第一队列153名参与者（年龄5-74岁），第二队列354名参与者（年龄5-90岁）	PyTorch	UNet, UNet++, 密集残差连接	Dice系数	NA
4	2026-07-05	Neural implicit surface reconstruction of freehand 3D ultrasound volume with geometric constraints 2024-12, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103305 PMID:39168075	研究论文	提出一种名为FUNSR的自监督神经隐式曲面重建方法，用于从自由手3D超声体积中学习符号距离函数	首次将自监督学习与几何约束（符号一致性约束和对抗学习中的表面约束）相结合，实现自由手3D超声体积的高质量曲面重建	未明确说明局限性，但隐式曲面重建在复杂噪声和运动干扰下的鲁棒性仍需进一步验证	解决自由手3D超声体积中因图像噪声导致的曲面重建质量低的问题，提高重建的平滑性、连续性和分辨率	四种不同解剖结构的超声数据集：髋部假体、两个血管数据集和一个公开的前列腺数据集	计算机视觉	NA	3D自由手超声	神经隐式曲面重建	3D超声体积	四个超声数据集（髋部假体、两个血管、一个公开前列腺）	PyTorch	FUNSR（自监督神经隐式曲面重建网络）	曲面质量、分割性能、噪声鲁棒性、运动扰动鲁棒性	NA
5	2026-07-05	Foundation models in gastrointestinal endoscopic AI: Impact of architecture, pre-training approach and data efficiency 2024-12, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103298 PMID:39173410	research paper	评估在胃肠道内镜图像分析中，使用领域内预训练相对于自然图像预训练的潜在优势	首次在大规模胃肠道内镜图像数据集GastroNet-5M上，比较自监督领域内预训练与各种自然图像预训练方法在下游任务中的性能，发现DINO框架的自监督领域内预训练效果最佳	未提及具体局限性	探究胃肠道内镜图像分析中领域内预训练相比自然图像预训练的潜在优势	胃肠道内镜图像分析中的下游任务，如血管发育不良检测和息肉分割	计算机视觉	胃肠道疾病	NA	CNN和Vision Transformer	图像	5,014,174张胃肠道内镜图像，来自8个医疗中心，下游任务使用5个数据集	PyTorch	ResNet50, Vision-Transformer-small	平均性能提升百分比	NA
6	2026-07-05	Domain adaptation strategies for 3D reconstruction of the lumbar spine using real fluoroscopy data 2024-12, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103322 PMID:39197301	研究论文	针对真实荧光透视数据，提出域适应策略用于腰椎三维重建，以克服合成训练数据与真实术中图像之间的域差距	设计新型数据收集协议构建配对数据集（合成与真实荧光图像），结合风格迁移与迁移学习缩小域差距；仅需三张术中荧光图像即可实现快速精确的三维重建	未在更大规模真实临床数据上验证，且对成像设置和视角依赖性需进一步优化	提升术中三维重建的实用性，推动手术导航在骨科手术中的广泛应用	腰椎的三维解剖结构重建	计算机视觉, 医学影像	骨科脊柱疾病	X光荧光透视成像	深度学习模型	合成与真实荧光图像	配对数据集（合成与真实图像），具体数量未明确提及	PyTorch	X23D	F1分数（84%）	81.1毫秒的计算时间，推测使用GPU加速，具体型号未说明
7	2024-09-10	Editorial for the Special Issue on the 2022 Medical Imaging with Deep Learning Conference 2024-12, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103308 PMID:39214771	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8	2026-07-04	Multidimensional morphological analysis of live sperm based on multiple-target tracking 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.02.025 PMID:39803335	研究论文	设计了一个基于多目标跟踪的深度学习算法框架，实现对运动活精子形态的多维非侵入性分析	改进FairMOT跟踪算法，将同精子头在相邻帧间的移动距离和角度以及检测框IOU值融入匈牙利匹配代价函数，并使用BlendMask和SegNet进行精子分割和形态组分分离	NA	实现精子进行性运动和形态的自动化检测，提升临床精子形态测试方法，推动辅助生殖技术发展	活精子样本	计算机视觉	NA	NA	深度学习	图像	从多家三级医院收集的1272份样本	NA	FairMOT, BlendMask, SegNet	形态学准确率	NA
9	2026-07-03	Autonomous detection of nail disorders using a hybrid capsule CNN: a novel deep learning approach for early diagnosis 2024-12-30, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02840-5 PMID:39736622	研究论文	提出一种混合胶囊CNN模型，用于自动识别六种指甲疾病，实现早期诊断	首次将混合胶囊CNN模型应用于指甲疾病分类，克服了传统CNN的空间层次缺陷，并通过动态路由增强对图像变换的鲁棒性	NA	开发基于深度学习的自动分类系统，用于早期诊断六种指甲疾病	六种指甲疾病：蓝指甲、杵状指、凹点、甲钩、肢端黑色素瘤和正常指甲	计算机视觉	指甲疾病	NA	混合胶囊CNN	图像	使用指甲疾病检测数据集，具体样本数未提及	NA	混合胶囊CNN、基础CNN	分类准确率、精确率、召回率	NA
10	2026-07-03	Target informed client recruitment for efficient federated learning in healthcare 2024-12-18, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02798-4 PMID:39696193	研究论文	提出一种基于本地硬件和目标分布信息的高效联邦学习客户端招募方法，用于医疗场景	将本地目标分布偏差、样本量和硬件效率整合到客户端代表性评估中，实现联邦学习子集招募，显著降低训练时间而不损害预测性能	可能依赖特定硬件环境，且需客户端提供本地分布信息，存在隐私泄露风险	优化联邦学习中的客户端选择和通信效率，减少训练时间和数据需求	医疗领域的回归和分类任务	机器学习	NA	NA	NA	NA	NA	NA	NA	预测性能、训练时间	NA
11	2026-07-03	Reduced-dose deep learning iterative reconstruction for abdominal computed tomography with low tube voltage and tube current 2024-12-18, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02811-w PMID:39696218	研究论文	研究深度学习迭代重建算法在低管电压和低管电流下减少腹部CT辐射剂量并提高图像质量的可行性	首次在低管电压（80 kV）和低管电流条件下应用深度学习迭代重建（Deep IR）算法，实现辐射剂量降低69.94%同时改善图像质量	研究样本量较小（60例患者），且未对比其他深度学习重建方法或更高管电压设置	验证Deep IR算法在低辐射剂量腹部CT中的临床应用价值	60例接受腹部门静脉期CT检查的患者	计算机视觉	NA	腹部CT扫描	深度学习迭代重建（Deep IR）	CT图像	60例患者（男/女：36/24，年龄57.72±10.19岁）	NA	深度学习迭代重建（Deep IR）	CT值标准差、信噪比、对比噪声比、主观评分（5分制）	NA
12	2026-07-03	Early prediction of mortality upon intensive care unit admission 2024-12-18, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02807-6 PMID:39696315	研究论文	开发和验证机器学习模型，在入住重症监护室时即预测成年危重患者的死亡率	首次在ICU入院时刻即利用机器学习模型预测死亡率，并对比了逻辑回归、梯度提升树和深度学习算法的性能	数据仅来自两家教学医院，可能影响泛化性；预测性能对于死亡率较低的群体仍有提升空间	早期预测危重患者ICU死亡风险	入住ICU的成年危重患者	机器学习	重症监护	NA	逻辑回归、梯度提升树、深度学习	表格数据	79,657次入院记录	NA	NA	AUC-ROC、AUC-PR	NA
13	2026-07-03	Application of deep learning in wound size measurement using fingernail as the reference 2024-12-18, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02778-8 PMID:39696347	研究论文	提出一种结合三个深度学习模型、以指甲为参照的自动伤口尺寸测量系统	以指甲作为参照物，无需手动描画伤口和参考标记，实现自动伤口尺寸测量，提升家庭护理场景的便捷性和可及性	未明确提及局限性，但可推测系统依赖于照片质量及指甲宽度转换准确性，可能受拍摄条件影响	开发一种快速、易用的自动伤口尺寸测量系统，改善慢性伤口护理中的用户体验	慢性伤口照片和指甲图像	计算机视觉	慢性伤口	深度学习	CNN（卷积神经网络）	图像	248张图像用于模型训练和评估，30名参与者用于用户体验分析	NA	Mask R-CNN, Yolov5, U-Net	Pearson相关系数, 平均精度均值, 交并比, 像素准确率	NA
14	2026-07-03	A prior-knowledge-guided dynamic attention mechanism to predict nocturnal hypoglycemic events in type 1 diabetes 2024-12-18, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02761-3 PMID:39696373	研究论文	提出了一种结合先验知识引导的动态注意力机制的深度学习框架，用于预测1型糖尿病患者的夜间低血糖事件	提出了先验知识引导的动态注意力机制，增强了网络的学习能力和可解释性，实现了从多尺度多维数据中全面提取信息	仅使用一个公开临床数据集进行验证，可能限制了模型的泛化能力和在不同人群中的适用性	通过深度学习框架改进夜间低血糖事件的预测准确性和实用性	1型糖尿病患者的夜间低血糖事件	机器学习	1型糖尿病	NA	深度学习	临床数据	一个公开临床数据集	NA	动态注意力机制	F1分数	NA
15	2026-07-03	Deep caries detection using deep learning: from dataset acquisition to detection 2024-12-02, Clinical oral investigations IF:3.1Q1 DOI:10.1007/s00784-024-06068-5 PMID:39621193	研究论文	提出基于深度学习的龋齿检测方法，利用最新YOLO模型从图像数据集中学习以提升早期龋齿诊断的准确性	首次将YOLOv7、YOLOv8和YOLOv9应用于龋齿检测，通过对比分析展示YOLOv8的最高性能（mAP@0.5为0.982），并强调其在资源受限环境中的临床潜力	仅依赖3200余张图像数据集，未提及外部验证或跨人群泛化性评估，且模型对早期龋齿的灵敏度未明确分析	通过深度学习技术提高龋齿早期检测的准确性和效率，特别是在低收入和中等收入国家中减少未治疗龋齿带来的健康负担	牙科龋齿病变，包括普通龋齿、深龋及排除类别	计算机视觉	龋齿	NA	卷积神经网络（CNN-based目标检测）	口腔X线图像（咬翼片）	超过3200张牙科X线图像	PyTorch	YOLOv7, YOLOv8, YOLOv9	平均精度均值（mAP@0.5 IoU）	NA
16	2026-07-01	All-Atom Protein Sequence Design Based on Geometric Deep Learning 2024-12-09, Angewandte Chemie (International ed. in English) DOI:10.1002/anie.202411461 PMID:39295564	研究论文	介绍GeoSeqBuilder，一个整合蛋白序列生成与侧链构象预测的深度学习框架	首次将蛋白序列生成与侧链构象预测整合为端到端框架，利用空间几何特征显式包含相邻残基的三体相互作用	需要进一步测试以验证广泛适用性	设计针对特定蛋白主链的序列，生成全原子结构	蛋白序列与侧链构象	机器学习	NA	深度学习	深度学习框架	蛋白结构数据	15个测试序列（硫氧还蛋白和三螺旋束蛋白）	PyTorch	GeoSeqBuilder	天然残基回收率、热稳定性、晶体结构匹配度、酶活性	NA
17	2026-07-01	Société de Biomécanique young investigator award 2023: Estimation of intersegmental load at L5-S1 during lifting/lowering tasks using force plate free markerless motion capture 2024-12, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2024.112422 PMID:39579592	研究论文	使用无力板无标记运动捕捉系统估算L5-S1关节在举升/降低任务中的节段间负荷	首次采用多视角无标记运动捕捉系统结合深度学习进行L5-S1关节负荷估算，无需力板，并与基于标记和力板的参考方法进行了严格对比	需要在真实工业条件下进行进一步验证	准确估算举升/降低任务中的L5-S1关节负荷，以理解肌肉骨骼疾病的发病机制	L5-S1关节的净力和力矩	计算机视觉	肌肉骨骼疾病	无标记运动捕捉	深度学习	图像	多名受试者	NA	NA	平均差异、峰值差异	NA
18	2026-07-01	Machine Learning-Based Prediction Model for ICU Mortality After Continuous Renal Replacement Therapy Initiation in Children 2024-12-01, Critical care explorations DOI:10.1097/CCE.0000000000001188 PMID:39688905	研究论文	利用机器学习技术预测接受持续肾脏替代治疗（CRRT）的儿童及年轻成人患者ICU及院内生存率的模型开发与验证	首次针对儿童和年轻成人CRRT患者开发机器学习模型预测ICU及院内生存率，并评估了多种算法（如随机森林、逻辑回归）的性能差异	研究受限于回顾性设计、样本量有限（933例）、输入变量范围不足，且未进行深度特征选择或使用深度学习算法	开发并验证基于机器学习的预测模型，用于帮助临床决策，识别儿童CRRT患者中高死亡风险群体	2015-2021年接受CRRT的急性肾损伤和/或容量超负荷的25岁以下患者（共933例）	机器学习	急性肾损伤	NA	逻辑回归、决策树、随机森林、梯度提升机、支持向量机	临床数据（包括实验室指标、疾病评分、诊断信息等）	933例患者（中位年龄8.97岁，54%男性）	NA	随机森林、逻辑回归（L2正则化）、支持向量机（线性核）	AUROC, AUPRC	NA
19	2026-06-30	Pupillometry as a biomarker of postural control: Deep-learning models reveal side-specific pupillary responses to increased intensity of balance tasks 2024-12, Psychophysiology IF:2.9Q1 DOI:10.1111/psyp.14667 PMID:39135357	研究论文	本研究通过瞳孔测量和深度学习模型，探索了平衡任务强度增加时瞳孔直径的侧别特异性变化，并将其作为姿势控制的生物标志物	首次研究了平衡任务强度增加对瞳孔直径的影响，并发现侧别特异性瞳孔反应，这可能与姿势控制的高级处理有关	未提及	分析平衡任务强度增加时稳态瞳孔直径的差异，并确定是否存在侧别特异性变化	48名健康受试者在不同难度平衡任务中的瞳孔直径变化	机器学习	NA	瞳孔测量术	深度学习神经网络	瞳孔直径数据	48名健康受试者	NA	深度学习神经网络	NA	NA
20	2026-06-30	Deep learning-aided respiratory motion compensation in PET/CT: addressing motion induced resolution loss, attenuation correction artifacts and PET-CT misalignment 2024-12, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-06872-x PMID:39136740	研究论文	提出一种基于深度学习的统一数据驱动呼吸运动校正方法，用于解决PET/CT成像中的分辨率损失、衰减校正伪影和PET-CT配准错误	首次实现统一的深度学习解决方案，同时补偿PET运动模糊、PET-CT衰减失配伪影以及PET与CT的配准错误	未提及具体限制	解决胸腔和腹部PET/CT成像中呼吸运动引起的图像质量下降问题	使用uMI Panorama PET/CT扫描仪采集的737名[18F]FDG PET/CT患者数据	计算机视觉	NA	PET/CT成像, 深度学习神经网络	深度学习神经网络	图像	737名患者（其中99名患者有呼吸监测设备数据，638名用于训练）	NA	NA	SUVmax, SUVmean	NA