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	2026-07-15	Analyzing the impact of social security systems on video-based public health surveillance 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1684291 PMID:41929396	研究论文	提出一种结合社会保障系统影响的视频公共卫生监控框架，使用分层流行病学变换器（HET）和策略感知动态校准机制（PDCM）进行时空健康监测	首次将社会保障系统政策信号与视频监控数据结合，通过HET和PDCM实现动态校准预测，提升对早期流行病异常信号的敏感性	未明确说明跨区域政策差异对模型泛化能力的具体影响以及数据集中潜在的人口统计偏差	开发一种能够融合政策干预与人口行为的视频公共卫生监控框架，提升异常检测和短期预测的准确性和响应性	多个城市区域的视频公共卫生监控数据集及其对应的社会保障政策环境	计算机视觉	NA	视频监控	变换器	视频数据	多个城市区域的视频数据集	NA	分层流行病学变换器（HET）	异常检测灵敏度、短期预测准确性	低延迟推理，适用于实时部署
2	2026-07-13	"Patients Aren't Datasets": Generating Return on Investment via Automation, Responsibly 2025, Frontiers of health services management DOI:10.1097/HAP.0000000000000237 PMID:41292082	评论	探讨如何在医疗健康领域通过自动化技术（如机器学习、生成式AI和深度学习）负责任地实现投资回报	强调在利用患者数据进行AI训练以产生投资回报时需平衡数据隐私、合规性和风险管理的责任策略	未具体说明定量评估结果或技术方案的局限性，仅提出框架性讨论	分析AI和新兴技术在医疗健康中实现投资回报的责任策略，包括数据货币化、护理加速和成本降低	美国医疗健康系统中的自动化技术应用、患者数据及利益相关者	机器学习	非特定疾病	NA	机器学习模型、生成式AI模型、深度学习模型	患者数据	NA	NA	NA	投资回报率	NA
3	2026-07-10	Adaptive Time Encoding for Irregular Multivariate Time-Series Classification 2025, Advances in neural information processing systems PMID:42421990	研究论文	提出一种自适应时间编码方法，用于解决多变量时间序列不规则采样问题，提升分类性能	首次引入可学习参考点的潜在表示来捕捉不规则序列中的缺失模式，并结合一致性正则化整合时间与变量间信息	未明确提及局限性	解决多变量时间序列分类中不规则采样导致的性能下降问题	不规则多变量时间序列数据	机器学习	NA	自适应时间编码	NA	时间序列	NA	NA	NA	分类准确率, 计算效率	NA
4	2026-07-09	Generative AI for Diagnostic Medical Imaging: A Review 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056369157250212095252 PMID:41731736	综述	本文全面分析了生成式深度学习模型在诊断医学影像中的应用，探讨了其在提高诊断准确性、减少辐射暴露和改进数据处理方面的变革潜力	设计了多种专门用于医学影像的生成模型管线架构，包括增强型GAN配置及AE-GAN混合模型，以应对合成图像质量、时间序列处理和精准字幕生成等挑战	未提及具体局限性	综合评估生成式深度学习模型在医学诊断成像中的应用进展，推动更准确、可及和个性化的患者护理	诊断医学影像中的生成深度学习模型	计算机视觉	NA	NA	GAN, 自编码器, 扩散模型, 基于Transformer的模型	医学图像	NA	NA	ML-C-GAN, Temporal-GAN, Atten-AE, M3AE	NA	NA
5	2026-07-07	Towards unbiased skin cancer classification using deep feature fusion 2025-01-31, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-02889-w PMID:39891245	研究论文	介绍了SkinWiseNet（SWNet），一种用于皮肤癌检测和自动分类的深度卷积神经网络，通过多路径特征提取和特征融合提升效率并减少偏见	通过多路径特征提取和网络宽度增强优化特征提取，并引入特征融合以降低对深色皮肤或毛发过多患者的偏见	未提及具体的局限性	开发一种能够无偏检测和分类皮肤癌的深度学习模型	皮肤癌图像，包括良性和恶性类别	计算机视觉	皮肤癌	深度特征融合	卷积神经网络（CNN）	图像	四个数据集：Mnist-HAM10000、ISIC2019、ISIC2020和黑色素瘤皮肤癌	NA	SWNet	准确率、F1分数	NA
6	2026-07-07	Towards a decision support system for post bariatric hypoglycaemia: development of forecasting algorithms in unrestricted daily-life conditions 2025-01-20, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-02856-5 PMID:39833876	研究论文	基于线性与深度学习模型开发用于预测日常自由生活条件下胃旁路术后低血糖事件的决策支持系统	首次在真实日常自由生活条件下评估多种算法预测胃旁路术后低血糖事件的能力，并发现递归自回归模型优于深度学习方法	仅使用连续血糖监测数据作为单一输入，未纳入其他生理或行为参数；深度学习方法性能受限	开发短期预测胃旁路术后低血糖事件的决策支持系统	50名接受Roux-en-Y胃旁路术后出现低血糖的患者	机器学习	胃旁路术后低血糖	连续血糖监测	递归自回归模型, 深度学习模型	血糖时间序列数据	50名患者，每名患者监测最多50天	NA	递归自回归模型（rAR），深度学习模型（具体架构未指定）	精确率，召回率，F1分数，每日误报次数，时间增益	NA
7	2026-07-07	iMFP-LG: Identify Novel Multi-functional Peptides Using Protein Language Models and Graph-based Deep Learning 2025-01-15, Genomics, proteomics & bioinformatics DOI:10.1093/gpbjnl/qzae084 PMID:39585308	研究论文	提出基于蛋白质语言模型和图注意网络的iMFP-LG方法，用于识别多功能肽	将蛋白质语言模型与图注意网络结合用于多功能肽识别，优于现有方法，并具备可解释性	未提及性能泛化性验证或跨数据集测试的局限性	开发高效准确的多功能肽识别方法，促进肽相关药物设计	多功能肽（包括多功能生物活性肽和多功能治疗肽）	机器学习	NA	蛋白质语言模型、图注意网络	图注意网络	肽序列数据	UniRef90数据库中数百万已知肽，筛选出8个候选肽，其中1个经实验验证	PyTorch	图注意网络	准确率、精确率、召回率、F1分数	NA
8	2026-07-06	Cross-view discrepancy-dependency network for volumetric medical image segmentation 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103329 PMID:39236632	研究论文	提出跨视角差异-依赖网络（CvDd-Net）用于体素医学图像分割，通过利用多视角切片先验增强体素表征学习	提出跨视角差异-依赖网络，通过差异感知形态强化模块和依赖感知信息聚合模块，分别挖掘视角特异性形态信息和跨视角依赖关系	未提及明显限制	利用多视角信息提升体素医学图像分割性能	体素医学图像分割任务	数字病理学, 机器学习	甲状腺癌, 宫颈癌, 胰腺癌, 胶质瘤	医学图像分割	CvDd-Net	体素医学图像	四个医学图像数据集（甲状腺、宫颈、胰腺、胶质瘤）	PyTorch	CvDd-Net (差异感知形态强化模块, 依赖感知信息聚合模块)	准确率, 精确率, 召回率, F1分数, Dice系数	NA
9	2026-07-06	Deep unfolding network with spatial alignment for multi-modal MRI reconstruction 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103331 PMID:39243598	研究论文	提出一种带有空间对齐的深度展开网络用于多模态磁共振成像重建	将空间对齐任务自适应地嵌入到重建过程中，增强了两者互补性，并提升了框架的可解释性	现有方法未能将空间对齐与重建过程自适应集成，且框架可解释性弱	加速多模态磁共振成像采集过程，利用完全采样的参考模态从高度欠采的k空间数据中重建目标模态	多模态磁共振成像数据中的空间对齐与重建问题	计算机视觉	不适用	磁共振成像	深度展开网络	医学图像（MRI）	四个真实数据集	PyTorch	DUN-SA	重建性能（具体指标未提及）	未提及
10	2026-07-06	Mammography classification with multi-view deep learning techniques: Investigating graph and transformer-based architectures 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103320 PMID:39244796	研究论文	评估基于图与Transformer的多视图深度学习架构在乳腺钼靶分类中的表现	首次在中等规模数据集上系统比较Transformer和图网络与传统多视图卷积神经网络在弱监督条件下的性能和可解释性，揭示不同归纳偏置导致的互补优势	未使用像素级监督，对微小病灶检测仍具挑战；数据集中等规模可能限制泛化性	探索多视图深度学习架构在乳腺钼靶筛查中的自动分类与可解释性优化	乳腺钼靶四视图（头尾位和内外斜位）的影像数据	计算机视觉	乳腺癌	乳腺钼靶成像	视觉Transformer、图神经网络、卷积神经网络	影像	CSAW数据集（中等规模，具体样本数未提及）	PyTorch	ViT、图神经网络、多视图CNN	准确性、可解释性指标	NA
11	2026-07-06	ATEC23 Challenge: Automated prediction of treatment effectiveness in ovarian cancer using histopathological images 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103342 PMID:39260034	meta-analysis	总结ATEC23挑战赛中利用组织病理学图像预测卵巢癌治疗效果的方法评估	提出结合Cox比例风险分析和Kaplan-Meier生存分析评估预测模型作为患者选择指标的有效性，并强调多分辨率卷积模块在病理预测任务中的关键作用	当前MIL方法在预后分类任务中的局限性	开发基于组织病理学图像的自动化系统，预测卵巢癌患者对贝伐珠单抗治疗的疗效	卵巢癌患者组织病理学全切片图像（284张用于训练，180张核心组织图像用于测试）	digital pathology	ovarian cancer	NA	深度学习模型（如DCNN、MIL、Inception）	histopathological images	284张全切片图像（训练），180张核心组织图像（测试）	NA	DCNN, Inception	Cox比例风险分析, Kaplan-Meier生存分析	NA
12	2026-07-06	Low-dose computed tomography perceptual image quality assessment 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103343 PMID:39265362	研究论文	组织了低剂量CT感知图像质量评估挑战赛，引入了首个包含1000张CT图像及放射科医生评分的开源数据集，并对六种提交方法进行了全面分析	构建了首个开源CT图像质量评估数据集并组织挑战赛，探索了无参考图像质量评估方法超越全参考方法的潜力	未明确指出本文方法的局限性	开发更符合放射科医生感知的深度学习图像质量评估方法	低剂量CT图像的质量评估方法	计算机视觉	NA	CT成像	深度学习模型	图像	1000张CT图像	NA	NA	放射科医生评估分数	NA
13	2026-07-06	O-PRESS: Boosting OCT axial resolution with Prior guidance, Recurrence, and Equivariant Self-Supervision 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103319 PMID:39270466	研究论文	提出一种名为O-PRESS的新型计算方法，通过先验引导、循环机制和等变自监督学习，提升光学相干断层扫描（OCT）的轴向分辨率	将OCT物理建模与深度学习无缝集成，无需配对图像即可实现轴向分辨率实时增强，以自监督方式同时解决分辨率提升和噪声抑制两个任务	未明确说明局限性	突破光谱带宽物理限制，低成本提升OCT轴向分辨率并降低噪声	光学相干断层扫描（OCT）图像	计算机视觉	NA	OCT	深度递归神经网络	图像	NA	PyTorch	等变自监督网络、循环机制网络	量化指标、视觉评估、信噪比	NA
14	2026-07-06	Will Transformers change gastrointestinal endoscopic image analysis? A comparative analysis between CNNs and Transformers, in terms of performance, robustness and generalization 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103348 PMID:39298861	研究论文	比较卷积神经网络与Transformer在内窥镜图像分析中的性能、鲁棒性和泛化能力	首次系统性地比较Transformer与CNN在消化道内窥镜图像分析中的临床相关性能、泛化能力和鲁棒性，涵盖巴雷特食管肿瘤检测、结肠息肉分割和血管发育不良检测等多个应用场景	未提及具体的计算资源需求或训练时间比较，可能缺乏对实时处理性能的详细评估	评估并比较先进CNN与Transformer在消化道内窥镜图像分析中的性能、泛化能力和鲁棒性	巴雷特食管肿瘤检测、结肠息肉分割和血管发育不良检测	计算机视觉, 数字病理学	消化道疾病	内窥镜成像	CNN, Transformer	图像	训练集10208张图像（2079名患者），测试集7118张图像（998名患者），包含多个测试集	PyTorch	CNN, Transformer	准确率, 精确率, 召回率, F1分数, AUC, Dice系数	NA
15	2026-07-06	Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103307 PMID:39303447	研究论文	通过Medico 2020和MedAI 2021挑战赛验证结肠镜中息肉和器械分割方法的有效性	组织两届挑战赛，系统分析息肉与手术器械分割方法的进步；引入透明度评估机制，由胃肠病学专家评估可重复性、故障案例分析和消融研究	方法缺乏多中心和分布外测试；许多算法使用私有数据或闭源软件，可重复性不足	开发高效透明的结肠镜图像自动分析系统，减少息肉漏检率并提升诊断准确性	结肠镜图像中的息肉和手术器械分割方法，以及算法透明度与可解释性	医学图像分析	结直肠癌（癌前息肉）	深度学习	分割模型（术语未明确说明，如U-Net等）	图像（结肠镜视频帧）	2020年17个团队，2021年另有17个团队；具体图像数量未提及	NA	NA	Dice系数，平均交并比，透明度评分	NA
16	2026-07-06	Re-identification from histopathology images 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103335 PMID:39316996	研究论文	证明深度学习算法能从组织病理图像中以较高精度重新识别患者身份	首次证明即使是相对简单的深度学习算法也能在大型组织病理数据集中以较高精度重新识别患者身份，并系统比较了多种全切片图像分类器和特征提取器	未明确说明局限性	评估从组织病理图像重新识别患者身份的风险，以保护患者隐私	肺癌（肺鳞癌和肺腺癌）及脑膜瘤的组织病理切片	数字病理学	肺癌, 脑膜瘤	组织病理图像分析	深度学习（分类器和特征提取器）	图像（全切片图像）	TCIA数据集（肺鳞癌和肺腺癌）及内部脑膜瘤数据集	NA	全切片图像分类器及特征提取器	F值	NA
17	2026-07-06	Maxillofacial bone movements-aware dual graph convolution approach for postoperative facial appearance prediction 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103350 PMID:39332232	研究论文	提出一种基于双图卷积的术后面部外观预测模型，考虑面部表面几何和骨移动信息，实现更准确的预测	创新性地在欧几里得空间和测地空间构建面部网格双图，同时利用骨移动信息指导面部移动预测，并采用从粗到细的预测策略以提高鲁棒性	现有深度学习方法仅从面部点云学习特征，独立处理区域点，难以感知表面细节和拓扑结构，且单步预测易受弱监督训练影响产生扭曲预测	提高正颌手术后面部外观预测的准确性和计算效率	正颌手术患者的面部外观术后变化	计算机视觉	颌面疾病	NA	图卷积网络（GCN）	面部网格数据（点云）	真实临床数据（具体数量未提及）	PyTorch	双图卷积网络（Dual Graph Convolution）	定性评估和定量指标（具体指标未提及）	NA
18	2026-07-06	A Flow-based Truncated Denoising Diffusion Model for super-resolution Magnetic Resonance Spectroscopic Imaging 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103358 PMID:39353335	研究论文	提出一种基于流的截断去噪扩散模型用于磁共振波谱成像超分辨率重建	通过截断扩散链并使用归一化流网络估计截断步骤，大幅缩短采样过程，同时支持多尺度超分辨率、不确定性估计和锐度调整	NA	开发一种后处理方法，从低分辨率MRSI数据生成高分辨率MRSI，加快采样速度并提高图像质量	高分辨率磁共振波谱成像（MRSI）	机器学习	神经疾病	磁共振波谱成像（MRSI）	扩散模型与流模型	MRSI数据	25例高级别胶质瘤患者的H-MRSI数据集	PyTorch	去噪扩散模型（DDPM），归一化流网络	采样速度、图像质量评估（神经放射科医师评估）	NA
19	2026-07-06	PViT-AIR: Puzzling vision transformer-based affine image registration for multi histopathology and faxitron images of breast tissue 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103356 PMID:39378568	研究论文	提出一种基于视觉变换器的仿射图像配准深度学习管道，用于多组织病理学和乳腺组织传真图像的对齐	结合卷积神经网络和视觉变换器，通过拼图机制实现组织切片到宏观切片的同步配准与拼接，并采用合成单模态数据弱监督训练解决多模态真实数据限制	未在更大规模的多样化数据集上验证，且对组织变形和伪影的鲁棒性可能有限	实现放射学图像与组织病理学图像的自动配准，为乳腺癌诊断提供准确的标注数据	乳腺组织的传真图像和组织病理学图像	数字病理学	乳腺癌	NA	CNN-ViT混合模型	图像	未明确说明样本数量	PyTorch	CNN, Vision Transformer	平均标志点误差, 缝合距离	GPU（未指定具体型号）
20	2026-07-06	MUsculo-Skeleton-Aware (MUSA) deep learning for anatomically guided head-and-neck CT deformable registration 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103351 PMID:39388843	研究论文	提出一种基于肌肉骨骼感知的深度学习框架，用于头颈部CT图像的变形配准，通过分解骨骼与软组织的复杂运动提高配准精度和形变合理性	创新性地将复杂形变分解为整体姿势变化和残余精细形变，并利用多分辨率策略和非均匀形变约束实现解剖学引导的配准	未提及具体局限性，但可能对极端大形变或低质量图像效果有限	解决头颈部CT图像配准中骨骼与软组织联合多尺度运动导致的解剖不合理形变问题	头颈部CT图像中的骨骼结构和软组织区域	计算机视觉	NA	CT成像	深度学习形变配准网络	图像	未提及具体样本量	PyTorch（推测，因代码公开在GitHub）	未指定具体架构，但支持多种网络结构	配准精度、形变合理性	未提及