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
41	2026-01-03	Intrapartum electronic fetal heart rate monitoring to predict acidemia at birth with the use of deep learning 2025-Jan, American journal of obstetrics and gynecology IF:8.7Q1 DOI:10.1016/j.ajog.2024.04.022 PMID:38663662	研究论文	本研究应用深度学习技术开发并验证了一个模型，用于从产时电子胎心监护数据中预测胎儿酸血症	首次将深度学习技术应用于产时电子胎心监护数据分析，以预测胎儿酸血症，提高了复杂数据处理和模式识别能力	数据存在缺失情况（部分文件缺失超过30%），且仅基于单一医疗系统的数据，外部验证仅使用了一个公开数据库	开发并验证一个基于深度学习的模型，用于从电子胎心监护数据中预测胎儿酸血症，以提高监测准确性	产时电子胎心监护数据和对应的脐带血气结果	机器学习	胎儿酸血症	电子胎心监护	深度学习	电子胎心监护数据	最终数据集包含10,182个时间戳在最后电子胎心监护读数30分钟内的匹配记录	NA	NA	AUC, 敏感性, 特异性, 阳性预测值	NA
42	2026-01-03	Artificial intelligence-driven automated lung sizing from chest radiographs 2025-Jan, American journal of transplantation : official journal of the American Society of Transplantation and the American Society of Transplant Surgeons IF:8.9Q1 DOI:10.1016/j.ajt.2024.08.015 PMID:39182615	研究论文	本研究开发了一种基于深度学习和计算机视觉的自动化系统，用于从便携式胸部X光片中生成标准化的肺部尺寸测量，以改善肺移植中的供体-受体尺寸匹配	首次提出结合深度学习与计算机视觉的自动化肺部尺寸测量系统，能够从包含技术挑战（如实变、积液、患者旋转）的X光片中生成6种不同的肺部高度和宽度测量值	需要在更大规模的队列中进行验证	开发自动化系统以改善肺移植中的供体-受体尺寸匹配	肺移植受者的胸部X光片	计算机视觉	肺移植	胸部X光成像	深度学习	图像	50名肺移植受者的胸部X光片	NA	NA	测量误差（百分比和毫米）、评估者间一致性、评估者内一致性	NA
43	2026-01-03	CineVN: Variational network reconstruction for rapid functional cardiac cine MRI 2025-Jan, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30260 PMID:39188085	研究论文	本文提出了一种名为CineVN的变分网络重建方法，用于快速功能心脏电影MRI，旨在实现高时空分辨率和低时间模糊	结合时空变分网络与共轭梯度下降，优化数据一致性并提升图像质量，在实时心脏电影MRI中实现高时空分辨率	NA	开发一种高度加速的心脏电影MRI重建方法，以准确评估心室容积和心肌应变	健康受试者和心脏病患者	医学影像	心血管疾病	电影MRI	变分网络	图像	18名健康受试者和46名患者	NA	变分网络	图像质量指标、心室容积、心肌应变参数	NA
44	2026-01-03	Automated MRI-based segmentation of intracranial arterial calcification by restricting feature complexity 2025-Jan, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30283 PMID:39221515	研究论文	本文开发了一种基于MRI的自动深度学习模型，用于颅内动脉钙化的分割和检测	提出了一种在变分自编码器框架下的新型深度学习模型，并引入了一种理论基础的差异损失函数，以优化从MRI提取的网络特征并限制其复杂性，从而学习更具泛化能力的MRI特征，提高分割准确性和检测钙化的鲁棒性	NA	开发自动深度学习模型，用于MRI上颅内动脉钙化的分割和检测	颅内动脉钙化	计算机视觉	心血管疾病	MRI	变分自编码器	图像	113名受试者	NA	NA	Dice相似系数, 精确率-召回率曲线下面积, 95% Hausdorff距离, 平均对称表面距离, F1分数, 召回率, 精确率	NA
45	2026-01-03	A Flow-based Truncated Denoising Diffusion Model for super-resolution Magnetic Resonance Spectroscopic Imaging 2025-Jan, 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（FTDDM），用于磁共振波谱成像（MRSI）的超分辨率重建	通过截断扩散链缩短扩散过程，并使用基于归一化流的网络估计截断步骤，从而在保持生成质量的同时显著加速采样过程（比基线扩散模型快9倍以上），并支持多尺度超分辨率、不确定性估计和锐度调整	研究仅基于25名高级别胶质瘤患者的H-MRSI数据集进行训练和评估，样本量相对有限，且未明确说明模型在其他疾病类型或更大规模数据上的泛化能力	开发一种高效的后处理方法来从低分辨率MRSI数据生成高分辨率图像，以克服实际采集中的时间和灵敏度限制	磁共振波谱成像（MRSI）数据，特别是用于研究神经系统疾病、癌症和糖尿病代谢变化的图像	医学影像分析	胶质瘤	磁共振波谱成像（MRSI）	扩散模型, 归一化流	医学影像（MRSI图像）	25名高级别胶质瘤患者的H-MRSI数据集	NA	Flow-based Truncated Denoising Diffusion Model (FTDDM)	神经放射科医生评估, 采样速度比较, 图像质量（准确性、质量）	NA
46	2026-01-03	Classification of psychosis spectrum disorders using graph convolutional networks with structurally constrained functional connectomes 2025-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106771 PMID:39383678	研究论文	本文探讨了使用图卷积网络和结构约束的功能连接组对精神病谱系障碍进行分类的问题	采用图卷积网络处理精神病谱系障碍的分类任务，结合MultiVERSE算法生成网络嵌入，并识别了右顶下皮层PGi区域作为网络枢纽	分类准确率仅略高于63%，表明模型性能仍有提升空间，且样本可能未覆盖所有精神病谱系变体	区分精神病谱系障碍个体（包括亚综合征精神病样体验者和健康对照）	包含亚综合征精神病样体验者、可诊断障碍患者及健康对照的多样化精神病谱系条件数据集	机器学习	精神病谱系障碍	脑网络特征分析，MultiVERSE网络嵌入算法	支持向量机，图卷积网络	功能连接组，结构网络	NA	NA	图卷积网络	准确率	NA
47	2026-01-03	MUsculo-Skeleton-Aware (MUSA) deep learning for anatomically guided head-and-neck CT deformable registration 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103351 PMID:39388843	研究论文	本文提出了一种名为MUSA的深度学习框架，用于头颈部CT图像的可变形配准，通过结合多分辨率策略和骨骼与软组织之间的非均匀变形约束来提高配准精度和变形合理性	MUSA框架创新性地将复杂变形分解为整体姿态变化和残余精细变形，并利用骨骼结构引导软组织变形，解决了头颈部异质组织区域大变形配准的挑战	未明确说明框架在极端变形或不同成像模态下的泛化能力，且代码虽将公开但尚未提供实际应用验证	开发一种解剖学引导的深度学习可变形图像配准方法，以改善头颈部CT图像在异质组织和大变形情况下的配准性能	头颈部CT图像，特别是涉及多尺度肌肉骨骼运动和软组织变形的区域	计算机视觉	NA	深度学习可变形图像配准	深度学习网络	CT图像	NA	NA	NA	配准精度, 变形合理性	NA
48	2026-01-03	HAGMN-UQ: Hyper association graph matching network with uncertainty quantification for coronary artery semantic labeling 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103374 PMID:39413456	研究论文	本文提出了一种结合超图关联图匹配网络与不确定性量化的创新方法，用于冠状动脉血管的语义标注	首次将超图表示与不确定性量化引入冠状动脉血管图匹配任务，以建模高阶关联并提升匹配的鲁棒性与推理速度	未明确说明模型在复杂病变或图像质量较差情况下的泛化能力	开发一种高效准确的冠状动脉血管语义标注方法，以辅助CAD诊断与狭窄检测	冠状动脉血管分支	计算机视觉	心血管疾病	侵入性冠状动脉血管造影	图神经网络	图像	NA	NA	超关联图匹配网络	准确率	NA
49	2026-01-03	Achieving accurate prostate auto-segmentation on CT in the absence of MR imaging 2025-Jan, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110588 PMID:39419353	研究论文	本研究探索了一种基于深度学习的方法，在缺乏磁共振成像的情况下，仅使用计算机断层扫描实现前列腺自动分割，以达到接近磁共振成像的精度水平	提出了一种基于CT-MRI配准分割的增量学习策略，显著提升了仅使用CT输入的前列腺分割准确性，特别是在前列腺尖部区域	研究样本量相对较小（共111例患者），且依赖于CT-MRI配准数据作为参考轮廓，可能受配准误差影响	研究在缺乏磁共振成像的情况下，通过深度学习模型实现仅基于计算机断层扫描的前列腺自动分割，以达到磁共振成像级别的精度	111例接受确定性前列腺放射治疗的患者，包括CT和MRI图像	数字病理学	前列腺癌	CT-MRI配准，深度学习	深度学习模型	医学图像（CT和MRI）	111例患者（训练集37例，验证集20例，测试集54例）	NA	NA	Dice相似系数，95%定向豪斯多夫距离	NA
50	2026-01-03	Combining Biology-based and MRI Data-driven Modeling to Predict Response to Neoadjuvant Chemotherapy in Patients with Triple-Negative Breast Cancer 2025-01, Radiology. Artificial intelligence DOI:10.1148/ryai.240124 PMID:39503605	研究论文	本研究结合基于生物学的数学模型和深度学习，利用新辅助化疗前的MRI数据预测三阴性乳腺癌患者的治疗反应	将基于生物学的数学模型与基于MRI数据驱动的深度学习模型相结合，用于预测肿瘤对新辅助化疗的时空演变	回顾性研究，样本量有限（118例患者），模型性能在预测手术时肿瘤状态的AUC为0.72，仍有提升空间	预测局部晚期三阴性乳腺癌患者对新辅助化疗的治疗反应	三阴性乳腺癌患者	数字病理学	乳腺癌	MRI	CNN	图像	118名女性患者（中位年龄51岁，范围29-78岁）	NA	卷积神经网络	一致性相关系数, AUC	NA
51	2026-01-03	SCIseg: Automatic Segmentation of Intramedullary Lesions in Spinal Cord Injury on T2-weighted MRI Scans 2025-01, Radiology. Artificial intelligence DOI:10.1148/ryai.240005 PMID:39503603	研究论文	开发了一个名为SCIseg的深度学习工具，用于在T2加权MRI扫描上自动分割脊髓损伤中的脊髓和髓内病变	提出了一个开源深度学习模型SCIseg，能够处理不同扫描仪、分辨率、方向和病因的多样化MRI数据集，并自动提取临床相关的病变特征	研究为回顾性设计，模型性能在病变分割上的Dice分数（0.61）仍有提升空间	开发用于脊髓损伤中髓内病变自动分割的深度学习工具	脊髓损伤患者的T2加权MRI扫描	数字病理学	脊髓损伤	T2加权MRI	CNN	图像	191名患者	NA	NA	Dice分数	NA
52	2026-01-03	Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: A data-driven approach for improved classification 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103383 PMID:39546982	研究论文	本文提出了一种名为MAPLEZ的新方法，利用本地可执行的大型语言模型来提取和增强胸部X光报告的标签，以提高分类性能	MAPLEZ方法不仅提取二元存在标签，还提取位置、严重性和放射科医生不确定性的多类型注释，相比传统规则系统或监督模型，在标签质量和适应性上有所创新	NA	改进胸部X光图像分析中的标签提取和分类监督方法	胸部X光报告和图像	计算机视觉	NA	大型语言模型	LLM	文本（报告）、图像（胸部X光）	NA	NA	NA	宏F1分数, AUROC	NA
53	2026-01-03	Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images 2025, Machine learning in medical imaging. MLMI (Workshop) DOI:10.1007/978-3-031-73290-4_12 PMID:39554756	研究论文	本文提出了一种名为SPI-CorrNet的统一模型，用于从稀疏医学图像数据中预测三维对应关系，以改进统计形状建模的准确性和鲁棒性	利用教师网络正则化特征学习，并量化数据依赖的偶然不确定性，以处理稀疏或低质量成像数据	未明确讨论模型在更广泛解剖结构或不同成像模态下的泛化能力	开发一种直接从稀疏未分割医学图像中推断统计形状建模的方法，以简化流程并提高临床适用性	左心房（来自LGE MRI数据集）和肝脏（来自Abdomen CT-1K数据集）的解剖结构	计算机视觉	心血管疾病	深度学习	神经网络	图像	NA	NA	SPI-CorrNet	准确性, 鲁棒性	NA
54	2026-01-03	Overcoming the preferred-orientation problem in cryo-EM with self-supervised deep learning 2025-Jan, Nature methods IF:36.1Q1 DOI:10.1038/s41592-024-02505-1 PMID:39558095	研究论文	本文开发了一种名为spIsoNet的自监督深度学习软件，用于解决冷冻电镜单颗粒分析中的粒子取向偏好问题	首次提出端到端的自监督深度学习解决方案，利用偏好取向视图恢复欠采样视图的分子信息，无需额外的样本制备程序	未明确说明算法在极端取向偏差情况下的性能边界	解决冷冻电镜单颗粒分析中的粒子取向偏好问题，提高三维重建的精度	核糖体、β-半乳糖苷酶、血凝素三聚体等生物大分子复合物	计算结构生物学	NA	冷冻电镜单颗粒分析、亚断层图平均	深度学习	冷冻电镜图像、三维分子密度图	多个代表性生物系统数据集（包括先前难以处理的血凝素三聚体数据集）	NA	NA	角度各向同性、粒子对齐精度	NA
55	2026-01-03	Explainable Deep Learning Approaches for Risk Screening of Periodontitis 2025-Jan, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345241286488 PMID:39563207	研究论文	本研究利用可解释人工智能技术，基于NHANES数据开发深度学习模型，用于牙周炎的早期风险筛查和诊断分析	首次将可解释人工智能技术应用于牙周炎的早期筛查，通过LIME方法提供个体化风险评估并识别关键关联因素	研究数据来源于NHANES调查，可能存在选择偏倚；预处理后样本量减少可能影响模型泛化能力	开发基于可解释人工智能的牙周炎早期筛查工具	NHANES调查中的30,465名参与者数据	机器学习	牙周炎	深度学习，机器学习，可解释人工智能	深度学习模型，机器学习模型	临床特征数据	预处理后全年龄段9,632名参与者，50岁以上年龄段5,601名参与者	NA	NA	AUC	NA
56	2026-01-03	Blip-up blip-down circular EPI (BUDA-cEPI) for distortion-free dMRI with rapid unrolled deep learning reconstruction 2025-Jan, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110277 PMID:39566835	研究论文	本文开发了一种快速重建管道BUDA-cEPI RUN-UP，用于实现无畸变的扩散磁共振成像，通过深度学习重建技术显著缩短重建时间	提出了基于机器学习的展开重建方法，结合虚拟线圈概念和U-Net正则化，以模拟S-LORAKS正则化效果，同时将重建时间大幅减少约88倍	未明确说明样本量或具体临床验证范围，可能局限于方法学开发阶段	开发快速重建管道，以促进BUDA-cEPI在常规临床和神经科学应用中的部署	扩散磁共振成像（dMRI）数据	医学影像处理	NA	扩散磁共振成像（dMRI），BUDA-cEPI序列	人工神经网络，U-Net	磁共振图像	NA	NA	U-Net	归一化均方根误差	NA
57	2026-01-03	Large-scale multi-center CT and MRI segmentation of pancreas with deep learning 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103382 PMID:39541706	研究论文	本研究提出了一种名为PanSegNet的新型深度学习方法，用于在CT和MRI图像上实现大规模、多中心的胰腺自动体积分割	结合了nnUNet和Transformer网络的优势，并引入了一种新的线性注意力模块以实现体积计算，同时构建了首个大规模多中心胰腺MRI分割数据集	研究为回顾性设计，且MRI数据主要来自T1加权和T2加权序列，未涵盖所有MRI成像协议	开发一种准确、鲁棒的自动化胰腺分割方法，以支持胰腺疾病的诊断和随访	胰腺	数字病理	胰腺疾病	CT扫描, MRI扫描（T1加权和T2加权）	CNN, Transformer	图像	总计2,117次扫描（767次MRI来自499名参与者，1,350次CT来自公开数据集）	PyTorch	nnUNet, Transformer	Dice系数, Hausdorff距离（HD95）, Cohen's kappa, R值（相关系数）	NA
58	2026-01-03	Acceleration of Simultaneous Multislice Magnetic Resonance Fingerprinting With Spatiotemporal Convolutional Neural Network 2025-Jan, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5302 PMID:39631961	研究论文	本文提出了一种基于时空卷积神经网络的新深度学习方法来加速同时多切片磁共振指纹成像，以实现高多频带因子下的准确脑部T1和T2定量成像	引入了去耦的时空特征学习策略来处理同时多切片磁共振指纹成像中的严重混叠伪影，并探索了使用采集数据或模拟数据进行训练的有效性	未明确说明方法在其他器官或疾病类型中的泛化能力，且高多频带因子可能仍受限于特定成像条件	加速同时多切片磁共振指纹成像以实现快速、准确的脑部T1和T2定量映射	脑部磁共振成像数据	医学影像分析	NA	同时多切片磁共振指纹成像	卷积神经网络	磁共振图像	NA	NA	时空卷积神经网络, 残差通道注意力U-Net	T1和T2定量准确性	NA
59	2026-01-03	MASSM: An End-to-End Deep Learning Framework for Multi-Anatomy Statistical Shape Modeling Directly From Images 2025, Shape in medical imaging : International Workshop, ShapeMI 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 6, 2024, Proceedings. ShapeMI (Workshop) (2024 : Marrakech, Morocco) DOI:10.1007/978-3-031-75291-9_12 PMID:39649703	研究论文	本文提出了一种名为MASSM的端到端深度学习框架，用于直接从图像中生成多解剖结构的统计形状模型	MASSM框架能够同时定位多个解剖结构、估计群体级统计表示，并在图像空间中直接描绘形状表示，无需手动预对齐或边界框指定	未在摘要中明确提及	开发一个端到端深度学习框架，以自动化方式从图像中生成多解剖结构的统计形状模型，减少对医学专业知识的依赖	医学图像中的多解剖结构	数字病理	NA	深度学习	多任务网络	图像	未在摘要中明确提及	未在摘要中明确提及	未在摘要中明确提及	未在摘要中明确提及	未在摘要中明确提及
60	2026-01-03	Mapping the functional network of human cancer through machine learning and pan-cancer proteogenomics 2025-Jan, Nature cancer IF:23.5Q1 DOI:10.1038/s43018-024-00869-z PMID:39663389	研究论文	本研究通过机器学习和泛癌蛋白质组学构建了FunMap功能网络，用于解释癌症中的体细胞突变和未充分研究的蛋白质功能	利用监督机器学习在泛癌蛋白质组学和RNA测序数据上构建了高精度的功能网络FunMap，超越了传统蛋白质相互作用图，并应用图神经网络深度学习识别低频突变驱动基因	NA	解释癌症中的体细胞突变和癌症相关蛋白质的功能，以推进癌症生物学和指导治疗策略	来自11种癌症类型的1,194个个体的蛋白质组学和RNA测序数据，涵盖10,525个蛋白质编码基因	机器学习	癌症	蛋白质组学, RNA测序	监督机器学习, 图神经网络	蛋白质组学数据, RNA测序数据	1,194个个体	NA	NA	NA	NA