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
121	2026-05-04	Diagnostic Value of Magnetic Resonance Imaging Radiomics and Machine-learning in Grading Soft Tissue Sarcoma: A Mini-review on the Current State 2025-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.08.035 PMID:39261231	综述	本综述总结了基于磁共振成像的影像组学和机器学习在软组织肉瘤分级中的当前研究进展	首次系统总结了将语义影像特征、影像组学特征和深度学习特征结合到机器学习模型中用于STS分级，并探讨了从肿瘤体积和瘤周区域提取特征的优势	未提及具体局限性分析，样本量有限且不同研究间方法学差异较大	评估基于MRI的影像组学和机器学习预测软组织肉瘤恶性程度分级的现状	软组织肉瘤	机器学习	软组织肉瘤	MRI影像组学	随机森林、支持向量机、LASSO、SMOTE	MRI图像	NA	NA	随机森林、支持向量机、LASSO、SMOTE	AUC值、准确率	NA
122	2026-05-04	Deep Learning-Based Denoising Enables High-Quality, Fully Diagnostic Neuroradiological Trauma CT at 25% Radiation Dose 2025-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.08.018 PMID:39294053	研究论文	本研究评估了基于深度学习的去噪算法在创伤神经放射学CT扫描中降低辐射剂量至25%时保持图像质量和诊断准确性的能力	首次系统性验证深度学习去噪算法可在创伤神经放射学急诊CT中将辐射剂量降低75%而维持与全剂量相当的诊断性能	单中心回顾性研究，样本量有限（100例），未涵盖所有类型颅内出血	评估深度学习去噪算法在创伤神经放射学急诊CT中降低辐射剂量的能力	100例神经放射学创伤CT扫描患者	医学影像	创伤性神经放射疾病	CT成像	深度学习去噪网络	CT图像	100例患者	NA	深度学习去噪算法	敏感性、特异性、图像噪声、CT值	NA
123	2026-05-04	Deep Learning Model for Pathological Grading and Prognostic Assessment of Lung Cancer Using CT Imaging: A Study on NLST and External Validation Cohorts 2025-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.08.028 PMID:39294054	研究论文	开发并验证一种基于CT影像的深度学习模型，用于肺癌的病理分级和预后评估	利用MobileNetV3架构构建非侵入性工具，可自动化病理分级并提供预后评估，辅助手术规划	NA	开发非侵入性深度学习模型，以自动化病理分级和预后评估，为手术规划提供辅助	肺癌患者，特别是非小细胞肺癌患者	深度学习	肺癌	NA	深度学习模型	CT影像	NLST队列572例（训练集461例，内部验证111例）及外部验证224例	NA	MobileNetV3	准确率, 灵敏度, 特异度, AUC	NA
124	2026-05-04	Deep Learning-Based Prediction of Freezing of Gait in Parkinson's Disease With the Ensemble Channel Selection Approach 2025-Jan, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.70206 PMID:39740772	研究论文	基于深度学习与集成通道选择的帕金森病冻结步态预测方法	提出将瓶颈注意力模块集成到标准双向长短期记忆网络中的新型架构，并引入集成学习进行最优通道选择，显著降低计算复杂度并提升检测精度	NA	开发一种高效、准确的帕金森病冻结步态事件检测算法，实现实时监测	帕金森病患者的冻结步态事件	机器学习	帕金森病	运动信号采集	双向长短期记忆网络	运动信号	传感器数据（脚踝、腿部、躯干传感器）	NA	卷积瓶颈注意力-双向长短期记忆网络（CBA-BiLSTM）	准确率	NA
125	2026-05-03	Active learning of enhancers and silencers in the developing neural retina 2025-Jan-15, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2024.12.004 PMID:39778579	研究论文	开发了一种主动学习方法，用于区分发育中神经视网膜中的增强子和沉默子	结合主动学习与不确定性采样，迭代训练模型区分具有相同序列但功能相反的CRX结合位点	模型训练主要基于CRX转录因子，可能不适用于其他转录因子的调控元件	建立区分增强子和沉默子的深度学习模型	CRX转录因子的顺式调控元件（增强子和沉默子）	机器学习	NA	大规模平行报告基因检测	深度学习模型	基因组序列	超过所有结合CRX的基因组位点	NA	NA	区分能力	NA
126	2026-05-03	Accelerated CEST imaging through deep learning quantification from reduced frequency offsets 2025-Jan, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30269 PMID:39270056	研究论文	通过深度学习和减少频率偏移采样来加速CEST成像	利用Fisher信息增益分析识别最优频率偏移，并采用U-NET网络从欠采样Z谱中量化CEST图，实现扫描时间显著缩短	未提及大规模验证或不同场强下的适用性	缩短CEST采集时间，通过Z谱欠采样结合深度学习构建CEST图	脑部CEST图像，包括18名志愿者的体内数据及模拟的胶质母细胞瘤IV级病理	深度学习	脑部疾病, 胶质母细胞瘤	CEST成像	U-NET	图像	18名志愿者	NA	U-NET	结构相似性指数, 峰值信噪比, 皮尔逊相关系数, 均方误差	NA
127	2026-05-03	Virtual multiplex immunofluorescence identifies lymphocyte subsets predictive of response to neoadjuvant therapy 2025, Therapeutic advances in medical oncology IF:4.3Q2 DOI:10.1177/17588359251379411 PMID:41142474	研究论文	开发并验证一种名为mSIGHT的深度学习工具，可将常规H&E染色病理图像转化为高保真合成多重免疫荧光图像，用于预测乳腺癌新辅助治疗反应	首创结合配准网络的图像翻译管线mSIGHT，解决了输入与目标图像之间的未对齐问题，性能优于标准Pix2Pix和CycleGAN，能从常规H&E染色中提取免疫细胞信息	研究样本量较小（17例三阴性乳腺癌用于模型开发），且仅针对乳腺癌，可能限制在其他癌症类型中的泛化能力	开发能从常规H&E染色图像中获取免疫细胞信息的深度学习工具，以低成本、可扩展的方式替代多重免疫荧光技术，并预测乳腺癌新辅助治疗反应	乳腺癌患者的核心针活检组织样本	数字病理学	乳腺癌	H&E染色，多重免疫荧光（mIF）	生成对抗网络（GAN）结合配准网络	病理图像	17例三阴性乳腺癌用于模型开发，218例乳腺癌用于外部验证	PyTorch	Pix2Pix, CycleGAN,配准网络	像素级指标，细胞密度，细胞间邻近度，调整后的优势比	NA
128	2026-05-02	Preoperative Prediction of Axillary Lymph Node Metastasis in Patients With Breast Cancer Through Multimodal Deep Learning Based on Ultrasound and Magnetic Resonance Imaging Images 2025-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.07.029 PMID:39107188	研究论文	基于超声和磁共振成像的多模态深度学习模型用于预测乳腺癌患者腋窝淋巴结转移	首次将超声和磁共振成像的深度学习预测结果与临床参数结合，构建多模态深度学习模型，用于预测乳腺癌患者腋窝淋巴结转移	回顾性研究设计，样本量有限（共588例），外部验证队列样本量较小（123例）	开发并验证基于超声和磁共振成像的多模态深度学习模型，以无创方式预测乳腺癌患者腋窝淋巴结转移	乳腺癌患者	数字病理学	乳腺癌	NA	卷积神经网络	图像	588例，其中主要队列465例，外部验证队列123例	NA	卷积神经网络	受试者工作特征曲线下面积、决策曲线	NA
129	2026-05-02	Comparative Analysis of the Diagnostic Value of S-Detect Technology in Different Planes Versus the BI-RADS Classification for Breast Lesions 2025-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.08.005 PMID:39138111	研究论文	评估S-Detect技术在超声不同切面诊断乳腺病变的表现并与BI-RADS分类进行比较	首次系统分析S-Detect技术在径向和反径向两个切面间的不一致性及其对诊断性能的影响，识别导致不一致的病变特征	仅基于回顾性数据，且未考虑操作者间差异；S-Detect在切面不一致时的诊断效能显著下降，需谨慎引用其结果	评估S-Detect在不同超声切面的诊断效能并分析不一致性的影响因素	711名患者的756个乳腺病变	机器学习	乳腺病变	超声成像	深度学习模型（S-Detect）	超声图像	711名患者，756个乳腺病变	NA	NA	准确率, AUC	NA
130	2026-05-02	Ultrasound-Based Deep Learning Radiomics Nomogram for Tumor and Axillary Lymph Node Status Prediction After Neoadjuvant Chemotherapy 2025-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.07.036 PMID:39183131	研究论文	探索深度学习放射组学列线图在预测乳腺癌患者新辅助化疗后肿瘤状态和腋窝淋巴结转移中的可行性	融合了临床特征、放射组学特征和深度学习迁移学习特征，构建了综合列线图，并利用Cox回归模型进行生存分析验证算法有效性	本研究为回顾性研究，样本量有限，可能存在选择偏倚，且未进行外部验证	评估深度学习放射组学列线图在预测乳腺癌新辅助化疗后肿瘤和淋巴结状态中的诊断性能及预后价值	乳腺癌患者	数字病理学	乳腺癌	超声成像	深度学习模型（结合放射组学）	图像	243例乳腺癌患者	NA	深度学习迁移学习模型	ROC曲线下面积、一致性指数、决策曲线分析、Kaplan-Meier生存曲线	NA
131	2026-05-02	Accelerated T2-weighted MRI of the Bowel at 3T Using a Single-shot Technique with Deep Learning-based Image Reconstruction: Impact on Image Quality and Disease Detection 2025-01, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.08.023 PMID:39198137	研究论文	比较常规6mm HASTE与深度学习重建的DL-HASTE（4mm和6mm层厚）在3T肠道MRI中的图像质量和疾病检测能力	首次评估深度学习单次扫描技术DL-HASTE在肠道MRI中的应用，展示其在缩短采集时间的同时提升图像质量	样本量较小（91例），且仅评估了盆腔肠道成像，未涵盖其他腹部区域；DL-HASTE仅在3T设备上测试，通用性有待验证	比较DL-HASTE与常规HASTE在肠道MRI中的图像质量和疾病检测性能	91例接受3T MR肠造影的患者（51名女性，平均年龄44±10岁）	医学影像	肠道疾病（包括回肠壁增厚、回肠炎症、狭窄、穿透性疾病）	深度学习图像重建（DL-HASTE）	深度学习模型	MRI图像	91例患者	NA	DL-HASTE	图像质量、伪影、肠壁清晰度、诊断信心（5点Likert量表）	NA
132	2026-05-02	Harnessing AI for Improved Detection and Classification of Pleural Effusion: Insights and Innovations 2025, Canadian respiratory journal IF:2.1Q3 DOI:10.1155/carj/2882255 PMID:40809325	综述	本文综述了人工智能和机器学习在胸腔积液检测与分类中的应用，展示了这些技术在提升诊断准确性和效率方面的潜力	系统梳理了包括LGB和XGBoost在内的多种机器学习模型在胸腔积液诊断中的应用，并指出整合多元诊断参数可显著提高准确性	未提及具体样本量和数据来源的差异可能影响模型泛化能力	评估AI和ML技术在胸腔积液检测与分类中的当前应用现状并指出未来研究方向	胸腔积液的检测与分类方法	机器学习	胸腔积液	NA	深度学习, 集成方法	临床数据, 实验室数据, 影像数据	NA	NA	Light Gradient Boosting Machine, XGBoost	准确率, AUC	NA
133	2026-05-02	An in-silico simulation study to generate computed tomography images from ultrasound data by using deep learning techniques 2025-Jan, BJR artificial intelligence DOI:10.1093/bjrai/ubaf005 PMID:42064001	研究论文	通过深度学习模型从超声数据生成类似CT的图像，以增强病变检测能力	首次使用原始超声射频数据作为条件生成对抗网络（cGAN）的输入来生成CT样图像，显著改善病变可检测性并减轻声影伪影	研究基于模拟数据，未使用真实患者数据验证；数据集规模较小（每个数据集1000样本）	探究深度学习能否从原始超声数据生成CT样图像，以提高实质器官病变检测性能	模拟体模中的超声数据和CT图像	医学影像处理	NA	k-wave超声模拟工具包、Astra CT模拟工具包	条件生成对抗网络（cGAN）	图像（超声数据、CT模拟数据）	2个数据集，每个1000样本（训练800，测试200）	NA	pix2pix条件生成对抗网络	广义对比度噪声比（gCNR）、结构相似性指数（SSIM）、Jaccard指数	NA
134	2026-05-02	CT-based deep learning prediction of complete response in intermediate-stage hepatocellular carcinoma treated with drug-eluting beads transarterial chemoembolization 2025-Jan, BJR artificial intelligence DOI:10.1093/bjrai/ubaf018 PMID:42063993	研究论文	开发基于CT的深度学习模型预测中期肝细胞癌患者在接受药物洗脱微球经动脉化疗栓塞术后的完全缓解	采用具有时空视频视觉Transformer架构的双网络深度学习模型，利用基线专用肝脏CT数据预测完全缓解，并应用8折交叉验证与集成技术提高预测性能	模型灵敏度中等，需改进以提升灵敏度；样本量有限（93例），需要更大数据集和前瞻性研究验证	开发基于CT的深度学习模型预测中期肝细胞癌患者接受药物洗脱微球经动脉化疗栓塞术后的完全缓解	初治巴塞罗那临床肝癌B期肝细胞癌患者	计算机视觉	肝细胞癌	CT成像	视频视觉Transformer	图像	93例患者（机构1: 50例，机构2: 49例）	NA	时空视频视觉Transformer	特异性、AUC、灵敏度、平衡准确率	NA
135	2026-05-02	Prognostic modeling in head and neck cancer: deep learning or handcrafted radiomics? 2025-Jan, BJR artificial intelligence DOI:10.1093/bjrai/ubaf008 PMID:42064005	review	系统评价了手工放射组学与深度学习模型在头颈癌预后预测中的表现	首次全面比较手工放射组学与深度学习模型在头颈癌预后预测中的方法学严谨性和性能指标	纳入研究的方法学、预后定义和性能指标存在显著异质性，亟需标准化	评估手工放射组学与深度学习模型在头颈鳞状细胞癌患者预后预测中的性能	接受（放）化疗的头颈鳞状细胞癌患者	machine learning	头颈癌	放射组学	深度学习模型、手工放射组学模型	医学影像	23项符合纳入标准的研究	NA	NA	总体生存率、局部区域复发率、远处转移率	NA
136	2026-05-02	Deep learning automates Cobb angle measurement compared with multi-expert observers 2025-Jan, BJR artificial intelligence DOI:10.1093/bjrai/ubaf009 PMID:42064002	研究论文	本文介绍了一种基于深度学习的全自动Cobb角测量软件，与多位专家观察者进行对比，展现出更高的测量精度和可解释性	开发了全自动Cobb角测量软件，不仅精确测量角度，还直接在原始图像上可视化测量结果；与七位专家读者对比，表现优于人类观察者	文章未明确提及限制	实现全自动Cobb角测量，提高脊柱侧弯评估的准确性和可重复性	脊柱X光图像中的Cobb角测量	计算机视觉	脊柱侧弯	NA	深度神经网络	图像	NA	PyTorch	NA	平均偏差, 组内相关系数(ICC), 皮尔逊相关系数	NA
137	2026-05-01	AI Applications in Transfusion Medicine: Opportunities, Challenges, and Future Directions 2025, Acta haematologica IF:1.7Q3 DOI:10.1159/000546303 PMID:40349705	综述	探讨人工智能在输血医学中的应用，包括机器学习、深度学习、自然语言处理和预测分析，覆盖捐赠者管理、血液产品质量优化、输血需求预测和出血风险评估等	系统总结了AI在输血医学各个领域的潜在应用，强调其在提升运营效率、患者安全和资源分配方面的优势，并为未来精准医疗和负责任整合提供了方向	综述提及早期研究多为探索性，面临临床工作流变异性、算法透明度、公平获取以及数据隐私和偏差等伦理挑战	评估人工智能在输血医学中的整合机会、挑战和未来发展方向	输血医学中的AI驱动工具，包括机器学习、深度学习、自然语言处理和预测分析	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
138	2026-05-01	Deep Learning Applications in Lymphoma Imaging 2025, Acta haematologica IF:1.7Q3 DOI:10.1159/000547427 PMID:40659002	综述	综述了深度学习在淋巴瘤影像学中的应用，包括自动检测、分割和分类	首次系统总结深度学习在PET/CT、CT和MRI三种模态中淋巴瘤自动检测、分割和分类的应用现状	成像协议差异影响模型泛化性、依赖小型回顾性数据集、模型可解释性不足以及AI工具与临床工作流集成困难	探索深度学习在淋巴瘤影像学诊断与管理中的应用潜力和挑战	淋巴瘤患者的PET/CT、CT和MRI影像数据	计算机视觉	淋巴瘤	NA	深度学习模型（如卷积神经网络CNN等）	医学影像（PET/CT、CT、MRI）	小型回顾性数据集（未明确具体数量）	NA	NA	NA	NA
139	2026-05-01	A Cross-Modal Mutual Knowledge Distillation Framework for Alzheimer's Disease Diagnosis: Addressing Incomplete Modalities 2025, IEEE transactions on automation science and engineering : a publication of the IEEE Robotics and Automation Society IF:5.9Q1 DOI:10.1109/tase.2025.3556290 PMID:40893870	research paper	提出一种跨模态互知识蒸馏框架，用于处理不完整多模态数据以实现阿尔茨海默病的早期诊断	首次提出不完整跨模态互知识蒸馏方法，通过模态解缠教师模型和学生模型的双向知识迁移，有效利用多模态和单模态数据子队列	NA	开发能够应对实际临床中多模态数据缺失的深度学习框架，提升阿尔茨海默病早期诊断性能	阿尔茨海默病神经影像数据（MRI和PET模态）的不完整多模态子队列	computer vision	阿尔茨海默病	MRI, PET	CNN	image	阿尔茨海默病神经影像倡议数据集，具体样本量未提及	PyTorch	NA	NA	NA
140	2026-05-01	A two-stage deep learning prediction system for colon cancer microsatellite instability status using CT images 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1699430 PMID:41602410	研究论文	构建两阶段深度学习系统，使用CT图像预测结肠癌微卫星不稳定性状态	提出无需手动分割的两阶段深度学习系统，结合MSI-SAM分割模型和MSI状态诊断模型，实现自动预测	样本量较小（108例），仅包含增强CT扫描，需进一步验证泛化能力	开发基于CT图像的结肠癌微卫星不稳定性状态自动预测方法	结肠癌患者CT扫描图像及对应MSI状态（MSI-H和MSS）	计算机视觉	结肠癌	CT扫描	深度学习（两阶段：分割模型和诊断模型）	图像（CT扫描）	108例增强CT扫描（68例升结肠、14例横结肠、18例降结肠、8例乙状结肠；56例MSI-H和52例MSS）	NA	MSI-SAM（分割模型）和MSI状态诊断模型	DSC, IoU, AUC, 准确率(ACC), 灵敏度, 特异度	NA