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
441	2026-03-03	DDEvENet: Evidence-based ensemble learning for uncertainty-aware brain parcellation using diffusion MRI 2025-Mar, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2024.102489 PMID:39787735	研究论文	本研究开发了一种基于深度学习和扩散MRI的证据集成神经网络DDEvENet，用于解剖学脑区分割	设计了基于证据的深度学习框架，可在单次推理中量化每个体素的预测不确定性，并提出了证据集成学习方法融合多参数扩散MRI信息	NA	开发用于脑区分割的不确定性感知深度学习模型	健康成人和多种脑疾病患者（精神分裂症、双相情感障碍、注意力缺陷多动障碍、帕金森病、脑小血管病、脑肿瘤神经外科患者）的扩散MRI数据	数字病理学	脑部疾病	扩散MRI	CNN	图像	来自多个成像源的大规模数据集，包括健康成人的高质量扩散MRI数据和多种脑疾病患者的临床扩散MRI数据	NA	包含五个并行子网络的集成架构	分割准确性	NA
442	2026-03-03	Automatic medical imaging segmentation via self-supervising large-scale convolutional neural networks 2025-Mar, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110711 PMID:39798701	研究论文	本研究开发了一种用于医学图像分割的大规模自监督深度学习模型，旨在克服监督学习在临床环境中的局限性和数据变异性	提出了一种基于掩码图像建模和稀疏子流形卷积的自监督预训练方法，并设计了一系列可扩展的稀疏子流形U-Net模型，在减少对大量标注数据依赖的同时提升了模型泛化能力	研究主要基于CT、MRI和PET影像，未涵盖所有医学成像模态；模型参数量巨大（最高达14亿），对计算资源要求较高	开发鲁棒的医学图像自动分割方法，减少对标注数据的依赖并提升模型泛化性	CT、MRI和PET医学影像中的器官和病灶分割	数字病理学	癌症	掩码图像建模，稀疏子流形卷积	CNN	医学影像	多中心CT数据集及TotalSegmentator数据集，并在7个未见数据集上进行评估	NA	稀疏子流形U-Net	Dice相似系数，表面Dice系数	NA
443	2026-03-03	NNFit: A Self-Supervised Deep Learning Method for Accelerated Quantification of High-Resolution Short-Echo-Time MR Spectroscopy Datasets 2025-03, Radiology. Artificial intelligence DOI:10.1148/ryai.230579 PMID:39812584	研究论文	本文提出并评估了一种名为NNFit的自监督深度学习方法，用于加速高分辨率短回波时间磁共振波谱数据集的量化	开发了一种自监督深度学习方法，旨在解决传统波谱量化方法在临床工作流程中的计算瓶颈，实现了更快的处理速度	本研究为回顾性研究，样本主要来自两项临床试验，可能限制了结果的普适性	开发并评估一种用于加速高分辨率短回波时间磁共振波谱数据集量化的深度学习方法，以改进临床工作流程	胶质母细胞瘤和重度抑郁症患者的全脑短回波时间EPSI/GRAPPA扫描数据	医学影像分析	胶质母细胞瘤, 重度抑郁症	短回波时间回波平面波谱成像，广义自动校准部分并行采集	深度学习	磁共振波谱数据	89次扫描（来自胶质母细胞瘤和重度抑郁症临床试验），训练集包含20名参与者的685,000个波谱，测试集包含12名参与者的260,000个波谱	NA	NA	结构相似性指数，线性相关系数，Dice系数，双尾t检验	NA
444	2026-03-03	Physics-Informed Autoencoder for Prostate Tissue Microstructure Profiling with Hybrid Multidimensional MRI 2025-03, Radiology. Artificial intelligence DOI:10.1148/ryai.240167 PMID:39907585	研究论文	本文评估了物理信息自编码器（PIA）在利用混合多维MRI测量前列腺癌组织生物标志物方面的性能	提出了一种新兴的自监督深度学习模型PIA，将三室扩散弛豫模型与混合多维MRI结合，无需大量训练数据即可预测组织特异性生物标志物	研究为回顾性设计，样本量较小（21名患者），且仅针对前列腺癌进行评估	评估PIA模型在测量前列腺癌组织生物标志物中的准确性和计算效率	前列腺癌患者的MRI数据（21名患者，71个感兴趣区域）	数字病理学	前列腺癌	混合多维MRI，扩散加权成像	自编码器	MRI图像	21名患者（平均年龄60岁±6.6，全部男性），71个感兴趣区域	NA	堆叠自编码器	组内相关系数，皮尔逊相关系数	NA
445	2026-03-03	Adaptable graph neural networks design to support generalizability for clinical event prediction 2025-Mar, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104794 PMID:39956347	研究论文	本文提出了一种可适应图卷积神经网络设计，用于临床事件预测，以提升模型在不同机构间的泛化能力	利用GCNN的独特属性，在模型训练后无需重新训练即可适应图边数据，支持多模态数据集成，有效应对机构间患者群体特征和医疗实践模式的差异	未明确提及具体局限性，但外部验证中数据缺失或不完整可能影响性能	解决临床事件预测模型在跨机构测试时面临的泛化挑战	电子健康记录数据，包括患者人口统计信息和账单代码	机器学习	NA	图卷积神经网络	GCNN	图数据，多模态数据	NA	NA	图卷积神经网络	AUROC	NA
446	2026-03-03	Deep Learning-based Brain Age Prediction Using MRI to Identify Fetuses with Cerebral Ventriculomegaly 2025-03, Radiology. Artificial intelligence DOI:10.1148/ryai.240115 PMID:39969279	研究论文	本研究利用基于深度学习的胎儿大脑年龄预测模型，通过MRI识别患有脑室扩大及相关中枢神经系统异常的胎儿	首次将二维单通道卷积神经网络应用于胎儿MRI的脑年龄预测，以辅助识别脑室扩大及其严重程度和相关中枢神经系统异常	研究样本量有限（VM组317例，典型发育组183例），且仅使用单一模态（MRI）和单一模型架构	评估深度学习胎儿脑年龄预测模型在区分脑室扩大胎儿、判断严重程度及检测相关中枢神经系统异常方面的诊断性能	胎儿（包括脑室扩大胎儿和典型发育胎儿）	医学影像分析	胎儿脑室扩大及相关中枢神经系统异常	MRI	CNN	图像	脑室扩大胎儿317例，典型发育胎儿183例	NA	二维单通道卷积神经网络	预测年龄差异，绝对预测年龄差异	NA
447	2026-03-03	Self-Supervised Learning for Feature Extraction from Glomerular Images and Disease Classification with Minimal Annotations 2025-03-01, Journal of the American Society of Nephrology : JASN IF:10.3Q1 DOI:10.1681/ASN.0000000514 PMID:40029749	研究论文	本研究应用自监督学习方法DINO，从无标签的肾小球图像中提取特征，并用于疾病分类，以减少对大量标注数据的依赖	首次将自监督学习（DINO）应用于肾小球图像，在标注数据有限的情况下，实现了优于ImageNet预训练模型的疾病分类性能	研究仅使用了PAS染色的肾小球图像，未涵盖其他染色方法或更广泛的肾脏病理图像	探索自监督学习在数字肾脏病理学中的应用，以解决标注数据稀缺问题，提升疾病分类的准确性和鲁棒性	肾小球图像，具体来自384张PAS染色的肾脏活检切片	数字病理学	肾脏疾病	自监督学习（DINO），主成分分析（PCA）	自监督学习模型	图像	10,423张肾小球图像，来自384张PAS染色的肾脏活检切片	PyTorch	DINO	ROC-AUC	NA
448	2026-03-03	An explainable deep learning framework for biosensing data interpretation in biomedical engineering and real-time health diagnostics 2025, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2025.1688586 PMID:41767247	研究论文	提出一个可解释的深度学习框架，用于将复杂的生物信号动态转化为可解释的健康评估	结合了时间图推理与概率建模的PhysioGraph Inference Network (PGIN)，以及基于不确定性和信号熵自适应调整诊断粒度的Adaptive Health State Inference Mechanism (AHSIM)	NA	开发一个可解释的深度学习框架，用于生物医学工程和实时健康诊断中的生物传感数据解释	生物传感数据	生物医学工程	NA	NA	深度学习	生物信号	四个生物传感数据集	NA	PhysioGraph Inference Network (PGIN), Adaptive Health State Inference Mechanism (AHSIM)	诊断准确率, AUC	NA
449	2026-03-03	Lightweight deep learning for tomato disease detection: trends, challenges, and edge AI perspectives 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1737208 PMID:41768481	综述	本文综述了轻量级深度学习模型和边缘AI在番茄病害检测中的最新进展，并提出了一个结合AI诊断与微生物生物防治建议的独特框架	提出了一个结合AI驱动的诊断与微生物生物防治建议的独特框架，为以生态友好和区域特定方式管理病害提供解决方案	NA	评估轻量级深度学习模型和边缘AI在番茄病害检测中的应用潜力，以促进精准农业的实践部署	番茄作物及其叶面和虫媒病害	计算机视觉	番茄病害	深度学习	CNN, Transformer	图像	NA	NA	MobileNetV2, EfficientNetB0	准确率, 宏F1分数	NA
450	2026-03-03	Deep learning-based methods for phenotypic trait extraction in rice panicles 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1730366 PMID:41768482	研究论文	本研究开发了一种基于深度学习的自动化流水线，用于从水稻穗图像中提取关键表型性状，如穗长、粒数和粒尺寸	提出了一种集成了目标检测、分割和计数任务的深度学习流水线，专门针对水稻穗的遮挡挑战，并将先进模型与育种应用相结合	NA	开发高精度、高通量的自动化工具，以支持水稻育种中的表型性状测量	水稻穗	计算机视觉	NA	深度学习	YOLOv8	图像	5300张水稻穗图像（3290张训练，940张验证，470张测试）	NA	OPG-YOLOv8	R², RMSE, MAPE	NA
451	2026-03-02	Developing the CAM-BERT: Enhancing delirium screening in hospitalized older adults using natural language processing 2025-Sep, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110781 PMID:40675095	研究论文	本研究开发并评估了一种基于深度学习的自然语言处理模型（CAM-BERT），用于从巴西葡萄牙语临床记录中识别谵妄症状，以改善住院老年患者的谵妄筛查	提出了CAM-BERT框架，通过将模型识别的症状与CAM标准对齐来分类潜在谵妄病例，并在非英语临床环境中验证了BERTimbau模型的有效性	需要在更多样化的医疗环境中验证模型的适用性	开发并评估一种自然语言处理模型，以提高电子健康记录中谵妄症状的识别能力，促进谵妄检测	住院老年患者的临床记录	自然语言处理	老年疾病	自然语言处理	BERT, Random Forest	文本	500例住院患者的临床记录	TensorFlow, PyTorch, Scikit-learn	BERTimbau	F1分数, Cohen's kappa系数	NA
452	2026-03-02	Improving the Robustness of Deep Learning Models in Predicting Hematoma Expansion from Admission Head CT 2025-Jul-01, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8650 PMID:39794133	研究论文	本研究探讨了通过对抗性训练和输入修改来提高深度学习模型在预测急性脑出血患者入院头部CT血肿扩张方面的鲁棒性	结合对抗性训练与无超参数Otsu多阈值分割作为额外输入，以增强模型对抗扰动的鲁棒性	对抗性训练对FGSM攻击的鲁棒性提升有限，且模型在跨攻击类型（如PGD）的泛化能力有待加强	提高深度学习模型在临床实践中预测血肿扩张的鲁棒性	急性脑出血患者的入院头部CT扫描	医学影像分析	脑出血	CT扫描	深度学习模型	医学图像	训练/交叉验证队列890名患者，独立验证队列684名患者	NA	NA	AUC	NA
453	2026-03-02	GINClus: RNA structural motif clustering using graph isomorphism network 2025-Jun, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqaf050 PMID:40290315	研究论文	本文提出了一种名为GINClus的RNA结构基序聚类工具，利用半监督深度学习模型基于碱基相互作用和3D结构相似性对RNA基序候选区域进行聚类	首次将图同构网络（GIN）与k均值和层次凝聚聚类结合，用于RNA结构基序的自动聚类，并成功发现新的基序实例和家族	未明确说明模型对未知基序类型的泛化能力及计算效率的具体评估	开发自动化工具以改进RNA结构基序的识别与分类，减少对人工分析的依赖	RNA结构基序候选区域（特别是RNA环区域）	机器学习	NA	RNA 3D结构分析	图同构网络（GIN）	图表示（基于碱基相互作用和3D结构）	NA	PyTorch（推断自GIN的常见实现）	图同构网络（GIN）	聚类准确率	NA
454	2026-03-02	Development and validation of a deep learning model for diagnosing neuropathic corneal pain via in vivo confocal microscopy 2025-May-14, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01577-3 PMID:40369269	研究论文	本文开发并验证了一种基于深度学习的模型，用于通过活体共聚焦显微镜诊断神经性角膜疼痛	提出了一种新的神经性角膜疼痛筛查系统，该模型能够检测微神经瘤，并提供了不确定性量化机制以增强临床相关性	NA	开发一个深度学习模型，以辅助诊断神经性角膜疼痛	神经性角膜疼痛患者	数字病理学	神经性角膜疼痛	活体共聚焦显微镜	深度学习模型	图像	103,168张IVCM图像	NA	NA	AuROC	NA
455	2026-03-02	Towards contrast-agnostic soft segmentation of the spinal cord 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103473 PMID:39874684	研究论文	本文提出了一种基于深度学习的脊髓软分割方法，旨在实现跨MRI对比度的稳定分割	提出了首个能够跨MRI对比度产生稳定软分割的脊髓分割方法，通过使用参与者级别的软平均真值掩码和回归损失函数来减少分割变异性	研究主要基于健康参与者的数据（n=267），尽管在病理数据上进行了泛化测试，但样本量相对有限	开发一种对MRI对比度不敏感的脊髓软分割方法，以减少多中心研究中因协议差异导致的脊髓横截面积变异性	脊髓的MRI图像分割	医学图像分析	多发性硬化症、脊髓压迫症、神经退行性疾病	MRI成像	CNN	医学图像（MRI）	267名健康参与者，包含6种不同的MRI对比度	NA	U-Net	脊髓横截面积变异性（通过Wilcoxon符号秩检验评估p值）	NA
456	2026-03-02	Universal consensus 3D segmentation of cells from 2D segmented stacks 2025-Mar-20, bioRxiv : the preprint server for biology DOI:10.1101/2024.05.03.592249 PMID:38766074	研究论文	本文提出了一种名为u-Segment3D的理论和工具箱，用于将2D细胞分割结果转换为3D共识实例分割，无需训练数据	开发了一种无需训练数据的2D到3D分割方法，兼容任何生成基于像素实例细胞掩码的2D方法，并在拥挤和复杂形态细胞上表现优于原生3D分割	未明确说明该方法在低对比度或噪声图像中的性能，且依赖2D分割的质量	解决3D细胞分割中密集标注的挑战，实现通用且高效的3D细胞分割	单细胞、细胞聚集体和组织中的细胞	数字病理学	NA	显微镜成像	NA	图像	11个真实数据集，超过70,000个细胞	NA	NA	NA	NA
457	2026-03-02	Deactivated Cas9-Engineered Magnetic Micromotors toward a Point-of-Care Digital Viral RNA Assay 2025-03-11, ACS nano IF:15.8Q1 DOI:10.1021/acsnano.4c14913 PMID:40017424	研究论文	本文介绍了一种名为dCRISTOR的新型数字分子诊断系统，通过整合dCas9工程化微电机、免提取LAMP扩增、低成本明场显微镜和深度学习图像处理，实现了对HIV-1 RNA的高灵敏度检测	开发了基于dCas9工程化磁性微电机的数字病毒RNA检测平台，无需荧光读数或昂贵制造工艺，结合CNN-MOT算法实现运动变化的精确测量	研究中使用的临床样本数量有限（n=9），且主要针对HIV-1病毒，未验证对其他病毒或样本类型的适用性	开发一种适用于即时检测的高灵敏度、低成本数字核酸分析系统	人类免疫缺陷病毒-1（HIV-1）RNA	数字病理学	艾滋病	免提取环介导等温扩增（LAMP），逆转录定量聚合酶链反应（RT-qPCR）	CNN	图像	21份加标血浆样本和9份临床患者样本	NA	卷积神经网络	灵敏度，特异性，检测限（LOD）	NA
458	2026-03-02	Deep learning in single-cell and spatial transcriptomics data analysis: advances and challenges from a data science perspective 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf136 PMID:40185158	综述	本文从数据科学视角，系统回顾了深度学习在单细胞和空间转录组学数据分析中的进展与挑战	系统性地评估了58种计算方法在9个基准测试的21个数据集上的性能，揭示了模型性能在不同数据集和评估指标间的显著差异，为基于特定应用场景选择最合适方法提供了实用视角	高质量标注数据集仍然有限，生物组织的复杂相关性使得准确重建细胞状态和空间背景具有挑战性	探讨如何有效应用深度学习进行转录组学数据分析，以服务于生物、医学和临床环境	单细胞和空间转录组学数据	机器学习	NA	单细胞测序，空间转录组学	深度学习	基因表达，表观遗传修饰，代谢物水平，空间位置	涉及21个数据集（来自9个基准测试），数据规模已扩展至数百万细胞	NA	NA	NA	NA
459	2026-03-02	Artificial intelligence in the diagnosis of uveal melanoma: advances and applications 2025, Experimental biology and medicine (Maywood, N.J.) DOI:10.3389/ebm.2025.10444 PMID:40046904	综述	本文综述了机器学习和深度学习在葡萄膜黑色素瘤诊断中的应用进展与挑战	探讨了深度学习模型（尤其是CNN）在自动分析医学图像、识别复杂模式方面的潜力，并强调了多模态成像整合可能提升诊断准确性	现有研究普遍存在数据集规模小、外部验证有限、依赖单一成像模态等问题，限制了模型在临床环境中的泛化能力	评估机器学习和深度学习在葡萄膜黑色素瘤诊断中的研究进展与应用潜力	葡萄膜黑色素瘤等黑色素细胞性脉络膜肿瘤	计算机视觉	葡萄膜黑色素瘤	眼底照相、光学相干断层扫描、超声	CNN	图像	NA	NA	NA	准确率、灵敏度、AUC	NA
460	2026-03-02	A survey of NLP methods for oncology in the past decade with a focus on cancer registry applications 2025, Artificial intelligence review IF:10.7Q1 DOI:10.1007/s10462-025-11316-5 PMID:40688631	综述	本文综述了过去十年（2014-2024年）自然语言处理（NLP）在癌症登记操作中的应用	系统性地回顾和分类了NLP在癌症登记领域的应用，并识别了当前研究空白，如对儿科癌症、黑色素瘤、淋巴瘤以及疾病进展、临床试验匹配等研究领域的关注不足	综述基于特定数据库（Scopus和PubMed）的156篇文章，可能未涵盖所有相关研究；同时指出了当前研究在特定癌症类型、多模态模型以及利用解码器模型（如GPT）方面存在不足	调查NLP在癌症登记操作中的应用现状、方法趋势及研究缺口，以提升数据提取的效率和准确性	来自病理学和放射学报告的临床文本	自然语言处理	癌症	自然语言处理	基于规则的模型, 机器学习模型, 传统深度学习模型, Transformer模型（如BERT, GPT）	文本	NA	NA	BERT, ClinicalBERT, RadBERT, GPT-3, GPT-4	NA	NA