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
581	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
582	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
583	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
584	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
585	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
586	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
587	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
588	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
589	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
590	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
591	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
592	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
593	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
594	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
595	2026-01-03	Long-term, automated stool monitoring using a novel smart toilet: A feasibility study 2025-Jan, Neurogastroenterology and motility IF:3.5Q2 DOI:10.1111/nmo.14954 PMID:39486001	研究论文	本研究评估了一种新型智能马桶在长期自动收集粪便图像数据方面的可行性，并开发了一种基于计算机视觉的分析方法来根据布里斯托大便形态量表评估大便形态	开发了一种结合深度学习分割和数学定义手工特征的新型智能马桶系统，用于长期、非侵入性的自动化大便形态监测	研究仅涉及六名健康志愿者，样本量较小，且未在临床患者群体中进行验证	评估智能马桶系统在自动化大便形态监测中的可行性和准确性，以消除患者自我报告的负担	六名健康志愿者的粪便图像数据	计算机视觉	NA	图像采集与分析	深度学习分割模型	图像	474张大便图像，来自六名健康志愿者，平均监测期为10个月	NA	NA	准确率, 灵敏度, 特异性	NA
596	2026-01-03	SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis 2025, Machine learning in clinical neuroimaging : 7th international workshop, MLCN 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 10, 2024, proceedings. MLCN (Workshop) (7th : 2024 : Marrakesh, Morocco) DOI:10.1007/978-3-031-78761-4_5 PMID:39758707	研究论文	提出一种基于稀疏化和自监督的方法SpaRG，用于提高静息态功能磁共振成像（rs-fMRI）分析的泛化性，通过联合训练稀疏输入掩码、变分自编码器和下游分类器来识别高度信息化的功能连接	在训练过程中识别并保留一小部分高度信息化的功能连接，同时利用未标记数据优化稀疏掩码和变分自编码器，以提高模型在不同采集站点间的泛化能力	方法依赖于部分标记样本训练分类器，且仅针对相对粗糙的脑区划分（64个区域）进行了评估，可能未覆盖更精细的脑网络分析	提高rs-fMRI数据在精神病学障碍和个人特质分析中的泛化性和可解释性	静息态功能磁共振成像（rs-fMRI）数据，特别是来自公共ABIDE数据集的样本	机器学习	精神病学障碍	功能磁共振成像（fMRI）	变分自编码器（VAE），分类器	图像（fMRI数据）	来自18个站点的标记案例，以及两个额外分布外站点的部分未标记样本	NA	变分自编码器（VAE）	分类准确率	NA
597	2026-01-03	ShaderNN: A Lightweight and Efficient Inference Engine for Real-time Applications on Mobile GPUs 2025-Jan-01, Neurocomputing IF:5.5Q1 DOI:10.1016/j.neucom.2024.128628 PMID:39802630	研究论文	本文提出了一种基于OpenGL的轻量级高效推理引擎ShaderNN，专为移动设备GPU设计，以优化实时应用中的深度学习推理性能	首次在神经网络推理算子中利用基于OpenGL后端的片段着色器，提出纹理输入/输出实现零拷贝集成，并采用计算着色器与片段着色器的混合实现进行层级别着色器选择	主要针对参数较小的神经网络模型部署，可能不适用于大规模复杂模型	开发适用于移动设备GPU的轻量级高效深度学习推理框架，以解决计算能力有限、功耗预算低及数据移动最小化等挑战	移动设备GPU上的深度学习推理引擎	机器学习	NA	NA	NA	图像	NA	OpenGL	NA	NA	搭载高通和联发科芯片的最新移动设备
598	2026-01-03	Zero-Shot Adaptation for Approximate Posterior Sampling of Diffusion Models in Inverse Problems 2025, Computer vision - ECCV ... : ... European Conference on Computer Vision : proceedings. European Conference on Computer Vision DOI:10.1007/978-3-031-73010-8_26 PMID:39831070	研究论文	本文提出了一种零样本近似后验采样方法（ZAPS），用于加速扩散模型在逆问题中的推理过程	提出ZAPS方法，通过零样本训练学习不规则时间步的对数似然权重，并采用可学习的对角化Hessian近似提高计算效率	未明确说明方法在更复杂逆问题或更大规模数据集上的泛化能力	解决扩散模型在逆问题中推理速度慢的问题	扩散模型在逆问题中的应用	计算机视觉	NA	扩散模型，零样本学习	扩散模型	图像	NA	NA	扩散后验采样	重建质量，推理时间	NA
599	2026-01-03	Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT 2025-Jan, Radiology IF:12.1Q1 DOI:10.1148/radiol.233029 PMID:39835976	研究论文	本研究开发并评估了一种基于集成深度学习的模型，用于自动化检测和分割CT扫描中的肺部肿瘤	采用基于3D U-Net的图像多分辨率集成模型，平衡了体积上下文与分辨率，实现了稳健的肿瘤检测与分割，并能泛化到外部站点	研究为回顾性研究，可能受限于数据收集的偏差；模型性能在特定子集上（如单个肿瘤）表现良好，但在更复杂情况（如多发性转移）的泛化能力未详细评估	开发自动化工具以辅助肺部肿瘤的检测和分割，减少人工勾画的劳动强度和医生间差异	CT模拟扫描图像及临床肺部肿瘤分割标注	计算机视觉	肺癌	CT扫描	深度学习	3D医学图像	训练集：1,504个CT扫描；测试集：150个CT扫描（包括内部和外部数据集）	NA	3D U-Net	灵敏度, 特异性, 假阳性率, Dice相似系数	NA
600	2026-01-03	Multi-Source Data and Knowledge Fusion via Deep Learning for Dynamical Systems: Applications to Spatiotemporal Cardiac Modeling 2025, IISE transactions on healthcare systems engineering IF:1.5Q3 DOI:10.1080/24725579.2024.2398592 PMID:40248641	研究论文	本文提出了一种基于深度学习的多源数据与知识融合框架，用于时空动态系统，特别应用于心脏电动力学建模	该框架通过捕捉基于物理的信息流实现有效数据融合，并利用图拉普拉斯算子整合3D系统的几何信息，以增强时空预测建模的鲁棒性	NA	开发一个融合多源传感数据和基础物理知识的可靠预测建模框架，用于时空动态系统	心脏电动力学系统，包括健康和疾病状态下的心脏条件	机器学习	心血管疾病	NA	深度学习	多源传感数据，时空数据	NA	NA	NA	NA	NA