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
101	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
102	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
103	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
104	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
105	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
106	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
107	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
108	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）
109	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
110	2026-07-06	Enhancing global sensitivity and uncertainty quantification in medical image reconstruction with Monte Carlo arbitrary-masked mamba 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103334 PMID:39255733	研究论文	提出基于蒙特卡洛任意掩码Mamba模型MambaMIR，用于医学图像重建和不确定性量化	创新性地提出任意扫描掩码机制，结合蒙特卡洛方法和Mamba模型，无需超参数调优即可生成不确定性图，同时采用小波变换和GAN变体提升纹理保持和感知质量	未明确提及计算资源需求或大规模临床验证，可能对高维医学图像的实时应用存在计算效率挑战	提高医学图像重建的全局敏感性和不确定性量化精度	医学图像重建任务中的图像数据和不确定性估计	计算机视觉	NA	蒙特卡洛采样、小波变换	Mamba、生成对抗网络	医学图像	NA	NA	Mamba, 生成对抗网络	重建保真度、感知质量	NA
111	2026-07-05	Modeling anesthetic-drug label detection for low-resource operating rooms 2025-12-20, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03316-w PMID:41422028	研究论文	开发并评估用于低资源手术室中麻醉药物标签检测的计算机视觉模型	面向低资源医疗环境，利用可穿戴头戴相机收集数据，构建了包含注射器和药瓶标注图像的自定义数据集，并比较了YOLOv11n、YOLOv12n和RT-DETR三种深度学习目标检测架构的性能	NA	开发能够检测麻醉药物给药过程中注射器和药瓶更换错误的计算机视觉模型，为实时监测工具提供基础	乌干达CoRSU医院手术室中使用的注射器和药瓶	计算机视觉	NA	NA	深度学习目标检测模型	图像	包含标注图像的自定义数据集，具体数量未说明	NA	YOLOv11n, YOLOv12n, RT-DETR	精确率, 召回率, mAP50	NA
112	2026-07-05	Standardizing DICOM annotation: deep learning enhances body part description in X-ray image retrieval for clinical research 2025-12-13, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02099-w PMID:41390620	研究论文	利用深度学习标准化DICOM注释，提升X光影像检索中身体部位描述的准确性和可复用性	提出一种基于真实临床数据的验证注释模型，结合深度学习与DICOM头信息，将身体部位分类从116种原始条目标准化为36个SNOMED CT代码，实现了高效检索和数据质量提升	仅依赖单名放射科医师注释验证，准确率有待提升；未来需采用多名放射科医师验证或探索无监督/在线学习方法	设计并验证一种标准化医学影像注释模型，以促进临床影像数据的二次利用	DICOM X光影像，包括检查身体部位（单标签病理分类）和可见身体部位（多标签分类）	计算机视觉	不适用	深度学习	深度学习模型	影像	2万张DICOM X光影像	NA	NA	准确率、召回率	NA
113	2026-07-05	Assessment of transformer-based AI in clinical oncology 2025-12-13, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03306-y PMID:41390721	研究论文	评估基于Transformer的AI模型在乳腺癌生存预测中的应用，并与传统机器学习模型进行性能比较	首次系统探索Transformer模型（BERT、RoBERTa、ALBERT）在乳腺癌生存预测中的可行性，并证明其可作为替代预测模型	Transformer模型性能略低于最优的传统机器学习模型（LR），且未提及模型的可解释性及计算资源消耗	评估Transformer模型在乳腺癌生存预测中的潜力，作为传统机器学习模型的替代方案	乳腺癌生存预测模型，包括Transformer模型和传统机器学习模型	机器学习	乳腺癌	NA	Transformer, 随机森林, 决策树, 支持向量机, 逻辑回归, K近邻, 人工神经网络, 极限梯度提升	表格数据（包含24个分类变量和2个数值变量）	2006年至2015年来自马来西亚马来亚大学医疗中心的乳腺癌数据集	NA	BERT, RoBERTa, ALBERT	准确率	NA
114	2026-07-05	Deep learning-based volumetry of the future liver remnants and prediction of candidates for major hepatectomy 2025-12-09, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02106-0 PMID:41361806	研究论文	开发并验证一种基于深度学习的未来残余肝脏体积（FLR）测量系统（DL-FLRVS），通过再利用现有术前CT图像，比较其与临床常用方法在FLR体积测量及大肝切除术前候选者分类中的差异	首次通过二次利用现有术前CT图像，开发基于5个3D U-Net模型的深度学习系统实现FLR自动化分割与体积测量，并系统比较其与传统半自动方法的性能	未在摘要中明确说明局限性	开发并验证深度学习FLR体积测量系统，并评估其在大肝切除术前候选者分类中的应用价值	未来残余肝脏（FLR）的CT图像体积测量以及基于FLR的大肝切除术前候选者分类	计算机视觉	肝脏疾病	对比增强CT	3D U-Net	CT图像	开发集共涉及1039例，外部验证集178例	NA	3D U-Net	Spearman相关系数，McNemar检验	NA
115	2026-07-05	Preoperative MVI prediction in intrahepatic cholangiocarcinoma via deep learning analysis of intratumoral and peritumoral features on multi-sequence MRI 2025-12-09, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02107-z PMID:41366360	研究论文	基于深度学习的多序列MRI图像中瘤内和瘤周特征分析，预测肝内胆管癌微血管侵犯的术前模型	通过深度学习方法提取多序列MRI图像中不同兴趣区域（瘤内、10mm瘤周及两者结合）的特征，并与临床影像特征结合，构建最优预测模型，提高了MVI预测的准确性，并使用SHAP方法增强模型可解释性	回顾性研究设计，样本量相对较小（200例），且来自单一中心，可能限制模型的泛化能力	探索基于深度学习的多序列MRI图像中瘤内和瘤周区域对预测肝内胆管癌微血管侵犯的有效性，并开发高效的术前预测模型	200例经手术病理证实的肝内胆管癌患者的临床、病理及术前MRI数据	医学影像分析，数字病理学	肝内胆管癌	MRI（多序列磁共振成像）	深度学习，ResNet-18，逻辑回归	医学图像（MRI）、临床数据、病理数据	200例患者（训练集140例，验证集60例）	PyTorch	ResNet-18	AUC、灵敏度、特异度、ROC曲线、DCA曲线	NA
116	2026-07-05	A novel strategy for enhanced schizophrenia detection using established CNN architectures 2025-12-09, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02093-2 PMID:41366658	研究论文	结合深度学习和神经影像学方法，利用T1加权冠状面MRI数据，通过DeepLabv3+模型和ResNet50分割技术，精准检测精神分裂症	创新性地结合DeepLabv3+模型与ResNet50分割颞叶和脑岛区域，并通过颜色到灰度转换增强可视化，实现高AUC（0.99）的诊断性能	未在摘要中明确提及局限性	提升精神分裂症自动检测的精准性和可靠性，超越传统临床评估和影像方法	精神分裂症患者与健康对照的脑部MRI数据	计算机视觉	精神分裂症	MRI	DeepLabv3+, ResNet50	图像	三个公开数据集（MCICShare, COBRE, UCLA）	NA	DeepLabv3+, ResNet50	AUC, 分割准确率	NA
117	2026-07-05	MelAnalyze: fact-checking melatonin claims using large language models and natural language inference 2025-12-04, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03291-2 PMID:41345869	研究论文	提出MelAnalyze框架，利用大型语言模型和自然语言推理对褪黑素相关说法进行事实核查	首个将生成式与基于Transformer的深度学习模型适配为自然语言推理任务，半自动化核查褪黑素健康相关说法真伪的框架	未明确说明模型在非公开数据或更广泛领域的泛化能力，以及对新出现或虚假说法的适应性	半自动化事实核查褪黑素相关说法，帮助用户和研究者基于证据做决策	褪黑素相关的科学摘要以及来自Google和Amazon的产品描述中的说法	自然语言处理	一般健康相关（褪黑素）	N/A	生成式与Transformer深度学习模型（包括LLaMA1微调版本）	文本	来自PubMed的褪黑素相关科学摘要集和Google、Amazon产品描述中的说法	PyTorch	LLaMA1	精确率、召回率、F1值	未提及具体GPU类型或云平台
118	2026-07-05	Through the eye to the heart: a scoping review of artificial intelligence in retinal imaging for cardiovascular disease assessment 2025-11-26, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03300-4 PMID:41299604	综述	系统评估基于人工智能的视网膜生物标志物在多种心血管疾病表型量化中的能力	首次建立视网膜AI在心血管疾病评估中的基准证据库，并提出FAIR合规报告框架以加速临床转化	少于10%的研究共享代码或数据集，三分之二的研究缺乏外部验证	评估人工智能在视网膜成像中用于心血管疾病评估的当前能力与局限性	21项2018-2025年间发表的研究，涉及多种族人群	计算机视觉	心血管疾病	视网膜成像	卷积神经网络, 基于Transformer的模型	图像	21项研究，涵盖多国队列	NA	卷积神经网络, Transformer	AUROC, 净重分类改善	NA
119	2026-07-05	Artificial intelligence in polycystic ovary syndrome: a systematic review of diagnostic and predictive applications 2025-11-24, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03255-6 PMID:41286838	系统综述	系统性综述了人工智能在多囊卵巢综合征诊断和预测中的应用，涵盖机器学习、深度学习、可解释人工智能和大语言模型	首次全面综合评估AI技术在PCOS中的应用，包括诊断性能、生物标志物发现、风险预测、临床决策支持、模型可解释性及生成式AI的新兴应用	多数研究样本量小、类别不平衡、方法异质性大、外部验证不足，仅约四分之一研究应用了可解释AI方法	综合评估AI技术在多囊卵巢综合征诊断和预测中的应用现状与性能	多囊卵巢综合征（PCOS）的诊断、预测及管理	机器学习	多囊卵巢综合征	NA	CNN, 随机森林, 支持向量机, 大语言模型	影像数据, 临床数据, 电子健康记录数据, 组学数据	80项研究（从662篇记录中筛选）	NA	CNN, 随机森林, 支持向量机	准确率, 95%以上（影像应用）	NA
120	2026-07-05	Predicting the risk of preterm birth with machine learning and electronic health records in China 2025-11-10, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03254-7 PMID:41214653	research paper	利用中国电子健康记录和机器学习方法预测早产风险	结合22种机器学习模型和两种动态深度学习方法，基于中国大规模电子健康记录数据（36378例）预测早产风险，并在外部验证集（10367例）中确认模型稳定性	仅使用了已知的24个高危因素，未纳入其他潜在因素；数据来自单一国家，可能限制模型的泛化性	预测和验证中国孕妇早产风险，为临床干预提供工具	中国孕妇人群	machine learning	早产	电子健康记录分析	随机森林、LightGBM、LSTM	电子健康记录数据	36378例（34132例足月产，2246例早产），外加10367例外部验证样本	NA	随机森林、LightGBM、LSTM	AUC	NA