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
1381	2026-07-06	DDKG: A Dual Domain Knowledge Guidance strategy for localization and diagnosis of non-displaced femoral neck fractures 2025-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103393 PMID:39581120	研究论文	提出了一种双域知识引导策略，用于非移位性股骨颈骨折的定位和诊断	结合空间域和语义域知识，利用有限位置监督和放射学报告先验知识引导模型在全X光图像上学习鲁棒表征，无需裁剪图像或额外信息即可进行准确诊断	未提及	实现非移位性股骨颈骨折的自动化定位和诊断，降低标注成本并提高诊断准确性	非移位性股骨颈骨折的X光图像	计算机视觉	股骨颈骨折	X光影像	深度学习模型	图像	来自四个不同中心的数据集	PyTorch	空间感知模块（SAM）和语义协调模块（SCM）	准确性、鲁棒性	NA
1382	2026-07-06	A survey on deep learning in medical image registration: New technologies, uncertainty, evaluation metrics, and beyond 2025-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103385 PMID:39612808	综述	全面概述深度学习在医学图像配准中的最新进展，包括新技术、不确定性估计、评估指标及应用	首次系统整合深度学习配准中的创新网络架构、损失函数、不确定性估计方法及评估指标，并探讨从基础技术到多任务应用的完整链条	未涉及具体实验对比或定量性能分析，对实际部署中的计算资源与数据依赖性问题讨论不足	综述深度学习在医学图像配准领域的最新发展、评估方法及未来方向	深度学习医学图像配准技术及其在脑图谱构建、多图谱分割、运动估计、2D-3D配准等任务中的应用	医学图像分析	NA	NA	U-Net, 回归网络, 相似性度量网络, 不确定性估计网络	医学影像	NA	NA	U-Net, 回归网络, 图像变换网络	配准精确度, 不确定性指标, 相似性度量, 评估指标	NA
1383	2026-07-06	CLMS: Bridging domain gaps in medical imaging segmentation with source-free continual learning for robust knowledge transfer and adaptation 2025-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103404 PMID:39616943	研究论文	提出CLMS框架，通过持续学习与多尺度域适应，在无源数据情况下提升医学图像分割性能	结合持续学习、多尺度重建和风格对齐，在无源数据域适应中同时保留源知识并防止灾难性遗忘	未明确提及局限性，但可能依赖于公开数据或目标域数据质量	解决医学图像分割中跨域迁移问题，实现无需原始源数据的域适应	医学图像分割任务，包括前列腺MRI、结肠镜息肉分割和视网膜图像分类	计算机视觉	前列腺癌, 结肠息肉, 视网膜病变	深度学习	CNN	医学图像	NA	PyTorch	多尺度重建网络	Dice系数, AUC	NA
1384	2026-07-06	The Developing Human Connectome Project: A fast deep learning-based pipeline for neonatal cortical surface reconstruction 2025-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103394 PMID:39631250	研究论文	提出一种基于深度学习的高速新生儿皮层表面重建流程，用于人类连接组项目	引入多尺度变形网络实现端到端的微分同胚皮层表面重建，并集成了快速无监督球形映射方法，使处理速度相比原始流程提升近1000倍	未提及对非新生儿或不同MRI采集协议的数据适应性，以及潜在的重建误差对下游分析的影响	开发快速高效的皮层表面重建流程，以支持大规模神经影像研究	新生儿脑部T2加权MRI扫描样本	机器学学习	NA	结构磁共振成像	CNN	图像	测试样本中82.5%用于定性评估	PyTorch	多尺度变形网络	表面质量	现代GPU
1385	2026-07-06	Multi-scale region selection network in deep features for full-field mammogram classification 2025-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103399 PMID:39615148	研究论文	提出一种深度特征中的多尺度区域选择网络，用于全视野乳腺X线图像分类，无需ROI或分割标注	提出多尺度区域选择网络（MRSN），实现端到端训练，摆脱对ROI标注的依赖，通过多示例学习和补丁分类器思想筛选特征信息，保留肿瘤区域特征，提升全视野图像分类性能	NA	开发一种无需ROI或分割标注的全视野乳腺X线图像分类方法，降低训练成本并充分利用CNN特征提取能力	全视野乳腺X线图像分类	计算机视觉	乳腺癌	NA	CNN	图像	两个公共数据集和一个私有数据集	NA	多尺度区域选择网络（MRSN）	NA	NA
1386	2026-07-06	Cross-view discrepancy-dependency network for volumetric medical image segmentation 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103329 PMID:39236632	研究论文	提出跨视角差异-依赖网络（CvDd-Net）用于体素医学图像分割，通过利用多视角切片先验增强体素表征学习	提出跨视角差异-依赖网络，通过差异感知形态强化模块和依赖感知信息聚合模块，分别挖掘视角特异性形态信息和跨视角依赖关系	未提及明显限制	利用多视角信息提升体素医学图像分割性能	体素医学图像分割任务	数字病理学, 机器学习	甲状腺癌, 宫颈癌, 胰腺癌, 胶质瘤	医学图像分割	CvDd-Net	体素医学图像	四个医学图像数据集（甲状腺、宫颈、胰腺、胶质瘤）	PyTorch	CvDd-Net (差异感知形态强化模块, 依赖感知信息聚合模块)	准确率, 精确率, 召回率, F1分数, Dice系数	NA
1387	2026-07-06	Deep unfolding network with spatial alignment for multi-modal MRI reconstruction 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103331 PMID:39243598	研究论文	提出一种带有空间对齐的深度展开网络用于多模态磁共振成像重建	将空间对齐任务自适应地嵌入到重建过程中，增强了两者互补性，并提升了框架的可解释性	现有方法未能将空间对齐与重建过程自适应集成，且框架可解释性弱	加速多模态磁共振成像采集过程，利用完全采样的参考模态从高度欠采的k空间数据中重建目标模态	多模态磁共振成像数据中的空间对齐与重建问题	计算机视觉	不适用	磁共振成像	深度展开网络	医学图像（MRI）	四个真实数据集	PyTorch	DUN-SA	重建性能（具体指标未提及）	未提及
1388	2026-07-06	Mammography classification with multi-view deep learning techniques: Investigating graph and transformer-based architectures 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103320 PMID:39244796	研究论文	评估基于图与Transformer的多视图深度学习架构在乳腺钼靶分类中的表现	首次在中等规模数据集上系统比较Transformer和图网络与传统多视图卷积神经网络在弱监督条件下的性能和可解释性，揭示不同归纳偏置导致的互补优势	未使用像素级监督，对微小病灶检测仍具挑战；数据集中等规模可能限制泛化性	探索多视图深度学习架构在乳腺钼靶筛查中的自动分类与可解释性优化	乳腺钼靶四视图（头尾位和内外斜位）的影像数据	计算机视觉	乳腺癌	乳腺钼靶成像	视觉Transformer、图神经网络、卷积神经网络	影像	CSAW数据集（中等规模，具体样本数未提及）	PyTorch	ViT、图神经网络、多视图CNN	准确性、可解释性指标	NA
1389	2026-07-06	ATEC23 Challenge: Automated prediction of treatment effectiveness in ovarian cancer using histopathological images 2025-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103342 PMID:39260034	meta-analysis	总结ATEC23挑战赛中利用组织病理学图像预测卵巢癌治疗效果的方法评估	提出结合Cox比例风险分析和Kaplan-Meier生存分析评估预测模型作为患者选择指标的有效性，并强调多分辨率卷积模块在病理预测任务中的关键作用	当前MIL方法在预后分类任务中的局限性	开发基于组织病理学图像的自动化系统，预测卵巢癌患者对贝伐珠单抗治疗的疗效	卵巢癌患者组织病理学全切片图像（284张用于训练，180张核心组织图像用于测试）	digital pathology	ovarian cancer	NA	深度学习模型（如DCNN、MIL、Inception）	histopathological images	284张全切片图像（训练），180张核心组织图像（测试）	NA	DCNN, Inception	Cox比例风险分析, Kaplan-Meier生存分析	NA
1390	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
1391	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
1392	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
1393	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
1394	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
1395	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
1396	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
1397	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）
1398	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
1399	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
1400	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