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
61	2026-03-15	Using a fully automated, quantitative fissure integrity score extracted from chest CT scans of emphysema patients to predict endobronchial valve response 2025-Mar, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.2.024501 PMID:40093557	研究论文	本研究开发并验证了一种基于胸部CT扫描的自动化定量裂隙完整性评分（FIS）预测模型，用于识别适合接受支气管内瓣膜（EBV）治疗的肺气肿患者	首次利用完全自动化的深度学习方法来定量评估肺裂隙完整性，并将其作为预测EBV治疗反应的生物标志物	样本量较小（仅96例），且为回顾性研究，可能存在选择偏倚	开发预测模型以识别适合EBV治疗的肺气肿患者	中度至重度肺气肿患者	数字病理学	肺气肿	胸部CT扫描	深度学习, 逻辑回归	CT图像	96例患者的治疗前后胸部CT扫描	NA	NA	AUC, 准确率, 特异性, 敏感性, 阳性预测值, 阴性预测值	NA
62	2026-03-14	Automated acute skin toxicity scoring in a mouse model through deep learning 2025-03, Radiation and environmental biophysics IF:1.5Q3 DOI:10.1007/s00411-024-01096-x PMID:39503921	研究论文	本研究通过先进的成像设置和深度学习，提出了一种在小鼠临床前放疗试验中自动评估皮肤毒性的新方法	开发了一个结合物体检测和分类的两步深度学习框架，用于自动化皮肤毒性评分，并展示了其在减少观察者间变异和提高评估效率方面的潜力	模型在特定毒性等级的分类上仍存在细微挑战，未来需要通过扩展训练数据集来改进系统	开发一种客观、可重复的皮肤毒性评估方法，以解决临床前放疗试验中手动评分方法的不足	小鼠（160只）在质子/电子放疗试验中右后肢的急性皮肤毒性反应	计算机视觉	皮肤毒性（作为放疗副作用）	先进成像设置	物体检测模型, 分类模型	图像	160只小鼠，来自4项研究，共7542张图像	NA	NA	准确率	NA
63	2026-03-14	The use of artificial intelligence to aid the diagnosis of lung cancer - A retrospective-cohort study 2025-03, Radiography (London, England : 1995) DOI:10.1016/j.radi.2025.01.011 PMID:39890480	研究论文	本研究通过回顾性队列分析，评估了基于深度学习的AI软件在胸部X光片上辅助诊断肺癌的性能，并探讨了其在临床实践中的潜在应用价值	首次在临床环境中系统验证了商用AI软件对肺癌早期检测的敏感性和时间效益，特别是在临床报告阴性的病例中AI能提前识别结节	研究为单中心回顾性设计，样本量有限（208名患者），且未评估AI对临床决策和患者预后的长期影响	评估AI软件在胸部X光片上辅助诊断肺癌的临床有效性，并分析其对诊断时间和检测率的潜在影响	105名肺癌阳性患者和103名阴性对照患者的胸部X光片及对应CT扫描	数字病理学	肺癌	胸部X光成像，CT扫描	深度学习自动检测算法	医学影像（胸部X光片）	208名患者（105例肺癌，103例对照），共320张胸部X光片	NA	NA	敏感性，假阳性率，诊断时间减少	NA
64	2026-03-14	The potential use of deep learning in performing autocorrection of setup errors in patients receiving radiotherapy 2025-03, Radiography (London, England : 1995) DOI:10.1016/j.radi.2025.01.016 PMID:39892051	研究论文	本研究探讨了使用深度学习在放疗中自动校正患者摆位误差的可行性	利用人工智能辅助校正放疗中的摆位误差，推动放疗服务的自动化进程	需要进一步研究以验证该方法在临床实践中的有效性	探索人工智能在放疗患者摆位校正中的潜在应用	接受放疗的脑部和气道消化道恶性肿瘤患者	计算机视觉	脑肿瘤, 气道消化道恶性肿瘤	放疗验证技术	神经网络	图像	156名患者	NA	NA	平均绝对误差, 均方误差	NA
65	2026-03-13	Obtaining full-arch implant scan with smartphone video and deep learning: An in vitro investigation on trueness and precision 2025-Mar-08, Journal of prosthodontics : official journal of the American College of Prosthodontists DOI:10.1111/jopr.14041 PMID:40055947	研究论文	本研究通过智能手机视频和深度学习模型生成全牙弓种植体扫描，并在体外环境中评估其准确性和精度	首次将智能手机视频与深度学习模型结合，用于生成全牙弓种植体扫描，提供了一种经济高效的潜在扫描方法	研究为体外实验，准确性尚未达到临床应用标准，且深度学习模型的精度相比口腔内扫描仪较差	评估基于智能手机视频和深度学习模型生成全牙弓种植体扫描的准确性	上颌无牙模型上的6个种植体和扫描体	计算机视觉	NA	深度学习3D重建	深度学习模型	视频	3个测试组（DL1、DL2、IOS），每组重复10次	NA	NA	线性偏差（准确性）、精度	NA
66	2026-03-10	Fine-Tuned Deep Transfer Learning Models for Large Screenings of Safer Drugs Targeting Class A GPCRs 2025-03-18, Biochemistry IF:2.9Q3 DOI:10.1021/acs.biochem.4c00832 PMID:40056143	研究论文	本文开发了基于迁移学习的深度学习模型，用于大规模虚拟筛选针对A类GPCRs的、具有潜在更高安全性的药物化合物	通过迁移学习策略，在A类GPCRs全序列和配体数据集上进行预训练，并针对低效激动剂和偏向性激动剂分别进行微调，结合了目标序列的自然语言处理和受体突变对信号传导的影响分析	模型开发面临高质量数据可用性有限的挑战，且目前仅针对A类GPCRs	预测具有低内在效能或配体偏向性的更安全化合物，以推进药物开发	A类G蛋白偶联受体及其配体	机器学习	NA	自然语言处理	神经网络	序列数据, 化学数据	NA	NA	NA	NA	NA
67	2025-02-19	Deep learning: Cracking the metabolic code 2025-Mar-01, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000001220 PMID:39960202	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
68	2026-03-03	Accuracy and Longitudinal Consistency of PET/MR Attenuation Correction in Amyloid PET Imaging amid Software and Hardware Upgrades 2025-Mar-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8490 PMID:39251256	研究论文	本研究评估了在阿尔茨海默病淀粉样蛋白PET成像中，PET/MR衰减校正的准确性和纵向一致性，特别是在软件和硬件升级背景下	采用迁移学习微调DL-Dixon模型，以应对扫描仪软件版本和头部线圈的更新，确保衰减校正的鲁棒性和纵向一致性	研究样本量有限，仅包含329名参与者，且仅38名进行了两次三模态扫描，可能影响结果的普遍性	旨在协调PET/MR DL-Dixon衰减校正，评估其在软件和硬件升级后的准确性和纵向一致性	阿尔茨海默病患者的PET/MR和CT图像数据	数字病理学	阿尔茨海默病	PET/MR成像, CT成像, 深度学习衰减校正	深度学习模型	图像	329名参与者，其中38名进行了两次三模态扫描	NA	DL-Dixon	PET相对绝对误差, 皮质区域PET SUVR的组内变异系数, 组内相关系数	NA
69	2026-03-03	Deep Learning-Based ASPECTS Algorithm Enhances Reader Performance and Reduces Interpretation Time 2025-Mar-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8491 PMID:39255988	研究论文	本研究探讨了基于深度学习的ASPECTS算法在急性缺血性卒中评估中如何提升医生性能并减少解读时间	开发并验证了一种FDA批准和CE认证的深度学习算法，用于自动计算ASPECTS评分，显著提高了评估的准确性和一致性，同时减少了医生解读时间	研究为回顾性设计，样本来自多个临床站点但数量有限（200例），且仅评估了特定算法（CINA-ASPECTS），未与其他算法进行比较	分析深度学习算法对医生在急性缺血性卒中ASPECTS评分评估中的性能和时间效率的影响	急性缺血性卒中患者的非增强CT扫描图像	数字病理学	心血管疾病	非增强CT扫描	深度学习模型	医学图像	200例NCCT扫描，来自5个临床站点，涉及27种扫描仪型号和4个不同供应商	NA	NA	区域基础准确率，ROC AUC，评分者间可靠性，相关系数，解读时间	NA
70	2026-03-03	Deep Learning-Based Synthetic Computed Tomography for Low-Field Brain Magnetic Resonance-Guided Radiation Therapy 2025-Mar-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.09.046 PMID:39357787	研究论文	本研究开发了一种基于条件生成对抗网络的模型，用于从低场脑磁共振成像生成合成CT图像，以支持磁共振引导的放射治疗中的剂量计算	首次提出使用条件生成对抗网络从低场磁共振成像生成高保真合成CT图像，用于脑部磁共振引导放射治疗的在线自适应剂量计算	模型在术后异常区域的表现受到挑战，且样本量相对较小	开发一种从低场磁共振成像生成合成CT的方法，以支持磁共振引导放射治疗中的剂量计算和在线自适应治疗	胶质瘤患者的脑部磁共振和CT图像对	医学影像分析	胶质瘤	磁共振成像，CT成像	条件生成对抗网络	医学图像	12名患者用于主要训练和验证，9名患者用于二次验证	NA	9块残差网络生成器，PatchGAN判别器	平均绝对误差，峰值信噪比，结构相似性指数，剂量体积直方图指标，三维伽马分析通过率	NA
71	2026-03-03	Integrating artificial intelligence with smartphone-based imaging for cancer detection in vivo 2025-Mar-01, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2024.116982 PMID:39616900	综述	本文综述了将人工智能与基于智能手机的成像系统相结合，用于体内癌症检测的技术、挑战与未来前景	提出将先进AI算法与便携式智能手机成像系统集成，以解决其在成像质量和计算能力方面的限制，并强调了可解释和不确定性感知AI在临床应用中提升透明度和可靠性的重要性	基于智能手机的成像系统面临成像质量较低和计算能力受限的挑战，且AI算法的透明度和可靠性仍需进一步提升以获得临床信任	探索利用人工智能增强智能手机成像系统，以实现便携、经济、可广泛获取的早期癌症检测工具	基于智能手机的成像系统及其在体内癌症检测中的应用	数字病理学	癌症	智能手机成像，多模态成像	深度学习算法	图像，多模态数据	NA	NA	NA	NA	智能手机（计算能力受限）
72	2026-03-03	Self-supervised learning improves robustness of deep learning lung tumor segmentation models to CT imaging differences 2025-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.17541 PMID:39636237	研究论文	本文比较了自监督学习中野生预训练与自预训练方法在非小细胞肺癌CT图像分割任务中的鲁棒性	首次系统比较了野生预训练与自预训练在医学图像分析中的效果，发现Swin Transformer模型在野生预训练下对CT成像差异更具鲁棒性	研究仅针对非小细胞肺癌CT分割任务，未涵盖其他疾病类型或成像模态；ViT和CNN模型未显示野生预训练的明显优势	评估自监督学习预训练策略对深度学习模型在医学图像分割任务中鲁棒性的影响	非小细胞肺癌患者的3D CT扫描图像	计算机视觉	肺癌	CT成像	CNN, Transformer	3D CT图像	野生预训练：10,412例3D CT；下游任务：377例训练集，156例早期阶段测试集，196例晚期阶段测试集	PyTorch	Vision Transformer, Swin Transformer, CNN	准确性, 鲁棒性评估, 特征重用分析	NA
73	2026-03-03	Learning soft tissue deformation from incremental simulations 2025-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.17554 PMID:39642013	研究论文	本研究提出了一种基于图神经网络的时空增量建模方法，用于加速面部软组织生物力学模拟	首次将时空信息整合到增量模拟中，通过图神经网络结合空间特征与时间聚合，显著提高了模拟精度并减少了计算时间	研究仅基于17名接受正颌手术的受试者数据，样本量较小，可能限制模型的泛化能力	开发高效的生物力学模拟方法，以加速正颌手术规划中的面部软组织变形预测	面部软组织	机器学习	NA	有限元方法, 深度学习	图神经网络	模拟数据	17名接受正颌手术的受试者	NA	图神经网络	平均误差, 平均计算时间	NA
74	2026-03-03	BPEN: Brain Posterior Evidential Network for trustworthy brain imaging analysis 2025-Mar, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106943 PMID:39657531	研究论文	本文提出了一种名为脑后验证据网络的新型模型，用于在脑功能磁共振成像数据分析中捕捉预测不确定性	引入了一种新颖的后验证据网络，专门设计用于捕获脑fMRI数据中的任意性和认知不确定性，填补了该领域在不确定性估计方面的研究空白	NA	开发一种可信赖的深度学习模型，用于脑功能磁共振成像数据分析，并准确估计预测不确定性	阿尔茨海默病神经影像倡议和ADNI-抑郁队列中的脑功能磁共振成像数据	数字病理学	阿尔茨海默病, 抑郁症	功能磁共振成像	后验证据网络	图像	NA	NA	BPEN	NA	NA
75	2026-03-03	CryoSamba: Self-supervised deep volumetric denoising for cryo-electron tomography data 2025-Mar, Journal of structural biology IF:3.0Q3 DOI:10.1016/j.jsb.2024.108163 PMID:39710216	研究论文	本文介绍了一种名为CryoSamba的自监督深度学习模型，用于对冷冻电子断层扫描数据进行去噪处理	CryoSamba通过深度学习插值平均运动补偿的相邻平面来增强单层2D图像，无需预记录图像、合成数据、标签、噪声模型或配对体积，且比现有方法更少地抑制高频信息	NA	开发一种自监督深度学习模型，用于提升冷冻电子断层扫描图像的信噪比和对比度	冷冻电子断层扫描数据	计算机视觉	NA	冷冻电子断层扫描	深度学习模型	3D体积图像	NA	NA	NA	傅里叶壳层相关性分析	NA
76	2026-03-03	Convolutional Neural Networks for the segmentation of hippocampal structures in postmortem MRI scans 2025-Mar, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110359 PMID:39755177	研究论文	本研究提出了一种基于深度学习的新型分割框架，用于在死后MRI扫描中自动分割海马体及其子区域	提出了一种结合自注意力机制和空洞空间金字塔池化的编码器-解码器块分割框架，以更好地识别海马体的四个子区域	训练数据样本量较小（仅15个扫描），可能影响模型的泛化能力	开发自动化方法以量化海马体结构在阿尔茨海默病中的萎缩变化	死后MRI扫描中的海马体及其子区域（齿状回、海马头、海马体、海马尾）	数字病理学	阿尔茨海默病	T1加权、T2加权和磁敏感加权MRI扫描	CNN	图像	15个死后MRI扫描	NA	UNet, Double UNet, Attention UNet, Multi-resolution UNet	NA	NA
77	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
78	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
79	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
80	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