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	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
102	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
103	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
104	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
105	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）
106	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
107	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
108	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
109	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
110	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
111	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
112	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
113	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
114	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
115	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
116	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
117	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
118	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
119	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
120	2026-03-01	Safe-by-Design Strategies for Intranasal Drug Delivery Systems: Machine and Deep Learning Solutions to Differentiate Epithelial Tissues via Attenuated Total Reflection Fourier Transform Infrared Spectroscopy 2025-Mar-14, ACS pharmacology & translational science IF:4.9Q1 DOI:10.1021/acsptsci.4c00643 PMID:40109738	研究论文	本研究结合ATR-FTIR光谱与机器学习和深度学习技术，有效区分鼻至脑上皮组织，为鼻内药物递送系统开发安全设计模型	首次将ATR-FTIR光谱与ML/DL结合用于区分鼻上皮组织，并引入SHAP值分析解释模型决策，构建去噪自编码器提升光谱质量	研究基于离体猪组织实验，可能无法完全反映体内复杂生理环境，样本量未明确说明	开发鼻内药物递送系统的安全设计监测策略	嗅觉上皮、呼吸上皮和气管组织	机器学习	NA	衰减全反射傅里叶变换红外光谱	前馈神经网络, 支持向量机, 自编码器	光谱数据	NA	NA	前馈神经网络, 去噪自编码器	准确率, 灵敏度, 特异性, F1分数, 皮尔逊相关系数	NA