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
1	2026-07-10	A deep learning pipeline for systematic and accurate vertebral fracture reporting in computed tomography 2025-04, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106827 PMID:39970769	研究论文	介绍了一种用于在CT图像中系统且准确地检测脊椎骨折的深度学习流水线	提出了一种端到端的深度学习流水线，结合分割和分类网络，能够自动处理来自不同视野的CT脊柱图像，提高了骨折检测的效率和准确性	样本量相对较小，且仅针对腰椎/胸腰椎CT图像进行训练和测试，可能在其他脊柱区域或不同患者群体中表现有限	开发一种自动化的深度学习流水线，用于在CT扫描中机会性检测脊椎骨折，以减少系统文档记录的时间和遗漏	脊柱骨折患者与无骨折患者的CT脊柱图像	计算机视觉	脊椎骨折	NA	CNN	图像	452例CT扫描（405例用于训练/验证，47例用于测试）	PyTorch	ResNet18, nnU-Net	灵敏度、特异性、准确率	NA
2	2026-07-10	Automated vertebral compression fracture detection and quantification on opportunistic CT scans: a performance evaluation 2025-04, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106831 PMID:40010260	研究论文	基于深度学习的算法在机会性CT扫描中自动检测和量化椎体压缩性骨折的性能评估	开发了结合2D/3D U-Net的深度学习算法，能够在机会性CT扫描中自动筛查椎体压缩性骨折，并测量椎体高度损失和平均亨氏单位，提高骨质疏松症的诊断率	样本量较小（100名患者），需进一步在更大数据集验证；算法与放射科医师的一致性存在一定偏差（95%一致性界限为-9.3到8.6）	评估深度学习算法在机会性CT扫描中自动检测和量化椎体压缩性骨折的性能	椎体压缩性骨折、椎体高度损失、骨衰减（平均亨氏单位）	机器学习、数字病理	骨质疏松症、椎体压缩性骨折	CT扫描	CNN	图像	100名患者（平均年龄76.6岁，72%为女性）	PyTorch	2D/3D U-Net	椎体标记一致性（94.9%）、椎体高度损失（VHL）一致性界限、平均亨氏单位（Pearson相关系数0.89）、敏感性（92.3%）、特异性（91.7%）	NA
3	2026-07-07	A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain 2025-04, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-06994-2 PMID:39585354	研究论文	开发了一种基于小波的深度学习方法WaveNet，能够从超低剂量PET扫描中恢复标准剂量成像质量	与传统的空间域去噪不同，WaveNet在频率域进行去噪，通过输入小波分解的PET成像频率分量来提升降噪效果	未明确提及具体局限性	旨在开发一种能够从超低剂量PET扫描中恢复高质量成像的小波深度学习法	总身体18F-FDG PET图像，包含1447个样本	计算机视觉	不适用	PET成像，小波变换	深度学习模型（WaveNet）	图像	1447个总身体PET图像	不适用	WaveNet, UNet	加权全局物理指标，局部指标，p值	不适用
4	2026-07-07	Robust and interpretable deep learning system for prognostic stratification of extranodal natural killer/T-cell lymphoma 2025-04, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-07024-x PMID:39714634	研究论文	开发并验证DeepENKTCL，一个用于结外自然杀伤/T细胞淋巴瘤预后风险分层的可解释深度学习预测系统	结合肿瘤分割模型、PET/CT融合模型和预后预测模型，并利用放射组学和拓扑特征及SHAP分析增强可解释性，构建FusionScore模型	未在文中明确提及	开发一个鲁棒且可解释的深度学习系统，用于ENKTCL的预后风险分层	来自四个中心的562例ENKTCL患者	数字病理学	淋巴瘤	PET/CT成像	深度学习（CNN等）	图像（PET/CT）	562例患者	NA	肿瘤分割模型、PET/CT融合模型、预后预测模型（具体架构未明确）	AUC, 时间依赖C指数, 临床决策曲线, Kaplan-Meier曲线	NA
5	2026-07-07	Mapping the knowledge landscape of the PET/MR domain: a multidimensional bibliometric analysis 2025-04, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-07043-8 PMID:39754665	综述	对2010至2024年间PET/MR领域的研究趋势、合作模式和新兴主题进行文献计量分析	首次系统采用多维文献计量方法绘制PET/MR领域知识图谱，揭示AI整合对影像重建和诊断准确性的推动作用	仅基于Web of Science核心合集数据库，可能遗漏部分灰色文献和非英语文献	探索PET/MR领域的研究现状、国际合作网络及未来发展方向	PET/MR领域的4349篇已发表文献	自然语言处理, 文献计量学	前列腺癌, 阿尔茨海默病, 乳腺癌, 心血管疾病	NA	NA	文本, 文献记录	4349篇出版物	NA	NA	NA	NA
6	2026-07-06	A-Eval: A benchmark for cross-dataset and cross-modality evaluation of abdominal multi-organ segmentation 2025-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103499 PMID:39970528	研究论文	提出了A-Eval基准，用于评估腹部多器官分割在跨数据集和跨模态场景下的泛化能力	首次集成了七个CT和MRI数据集，系统评估深度学习模型在不同数据集和成像模态间的泛化性能	标注不一致性对跨数据集训练提出了挑战，且模型在未见数据上的表现仍不稳定	探讨大规模数据集训练的模型在跨数据集和跨模态情况下的泛化能力，并提出改进方向	腹部多器官分割模型	数字病理学	腹部疾病	深度学习	CNN	图像	七个数据集，涵盖CT和MRI模态	PyTorch	U-Net	Dice系数	NA
7	2026-07-06	SegmentAnyBone: A universal model that segments any bone at any location on MRI 2025-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103469 PMID:39978015	研究论文	提出一个通用的深度学习模型SegmentAnyBone，用于在任何MRI位置的骨分割	提出首个通用的骨分割基础模型SegmentAnyBone，扩展了SAM模型，支持全自动和基于提示两种分割模式，并基于多MRI协议的新数据集进行训练	未提及明显局限性	开发一个公开可用的通用深度学习模型，用于MRI中多位置的骨分割，以改善肌肉骨骼疾病的定量评估	MRI图像中的骨骼分割	计算机视觉	肌肉骨骼疾病	MRI	CNN（卷积神经网络）	MRI图像	320个带标注的MRI体积和超过10k张带标注切片，覆盖不同解剖区域	PyTorch	SegmentAnyBone（基于SAM）	Dice系数等（文中未明确列出所有指标）	未提及
8	2026-07-05	Predicting Short-Term Mortality in Patients With Acute Pulmonary Embolism With Deep Learning 2025-04-25, Circulation journal : official journal of the Japanese Circulation Society IF:3.1Q2 DOI:10.1253/circj.CJ-24-0630 PMID:39617426	研究论文	开发基于深度学习的多模态模型预测急性肺栓塞患者短期死亡率，性能优于传统PESI评分	首次将增强多排CT影像与临床人口统计数据结合，构建多模态深度学习模型用于急性肺栓塞短期死亡率预测，显著优于传统PESI评分	样本量较小（仅207例患者），可能限制模型的泛化能力	开发基于深度学习的急性肺栓塞患者短期死亡率预测模型	急性肺栓塞患者的CT影像和临床人口统计数据	计算机视觉, 机器学习	急性肺栓塞	增强多排CT扫描	多模态深度学习模型（含CNN和Transformer）	图像, 文本（临床数据）	207例急性肺栓塞患者（其中53例住院期间死亡）	NA	CNN, Transformer, XGBoost	AUC	NA
9	2026-07-05	Foundation model of neural activity predicts response to new stimulus types 2025-04, Nature IF:50.5Q1 DOI:10.1038/s41586-025-08829-y PMID:40205215	研究论文	通过收集多只小鼠视觉皮层的大量神经活动数据，训练了一个基础模型，能够准确预测任意自然视频刺激下的神经元反应，并泛化到新小鼠和新型刺激类型	首次构建了基于自然视频刺激的视觉皮层神经活动基础模型，该模型不仅在新小鼠和新型刺激类型上表现出强大的泛化能力，还能预测解剖细胞类型、树突特征和神经元连接性	尽管模型具有良好的泛化能力，但可能仍然无法完全涵盖所有视觉刺激类型，且对更复杂的认知任务泛化能力未知	开发一个能够准确预测神经活动并泛化到新刺激类型和新个体的基础模型，以推进对大脑计算原理和神经编码的理解	小鼠视觉皮层的神经元群体，包括来自多只小鼠的自然视频刺激诱发的神经活动数据以及MICrONS功能连接组数据	机器学习	NA	大规模神经活动记录（钙成像或电生理）	基础模型（Foundation Model）	时间序列神经活动数据、自然视频刺激、功能连接组数据	多只小鼠的视觉皮层神经活动数据，具体数量未说明	NA	NA	预测准确性（可能是相关性或均方误差）、泛化到新小鼠和新刺激的预测性能	NA
10	2026-07-04	Automatic Segmentation of Vestibular Schwannoma From MRI Using Two Cascaded Deep Learning Networks 2025-04, The Laryngoscope DOI:10.1002/lary.31979 PMID:39744768	research paper	提出一种级联两个卷积神经网络模型的方法，用于从MRI中自动分割前庭神经鞘瘤，以提升分割性能	创新性地采用了两个UNet模型顺序连接，第一个UNet的分割结果输入第二个网络进行精炼，并结合空间注意力机制，在2D、2.5D和3D架构上均提升了分割效果	深度学习方法因肿瘤变异性面临泛化挑战，论文未详细讨论跨中心或大样本验证的局限性	通过深度学习自动检测和分割前庭神经鞘瘤，提升MRI自动分割性能	前庭神经鞘瘤	computer vision	vestibular schwannoma	MRI	CNN	image	使用公共和私有数据集，包含对比增强T1和高分辨率T2加权MRI图像，具体样本数量未提及	NA	UNet	Dice score	NA
11	2026-06-30	Spike Rate Inference from Mouse Spinal Cord Calcium Imaging Data 2025-04-30, The Journal of neuroscience : the official journal of the Society for Neuroscience DOI:10.1523/JNEUROSCI.1187-24.2025 PMID:40127941	研究论文	利用监督深度学习（CASCADE）和非监督非负解卷积（OASIS）算法，从脊髓钙成像数据推断神经元脉冲率	首次在脊髓神经元上测试脉冲推断算法，并公开提供针对脊髓数据重新训练的CASCADE模型	未提及算法在其他脑区或细胞类型上的泛化能力验证	验证和监督优化脉冲推断算法在脊髓神经元中的泛化性能	小鼠脊髓背角浅层的谷氨酸能和GABAergic躯体感觉神经元	机器学习	NA	钙成像	CNN（CASCADE）、非负解卷积（OASIS）	电生理记录和钙成像数据	小鼠（雌雄兼有）脊髓背角神经元	NA	CASCADE（基于深度学习）、OASIS（非负解卷积）	纳秒级脉冲推断准确性	NA
12	2026-06-26	A bio-lattice deep learning framework for modeling discrete biological materials 2025-04, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2025.106900 PMID:39891961	研究论文	提出一种结合深度神经网络、有限元法和晶格弹簧模型的机器学习多尺度框架，用于模拟离散、空间异质生物材料的力学行为	提出无假设的晶格框架描述离散单元相互作用，并建立与有限元实现一致的多尺度连接，单DNN可学习多种粒子构型和边界条件的本构方程	未讨论方法的计算效率、大规模应用可扩展性或体内生物组织的验证	开发基于机器学习的多尺度框架以高效预测离散、空间异质生物组织的力学响应	生物组织中的离散相互作用单元及空间异质材料（含软硬夹杂物、梯度多晶固体、随机构型等）	机器学习	NA	NA	深度神经网络（DNN）	NA	NA	PyTorch	深度神经网络（DNN）	NA	NA
13	2026-06-19	Large-Scale Deep Learning-Enabled Infodemiological Analysis of Substance Use Patterns on Social Media: Insights From the COVID-19 Pandemic 2025-04-17, JMIR infodemiology IF:3.5Q1 DOI:10.2196/59076 PMID:40244656	研究论文	利用深度学习分析社交媒体上COVID-19疫情期间药物使用模式的大规模信息流行病学研究	首次使用大规模深度学习模型RoBERTa结合人工循环策略分析11.3亿条推文，揭示COVID-19疫情期间药物使用模式的实时变化趋势	NA	分析COVID-19疫情期间社交媒体上药物使用模式的变化，为公共卫生干预提供数据支持	2019年1月至2021年12月期间Twitter（现更名为X）上的药物使用相关推文	自然语言处理	物质使用障碍	NA	RoBERTa	文本数据（推文）	11.3亿条推文	PyTorch	RoBERTa	NA	NA
14	2026-06-19	Determining the Importance of Lifestyle Risk Factors in Predicting Binge Eating Disorder After Bariatric Surgery Using Machine Learning Models and Lifestyle Scores 2025-04, Obesity surgery IF:2.9Q1 DOI:10.1007/s11695-025-07765-0 PMID:40045153	研究论文	利用机器学习模型和生活方式评分评估生活方式风险因素对袖状胃切除术后暴食障碍的预测重要性	首次结合生活方式评分和多种机器学习模型系统评估生活方式风险因素在预测减重术后暴食障碍中的作用	样本量相对较小，仅450例，且为单中心回顾性研究，可能存在选择偏倚	评估生活方式风险因素与袖状胃切除术后2年暴食障碍发生风险的关联，并比较不同机器学习模型的预测性能	接受袖状胃切除术2年后的450名患者	机器学习	肥胖症相关暴食障碍	NA	逻辑回归、KNN、决策树、随机森林、SVM、XGBoost、人工神经网络	临床问卷数据和生活习惯数据	450名患者（其中122例患暴食障碍）	Scikit-learn, XGBoost, Keras	逻辑回归、K近邻、决策树、随机森林、支持向量机、XGBoost、人工神经网络	准确率（约75%）	NA
15	2026-06-18	Detection of Macular Neovascularization in Eyes Presenting with Macular Edema using OCT Angiography and a Deep Learning Model 2025-04, Ophthalmology. Retina DOI:10.1016/j.oret.2024.10.017 PMID:39461425	研究论文	使用OCT血管成像和深度学习模型检测黄斑水肿眼中黄斑新生血管	开发了一种混合多任务卷积神经网络（aiMNV），可从OCTA图像中同时检测和分割MNV，并验证了其高灵敏度和特异性	6×6毫米扫描由于采样密度较低，MNV检测灵敏度低于3×3毫米扫描	评估人工智能算法在多种病因黄斑水肿眼中检测和分割黄斑新生血管的诊断性能	黄斑水肿患者（包括新生血管性年龄相关性黄斑变性、糖尿病性黄斑水肿、视网膜静脉阻塞）的114只眼	计算机视觉	黄斑新生血管	OCT血管成像	卷积神经网络（CNN）	图像	112名参与者的114只眼（56只渗出性AMD眼，58只DME或RVO导致黄斑水肿眼）	NA	混合多任务卷积神经网络	灵敏度、特异性、阳性预测值、阴性预测值、交并比、F1分数	NA
16	2026-06-17	Intermittent hypoxemia during hemodialysis: AI-based identification of arterial oxygen saturation saw-tooth pattern 2025-04-28, BMC nephrology IF:2.2Q2 DOI:10.1186/s12882-025-04133-z PMID:40295983	研究论文	利用人工智能自动识别血液透析过程中动脉血氧饱和度锯齿波模式	首次使用一维卷积神经网络自动识别血液透析患者动脉血氧饱和度的间歇性锯齿波模式	NA	自动识别血液透析患者中反复出现间歇性动脉血氧饱和度锯齿波模式的个体	血液透析患者的动脉血氧饱和度记录	机器学习	睡眠呼吸暂停	1D-CNN	一维卷积神经网络	时间序列	来自22名血液透析患者的4075个连续5分钟片段	NA	1D-CNN	准确率, AUC	NA
17	2026-06-17	IBDome: An integrated molecular, histopathological, and clinical atlas of inflammatory bowel diseases 2025-Apr-10, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.26.645544 PMID:40291692	研究论文	综合分子、组织病理学和临床数据构建IBD资源库，揭示炎症性肠病的多组学机制并开发诊断工具	首次整合全外显子组测序、RNA测序、血清蛋白质组学和组织病理学图像的多队列多模态分析，并利用基础模型深度学习从H&E染色图像预测组织学疾病活动评分	NA	通过多组学和多模态数据整合，深入理解炎症性肠病（IBD）的病理机制并优化诊断与治疗	1,002名临床注释的IBD患者和非IBD对照	数字病理学, 机器学习, 自然语言处理	炎症性肠病（克罗恩病、溃疡性结肠炎）	全外显子组测序, RNA测序, 血清蛋白质组学, H&E染色组织学	基础模型深度学习	基因组数据, 转录组数据, 蛋白质组数据, 组织病理学图像	1,002名患者（包含IBD患者和非IBD对照）	NA	基础模型	预测准确性	NA
18	2026-06-15	New Threshold for Defining Mild Aortic Stenosis Derived From Velocity-Encoded MRI in 60,000 Individuals 2025-Apr-08, Journal of the American College of Cardiology IF:21.7Q1 DOI:10.1016/j.jacc.2025.01.035 PMID:40175013	研究论文	利用深度学习模型从60,000名个体的速度编码MRI数据中定义轻度主动脉瓣狭窄的新阈值	通过大规模人群研究提出基于MRI的轻度主动脉瓣狭窄新诊断阈值，并验证其与不良结局的关联	未提及具体局限性	研究无临床指征下主动脉瓣功能测量的流行病学，并定义正常与异常血流动力学的界限	主动脉瓣功能（面积、峰值速度、平均梯度）	机器学习	主动脉瓣狭窄	速度编码心脏磁共振成像	深度学习模型	图像（MRI）	62,902名UK Biobank参与者（健康子队列41,859人）；外部验证队列365,870人（NEDA）	NA	NA	风险比（HR）、P值	NA
19	2026-06-07	Comprehensive analysis of human dendritic spine morphology and density 2025-04-01, Journal of neurophysiology IF:2.1Q3 DOI:10.1152/jn.00622.2024 PMID:40013734	研究论文	利用人类脑组织样本，结合三维重建和深度学习模型，全面分析树突棘的形态与密度	首次对来自患者手术样本的人脑树突棘进行大规模三维形态分析，集成深度学习自动分割与重建，显著提升处理效率	未明确提及深度学习模型的泛化性验证及临床疾病直接关联的局限性	研究人类树突棘形态与密度在性别、树突类型和组织条件上的差异，并探讨其与神经疾病的关系	27名接受肿瘤或癫痫手术患者（含8名女性、19名男性，年龄18-71岁）的脑组织样本中的树突棘	数字病理学	神经疾病	三维重建、急性切片培养、器官型脑片培养	深度学习模型	图像	27名患者的脑组织样本，包含近4000个树突棘	ZEISS arivis Pro	未指定具体架构	F1-score	未指定
20	2026-06-03	C2FAU-Net: A Deep Learning Approach with Multi-scale Strategy for Automated Delineation of Organs-at-risk in Cervical Cancer High-dose Rate Brachytherapy 2025 Apr-Jun, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_65_25 PMID:41939154	研究论文	提出一种基于多尺度策略的深度学习模型C2FAU-Net，用于宫颈癌高剂量率近距离治疗中盆腔高危器官的自动勾画	采用粗到细的注释策略与变形数据增强，结合三维注意力U-Net架构，显著降低了手动勾画时间，同时保持与手动勾画相当的剂量学参数	未提及具体限制	提高宫颈癌高剂量率近距离治疗中盆腔高危器官的自动勾画效率与临床适用性	宫颈癌患者盆腔高危器官（膀胱、直肠、乙状结肠）	计算机视觉	宫颈癌	高剂量率近距离治疗	三维注意力U-Net	医学图像	100例宫颈癌患者（80例训练，10例验证，10例测试）	NA	C2FAU-Net（基于三维注意力U-Net）	体积Dice相似系数（DSC）、第95百分位数豪斯多夫距离（HD95）、平均对称表面距离（ASSD）、精确率、召回率	NA