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
21	2026-09-13	A deep learning model for QRS delineation in organized rhythms during in-hospital cardiac arrest 2025-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105803 PMID:39891984	研究论文	本文提出了一种基于深度学习的新模型，用于在院内心脏骤停期间对组织化心律的QRS波群进行精确 delineation	针对心脏骤停心律，传统QRS delineation算法未经过测试，本文首次引入深度学习模型（U-Net）实现精确 delineation	未明确提及	开发一种基于深度学习的模型，准确 delineate 院内心脏骤停患者组织化心律中的QRS波群	院内心脏骤停患者和血流动力学稳定患者的心电图信号	数字病理学	心血管疾病	心电图	CNN	信号	332例院内心脏骤停发作（151815个QRS波群）和105例血流动力学稳定患者（112497个QRS波群）	NA	U-Net	F1分数, 灵敏度, 特异性, 交并比, QRSon误差, QRSoff误差	NA
22	2026-09-13	Deep learning and machine learning in CT-based COPD diagnosis: Systematic review and meta-analysis 2025-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105812 PMID:39891985	系统综述与meta分析	本研究系统综述并meta分析了基于CT图像的深度学习和机器学习模型在慢性阻塞性肺疾病（COPD）诊断中的性能	首次对基于CT的COPD人工智能诊断模型进行系统综述和meta分析，定量评估了深度学习与机器学习模型的诊断效能，并探讨了多实例学习机制对深度学习模型性能的影响	纳入研究间存在异质性，部分研究未报告或无法计算完整的统计指标，仅15项研究纳入meta分析，多实例学习机制的增益未达到统计学显著性	定量分析人工智能模型在COPD患者CT图像中的诊断性能，促进相关研究发展	COPD患者的CT图像及基于此的AI诊断模型	医学影像分析	慢性阻塞性肺疾病	CT影像	CNN, 机器学习	图像	22项研究符合纳入标准，其中15项纳入meta分析，共涉及22,817名患者	NA	NA	灵敏度, 特异度, 曲线下面积（AUC）, 汇总受试者工作特征曲线（SROC）	NA
23	2026-09-13	An interpretable hybrid machine learning approach for predicting three-month unfavorable outcomes in patients with acute ischemic stroke 2025-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105807 PMID:39923294	研究论文	该研究开发了一种可解释的混合机器学习模型，利用30个易于获取的临床变量，预测急性缺血性卒中患者三个月的不良结局	采用25种模型和14种评估指标的聚类分析策略进行客观模型筛选；结合XGBoost与CatBoost的集成建模并通过代价曲线调整决策阈值；利用SHAP图提供特征重要性和交互效应的可视化解释；构建了面向AIS患者三个月预后预测的实用平台	摘要中未明确提及研究的局限性	开发可解释的混合机器学习模型，准确预测急性缺血性卒中患者三个月的不良结局	急性缺血性卒中患者	机器学习	卒中	NA	XGBoost, CatBoost, 集成学习	表格数据（临床数据）	训练集731例，内部验证集1045例中不良结局389例，外部验证集411例中不良结局161例	NA	XGBoost, CatBoost	PRAUC, ROCAUC, 特异性, 平衡准确率, MCC	NA
24	2026-09-13	SpaMask: Dual masking graph autoencoder with contrastive learning for spatial transcriptomics 2025-04, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012881 PMID:40179332	研究论文	提出SpaMask，一种双掩码图自编码器与对比学习相结合的方法，用于空间转录组数据分析中的空间域识别。	首次在空间转录组分析中同时采用节点掩码和边掩码的双重掩码机制，结合掩码图自编码器与掩码图对比学习，增强了模型对高稀疏数据的鲁棒性和聚类准确性。	未明确说明计算资源需求，且仅在八套数据集上验证，泛化性有待进一步评估。	解决空间转录组数据高稀疏性导致的图深度学习模型不稳定的问题，提升空间域识别的准确性和鲁棒性。	空间转录组数据中的斑点节点及其空间邻接关系。	机器学习	NA	空间转录组学	图自编码器, 对比学习	空间转录组数据	来自五个不同平台的八个数据集	NA	掩码图自编码器, 掩码图对比学习	聚类准确率, 批次校正效果	NA
25	2026-09-08	Deep learning-based free-water correction for single-shell diffusion MRI 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110326 PMID:39827997	研究论文	提出了一种基于深度学习的方法，用于单壳扩散MRI的自由水校正，以改善扩散属性估计和白质纤维追踪的准确性	首次使用深度学习框架处理单壳扩散MRI的自由水校正，通过数据驱动方式推断自由水体积，克服了传统双室模型需要多壳数据的限制	未在文中明确提及，可能需要依赖训练数据的多样性来保证泛化能力	开发一种可泛化的深度学习框架，用于单壳扩散MRI的自由水校正，以提高扩散属性估计的准确性和白质纤维追踪的清晰度	人类连接组计划青年成人（HCP-ya）、人类连接组计划老化数据集（HCP-a）和脑肿瘤连接组学数据（BTC）	机器学习	NA	扩散磁共振成像（dMRI）	深度学习模型	扩散加权图像（DWI）	未明确提及，涉及HCP-ya、HCP-a和BTC数据集	NA	NA	属性估计一致性、神经通路识别准确性、白质纤维可视化清晰度	NA
26	2026-09-07	An end-to-end neural network for 4D cardiac CT reconstruction using single-beat scans 2025-Apr-22, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/adcafb PMID:40203865	研究论文	提出了一种基于深度学习的端到端框架，利用单次心跳快速CT扫描数据进行四维心脏CT重建，以减轻运动伪影	首次提出仅依赖单周期扫描数据且对心率无显式限制的端到端深度重建框架，将去噪网络与配准网络联合训练，实现运动补偿重建	模型使用真实患者的模拟投影数据进行训练，尚未在真实临床扫描数据上进行验证	开发一种深度学习端到端重建框架，利用单次心跳扫描数据进行动态心脏CT成像，以减少运动伪影并提高图像质量	30名真实患者的模拟投影数据，来自不同机构的模拟数据集以及XCAT生成的连续体模	计算机视觉, 医学影像	心脏疾病	心脏CT成像	深度学习网络（包含去噪网络和配准网络）	CT投影数据, 图像	30名真实患者及不同机构模拟数据集和XCAT连续体模	NA	NA	结构相似性指数(SSIM), 峰值信噪比(PSNR), 均方根误差(RMSE), Dice相似系数(DSC)	NA
27	2026-09-07	Generalizable Magnetic Resonance Imaging-based Nasopharyngeal Carcinoma Delineation: Bridging Gaps Across Multiple Centers and Raters With Active Learning 2025-04-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.11.064 PMID:39557309	研究论文	开发一种利用主动学习和无源域适应的深度学习方法，用于鼻咽癌大体肿瘤体积分割，解决多中心和多名标注者环境中的模型部署变异性和不准确性。	结合主动学习和无源域适应技术，以有限标注目标样本（仅20%）实现多中心和多名标注者域的有效适应，并达到与全监督U-Net相当的性能。	依赖有限标注样本的主动学习，可能影响极端情况下的泛化；未详细说明跨中心标注差异的其他潜在影响。	提高磁共振成像中鼻咽癌大体肿瘤体积分割模型在多中心和多名标注者场景下的准确性和可泛化性。	鼻咽癌患者的磁共振成像扫描及其大体肿瘤体积标注数据。	数字病理学	鼻咽癌	磁共振成像	深度学习模型（U-Net）	医学图像（磁共振成像扫描）	1057例多中心患者扫描和170例多标注者患者扫描	未指定（标题和摘要中未提及具体框架）	U-Net	Dice相似系数（DSC）、95%豪斯多夫距离（HD95）	未指定（标题和摘要中未提及主要计算资源）
28	2026-09-07	Prior Knowledge-Guided U-Net for Automatic Clinical Target Volume Segmentation in Postmastectomy Radiation Therapy of Breast Cancer 2025-04-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.11.104 PMID:39667584	研究论文	本文设计了一种先验知识引导的U-Net（PK-UNet），用于乳腺癌术后放疗中的临床靶区自动分割，并验证其在分割性能和临床效率上的优势	将医学先验知识创新性地整合到深度学习分割框架中，通过两阶段过程（先定位网络生成先验知识标签，再指导分割网络）提高分割精度，特别是在边界不连续和上下极区域表现优异	未在摘要中明确提及局限性，需全文确认	开发并评估PK-UNet方法以实现乳腺癌术后放疗中临床靶区的精准自动分割	乳腺癌术后患者的计算机断层扫描（CT）影像中的临床靶区，包括胸壁、锁骨上区和腋窝III组	医学影像分析（放射治疗靶区分割）	乳腺癌	计算机断层扫描（CT）	U-Net	影像（CT图像）	102例乳腺癌术后患者的CT扫描，其中80例用于训练（5折交叉验证），22例用于独立测试	NA	U-Net（PK-UNet，含两阶段分割网络）	Dice相似系数（DSC）、95%豪斯多夫距离、平均表面距离、表面Dice系数	NA
29	2026-09-06	3D tooth identification for forensic dentistry using deep learning 2025-04-30, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-06017-y PMID:40301795	研究论文	本文提出了一种基于深度学习的三维牙齿识别方法，用于法医牙科中的牙齿分类，通过将3D牙齿模型转换为2D图像并利用RNN架构进行准确分类	提出了一种从3D牙齿模型中提取代表性特征并转换为2D图像的新方法，结合RNN和全连接层增强序列数据处理能力，以克服3D数据不规则性的挑战	NA	提高法医牙科中牙齿分类的准确性和诊断效率，减少人工分析并加快处理速度	口腔内牙齿结构模型	计算机视觉	NA	3D成像	RNN、全连接层	3D模型和2D图像	NA	NA	RNN	NA	NA
30	2026-09-06	Spatial-frequency aware zero-centric residual unfolding network for MRI reconstruction 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110334 PMID:39863026	研究论文	提出了一种空间频率感知的零中心残差展开网络，用于磁共振成像重建，以提升图像质量并减少采样伪影	引入了可学习的空间频率差异感知模块，补充数据一致性层，将k空间域差异映射到空间图像域进行感知补偿；受小波分解启发，将图像分解为均值和残差成分，对残差实施零均值约束以提高效率	未明确提及，但可能受限于数据集特定性和计算资源需求	改进MRI重建算法，减少欠采样k空间引起的图像域伪影，增强图像质量	MRI图像数据，使用FastMRI和Calgary-Campinas数据集	计算机视觉, 深度学习	无特定疾病类别	压缩感知, 深度学习	展开网络（Unfolding Network）	图像	未明确给出具体样本数量	未提及具体框架	空间频率感知模块, 数据一致性层, 零中心残差模块	重建性能指标（具体未列出，如PSNR、SSIM）	未提及具体计算资源
31	2026-09-06	FDuDoCLNet: Fully dual-domain contrastive learning network for parallel MRI reconstruction 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110336 PMID:39864600	研究论文	提出了一种基于变分网络的全双域对比学习网络FDuDoCLNet，用于并行磁共振成像重建，同时在图像域和小波域进行优化	受小波理论中提升方案的启发，首次在图像域和小波域同时引入双域对比损失，以有效优化重建性能并解决现有双域方法对单一域特征过度关注的问题	仅在6倍加速因子的fastMRI多线圈膝关节数据集上进行了评估，未涉及其他加速因子或解剖部位，且未提及计算资源需求或实时性能	提高并行磁共振成像的重建质量，通过同时利用图像域全局信息和小波域局部细节来克服现有深度学习重建方法的局限性	并行磁共振成像重建	深度学习	不适用	并行磁共振成像	变分网络	图像	公开的fastMRI多线圈膝关节数据集	不适用	VarNet	PSNR, SSIM	不适用
32	2026-09-04	Enhancing thin slice 3D T2-weighted prostate MRI with super-resolution deep learning reconstruction: Impact on image quality and PI-RADS assessment 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110308 PMID:39667642	研究论文	本研究评估了超分辨率深度学习重建（SR-DLR）在改善前列腺薄层3D T2加权成像图像质量和PI-RADS评估中的效果	首次在薄层3D T2加权前列腺MRI中应用SR-DLR，无需延长采集时间即可提升图像质量和PI-RADS评分一致性	研究为回顾性设计，样本量较小且来自单中心，可能限制结果的泛化性	评估SR-DLR在提高薄层3D T2加权前列腺MRI图像质量和PI-RADS评估可行性方面的潜力	接受前列腺MRI且应用SR-DLR的患者	医学影像	前列腺癌	MRI	深度学习重构模型	影像数据	33例患者纳入，最终分析28例（平均年龄70.8岁）	NA	NA	对比度、对比噪声比、图像质量评分、kappa值	NA
33	2026-09-04	A lightweight adaptive spatial channel attention efficient net B3 based generative adversarial network approach for MR image reconstruction from under sampled data 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110281 PMID:39672285	研究论文	提出一种基于轻量级自适应空间通道注意力EfficientNet B3的生成对抗网络方法，用于从欠采样数据中重建磁共振图像	首次结合自适应空间通道注意力机制与EfficientNet B3的复合缩放策略，构建轻量级GAN模型，实现高倍欠采样下的高质量MR图像重建	未提及	解决传统CS-MRI在高加速因子下迭代慢和伪影问题，实现快速、高质量的MR图像重建	欠采样k空间数据采集的磁共振图像	计算机视觉, 数字病理学	不适用	压缩感知MRI, 深度学习	生成对抗网络, U-Net, ResNet, EfficientNet B3	图像	未提及	未提及	U-Net, ResNet, EfficientNet B3, 生成对抗网络	多个指标，具体未列出	未提及
34	2026-09-04	Conditional generative diffusion deep learning for accelerated diffusion tensor and kurtosis imaging 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110309 PMID:39675686	研究论文	开发了一种名为DiffDL的条件生成扩散深度学习模型，用于从减少的扩散加权图像集中生成高质量的DTI和DKI指标，以缩短采集时间并保持准确性。	利用生成扩散概率模型，能够从减少的DWI中生成高质量DTI/DKI指标，并通过多次预测实现不确定性量化，优于传统方法和基线UNet模型。	需要优化计算需求，并需在临床队列和标准MRI扫描仪上进一步验证。	开发并评估DiffDL模型，以减少扩散MRI的数据采集时间，同时保持DTI/DKI指标的质量和准确性。	人类连接组项目中的受试者（300个训练/验证和50个测试），产生的FA和MD图及DKI指标。	机器学习	不适用	扩散加权成像 (DWI)	生成扩散概率模型	图像（磁共振扩散加权图像）	350名受试者（300训练/验证，50测试）	NA	UNet	归一化平均绝对误差 (NMAE), 峰值信噪比 (PSNR), 皮尔逊相关系数 (PCC)	NA
35	2026-09-04	Predicting molecular subtypes of breast cancer based on multi-parametric MRI dataset using deep learning method 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110305 PMID:39681144	研究论文	开发了一种基于多参数MRI数据的深度学习模型，用于预测乳腺癌的分子亚型。	采用了五种MRI图像输入和集成学习方法融合多个基模型，以提高预测乳腺癌分子亚型的准确性。	未提供明确限制信息。	开发并验证一种多参数MRI模型，用于预测乳腺癌的四种分子亚型（Luminal A、Luminal B、HER2阳性、三阴性）。	325例经病理确诊的乳腺癌患者的临床数据和五种MRI图像。	医学影像	乳腺癌	NA	深度学习（ResNeXt50）	MRI图像	训练集260例，测试集65例；共325例乳腺癌患者。	PyTorch	ResNeXt50	准确率、敏感度、特异性、ROC曲线、AUC	NA
36	2026-09-04	Reliability of post-contrast deep learning-based highly accelerated cardiac cine MRI for the assessment of ventricular function 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110313 PMID:39708928	研究论文	本研究评估了基于深度学习的高度加速心脏电影MRI在对比剂注射前后采集的图像质量和双心室功能定量的一致性	首次在临床环境中评估对比剂后使用深度学习高度加速心脏电影成像的可靠性，以缩短非扫描时间	未提供明确的局限性信息	评估基于深度学习的二维心脏电影成像在对比剂注射前后的性能等效性，包括图像质量和双心室容积及功能定量	30名患者（20名男性，平均年龄53.7±17.8岁）的心脏磁共振图像	医学影像	心脏疾病	心脏磁共振成像	深度学习模型	图像	30名患者的双心室短轴电影图像	NA	NA	图像质量评分、EDV、ESV、SV、EF、LVM	NA
37	2026-09-04	Deep learning radiomics nomograms predict Isocitrate dehydrogenase (IDH) genotypes in brain glioma: A multicenter study 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110314 PMID:39708927	研究论文	本研究探索了基于深度学习放射组学列线图在预测脑胶质瘤IDH基因型中的应用	结合深度学习特征、放射组学特征和临床特征的多模态列线图模型，用于非侵入性预测IDH基因型，并在外部验证中展现出高性能	并未在摘要中明确指出，有待全文查看	评估深度学习放射组学列线图预测脑胶质瘤IDH基因型的能力	脑胶质瘤患者	医学影像分析	脑胶质瘤	磁共振成像	深度学习与放射组学混合模型	医学图像	共402名胶质瘤患者（训练组239名，内部验证组103名，外部验证组60名）	NA	NA	AUC	NA
38	2026-09-04	Combination of deep learning reconstruction and quantification for dynamic contrast-enhanced (DCE) MRI 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110310 PMID:39710009	研究论文	本研究提出了一种端到端的深度学习管道，结合新型重建网络DCE-Movienet和量化网络DCE-Qnet，用于快速、定量的动态对比增强磁共振成像（DCE-MRI）	提出DCE-Movienet，实现全采集数据的超快速重建（仅0.66秒），远快于压缩感知的10分钟级重建，且不影响图像质量	未提及局限性	提高DCE-MRI在临床环境中的速度和定量稳健性，以改善其临床应用表现	健康志愿者和宫颈癌患者	深度学习	癌症（宫颈癌）	DCE-MRI	深度学习网络	MRI图像	未提及具体数量	NA	DCE-Movienet, DCE-Qnet	未提及具体指标	NA
39	2026-09-04	Comparison of conventional diffusion-weighted imaging and multiplexed sensitivity-encoding combined with deep learning-based reconstruction in breast magnetic resonance imaging 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110316 PMID:39716684	研究论文	本研究比较了常规扩散加权成像与结合深度学习重建的多重敏感编码在乳腺磁共振成像中的应用效果。	首次将深度学习重建技术应用于MUSE序列的乳腺MRI，以提升图像质量并缩短扫描时间。	研究为单中心、样本量较小，且未评估DLR对诊断准确性的影响。	评估MUSE结合DLR在乳腺MRI中的可行性，并与常规DWI及单独MUSE进行比较。	2023年6月至12月接受乳腺MRI的女性参与者。	医学影像	乳腺癌	扩散加权成像，多重敏感编码，深度学习重建	深度学习	磁共振图像	51名女性参与者	NA	NA	信噪比，对比噪声比，表观扩散系数，图像质量评分，组内相关系数	NA
40	2026-09-04	Application of MRI-based tumor heterogeneity analysis for identification and pathologic staging of breast phyllodes tumors 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110325 PMID:39788394	研究论文	本研究探讨基于MRI的影像组学和深度学习模型在乳腺叶状肿瘤识别与病理分级中的应用价值。	结合传统影像组学、子区域影像组学和深度学习特征，构建融合模型以提高乳腺叶状肿瘤分类和鉴别诊断的准确性。	未提及。	评估基于MRI的影像组学和深度学习模型在乳腺叶状肿瘤识别与病理分级中的效能，并提供个性化治疗依据。	乳腺叶状肿瘤和乳腺纤维腺瘤患者。	影像组学, 医学影像分析	乳腺叶状肿瘤, 乳腺纤维腺瘤	MRI成像	深度学习模型	MRI图像	77例患者	NA	NA（未指定具体架构，但包括传统影像组学、子区域影像组学和深度学习特征模型）	ROC曲线, AUC, DeLong检验, 决策曲线, 校准曲线	NA