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	2026-04-23	Segmentation of coronary artery and calcification using prior knowledge based deep learning framework 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17642 PMID:39878608	研究论文	本研究提出了一种基于先验知识的深度学习框架，用于冠状动脉和钙化的分割，并探索了分割结果对旋磨术的预测能力	整合冠状动脉和钙化的解剖先验知识到深度学习分割框架中，通过变分自编码器中心线提取、自注意力、逻辑操作和分割模块提升分割准确性和稳定性	研究样本量较小（72名患者），可能限制模型的泛化能力；未详细讨论计算资源需求或框架在其他数据集上的性能	提高冠状动脉和钙化在CTA图像中的分割准确性，并基于分割结果预测旋磨术的必要性	冠状动脉和钙化区域	数字病理学	心血管疾病	计算机断层扫描血管造影（CTA）	深度学习框架	3D CTA图像	72名患者的CTA图像数据集	NA	变分自编码器（VAE），自注意力模块	分割准确性，预测准确性	NA
62	2026-04-23	Multilevel perception boundary-guided network for breast lesion segmentation in ultrasound images 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17647 PMID:39887423	研究论文	本文提出了一种用于超声图像中乳腺病灶分割的多级感知边界引导网络（PBNet），旨在提升对与正常组织强度相似的非增强病灶的边界分割精度	提出了一种新颖的多级感知边界引导网络（PBNet），该网络包含多级全局感知模块（MGPM）和边界引导模块（BGM），并引入了多级边界增强分割损失（BS损失），以增强对非增强肿瘤的识别和边界分割	效应量小于0.2，表明性能提升的幅度相对较小	从超声图像中准确分割乳腺肿瘤，特别是提升对与正常组织强度相似的非增强病灶的边界分割精度	超声图像中的乳腺病灶	计算机视觉	乳腺癌	超声成像	CNN	图像	两个数据集：公开数据集BUSI（780张图像）和内部数据集（995张图像）	NA	PBNet（包含多级全局感知模块MGPM和边界引导模块BGM）	Dice分数, Jaccard系数, Hausdorff距离, 敏感性, 特异性	NA
63	2026-04-23	Patient- and fraction-specific magnetic resonance volume reconstruction from orthogonal images with generative adversarial networks 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17668 PMID:39904621	研究论文	本文开发了一种基于条件生成对抗网络（GAN）的2D到3D磁共振（MR）体积重建模型，通过患者和分次特定的微调工作流，利用正交2D MR图像重建合成3D MR体积，用于在线剂量适应	提出了一种患者和分次特定的微调工作流，结合条件GAN模型，能够在有限数据条件下有效重建3D MR体积，显著提升了图像质量和几何精度	研究样本量相对较小（43名患者），且仅基于单一成像协议，可能限制了模型的泛化能力	开发一种个性化深度学习模型，用于从正交2D MR图像重建3D MR体积，以支持在线剂量适应	前列腺癌患者在接受MR引导的自适应放疗过程中的MR图像	医学影像分析	前列腺癌	磁共振成像（MRI）	GAN	图像	43名患者的2473个3D MR体积	NA	条件生成对抗网络（GAN）	SSIM, PSNR, RMSE, MAE, Dice相似系数（DSC）, Hausdorff距离（HD）	NA
64	2026-04-23	Neural architecture search with Deep Radon Prior for sparse-view CT image reconstruction 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17685 PMID:39930320	研究论文	本文提出了一种名为NAS-DRP的无监督深度学习方法，用于稀疏视图CT图像重建，通过结合深度Radon先验和神经架构搜索来优化网络结构	首次将神经架构搜索与深度Radon先验结合，用于无监督CT图像重建，自动优化上采样单元的网络结构，提高了重建图像的细节和准确性	方法依赖于无监督学习，可能缺乏与有监督方法相比的配对数据优势，且神经架构搜索过程可能计算成本较高	改进稀疏视图CT图像重建，减少辐射暴露并提升图像质量	稀疏视图CT图像	计算机视觉	NA	CT扫描	编码器-解码器网络, RNN	图像	NA	NA	NAS-DRP	PSNR, SSIM, LPIPS	NA
65	2026-04-23	Beam's eye view to fluence maps 3D network for ultra fast VMAT radiotherapy planning 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17673 PMID:39935217	研究论文	本文提出了一种基于深度学习的3D网络，用于从患者数据直接预测VMAT放疗计划中的注量图，以加速治疗规划过程	开发了一种新颖的3D网络架构，能够一次性预测单弧VMAT计划中180个控制点对应的所有注量图，并通过预处理将3D剂量图投影到BEV视图以辅助网络学习	研究主要基于模拟生成的VMAT计划数据，可能未完全覆盖临床实际病例的多样性；网络性能在真实临床环境中的泛化能力有待进一步验证	加速VMAT放疗计划制定过程，通过快速预测注量图来替代传统耗时的迭代优化流程	VMAT放疗计划中的注量图预测	医学影像分析	癌症	深度学习	3D卷积神经网络	3D剂量图、注量图	超过2000个VMAT计划（使用Eclipse生成并结合REQUITE数据集）	未明确提及	3D网络（具体架构未命名，对比了U-Net）	PSNR, SSIM, 剂量体积直方图(DVH)	未明确提及
66	2026-04-23	A deep learning-based peer review method for radiotherapy planning 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17686 PMID:39935240	研究论文	本研究开发了一种基于深度学习的放疗计划同行评审方法，利用患者解剖信息进行个性化质量控制	结合深度学习剂量预测和统计模型，为放疗计划提供个性化质量控制，替代传统主观评估方法	模型训练样本量较小（139例），仅针对鼻咽癌患者，可能限制泛化能力	开发基于患者解剖信息的放疗计划个性化质量控制方法	鼻咽癌患者的放疗计划	数字病理	鼻咽癌	深度学习剂量预测	CNN	3D剂量分布图像	139例鼻咽癌患者（95训练，20验证，24测试），另加29个临床治疗计划用于同行评审	NA	UNet	平均体素剂量差异	NA
67	2026-04-23	Lesion segmentation method for multiple types of liver cancer based on balanced dice loss 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17624 PMID:39945728	研究论文	本文提出了一种基于平衡Dice损失（BD Loss）的肝癌症病灶分割方法，用于解决多类型肝癌症分割中的数据不平衡问题	提出了一种平衡Dice损失函数（BD Loss），结合贪婪参数平均算法（GPA算法）和模型集成及后处理方法，实现了多类型肝癌症的平衡准确分割	研究基于单一医疗中心的回顾性数据，可能限制了模型的泛化能力，且未详细讨论计算资源需求	开发一种能够准确分割多类型肝癌症的深度学习方法，以辅助临床诊断和治疗	恶性肝肿瘤患者的CT筛查图像及肿瘤分割标注	数字病理学	肝癌	CT成像	深度学习模型	图像	591名患者的CT图像	NA	NA	Dice per case（DPC）	NA
68	2026-04-23	Enhancing automated right-sided early-stage breast cancer treatments via deep learning model adaptation without additional training 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17682 PMID:39966996	研究论文	本研究提出了一种无需额外训练即可将左侧乳腺癌深度学习自动计划模型适配用于右侧乳腺癌治疗计划的技术	通过对称结构左右互换和模型参数调整，实现了左侧训练模型向右侧患者的直接迁移，避免了重新训练的时间消耗	技术依赖于特定治疗计划系统（TPS）工具，通用性可能受限	开发右侧早期乳腺癌的自动化治疗计划技术	右侧早期乳腺癌患者	数字病理	乳腺癌	深度学习模型迁移	深度学习模型	治疗计划数据	30例患者（10例用于模型调优，20例用于验证），外加10例临床患者	NA	NA	剂量体积参数（心脏平均剂量、左右肺平均剂量、左肺最大剂量、右冠状动脉最大剂量）	NA
69	2026-04-23	Dose prediction via deep learning to enhance treatment planning of lung radiotherapy including simultaneous integrated boost techniques 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17692 PMID:39967020	研究论文	本研究探讨了使用深度学习预测包括同步整合推量技术的肺癌放疗剂量分布的可行性及其在改善治疗计划质量方面的潜在益处	首次验证深度学习在预测包含同步整合推量技术的放疗剂量分布中的有效性，并评估其在临床计划工作流程中识别次优计划质量和改善正常组织保护的潜力	研究样本量相对较小（训练集75例，测试集18例，前瞻性验证10例），且仅基于单一机构的肺癌患者数据，可能限制模型的泛化能力	研究深度学习预测肺癌放疗剂量分布的可行性，并评估其在改善治疗计划质量方面的应用价值	肺癌患者的放疗治疗计划，包括使用同步整合推量技术的计划	数字病理	肺癌	深度学习，三维剂量分布预测	CNN	CT图像，靶区和正常组织轮廓，处方剂量	93例回顾性临床计划（75例训练，18例测试），外加10例前瞻性患者	NA	3D U-Net	平均剂量差异	NA
70	2026-04-23	A novel skeletal muscle quantitative method and deep learning-based sarcopenia diagnosis for cervical cancer patients treated with radiotherapy 2025-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.17791 PMID:40170435	研究论文	本研究探索了使用锥束计算机断层扫描（CBCT）评估宫颈癌放疗患者骨骼肌指数（SMI）的可行性，并开发了一种基于深度学习的自动分割和肌少症诊断方法	首次提出使用第五腰椎（L5）替代第三腰椎（L3）在CBCT图像上评估SMI，并设计了一种端到端的解剖距离引导双分支特征融合网络进行自动分割	研究样本量有限（248例患者），且外部验证数据集规模较小，可能影响模型的泛化能力	开发一种基于CBCT和深度学习的自动分割与肌少症诊断方法，以辅助宫颈癌放疗患者的临床评估	接受放疗的宫颈癌患者	数字病理学	宫颈癌	锥束计算机断层扫描（CBCT），深度学习	深度学习网络	医学图像（CBCT图像）	248例宫颈癌放疗患者，包含外部验证数据集	NA	端到端解剖距离引导双分支特征融合网络	组内相关系数（ICC），Pearson相关系数（PCC），Bland-Altman图，Dice相似系数，准确率，F1分数	NA
71	2026-04-22	Deep learning inference of cell type-specific gene expression from breast tumor histopathology 2025-May-09, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.04.652089 PMID:41030996	研究论文	本研究开发了一种名为SLIDE的深度学习工具，能够直接从乳腺癌组织病理学全切片图像中预测细胞类型特异性基因表达和丰度	首次利用深度学习直接从组织病理学图像推断细胞类型特异性基因表达，无需进行昂贵的单细胞或批量RNA测序	研究主要基于TCGA乳腺癌队列，可能在其他癌症类型或更大样本中需要进一步验证	开发一种快速、经济高效的方法来推断乳腺癌肿瘤微环境中的细胞类型特异性基因表达	乳腺癌组织病理学全切片图像和相关的基因表达数据	数字病理学	乳腺癌	单细胞RNA测序, 批量RNA测序	深度学习	图像	TCGA乳腺癌队列及160例独立病例	NA	NA	NA	NA
72	2026-04-18	FetDTIAlign: A deep learning framework for affine and deformable registration of fetal brain dMRI 2025-May-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121190 PMID:40221066	研究论文	本文提出了一种名为FetDTIAlign的深度学习框架，专门用于胎儿脑扩散磁共振成像（dMRI）的仿射和非刚性配准	提出了一种新颖的双编码器架构和基于特征的迭代推理机制，有效降低了噪声和低分辨率的影响，并针对仿射和非刚性配准的不同挑战，策略性地采用了不同的网络配置和领域特异性图像特征	未明确说明模型在更广泛胎龄范围或不同病理条件下的泛化能力	开发一种适用于胎儿脑dMRI的精确空间配准方法，以支持纵向和横断面神经发育研究	胎儿脑扩散磁共振成像（dMRI）数据	医学图像处理	神经发育	扩散磁共振成像（dMRI）	深度学习	医学图像（扩散磁共振成像）	涵盖胎龄23至36周的胎儿脑dMRI数据集，包含60个白质束	未明确说明	双编码器架构	解剖对应性，视觉对齐效果	NA
73	2026-04-12	Association of Deep Learning-based Chest CT-derived Respiratory Parameters with Disease Progression in Amyotrophic Lateral Sclerosis 2025-05, Radiology IF:12.1Q1 DOI:10.1148/radiol.243463 PMID:40358443	研究论文	本研究探讨了基于深度学习的胸部CT衍生呼吸参数在预测肌萎缩侧索硬化症（ALS）疾病进展和生存期中的价值	首次利用深度学习从胸部CT中自动提取肺体积指数（LVI）和呼吸肌指数（RMI），并将其作为ALS疾病分期和生存预测的独立预后因素，特别是在延髓受累患者中验证了其有效性	研究为单中心回顾性设计，样本量相对有限（261例），且未在外部队列中进行验证，可能影响结果的普适性	评估基于深度学习的CT衍生呼吸参数在预测ALS疾病进展和患者生存期方面的临床价值	被诊断为肌萎缩侧索硬化症（ALS）并接受过胸部CT检查的患者	数字病理学	肌萎缩侧索硬化症	胸部CT成像	深度学习, 高斯过程回归器	医学影像（CT图像）	261名患者（平均年龄65.2岁，男性156名）	NA	NA	风险比（HR）, 时间依赖性受试者工作特征曲线分析, 估计误差	NA
74	2026-04-07	Foundation model embeddings for quantitative tumor imaging biomarkers 2025-May-29, Research square DOI:10.21203/rs.3.rs-6630446/v1 PMID:40502795	研究论文	本研究系统评估了十种医学影像基础模型在提取定量肿瘤影像生物标志物方面的性能，并发布了基准测试工具TumorImagingBench	首次系统性地比较了多种基础模型在定量肿瘤影像生物标志物提取任务中的表现，并分析了模型对临床变异性的鲁棒性和可解释性	仅使用了六个公开数据集（共3244个扫描），可能无法涵盖所有临床场景和肿瘤类型	评估医学影像基础模型在提取可靠定量放射组学表型方面的能力	肿瘤影像数据	医学影像分析	肿瘤	深度学习	基础模型	医学影像扫描	3244个扫描（来自六个公开数据集）	NA	多种架构（具体未说明）	终点预测性能、鲁棒性、基于显著性的可解释性、嵌入表示相似性	NA
75	2026-04-06	Automated Joint Space Detection Improves Bone Segmentation Accuracy 2025-May-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.04.30.651481 PMID:40654621	研究论文	本研究开发了一种基于深度学习的自动化关节空间检测方法，用于提高小鼠爪骨分割的准确性	在先前半自动标记分水岭算法基础上，引入了结构增强、张量投票和输出膨胀技术，并结合3D U-Net架构的深度学习模型进行关节空间预测	在疾病严重程度增加和年龄增长的小鼠中分割准确性下降，特别是在关节炎严重的前爪数据集中性能衰减明显	开发自动化图像分析方法以定量描述复杂解剖结构，减少人工分割的需求和观察者间变异	小鼠后爪和前爪的微CT图像数据集，包括野生型和TNF转基因关节炎模型	数字病理学	关节炎	微计算机断层扫描	CNN	3D图像	包含野生型和TNF转基因小鼠的后爪和前爪数据集，测试组占52.4%	NA	3D U-Net, ResNet-18	分割准确率	NA
76	2026-04-06	Incorporating indirect MRI information in a CT-based deep learning model for prostate auto-segmentation 2025-05, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110806 PMID:39988305	研究论文	本研究开发了一种基于CT的深度学习模型，用于前列腺自动分割，旨在在CT成像中实现MRI轮廓指南	首次设计用于在CT成像中实施MRI轮廓指南的深度学习模型，并且是首个根据ESTRO-ACROP轮廓指南训练的模型	模型在开发过程中从未接触过MRI图像，可能限制了其对MRI信息的间接利用能力	开发一种深度学习模型，用于在CT成像中自动分割前列腺及危及器官，以辅助前列腺癌外部束放射治疗	165名前列腺癌患者的CT扫描数据	数字病理学	前列腺癌	CT扫描	深度学习	图像	165例患者CT扫描（136例训练，29例测试）	NA	三维U-Net	Dice相似系数, 95百分位Hausdorff距离	NA
77	2026-04-04	Leveraging AI to explore structural contexts of post-translational modifications in drug binding 2025-May-04, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01019-y PMID:40320551	研究论文	本文利用AI技术探索翻译后修饰在药物结合中的结构背景，通过大规模建模分析PTMs对药物结合的影响	首次大规模应用AI驱动的蛋白质结构预测工具（如AlphaFold3）生成PTM修饰蛋白质与配体结合的模型，并构建了首个提供小分子结合相关PTMs结构背景的资源数据库	方法准确性评估需要更大的基准测试集，当前模型的精确度有待进一步验证	探索翻译后修饰在药物结合中的结构影响，以促进药物发现	人类蛋白质中的小分子结合相关翻译后修饰	计算生物学	癌症	AI驱动的蛋白质结构预测与分子对接模拟	深度学习	蛋白质结构数据	6,131个已识别的PTMs，映射到ECOD数据库的结构域，生成了14,178个PTM修饰蛋白质模型	AlphaFold3, RoseTTAFold All-Atom, Chai-1	深度学习蛋白质结构预测模型	NA	未明确指定，但提及了计算能力的进步和AI工具的使用
78	2026-04-01	Cellular and subcellular specialization enables biology-constrained deep learning 2025-May-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.22.655599 PMID:40501912	研究论文	本文提出了一种基于生物学约束的深度学习模型，通过模拟神经元细胞类型和树突区室的特化机制，探索大脑多层神经网络中的学习协调机制	首次将兴奋性/抑制性神经元分型和树突-胞体区室化信号传导等生物学约束整合到多层人工神经网络中，并开发了完全生物学兼容的深度学习算法	模型仍基于简化生物学假设，尚未完全模拟真实神经系统的复杂性；实验验证仍需进一步开展	探索大脑如何在多层神经回路中协调学习过程，并建立生物学约束下的深度学习理论框架	人工神经网络中模拟的神经元细胞类型（兴奋性/抑制性）及其树突区室	机器学习	NA	深度学习算法	ANN	图像	NA	NA	具有循环连接的多层人工神经网络	图像分类准确率	NA
79	2026-03-30	Evaluating and mitigating bias in AI-based medical text generation 2025-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00789-7 PMID:40269315	研究论文	本研究评估并缓解了基于AI的医疗文本生成中的偏见问题，提出了一种选择性优化算法以减少性能差异	首次在医疗文本生成领域系统研究公平性问题，并开发了一种针对弱势群体进行选择性优化的算法	未详细说明算法在不同医疗子领域的具体适用性限制	评估和缓解AI医疗文本生成系统中的偏见问题	基于深度学习的医疗文本生成系统	自然语言处理	NA	深度学习	深度学习模型	文本	NA	NA	NA	公平性指标	NA
80	2026-03-30	DNA data storage for biomedical images using HELIX 2025-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00793-x PMID:40360759	研究论文	本文提出了一种名为HELIX的基于DNA的生物医学图像存储系统，旨在解决生物医学图像大规模长期存储的需求	HELIX系统针对生物医学图像特性设计了专用压缩算法，并引入了无需索引的错误校正编码，同时结合深度学习进行图像修复，提高了存储密度和解码速度	仅通过体外实验存储了两幅时空基因组学图像进行验证，样本规模较小，未涉及更广泛的生物医学图像类型	开发适用于生物医学图像的DNA数据存储系统	生物医学图像，特别是时空基因组学图像	数字病理学	NA	DNA数据存储，深度测序	深度学习	图像	两幅时空基因组学图像	NA	NA	图像质量（97.20%），测序深度（7×覆盖度）	NA