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	2026-05-18	Development and Validation of Multiparametric MRI-based Interpretable Deep Learning Radiomics Fusion Model for Predicting Lymph Node Metastasis and Prognosis in Rectal Cancer: A Two-center Study 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.045 PMID:39638641	研究论文	开发并验证基于多参数MRI的可解释深度学习影像组学融合模型，用于预测直肠癌淋巴结转移和预后	结合深度学习特征和影像组学特征构建融合模型，并使用SHAP工具增强模型可解释性，提升放射科医师的诊断性能	未明确说明	开发可解释的机器学习模型，利用多参数MRI的深度学习和影像组学特征预测直肠癌术前淋巴结转移	直肠癌患者	数字病理学	直肠癌	多参数磁共振成像	深度学习模型	影像	286名来自中心1（训练集）和66名来自中心2（外部测试集）的癌症患者	NA	MobileNet-V3-large, Inception-V3, ResNet50, VGG16	AUC	NA
102	2026-05-18	Deep Learning for Contrast Enhanced Mammography - A Systematic Review 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.035 PMID:39643464	综述	系统综述深度学习在对比增强乳腺摄影中的应用	首次系统综述深度学习在对比增强乳腺摄影中的应用，总结了模型在病变分类、检测和分割方面的性能	研究数量较少，大多数为回顾性研究，缺乏前瞻性临床验证	探讨深度学习如何提升对比增强乳腺摄影的诊断潜力	对比增强乳腺摄影图像中的病变（分类、检测、分割）	计算机视觉、医学影像分析	乳腺癌	对比增强乳腺摄影	卷积神经网络，注意力机制	医学影像	16项相关研究，时间跨度2018至2024年	NA	CNN, 注意力机制模型	AUC, 准确率	NA
103	2026-05-18	SMART: Development and Application of a Multimodal Multi-organ Trauma Screening Model for Abdominal Injuries in Emergency Settings 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.056 PMID:39690074	研究论文	构建用于腹部创伤的多模态多器官创伤筛查模型SMART，整合非增强CT与文本数据，提升急诊诊断效率	首次将非增强CT影像与GPT-4文本嵌入进行多模态融合，构建急诊腹部创伤筛查模型，并显著缩短等待时间	研究样本来自单中心，且未详细说明模型在低资源环境或不同类型创伤中的泛化能力	通过深度学习构建多模态腹部创伤诊断模型，提升急诊中实体器官损伤的评估速度和准确性	腹部创伤患者	计算机视觉, 自然语言处理, 机器学习	腹部创伤	非增强CT, 文本数据	DenseNet, nnU-Net, GPT-4	影像, 文本	2638名患者（459例阳性，2179例阴性腹部创伤病例），其中1006名患者用于测试（1632个真实连续数据点）	PyTorch, GPT-4 API	DenseNet121, nnU-Net, GPT-4嵌入	敏感性, AUC	NA
104	2026-05-18	Interpretable Deep-learning Model Based on Superb Microvascular Imaging for Noninvasive Diagnosis of Interstitial Fibrosis in Chronic Kidney Disease 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.067 PMID:39690075	研究论文	基于超微血管成像的可解释深度学习模型用于非侵入性诊断慢性肾脏病中的间质纤维化程度	首次开发基于超微血管成像的可解释深度学习模型，并利用SHAP方法生成饼图和热力图增强模型可解释性，揭示有助于诊断的图像区域	NA	开发基于超微血管成像的可解释深度学习模型，用于非侵入性诊断慢性肾脏病中间质纤维化程度	慢性肾病患者	数字病理	慢性肾病	超微血管成像、二维超声、超声影像组学、彩色多普勒超声	深度学习模型	图像	365例慢性肾病患者	NA	NA	AUC	NA
105	2026-05-18	The Quality and Accuracy of Radiomics Model in Diagnosing Osteoporosis: A Systematic Review and Meta-analysis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.065 PMID:39701845	meta分析	对放射组学模型诊断骨质疏松症的质量与准确性进行系统综述和荟萃分析	首次通过荟萃分析评估放射组学模型诊断骨质疏松症的整体性能，并对比不同影像模态和算法（如CT与深度学习）的异质性来源	纳入研究平均RQS评分仅为31.89%，提示放射组学研究方法学质量较低；不同影像模态构模型可能是异质性的来源	评估当前放射组学模型诊断骨质疏松症的诊断性能及研究质量	放射组学模型用于诊断骨质疏松症的相关研究	机器学习	骨质疏松症	放射组学	深度学习算法	医学影像（CT等）	24项研究共计1553名骨质疏松症患者和2200名非骨质疏松症患者	NA	NA	诊断优势比, 灵敏度, 特异性, AUC	NA
106	2026-05-18	Deep Learning Model for the Differential Diagnosis of Nasal Polyps and Inverted Papilloma by CT Images: A Multicenter Study 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.011 PMID:39730250	研究论文	利用深度学习模型基于CT影像区分鼻息肉与内翻性乳头状瘤的多中心研究	首次评估3D Xception模型在CT影像上区分鼻息肉与内翻性乳头状瘤的性能，并整合蛋白质组学分析以解释模型的生物学基础	未提及具体限制	探索深度学习模型区分鼻息肉与内翻性乳头状瘤的可行性	鼻息肉和内翻性乳头状瘤患者的CT影像	计算机视觉	鼻部良性肿瘤（鼻息肉和内翻性乳头状瘤）	CT影像	深度学习模型（3D ResNet、3D Xception、HRNet）	CT图像	来自两家医院的1791名鼻部良性肿瘤患者（训练集、内部测试集和外部测试集），其中70例进行蛋白质组学分析	NA	3D ResNet、3D Xception、HRNet	受试者工作特征曲线下面积、准确率、敏感性、特异性	NA
107	2026-05-18	Multimodal Deep Learning Fusing Clinical and Radiomics Scores for Prediction of Early-Stage Lung Adenocarcinoma Lymph Node Metastasis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.018 PMID:39730249	研究论文	开发并验证一种基于CT影像和临床知识的多模态深度学习模型，用于预测早期肺腺癌淋巴结转移	提出基于InceptionResNetV2架构的多模态特征融合深度学习网络，有效整合临床特征、放射组学特征和影像特征，显著提升预测性能	未明确说明	建立多模态深度学习模型以准确预测早期肺腺癌淋巴结转移	724例经病理证实的早期浸润性肺腺癌患者	计算机视觉, 数字病理学	肺腺癌	CT影像, 放射组学特征提取	深度学习多模态融合网络, InceptionResNetV2	影像图像, 临床特征数据	724例患者（训练集418例，内部验证集106例，独立测试集200例）	NA	InceptionResNetV2	AUC, 灵敏度, 平均精确率	NA
108	2026-05-18	Multi-Energy Evaluation of Image Quality in Spectral CT Pulmonary Angiography Using Different Strength Deep Learning Spectral Reconstructions 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.049 PMID:39732618	研究论文	评估不同强度的深度学习谱重建在双能CT肺血管造影中对虚拟单色图像质量的影响	首次比较标准与强深度学习谱重建在不同能量水平下对肺血管图像质量的提升效果	未提及具体限制	评估和比较不同能量水平的虚拟单色图像在使用标准与强深度学习谱重建时的图像质量	70名接受双能CT肺血管造影的患者（15例肺栓塞阳性，55例阴性）	数字病理学	肺栓塞	双能CT, 深度学习谱重建	深度学习谱重建	CT图像	70名患者	NA	深度学习谱重建	信号噪声比, 对比噪声比, 主观图像质量评分	NA
109	2026-05-18	Radiomics and Deep Learning Model for Benign and Malignant Soft Tissue Tumors Differentiation of Extremities and Trunk 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.026 PMID:39753479	研究论文	基于脂肪饱和T2加权成像开发放射组学和深度学习模型，用于术前区分四肢和躯干软组织肿瘤的良恶性	结合放射组学特征和3D ResNet深度学习特征，构建融合模型（DLR），并在外部验证集上取得高AUC值（0.9410），实现非侵入性、低成本的术前诊断	样本量较小（训练集115例、外部验证集70例），且仅基于单序列脂肪抑制T2WI数据，可能限制模型泛化能力	建立术前区分良恶性软组织肿瘤的放射组学与深度学习模型	四肢和躯干软组织肿瘤患者	数字病理	软组织肿瘤	脂肪饱和T2加权成像	深度学习（3D ResNet）和机器学习算法	磁共振成像	训练集115例患者，外部验证集70例患者	PyTorch, Scikit-learn	3D ResNet	AUC, 决策曲线分析, 校准曲线	NA
110	2026-05-18	Development and Validation of an AI-Based Multimodal Model for Pathological Staging of Gastric Cancer Using CT and Endoscopic Images 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.029 PMID:39753481	研究论文	开发并验证一种基于人工智能的多模态模型，利用CT和内镜图像实现胃癌术前病理分期	采用堆叠集成方法融合CT影像深度学习模型、CT手工放射组学特征机器学习模型以及内镜图像深度学习特征模型，构建多模态集成模型，显著提升胃癌术前分期性能	数据来源于单中心回顾性研究，可能存在选择偏倚；数据因伦理原因未公开，限制外部验证	开发并验证一种基于深度学习与放射组学的多模态模型，提高胃癌术前病理分期的准确性	胃癌患者的增强静脉期CT图像、内镜图像及术后病理结果	计算机视觉	胃癌	CT增强扫描、内镜检查	深度学习模型、机器学习算法、集成模型	CT图像、内镜图像	691名胃癌患者（2017年3月至2024年3月治疗）	PyTorch	DeepCT深度学习模型（9种架构，未具体说明）、ResNet-50、堆叠集成模型	ROC-AUC、敏感性、特异性	NA
111	2026-05-18	Improved Image Quality Through Deep Learning Acceleration of Gradient-Echo Acquisitions in Uterine MRI: First Application with the Female Pelvis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.021 PMID:39843279	研究论文	比较深度学习加速的VIBE序列与标准VIBE序列在子宫MRI中的图像质量	首次将深度学习加速的梯度回波采集应用于女性盆腔MRI，并证明其在图像质量、解剖结构和病变显示方面的显著优势	NA	评估深度学习加速的VIBE序列在子宫MRI中的图像质量改善效果	61名接受盆腔MRI的女性患者	机器学习	盆腔疾病	磁共振成像	深度学习模型	图像	61名女性患者（平均41±14岁），最终分析54名	NA	NA	Likert量表评分、图像质量、解剖结构显示、病变检测、运动伪影、噪声	1.5T MRI扫描仪
112	2026-05-18	Non-invasive Assessment of Human Epidermal Growth Factor Receptor 2 Expression in Gastric Cancer Based on Deep Learning: A Computed Tomography-based Multicenter Study 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.041 PMID:39870563	研究论文	基于深度学习和CT影像开发并验证胃癌中HER2表达的非侵入性预测模型	首次基于CT影像的多中心研究，利用放射组学特征和多种特征选择方法结合逻辑回归构建HER2表达预测模型，并评估了模型的鲁棒性	为回顾性研究，样本量有限，且HER2阳性比例较低，可能影响模型泛化能力	开发和验证基于CT影像的HER2表达预测模型，用于胃癌治疗决策支持	胃癌患者的HER2表达状态	计算机视觉	胃癌	CT成像	逻辑回归	CT影像	1059名患者（训练集720例，外部测试集339例）	NA	NA	曲线下面积, 决策曲线分析	NA
113	2026-05-18	Association Between Aortic Imaging Features and Impaired Glucose Metabolism: A Deep Learning Population Phenotyping Approach 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.01.032 PMID:39934079	研究论文	开发深度学习框架量化主动脉MRI特征，并研究其与葡萄糖代谢异常的关系	首次利用深度学习自动量化主动脉表型，发现主动脉长度和体积与糖代谢异常独立相关，超越传统心血管风险因素	基于单一队列（KORA研究），样本量有限（381人），且为横截面设计，无法推断因果关系	探究主动脉MRI特征与葡萄糖代谢异常之间的关联，并超越传统心血管风险因素的预测能力	来自KORA研究的381名参与者的主动脉MRI图像和葡萄糖代谢状态	计算机视觉	2型糖尿病	MRI	深度学习	图像（主动脉MRI）	381名参与者（58%男性，平均年龄56岁）	NA	NA	Dice系数	NA
114	2026-05-16	Deep normative modelling reveals insights into early-stage Alzheimer's disease using multi-modal neuroimaging data 2025-05-15, Alzheimer's research & therapy DOI:10.1186/s13195-025-01753-3 PMID:40375339	研究论文	利用深度学习规范模型分析多模态神经影像数据，揭示早期阿尔茨海默病的微妙差异	首次将基于深度学习的规范模型应用于早期阿尔茨海默病研究，通过预训练于英国生物银行的MRI数据，在外部EPAD队列中量化个体偏离健康人群的脑形态学变化，并发现偏差指标与认知能力及遗传风险相关	未明确说明模型对共病或未诊断个体的适用性限制，以及偏差指标在临床实践中的具体阈值和验证	探索深度学习规范模型在检测早期阿尔茨海默病患者脑形态学异常中的能力，并评估偏差指标在监测疾病进展中的潜在效用	非痴呆个体（包括EPAD队列中的高风险个体）	机器学习	阿尔茨海默病	多模态神经影像（MRI）	深度学习规范模型	影像数据	英国生物银行（预训练）和EPAD队列（外部验证），具体样本量未明确	NA	NA	t统计量	NA
115	2026-05-16	HCBiLSTM-WOA: hybrid convolutional bidirectional long short-term memory with water optimization algorithm for autism spectrum disorder 2025-May, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2024.2399016 PMID:39290085	研究论文	提出基于混合卷积双向长短期记忆网络和水优化算法的自闭症谱系障碍检测机制	首次将混合卷积双向长短期记忆网络与水优化算法结合用于ASD检测，并实现了高精度预测及阶段分类	仅使用实时数据集进行验证，可能缺乏泛化能力；未提及模型在更大规模或多样化数据集上的表现	早期精准检测自闭症谱系障碍，减少疾病影响	幼儿、儿童、青少年和成人中的ASD和非ASD数据	机器学习	自闭症谱系障碍	NA	卷积双向长短期记忆网络	结构化数据（ASD风险因素相关数据）	包含幼儿、儿童、青少年和成人的ASD和非ASD实时数据集，具体样本量未明确	NA	混合卷积双向长短期记忆网络	准确率、Kappa统计量、灵敏度、特异性、对数损失、AUROC	NA
116	2026-05-16	Photoacoustic Imaging with Attention-Guided Deep Learning for Predicting Axillary Lymph Node Status in Breast Cancer 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.020 PMID:39848886	研究论文	探索结合注意力引导深度学习的光声成像在预测乳腺癌腋窝淋巴结状态中的应用	首次将注意力引导的深度学习模型与光声-超声双模态成像结合，用于术前无创预测腋窝淋巴结状态，并构建了整合临床参数的列线图	未在摘要中明确说明，可能为回顾性研究设计、样本量有限或单一中心数据	利用光声成像与注意力引导深度学习准确预测早期乳腺癌患者的腋窝淋巴结状态	2022-2024年经组织学确诊的早期乳腺癌患者	医学影像分析	乳腺癌	光声成像、超声成像	注意力引导深度学习模型	光声-超声双模态图像	324例早期乳腺癌患者（训练集259例，测试集65例）	NA	注意力机制	AUC、95%置信区间、决策曲线分析	NA
117	2026-05-16	Hybrid optimized temporal convolutional networks with long short-term memory for heart disease prediction with deep features 2025-May, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2024.2310075 PMID:38584483	研究论文	提出一种基于混合优化时间卷积网络与长短期记忆网络的深度特征心脏疾病预测模型	首次融合时间卷积网络与长短期记忆网络，并采用增强型法医调查启发元优化算法优化分类器参数	未提及模型在真实临床环境中的泛化能力及计算资源需求	实现心脏疾病的早期预测以降低死亡率	临床患者的标准医疗数据	机器学习	心血管疾病	NA	1DCNN, TCN, LSTM	表格数据	NA	NA	TCN-LSTM混合架构	准确率, 精确率	NA
118	2026-05-15	Toward Accurate Deep Learning-Based Prediction of Ki67, ER, PR, and HER2 Status From H&E-Stained Breast Cancer Images 2025-05-01, Applied immunohistochemistry & molecular morphology : AIMM IF:1.3Q3 DOI:10.1097/PAI.0000000000001258 PMID:40143808	研究论文	构建大规模乳腺癌H&E与IHC配对图像数据集，利用视觉Transformer预测Ki67、ER、PR和HER2分子状态	首次利用视觉Transformer（ViT）从H&E染色图像预测四种乳腺癌分子标志物，并构建包含185,538对图像的大规模公开数据集	ViT的热力图未能明显匹配高诊断价值子区域，AI的可解释性有待提升	从H&E染色组织图像准确预测乳腺癌的Ki67、ER、PR和HER2分子状态	乳腺癌患者的H&E染色图像和对应的IHC标记（Ki67、ER、PR、HER2）	数字病理学	乳腺癌	全切片成像	视觉Transformer (ViT)	图像	185,538对H&E与IHC图像	PyTorch	视觉Transformer, CLAM	AUC-ROC	NA
119	2026-05-15	Advancements in automated nuclei segmentation for histopathology using you only look once-driven approaches: A systematic review 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110072 PMID:40138968	综述	对基于YOLO框架的组织病理学核分割方法进行系统综述，评估其进展、挑战和应用	首次系统性地综述YOLO变体在组织病理学核分割中的应用，提供与传统分割方法的对比分析，并总结YOLO高效检测和核结构描绘的独特特性	YOLO在处理核外观变异、优化针对组织病理图像的模型架构以及提升跨数据集的泛化能力方面仍存在挑战	全面探索和评估YOLO方法在组织病理图像核分割中的进展、挑战和应用	基于YOLO变体的核分割方法及其在组织病理学中的应用	计算机视觉, 数字病理学	NA	NA	YOLO, 卷积神经网络（CNN）	组织病理图像	NA	NA	YOLO变体	准确率, 精确率, 召回率, F1分数（在综述中提及评估指标）	NA
120	2026-05-10	Comparison between two artificial intelligence models to discriminate cancerous cell nuclei based on confocal fluorescence imaging in hepatocellular carcinoma 2025-05, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver IF:4.0Q1 DOI:10.1016/j.dld.2024.11.026 PMID:39674779	研究论文	比较两种人工智能模型基于共聚焦荧光成像在肝细胞癌中区分癌细胞核的效果	首次比较了机器学习和深度学习两种AI模型在基于共聚焦荧光成像区分肝细胞癌肿瘤与非肿瘤细胞核中的性能，并证明了深度学习更有效	NA	设计并比较两种AI算法，用于计算机辅助区分肝细胞癌中的肿瘤与非肿瘤细胞核	肝细胞癌组织和健康肝组织中的细胞核	数字病理学	肝细胞癌	共聚焦荧光成像，DRAQ5染色，抗增殖细胞核抗原抗体染色	机器学习, 深度学习	图像	来自商业组织芯片的健康肝脏和肝细胞癌样本	NA	NA	准确率	NA