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	2026-05-31	Prediction of mammographic breast density based on clinical breast ultrasound images using deep learning: a retrospective analysis 2025-Jun, Lancet regional health. Americas DOI:10.1016/j.lana.2025.101096 PMID:40290129	研究论文	基于深度学习从临床乳腺超声图像预测乳腺钼靶密度的回顾性分析	首次探索利用人工智能从乳腺超声图像预测BI-RADS乳腺密度类别，并在乳腺癌风险模型中证明其与钼靶密度具有相似的预测能力	未明确提及，但基于回顾性设计可能存在选择偏倚和泛化性限制	评估深度学习模型从临床乳腺超声图像预测乳腺密度的准确性，并比较其与临床BI-RADS密度在乳腺癌风险预测中的表现	来自三所机构的14,066名女性的405,120张临床乳腺超声图像	计算机视觉, 机器学习	乳腺癌	NA	深度学习模型（CNN相关）	图像（乳腺超声图像）	14,066名女性，405,120张图像（训练集10,393人/302,574张，验证集2,593人/69,842张，测试集1,074人/28,616张）	NA	卷积神经网络（具体架构未说明）	AUROC	NA
2	2026-05-31	MRI-based multimodal AI model enables prediction of recurrence risk and adjuvant therapy in breast cancer 2025-06, Pharmacological research IF:9.1Q1 DOI:10.1016/j.phrs.2025.107765 PMID:40345352	research paper	本研究介绍了一种基于MRI和多模态AI的3D深度学习模型（3D-MMR-model），用于预测非转移性乳腺癌患者的复发风险	结合多模态MRI数据和AI驱动的3D深度学习模型，实现乳腺癌复发风险的无创预测，并通过RNA-seq分析探索肿瘤区域热点与微环境的关系	NA	开发并验证一种基于MRI的多模态AI模型，用于预测非转移性乳腺癌的复发风险，并指导辅助治疗决策	非转移性乳腺癌患者	machine learning	乳腺癌	MRI, RNA-seq	3D深度学习模型（3D-MMR-model）	MRI图像（T1+C, T2WI）和临床数据	来自中国四家机构的1199名非转移性乳腺癌患者	PyTorch	改进的3D-UNet（肿瘤分割），DenseNet121（无病生存预测）	AUC	NA
3	2026-05-27	Multimodal deep learning for predicting neoadjuvant treatment outcomes in breast cancer: a systematic review 2025-06-23, Biology direct IF:5.7Q1 DOI:10.1186/s13062-025-00661-8 PMID:40551237	综述	系统综述多模态深度学习在乳腺癌新辅助治疗病理完全缓解预测中的应用，并比较其与单模态方法的性能	首次系统性比较多模态与单模态深度学习在乳腺癌新辅助治疗pCR预测中的性能，纳入51项研究并分析多种数据模态整合效果	研究间方法异质性大、依赖回顾性数据、外部验证有限，多组学和临床文本数据作为主要输入的情况较少	评估多模态深度学习预测乳腺癌新辅助治疗疗效的准确性并对比单模态方法	乳腺癌患者接受新辅助治疗后病理完全缓解的预测模型	机器学习	乳腺癌	NA	CNN	影像、数字病理、多组学、临床记录	51项研究，中位队列281例	NA	卷积神经网络	AUC	NA
4	2026-05-27	Expanded AI learning: AI as a Tool for Human Learning 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.03.040 PMID:40210520	研究论文	演示深度学习模型可作为教学工具，在无AI直接辅助的情况下提升放射科医生执行成像任务的能力	首次提出将人工智能作为教学工具来提升放射科医生的内在能力，这一观点在放射学文献中尚未被提出过	NA	证明深度学习模型可用作教学工具，在影像判读时无需额外AI辅助即可提升放射科医生的判读能力	放射科医生及其对膝关节X光片的性别分类能力	数字病理学	NA	深度学习（卷积神经网络）	CNN	图像（膝关节X光片）	50张训练用膝关节X光片和50张测试用新X光片，3名人类读者	NA	NA	准确率，置信区间	NA
5	2026-05-26	Hybrid strategy of coronary atherosclerosis characterization with T1-weighted MRI and CT angiography to non-invasively predict periprocedural myocardial injury 2025-06-30, European heart journal. Cardiovascular Imaging DOI:10.1093/ehjci/jeaf116 PMID:40241659	研究论文	结合T1加权MRI与CT血管造影的混合策略用于无创预测冠状动脉介入术后心肌损伤	首次整合MRI与CCTA的最新成像和定量技术，通过深度学习实现斑块体积量化，并探索混合CCTA-MRI策略以提高围手术期心肌损伤预测准确性	未提及具体限制	评估整合MRI与CCTA是否能改善PMI预测，并探索混合策略的临床应用价值	接受择期PCI的冠状动脉粥样硬化病变患者	计算机视觉，机器学习	心血管疾病	CCTA， T1加权MRI	深度学习模型	图像	132个病变来自120名患者，其中43例发生PMI	NA	深度学习-enabled软件	C统计量，诊断准确性	NA
6	2026-05-25	Deep learning-driven imaging of cell division and cell growth across an entire eukaryotic life cycle 2025-Jun-01, Molecular biology of the cell IF:3.1Q3 DOI:10.1091/mbc.E25-01-0009 PMID:40327364	研究论文	通过微流控培养、深度学习视频帧插值算法FIEST和细胞周期阶段特异性分割，连续定量成像并分析真核微生物整个生命周期中的细胞分裂与生长	首次结合微流控培养、深度学习视频帧插值算法（FIEST）和细胞周期阶段特异性分割，实现对整个真核微生物生命周期的连续定量成像与分析，克服了传统方法中对细胞状态进行分离研究的限制	未明确提及具体局限性，但可能受限于实验条件（如单一环境条件）和算法对特定病原体的泛化能力	连续定量研究真核微生物的完整生命周期，揭示细胞分裂、生长及细胞周期调控因子随生命阶段的变化规律	真核微生物（如酵母）的整个生命周期，包括休眠、交配、减数分裂和细胞分裂等状态	计算机视觉	NA	微流控培养、深度学习视频帧插值	深度学习模型（视频帧插值）	图像	最多三代有性繁殖的酵母细胞群体	Python（FIEST包）	FIEST（视频帧插值算法）	NA	NA
7	2026-05-25	Epistasis regulates genetic control of cardiac hypertrophy 2025-Jun, Nature cardiovascular research IF:9.4Q1 DOI:10.1038/s44161-025-00656-8 PMID:40473955	研究论文	利用深度学习从心脏磁共振图像估计左心室质量，发现心脏肥大的上位性遗传调控网络	开发了低信号有符号迭代随机森林方法，揭示了传统全基因组关联研究中被忽略的上位性变异位点，并结合功能性基因组与微流控单细胞形态学分析验证因果关系	样本主要来自英国生物样本库，可能存在人群偏倚；上位性检测的统计效力受样本量限制	阐明心脏肥大中非加性遗传相互作用的复杂遗传结构	来自英国生物样本库的29,661例心脏磁共振图像及313个人类心脏转录组数据	计算机视觉, 机器学习	心血管疾病	深度学习, RNA-seq, RNA沉默, 微流控单细胞形态学分析	随机森林, 深度学习	图像, 转录组, 单细胞形态学数据	29,661例心脏磁共振图像, 313个人类心脏样本	PyTorch, Scikit-learn	低信号有符号迭代随机森林	NA	NA
8	2025-06-20	Author Correction: Focal liver lesion diagnosis with deep learning and multistage CT imaging 2025-Jun-18, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-61097-2 PMID:40533457	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
9	2026-05-23	Relation equivariant graph neural networks to explore the mosaic-like tissue architecture of kidney diseases on spatially resolved transcriptomics 2025-Jun-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf303 PMID:40358510	研究论文	提出一种关系等变图神经网络框架REGNN，用于分析肾脏疾病空间转录组数据中的异质性组织结构	首次将关系等变性和位置编码引入图神经网络，处理肾脏组织马赛克样空间结构，结合自编码器和自监督学习克服标注数据不足	仅验证于10× Visium平台，缺乏多平台泛化性测试；未详细说明计算资源消耗	开发适用于高度异质性组织（如肾脏）的空间转录组数据分析工具，揭示病理机制	慢性肾脏病和急性肾损伤患者的肾脏组织空间转录组数据	自然语言处理	肾脏疾病	空间转录组学	图神经网络	基因表达空间数据	不同肾脏疾病状态下的异质性样本	NA	关系等变图神经网络, 图自编码器, 自监督学习	NA	NA
10	2026-05-20	On the use of generative models for evolutionary inference of malaria vectors from genomic data 2025-Jun-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.06.26.661760 PMID:40667127	研究论文	利用无监督机器学习和创新生成式深度学习算法，推断撒哈拉以南非洲疟疾媒介蚊虫的遗传结构和进化历史	首次将生成式深度学习算法应用于疟疾媒介蚊虫的进化推断，并开发了新型模型选择方法，发现包含迁移的进化模型更优且优于基于摘要统计的传统方法	NA	量化冈比亚按蚊复合体的遗传结构，并推断西非种群间的联合进化历史	撒哈拉以南非洲的冈比亚按蚊复合体种群	机器学习	疟疾	NA	生成式深度学习模型	基因组数据	来自几内亚和布基纳法索的蚊子种群样本	NA	NA	种群遗传分化捕获能力	NA
11	2026-05-20	Accelerated High-resolution T1- and T2-weighted Breast MRI with Deep Learning Super-resolution Reconstruction 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.055 PMID:39794159	研究论文	该文评估了深度学习超分辨率重建算法对乳房MRI T1加权和T2加权序列的加速高分辨率成像性能	首次将自适应CS-Net和精确图像网两个卷积网络联合用于乳房MRI低分辨率图像的降噪和分辨率提升，显著降低采集时间同时改善图像质量	样本量有限（47名患者），且仅基于1.5T MRI系统，可能限制泛化性	评估行业开发的深度学习算法在重建低分辨率乳房MRI序列并对比标准序列中的表现	女性乳房MRI患者	数字病理学	乳腺癌	MRI	卷积神经网络	图像	47名患者，平均年龄58±11岁	NA	自适应CS-Net, 精确图像网	5点李克特量表评分, 表观信噪比, 表观对比噪声比, BI-RADS一致性的Cohen k系数	NA
12	2026-05-20	Integration of Deep Learning and Sub-regional Radiomics Improves the Prediction of Pathological Complete Response to Neoadjuvant Chemoradiotherapy in Locally Advanced Rectal Cancer Patients 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.049 PMID:39809603	研究论文	开发和验证一种整合深度学习与亚区域影像组学的模型，用于预测局部进展期直肠癌患者对新辅助放化疗的病理完全缓解	首次将深度学习（3D ResNet50）与基于K-means聚类的亚区域影像组学相结合，构建了联合模型SRADL，显著提高了pCR预测的准确性和鲁棒性	回顾性研究设计，且样本来自三家医院，可能存在选择偏倚；需进一步在前瞻性多中心研究中验证	利用治疗前MRI图像预测LARC患者对新辅助放化疗的病理完全缓解，以优化个体化治疗方案	局部进展期直肠癌患者	计算机视觉	直肠癌	MRI成像	3D ResNet50	图像	768名符合条件的参与者，来自三家独立医院	NA	3D ResNet50	AUC, 决策曲线分析, Kaplan-Meier生存分析	NA
13	2026-05-20	Forensic dental age estimation with deep learning: a modified xception model for panoramic X-Ray images 2025-06, Forensic science, medicine, and pathology DOI:10.1007/s12024-025-00962-4 PMID:39937388	研究论文	本研究旨在利用深度学习模型对口腔全景X光片进行改进的法医学年龄估计，特别是区分12岁以下和12岁以上个体	引入了新开发的Polygon Area Metric (PAM)来处理法医学应用中常见的不平衡数据集，并提出了基于Xception模型的改进版本“Forensic Xception”	仅使用来自两个放射科的1941名儿科患者数据集，可能缺乏多样性；需要未来研究探索更多数据集以验证模型的泛化能力	开发一种改进的法医学年龄估计方法，利用深度学习模型对OPG图像进行分类，重点关注区分12岁以下和12岁以上个体	1941名5至15岁儿科患者的OPG图像	数字病理学, 机器学习	NA	OPG成像	CNN	图像	1941名儿科患者的OPG图像	NA	Xception（改进为Forensic Xception）, ResNet, ShuffleNet, InceptionV3, DarkNet, NasNet, DenseNet, EfficientNet, MobileNet, ResNet18, GoogleNet, SqueezeNet, AlexNet	分类准确率, 灵敏度, 特异性, Kappa, 曲线下面积, Polygon Area Metric (PAM), F1分数	NA
14	2026-05-20	CT-Based Deep Learning Predicts Prognosis in Esophageal Squamous Cell Cancer Patients Receiving Immunotherapy Combined with Chemotherapy 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.01.046 PMID:39956748	研究论文	构建深度学习模型预测食管鳞状细胞癌患者接受免疫联合化疗后的生存结局	首次结合肿瘤周围1像素扩大区域与临床特征构建多模态模型，用于ESCC患者免疫联合化疗前的风险分层	外部测试集C指数仅0.60，模型泛化能力有限；需进一步前瞻性验证	开发治疗前风险分层工具，辅助ESCC患者免疫联合化疗的个体化治疗决策	食管鳞状细胞癌（ESCC）患者	计算机视觉，机器学习	食管癌	计算机断层扫描（CT）	深度学习（DL）	图像	482例患者（训练集322例，内部测试集79例，外部测试集81例）	NA	NA	Harrell's C-index，受试者工作特征曲线（ROC），风险比（HR）， Kaplan-Meier分析	NA
15	2026-05-20	Sex estimation with convolutional neural networks using the patella magnetic resonance image slices 2025-06, Forensic science, medicine, and pathology DOI:10.1007/s12024-025-00943-7 PMID:39969760	研究论文	使用卷积神经网络对髌骨磁共振图像切片进行性别评估	提出了一种基于深度学习架构自动分析髌骨MRI切片进行性别评估的方法，避免了传统形态测量法的耗时和需要专业人员的问题	NA	探索利用髌骨MRI切片通过深度学习模型进行自动性别评估的可行性	696名患者的6710张髌骨矢状位MRI切片（293名男性和403名女性）	计算机视觉	NA	MRI成像	卷积神经网络（CNN）	图像	696名患者的6710张MRI切片	NA	EfficientNetB3, MobileNetV2, VGG16, ResNet50, DenseNet121	准确率	NA
16	2026-05-20	Deep Learning-Enhanced Ultra-high-resolution CT Imaging for Superior Temporal Bone Visualization 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.02.002 PMID:40000329	研究论文	评估深度学习重建算法在颞骨超高分辨率CT成像中的图像质量改进效果	首次使用供应商特定的深度学习重建算法AiCE Inner Ear与超高分辨率CT结合，显著提高颞骨微小结构可视化质量	单中心回顾性研究，样本量较小（35例患者57块颞骨），儿童样本仅5例	评估深度学习重建算法在颞骨超高分辨率CT中的图像质量表现	35例患者的57块颞骨（含5例儿童）	计算机视觉	耳科疾病	CT扫描	深度学习	图像	35例患者（57块颞骨，含5名儿童）	NA	AiCE Inner Ear	信噪比（SNR）、对比噪声比（CNR）、5点Likert主观评分、噪声值	NA
17	2026-05-20	Deep Learning-Assisted Diagnosis of Malignant Cerebral Edema Following Endovascular Thrombectomy 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.02.021 PMID:40023742	研究论文	开发并验证一种基于深度学习辅助的诊断模型，利用血栓切除术后头非对比CT的高衰减成像标志预测恶性脑水肿	首次利用ResNeXt-101神经网络结合高衰减成像标志，实现血管内血栓切除术后恶性脑水肿的早期预测，并显著提升放射科医生的诊断性能	NA	开发和验证基于深度学习的辅助诊断模型，用于预测血管内血栓切除术后患者的恶性脑水肿	接受血管内血栓切除术的急性缺血性卒中患者	计算机视觉, 数字病理学	脑血管疾病	非对比CT成像	卷积神经网络	图像	271名患者（训练队列168人，验证队列43人，前瞻性内部测试队列60人）	PyTorch	ResNet 50, ResNet 101, ResNeXt50_32×4d, ResNeXt101_32×8d, DenseNet 121	AUC	NA
18	2026-05-20	Generating Synthetic T2*-Weighted Gradient Echo Images of the Knee with an Open-source Deep Learning Model 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.03.015 PMID:40175204	研究论文	开发一个开源深度学习模型，用于生成膝关节的合成T2*加权梯度回波图像	首次开发开源深度学习模型生成合成T2*W膝关节图像，并提供了代码、模型和独立可执行文件	识别出四种伪影类型，但伪影对诊断价值影响不大或无影响	开发一个开源深度学习模型，利用脂肪抑制中间加权图像生成膝关节的合成T2*W图像	膝关节MR图像	计算机视觉	膝关节疾病	MRI	GAN	图像	12,118张矢状膝关节MR图像用于训练，2,996张用于测试	NA	CycleGAN	NRMSE、PSNR、SSIM、组内相关系数	NA
19	2026-05-20	Deep Learning in Knee MRI: A Prospective Study to Enhance Efficiency, Diagnostic Confidence and Sustainability 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.03.018 PMID:40240275	research paper	评估深度学习重建的并行采集技术与同步多层加速成像在膝关节MRI中的组合效果	首次前瞻性研究结合深度学习增强的4倍PAT与2倍SMS加速（P4S2）在膝关节MRI中的应用，显示出比传统2倍PAT更高的图像质量和解剖描绘能力	样本量较小（仅34名参与者），且仅包括成人参与者，缺乏更广泛人群的代表性	评估深度学习重建的并行采集技术与同步多层加速成像在膝关节MRI中的效率、诊断信心和可持续性	接受膝关节MRI的成人患者	machine learning	NA	MRI	深度学习模型	图像	34名参与者（平均年龄45±17岁，14名女性）	NA	NA	信噪比（SNR），对比噪声比（CNR），图像质量评分，辐射组学特征（对比度和灰度特征）	NA
20	2026-05-20	Deep Learning Radiomics Nomogram Based on MRI for Differentiating between Borderline Ovarian Tumors and Stage I Ovarian Cancer: A Multicenter Study 2025-06, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.067 PMID:39814661	研究论文	基于T2加权MRI的深度学习影像组学列线图用于区分交界性卵巢肿瘤与I期卵巢癌的多中心研究	首次结合深度学习、瘤内及瘤周影像组学与临床预测因子构建列线图，并在多中心外部测试集上验证其优越性	回顾性研究设计可能导致选择偏倚，且样本量相对有限（279名患者）	开发和验证基于MRI的深度学习影像组学列线图，以术前区分交界性卵巢肿瘤和I期上皮性卵巢癌	交界性卵巢肿瘤和I期上皮性卵巢癌患者	数字病理学	卵巢癌	MRI成像	深度学习模型	图像（MRI）	279名患者，来自三个中心（训练集207名，外部测试集72名）	NA	NA	曲线下面积（AUC）	NA