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
81	2026-03-13	A vessel bifurcation landmark pair dataset for abdominal CT deformable image registration (DIR) validation 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17907 PMID:40437735	研究论文	本文介绍了一个用于腹部CT可变形图像配准验证的首个血管分叉标志点对数据集	首次提供了专门针对腹部CT可变形图像配准验证的高精度血管分叉标志点对基准数据集	数据集仅包含30名患者的腹部CT图像，可能样本量有限，且主要关注血管分叉点，未涵盖其他解剖结构	开发一个用于验证腹部CT可变形图像配准算法质量的基准数据集	腹部CT图像中的血管分叉点	医学图像处理	NA	CT成像，深度学习分割，可变形图像配准	深度学习模型	CT图像	30名患者的腹部CT图像对	NA	NA	标志点对精度（0.7 mm ± 1.2 mm）	NA
82	2026-03-13	Domain-Randomized Deep Learning for Neuroimage Analysis: Selecting Training Strategies, Navigating Challenges, and Maximizing Benefits 2025-Jul, IEEE signal processing magazine IF:9.4Q1 DOI:10.1109/MSP.2025.3590806 PMID:41306561	教程论文	本文综述了基于合成图像的领域随机化深度学习策略在神经影像分析中的原理、实施与潜力	提出通过合成具有随机强度和解剖内容的图像来训练深度神经网络，以解决模型泛化问题，无需重新训练或微调即可处理未见过的图像类型	增加了计算需求，且可能依赖于合成数据的质量	探讨领域随机化策略以提升深度学习模型在神经影像分析中的鲁棒性和泛化能力	神经影像数据，包括MRI、CT、PET、OCT等模态	神经影像分析	NA	领域随机化，合成图像生成	深度神经网络	图像	NA	NA	NA	NA	NA
83	2026-03-10	Predicting Primary Graft Dysfunction in Systemic Sclerosis Lung Transplantation Using Machine-Learning and CT Features 2025-Jul, Clinical transplantation IF:1.9Q3 DOI:10.1111/ctr.70217 PMID:40552679	研究论文	本研究利用机器学习和CT特征预测系统性硬化症患者肺移植后的原发性移植物功能障碍	首次在系统性硬化症肺移植患者中，结合深度学习自动提取的CT图像特征和多种机器学习算法预测原发性移植物功能障碍	样本量相对较小（92名患者），且为单中心回顾性研究，可能存在选择偏倚	预测系统性硬化症患者肺移植后的原发性移植物功能障碍	92名接受双侧肺移植的系统性硬化症患者	数字病理学	系统性硬化症	CT扫描，深度学习算法	逻辑回归, SVM, 随机森林, MLP	CT图像	92名系统性硬化症肺移植患者	未明确指定	多层感知机	AUROC	NA
84	2026-03-06	Interpretable deep learning framework for understanding molecular changes in human brains with Alzheimer's disease: implications for microglia activation and sex differences 2025-Jul-16, npj aging IF:4.1Q2 DOI:10.1038/s41514-025-00258-5 PMID:40670382	研究论文	本研究开发了一个可解释的深度学习框架，用于分析阿尔茨海默病患者大脑组织的RNA-seq数据，以揭示不同脑区的分子变化，特别是小胶质细胞激活和性别差异	首次利用可解释的深度学习框架系统分析AD不同脑区的转录组特征，并首次发现与AD女性更显著神经元丢失相关的性别连锁转录因子对(ZFX/ZFY)	研究基于批量组织RNA-seq数据，可能掩盖细胞类型特异性变化；模型性能依赖于特定数据集	利用人工智能方法在分子水平研究阿尔茨海默病，发现新的疾病生物学机制和潜在生物标志物	阿尔茨海默病患者与对照者的大脑组织样本	生物信息学, 深度学习	阿尔茨海默病	RNA-seq, 基因共表达网络分析	MLP	RNA-seq基因表达数据	来自ROSMAP研究的三个脑区数据，并在MAYO和MSBB两个外部队列中验证	未明确指定	多层感知器	分类性能, 预测性能	NA
85	2026-03-06	Phase-augmented deep learning for cell segmentation in wrapped quantitative phase images 2025-Jul-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.566950 PMID:40677815	研究论文	本文提出了一种相位增强的深度学习方法，用于在包裹定量相位图像中进行细胞分割	通过数据增强策略引入全局相位偏移，使网络能够区分真实形态特征与相位包裹伪影，从而提高分割精度并无需解包裹处理	NA	定量研究细胞粘附与脱离过程，以单细胞精度分析细胞形态	细胞	计算机视觉	NA	调制光学计算机相位显微镜（M-OCPM）	CNN	图像	NA	NA	U-Net	分割精度	NA
86	2026-03-02	Improving the Robustness of Deep Learning Models in Predicting Hematoma Expansion from Admission Head CT 2025-Jul-01, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8650 PMID:39794133	研究论文	本研究探讨了通过对抗性训练和输入修改来提高深度学习模型在预测急性脑出血患者入院头部CT血肿扩张方面的鲁棒性	结合对抗性训练与无超参数Otsu多阈值分割作为额外输入，以增强模型对抗扰动的鲁棒性	对抗性训练对FGSM攻击的鲁棒性提升有限，且模型在跨攻击类型（如PGD）的泛化能力有待加强	提高深度学习模型在临床实践中预测血肿扩张的鲁棒性	急性脑出血患者的入院头部CT扫描	医学影像分析	脑出血	CT扫描	深度学习模型	医学图像	训练/交叉验证队列890名患者，独立验证队列684名患者	NA	NA	AUC	NA
87	2026-02-27	Evaluating artificial intelligence models for rupture risk prediction in unruptured intracranial aneurysms: a focus on vessel geometry and hemodynamic insights 2025-Jul-02, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-025-03689-6 PMID:40593222	综述	本文综述了人工智能模型在未破裂颅内动脉瘤破裂风险预测中的应用，特别关注血管几何和血流动力学因素的整合	聚焦于将几何与血流动力学变量（如壁面剪切应力和血流动力学）结合在AI预测模型中的综合方法，超越了传统的基于大小的评估	缺乏大规模高质量数据集，且模型预测的可解释性仍面临挑战	评估人工智能模型在未破裂颅内动脉瘤破裂风险预测中的性能，以改进患者特异性风险评估和治疗策略优化	未破裂颅内动脉瘤	机器学习	心血管疾病	计算流体动力学	SVM, CNN	NA	NA	NA	NA	NA	NA
88	2026-02-26	Machine learning-based multimodal radiomics and transcriptomics models for predicting radiotherapy sensitivity and prognosis in esophageal cancer 2025-07, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110242 PMID:40381695	研究论文	本研究整合了基于机器学习的多模态放射组学和转录组学，开发了用于预测食管癌放疗敏感性和预后的模型	首次将SEResNet101深度学习模型应用于食管癌的影像和转录组数据，并识别出与预后相关的关键基因STUB1、PEX12和HEXIM2，同时揭示了STUB1通过泛素化降解SRC蛋白来增强放疗敏感性的新机制	研究数据主要来源于公开数据库UCSC Xena和TCGA，可能缺乏外部验证队列；实验验证仅限于体外和体内模型，尚未进行大规模临床验证	开发预测食管癌放疗敏感性和预后的模型，以实现个体化放疗计划	食管癌患者	机器学习	食管癌	放射组学，转录组学	深度学习	影像数据，转录组数据	来自UCSC Xena和TCGA数据库的食管癌患者数据（具体样本数未明确说明）	NA	SEResNet101	生存概率分层	NA
89	2026-02-25	Automated Cavity Detection and Classification Using Deep Learning 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11252946 PMID:41336045	研究论文	本研究提出了一种基于深度学习的多尺度AI辅助方法，用于牙科X光片中的龋齿检测与分类	引入了基于Ultralytics YOLO11框架的多尺度方法，比较了图像级别和牙齿级别的分类与检测策略，强调了牙齿级别分析在提升检测精度方面的优势	在全图像定位方面存在挑战，未来需要改进分割技术、扩展临床数据集并在不同成像条件下验证性能	开发一种自动化的龋齿检测与分类系统，以辅助早期诊断和治疗规划	牙科X光片	计算机视觉	龋齿	深度学习	YOLO	图像	NA	Ultralytics YOLO11	YOLO11	准确率, mAP@50, 召回率	NA
90	2026-02-25	U-Grad: A Grad-CAM-Guided Reduced U-Net for Efficient Lung Cancer Segmentation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253530 PMID:41336182	研究论文	本文提出了一种名为U-Grad的新型模型，用于从2D CT切片中分割肺结节，该模型通过整合Grad-CAM生成的注意力热图来增强结节表示	提出了一种结合Grad-CAM生成热图与简化U-Net的混合架构，通过注意力机制增强模型对肺结节的表征能力，并提高了模型的可解释性	模型在测试集上的性能略低于简化U-Net（DC 91.27% vs 93.15%），且研究仅使用单一数据集进行验证	开发一种高效且可解释的深度学习模型，用于医学CT图像中的肺结节自动分割	肺结节（来自CT扫描图像）	数字病理学	肺癌	CT扫描	CNN	图像	使用NSCLC Radiogenomics数据集进行训练和测试	未明确提及	Reduced U-Net, U-Grad（Grad-CAM引导的简化U-Net）	Dice系数, 交并比	未明确提及
91	2026-02-24	A Non Deep Learning based Method for Detection of Alopecia Areta and Segmentation of Scalp and Hair regions 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253220 PMID:41335644	研究论文	本文提出了一种基于经典图像处理算法的非深度学习方法，用于检测斑秃并分割头皮和头发区域	该方法可在单视角图像上执行，适用于内存受限的便携设备，并提供皮肤和头发区域的百分比分析，而不仅仅是二分类	缺乏Dermnet数据集中头发和皮肤分割的真实标注，需使用Figaro数据集进行评估	开发一种轻量级方法，用于辅助诊断和监测斑秃治疗	头皮图像，特别是与斑秃相关的皮肤和头发区域	计算机视觉	斑秃	经典图像处理算法	非深度学习模型	图像	Dermnet数据集和Figaro数据集	NA	NA	准确率	内存受限的便携设备
92	2026-02-24	Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253609 PMID:41335835	研究论文	本文全面评估了基于迁移学习的医学图像分类技术在疾病检测中的性能	对六种预训练模型在自定义胸部X光数据集上进行系统比较，并引入不确定性分析和运行时比较以评估模型鲁棒性和计算效率	研究仅基于自定义胸部X光数据集，未涵盖其他医学影像类型；模型选择有限，未包括最新架构	评估迁移学习技术在医学图像分类中用于疾病检测的性能	胸部X光图像	计算机视觉	NA	迁移学习	CNN	图像	NA	NA	AlexNet, VGG16, ResNet18, ResNet34, ResNet50, InceptionV3	准确率, 标准指标	NA
93	2026-02-24	Deep learning based generation of 3D-maximum Intensity Projection (MIP) of MRA from T1-weighted MRI scans for Cerebrovascular Abnormalities Characterization 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253273 PMID:41335960	研究论文	本研究提出了一种基于U-Net框架的深度学习方法，用于从3D T1加权MRI扫描中合成3D最大强度投影MRA图像，以辅助脑血管异常的早期检测和表征	首次利用深度学习从常规T1加权MRI生成3D MIP-MRA图像，避免了传统MRA扫描时间长、可能需要造影剂的限制，并展示了模型在不同数据集上的高泛化能力和对扫描仪的不敏感性	研究主要基于公开数据集进行训练和测试，未在更大规模或更多样化的临床数据上进行验证；合成图像的质量（如SSIM为0.8219）仍有提升空间	开发一种从常规T1加权MRI合成3D MIP-MRA图像的方法，以促进脑血管疾病的早期检测、治疗评估和管理	脑血管异常，特别是血管狭窄和不连续性，用于早期血管疾病检测	医学影像分析	脑血管疾病	磁共振成像（MRI），磁共振血管造影（MRA）	CNN	3D医学影像（T1加权MRI和MIP-MRA）	使用IXI数据集进行训练和测试，并在Bullitt、Study Forrest、SIMON和ATLAS等多个独立数据集上进行评估	未明确提及，但基于U-Net框架	U-Net	峰值信噪比（PSNR），结构相似性指数（SSIM）	NA
94	2026-02-24	Generative Forecasting of Brain Activity Enhances Alzheimer's Classification and Interpretation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253394 PMID:41336569	研究论文	本研究通过生成式预测大脑活动，利用LSTM和Transformer模型增强阿尔茨海默病的分类和解释能力	引入生成式预测作为数据增强方法，并采用新型Transformer-based BrainLM模型进行多变量时间序列预测，以提升阿尔茨海默病分类性能	数据集规模有限，特别是针对阿尔茨海默病等疾病特定群体，可能限制深度学习模型的泛化能力	通过数据驱动方法理解认知与内在大脑活动的关系，并增强阿尔茨海默病的分类和解释	静息态功能磁共振成像（rs-fMRI）数据，特别是从独立成分网络导出的多变量时间序列	机器学习	阿尔茨海默病	静息态功能磁共振成像（rs-fMRI）	LSTM, Transformer	多变量时间序列数据	NA	NA	LSTM, BrainLM	分类性能	NA
95	2025-02-24	Increasing angular sampling for dedicated cardiac single photon emission computed tomography scanner: Implementation with deep learning and validation with human data 2025-Jul, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1016/j.nuclcard.2025.102168 PMID:39986346	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
96	2026-02-20	Deep Learning MRI Models for the Differential Diagnosis of Tumefactive Demyelination versus IDH Wild-Type Glioblastoma 2025-Jul-01, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8645 PMID:39788628	研究论文	本文开发了一种基于深度学习的MRI模型，用于区分肿瘤性脱髓鞘与IDH野生型胶质母细胞瘤	首次应用3D DenseNet121架构结合T1C和T2加权MRI图像，通过深度学习模型实现这两种脑部病变的非侵入性鉴别诊断	模型需要进一步验证以评估其在跨机构、患者群体和技术中的泛化能力，且未纳入其他肿瘤病因如中枢神经系统淋巴瘤和脑转移瘤	开发非侵入性方法，准确诊断脑部病变，以指导个体化治疗并降低医源性发病率和死亡率	肿瘤性脱髓鞘患者（144例）和IDH野生型胶质母细胞瘤患者（455例）	医学影像分析	脑部疾病	MRI（磁共振成像）	深度学习	图像	599例患者（144例肿瘤性脱髓鞘，455例IDH野生型胶质母细胞瘤）	NA	3D DenseNet121	AUROC（受试者工作特征曲线下面积），敏感性，特异性	NA
97	2026-02-20	Dynamic frame-by-frame motion correction for 18F-flurpiridaz PET-MPI using convolution neural network 2025-Jul-01, medRxiv : the preprint server for health sciences DOI:10.1101/2025.06.27.25330436 PMID:40630596	研究论文	本文提出了一种基于卷积神经网络的深度学习框架，用于自动校正18F-flurpiridaz PET心肌灌注成像中的逐帧运动，以提高心肌血流和血流储备定量的准确性	首次将3D ResNet架构应用于18F-flurpiridaz PET的自动运动校正，通过模拟向量进行数据增强以提升训练鲁棒性，并实现了与经验操作者手动校正相当的诊断性能	研究基于单一临床试验（NCT01347710）的数据，样本量相对有限（32个站点），且依赖两名经验操作者的手动校正作为金标准，可能存在主观偏差	开发一种自动、快速且准确的深度学习运动校正方法，以减少18F-flurpiridaz PET心肌灌注成像中手动校正的观察者间变异性和时间消耗	18F-flurpiridaz PET心肌灌注成像数据，来自32个站点的临床试验受试者	医学影像分析	心血管疾病	PET成像	CNN	3D PET图像	来自32个站点的临床试验数据（具体样本数未明确，但使用5折交叉验证）	未明确指定，但基于深度学习框架	3D ResNet	AUC, 95%置信限, 平均差异	NA
98	2026-02-20	Effective 12-Lead ECG Reconstruction from Minimal Lead Sets Using Deep Learning for Advanced Wearable Systems 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11254119 PMID:41336307	研究论文	本研究利用深度学习模型，从仅含三个导联的心电信号中重建标准的12导联心电图，以提升可穿戴设备的心电监测能力	采用通用模型在所有受试者上训练，无需个体化训练，提高了计算效率和泛化能力；探索了多种三导联输入配置与两种网络架构（纯卷积模型和卷积-时序模型）的组合	研究未在病理人群中进行验证，未来需扩展至病理人群	探索从少量导联重建完整12导联心电图的可行性，以增强可穿戴心电设备的诊断能力	从35电极体表电位图中提取的三导联心电信号	机器学习	心血管疾病	体表电位图	CNN	心电信号	未明确说明样本数量，但使用了多受试者的体表电位图数据	NA	纯卷积模型, 卷积-时序模型	中位数R值	NA
99	2026-02-20	Deep Neural Encoder-Decoder Model to Relate fMRI Brain Activity with Naturalistic Stimuli 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11254034 PMID:41336410	研究论文	本文提出了一种端到端的深度神经网络编码器-解码器模型，用于编码和解码自然刺激下的fMRI脑活动	利用时间卷积层处理连续电影帧输入，有效弥合自然电影刺激与fMRI采集之间的时间分辨率差距	NA	探索自然刺激下fMRI脑活动与视觉输入之间的编码-解码关系	视觉皮层及周围体素的脑活动	机器学习和神经科学	NA	功能磁共振成像	编码器-解码器模型	fMRI数据和自然电影刺激	NA	NA	时间卷积层	NA	NA
100	2026-02-18	Multimodal structural MRI synthesis pipeline across age 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11254451 PMID:41335748	研究论文	本研究提出了一种基于深度学习的跨模态结构MRI合成模型，用于生成T1加权和T2加权磁共振成像数据，并探索了该模型在整个生命周期（从早期发育到老年）中的年龄相关效应	开发了一种能够整合年龄信息的跨模态MRI合成模型，覆盖从早期发育到老年的整个生命周期，这在现有研究中较为少见	未明确提及模型在临床环境中的验证或与其他合成方法的比较，可能缺乏广泛的泛化性评估	通过深度学习模型合成T1加权和T2加权MRI数据，以解决获取多模态结构MRI数据时资源密集和耗时的问题，并研究年龄对合成数据的影响	T1加权和T2加权磁共振成像数据，针对早期发育、青年成年和老年人群	医学影像分析	NA	磁共振成像	深度学习模型	图像	NA	NA	NA	均方误差, 峰值信噪比	NA