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
261	2026-01-07	From Liver to Brain: A 2.5D Deep Learning Model for Predicting Hepatic Encephalopathy Using Opportunistic Non-contrast CT in Hepatitis B Related Acute-on-Chronic Liver Failure Patients 2026-Jan-05, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01802-1 PMID:41491737	研究论文	本研究开发了一种基于2.5D深度学习的框架，利用非对比CT扫描预测乙型肝炎相关慢加急性肝衰竭患者的肝性脑病风险	首次提出利用常规非对比CT扫描结合2.5D深度学习和多示例学习方法，从肝脏影像中预测肝性脑病风险，为无创个体化风险评估提供了新方法	回顾性研究设计，样本量相对有限（228例），仅针对乙型肝炎相关慢加急性肝衰竭患者，未在其他病因肝病患者中验证	开发早期预测肝性脑病的深度学习模型，实现个体化风险评估	乙型肝炎相关慢加急性肝衰竭患者	数字病理学	肝性脑病	非对比CT扫描	深度学习	医学影像	228例患者（训练集102例，内部验证集44例，外部测试集82例）	PyTorch, Scikit-learn	DenseNet121, DenseNet201, ResNet50, InceptionV3	AUC	NA
262	2026-01-07	Imaging-Based Artificial Intelligence in Vascular and Interventional Radiology: A Narrative Review 2026-Jan-05, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01803-0 PMID:41491740	综述	本文是一篇关于影像学人工智能在血管与介入放射学中应用的叙事性综述	系统性地回顾了人工智能在血管介入放射学（VIR）术前、术中和术后各阶段基于不同影像模态的应用，并强调了其在解剖结构分割、病变检测和预后预测方面的卓越性能	数据集规模较小、存在潜在偏倚以及模型可解释性问题	探讨人工智能在血管介入放射学领域的应用现状与潜力	血管介入放射学（VIR）中基于影像的AI应用研究	数字病理学	心血管疾病	影像学模态（CT, MRI, 荧光透视/DSA, 超声, X射线, 多模态）	深度学习模型, 机器学习	影像	NA	NA	NA	Dice相似系数, 准确率, AUC	NA
263	2026-01-07	Deep learning and superoscillatory speckles empowered multimode fiber probe for in situ nano-displacement detection and micro-imaging 2026-Jan-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67942-8 PMID:41491775	研究论文	提出了一种基于深度学习和超振荡散斑的多模光纤探针，用于实现原位纳米位移检测与显微成像	利用深度学习从超振荡散斑中高效提取精细特征信息，实现了单端检测、10纳米分辨率及99.95%的准确率，并建立了位移与光纤高阶模比例的物理模型	未明确说明系统在极端环境（如高温、强电磁干扰）下的稳定性，也未提及长期重复使用的精度衰减问题	开发一种适用于复杂设备内部的原位、非接触式纳米位移测量与显微成像方法	不同结构的微纳尺度目标（如半导体器件、生物样本）	计算机视觉	NA	超振荡散斑成像、多模光纤传感	深度学习模型	图像（散斑图案）	未明确说明具体样本数量，但涉及不同金属材料和结构的目标	未明确说明	未明确说明	分辨率（10 nm）、准确率（99.95%）、压缩比（<0.1%）	未明确说明
264	2026-01-07	Evaluating the Impact of Annotation Expertise on AI-Based Ultrasound Segmentation: A Case Study on Left Atrial Appendage 2026-Jan-05, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-025-00816-8 PMID:41491880	研究论文	本研究评估了标注者专业知识对基于AI的超声图像分割性能的影响，以左心耳分割为例	通过比较专家和新手标注的数据集，并引入合成误差（系统性和非系统性），量化了标注专业知识对AI分割模型性能的具体影响	研究仅聚焦于左心耳超声图像分割，结果可能无法直接推广到其他解剖结构或成像模态	探究用户专业知识对医学图像标注准确性及AI分割模型最终性能的影响	超声图像中的左心耳（LAA）	医学图像分割	心血管疾病	超声成像	深度学习	图像	两个数据集（分别由专家和新手标注），并生成了合成变体	nnU-Net	U-Net	Dice系数	NA
265	2026-01-07	GaitDynamics: a generative foundation model for analyzing human walking and running 2026-Jan-05, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-025-01565-8 PMID:41491893	研究论文	本文介绍了一种名为GaitDynamics的生成式基础模型，用于分析人类行走和跑步的动力学，包括运动和力	开发了一个基于大规模多样化步态数据训练的生成式基础模型，支持灵活输入和输出，能处理缺失数据并应用于多种临床场景	未明确提及模型在极端或病理步态下的泛化能力，以及计算资源需求的具体细节	通过深度学习模型分析人类步态动力学，以促进人类移动性，替代昂贵的实验室实验和物理模拟	人类行走和跑步的步态模式，包括运动学和动力学数据	机器学习	NA	深度学习	生成式基础模型	运动学和动力学数据（如地面反作用力）	大规模多样化步态数据集（具体数量未在摘要中说明）	NA	NA	高准确性（具体指标如精度、召回率未在摘要中说明）	NA
266	2026-01-07	Optimized CNN framework with VGG19, EfficientNet, and Bayesian optimization for early colon cancer detection 2026-Jan-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34262-2 PMID:41492074	研究论文	本研究提出了一种结合VGG19、EfficientNet和贝叶斯优化的CNN框架，用于通过组织病理学图像分析实现结肠癌的早期自动检测	将卷积神经网络与贝叶斯优化相结合以高效微调超参数，并整合了有效的数据增强和染色归一化技术，从而提升了分类精度并减少了过拟合	框架在数据集内部表现出色，但在临床部署前，需要在独立的多机构队列上进行外部验证	开发一种可靠的早期结肠癌自动检测方法，以辅助病理学家的临床决策	结肠组织病理学图像	计算机视觉	结肠癌	组织病理学图像分析	CNN	图像	来自Kaggle和Kaggle癌症数据门户的公开数据集，包含九种组织类型	NA	VGG19, EfficientNet	准确率, 精确率, 召回率, F1分数, AUC	NA
267	2026-01-07	Contactless biometric verification from in-air signatures using deep siamese networks 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29100-4 PMID:41484193	研究论文	本研究开发了一种基于深度孪生网络的非接触式生物特征验证系统，利用空中签名数据进行身份认证	采用基于双向LSTM和对比损失的孪生神经网络架构，学习签名验证的判别性嵌入空间，并引入更严格的留两样本交叉验证协议来评估泛化能力	研究样本量较小（仅25名参与者），训练数据有限，可能影响模型的泛化性能和实际应用范围	探索空中签名作为一种非接触式生物特征在身份验证中的可行性和有效性	25名参与者的空中签名数据，包括200个正负签名对	机器学习	NA	指尖跟踪或深度感知	孪生神经网络	三维空间中的签名手势数据	25名参与者，200个签名对	NA	基于双向LSTM的孪生神经网络	准确率, F1分数, 召回率	NA
268	2026-01-07	The development of an image processing model to estimate tooth width and space requirements 2026-Jan-03, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2026.106330 PMID:41491146	研究论文	本研究开发并测试了一种基于AI的工具，用于测量牙齿宽度和牙列拥挤度	利用深度学习技术开发了首个能够自动计算牙弓中牙齿近远中宽度的AI工具，并验证了其与人类评估者之间的高一致性	研究仅基于245名患者的石膏模型数据，且测试数据样本量较小（12组），未来需要更大规模的数据验证	开发并验证一种AI工具，以提高牙齿宽度测量和牙列拥挤评估的效率和准确性	245名已完成正畸治疗患者的治疗前后石膏模型	计算机视觉	正畸疾病	立体光刻扫描	深度学习模型	三维扫描图像	245名患者的石膏模型，其中12组作为测试数据	NA	NA	组内相关系数, 平均绝对差异	NA
269	2026-01-07	Multicenter Histology Image Integration and Multiscale Deep Learning Support Machine Learning-Enabled Pediatric Sarcoma Classification 2026-Jan-02, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-2275 PMID:41481196	研究论文	本研究开发了一个利用深度学习的计算流程，用于从数字化组织学切片中准确分类儿童肉瘤亚型	通过整合多中心数据并进行图像协调，系统评估了多种CNN和ViT架构作为特征提取器，并引入了多尺度特征以提升分类准确性，同时基于SAMPLER的表示方法在无GPU情况下实现了训练速度的显著提升	研究依赖于特定的多中心数据集，可能未涵盖所有罕见的肉瘤亚型或外部验证中心的变异	开发一个基于深度学习的计算流程，以克服儿童肉瘤诊断中的挑战，实现准确亚型分类	儿童肉瘤的数字化组织学切片	数字病理学	儿童肉瘤	组织学成像	CNN, ViT	图像	867张全切片图像，来自三个医疗中心和儿童肿瘤学组	NA	UNI, CONCH	AUC	无GPU操作
270	2026-01-07	Discovery of selective GluN1/GluN3A NMDA receptor inhibitors using integrated AI and physics-based approaches 2026-Jan, Acta pharmacologica Sinica IF:6.9Q1 DOI:10.1038/s41401-025-01607-6 PMID:40659855	研究论文	本研究通过结合人工智能与物理模型，开发了一个化合物虚拟筛选流程，用于发现针对GluN1/GluN3A NMDA受体亚型的高选择性抑制剂	整合了两种基于序列的深度学习预测模型（TEFDTA和ESMLigSite）与分子对接方法，构建了一个高效的虚拟筛选管道，显著提高了针对复杂离子通道的抑制剂发现命中率	研究依赖于商业数据库的化合物，可能未涵盖所有潜在活性分子；且针对GluN1/GluN3A受体的结构数据有限，可能影响模型精度	发现针对GluN1/GluN3A NMDA受体亚型的高效、选择性抑制剂，以探索其在情绪调节等神经系统疾病中的治疗潜力	GluN1/GluN3A NMDA受体（一种作为兴奋性甘氨酸受体的非常规NMDA受体亚型）	计算药物发现	神经系统疾病（涉及情绪调节）	虚拟筛选、分子对接、深度学习预测	深度学习模型	化合物序列数据、分子结构数据	从包含1800万种化合物的商业数据库中进行筛选	NA	TEFDTA, ESMLigSite	命中率（50%）、抑制活性（IC50值）、选择性倍数（>23倍）	NA
271	2026-01-07	Deep learning-based ultrasound diagnostic model for follicular thyroid carcinoma 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11840-6 PMID:40681777	研究论文	本研究开发了一种基于深度学习的端到端超声诊断模型，用于术前区分甲状腺良性肿瘤、滤泡状甲状腺癌和其他恶性肿瘤	提出了一种新的数据增强方法和混合损失函数来处理类别不平衡问题，并将其应用于预训练的卷积神经网络和Transformer模型，以有效提取超声图像特征	回顾性多中心研究，可能存在选择偏倚；样本中滤泡状甲状腺癌的比例较低（3.6%），可能影响模型泛化能力	开发一个基于深度学习的超声诊断模型，以术前准确分类甲状腺肿瘤为良性、滤泡状甲状腺癌和其他恶性肿瘤	甲状腺肿瘤患者，包括良性肿瘤、滤泡状甲状腺癌和其他恶性肿瘤	数字病理学	甲状腺癌	超声成像	CNN, Transformer	图像	10771名连续成年患者，其中测试集包括1078名患者（滤泡状甲状腺癌39例，其他恶性肿瘤385例）	NA	预训练的卷积神经网络和Transformer模型	平衡准确率, AUC, 敏感性, 特异性	NA
272	2026-01-07	EICSeg: Universal Medical Image Segmentation via Explicit In-Context Learning 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3591565 PMID:40694460	研究论文	提出了一种名为EICSeg的通用医学图像分割框架，通过显式上下文学习实现无需重新训练即可适应新任务的分割	首次将上下文学习的核心交互机制重新定义为显式检索过程（E-ICL），并构建了首个端到端的通用医学图像分割框架，结合了互补的视觉基础模型	未明确说明在极端数据分布或罕见解剖结构下的性能表现，也未讨论计算效率与实时应用的平衡	开发一种能够泛化到未见过的医学图像分割任务的通用框架，减少对任务特定模型重新训练的需求	医学图像分割任务，涵盖多种解剖结构、标签和成像模态	计算机视觉	NA	医学图像分割	视觉基础模型	医学图像	训练使用47个数据集，测试使用9个未见过的数据集	PyTorch	SD-Adapter	Dice系数	NA
273	2026-01-07	SUP-Net: Slow-Time Upsampling Network for Aliasing Removal in Doppler Ultrasound 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3591820 PMID:40705591	研究论文	本文提出了一种基于深度学习的慢时间上采样网络（SUP-Net），用于消除多普勒超声中的混叠误差，通过提升脉冲重复频率（PRF）来改善血流估计质量	开发了SUP-Net网络，利用时空特征对高帧率超声采集的信号进行上采样，首次实现从低PRF信号推断高PRF信号，以解决混叠问题	研究仅基于22名参与者的体内采集数据进行训练和评估，样本量相对有限，且未明确讨论模型在不同硬件或临床环境中的泛化能力	旨在解决多普勒超声中因脉冲重复频率低于奈奎斯特极限导致的混叠误差，提升血流诊断的准确性	多普勒超声信号，特别是频谱多普勒和彩色血流成像中的慢时间信号	医学影像处理	心血管疾病	脉冲回波传感和相移估计原理，高帧率超声（HiFRUS）	CNN	超声信号（慢时间信号）	22名参与者的体内采集数据	NA	SUP-Net	NA	NA
274	2026-01-07	A Deep Learning Multimodal Fusion-Based Method for Cell and Nucleus Segmentation 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3592625 PMID:40711898	研究论文	本文提出了一种基于深度学习多模态融合的细胞与细胞核分割方法，旨在解决标注数据稀缺的问题	提出了一种无需在新数据上重新训练即可完成细胞与细胞核分割任务的综合方法，通过结合预训练的自然图像模型和多模态提示模块来利用先验知识并融合图像与文本信息	未明确说明方法在特定细胞类型或复杂生物样本上的泛化能力，也未详细讨论计算效率或实时性能	开发一种能够在标注数据有限的情况下有效进行细胞与细胞核分割的深度学习方法	细胞与细胞核的图像	数字病理学	NA	深度学习多模态融合	深度神经网络	图像, 文本	NA	NA	NA	NA	NA
275	2026-01-07	Enhancing Brain Source Reconstruction by Initializing 3-D Neural Networks With Physical Inverse Solutions 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3594724 PMID:40758497	研究论文	提出一种名为3D-PIUNet的混合方法，用于EEG源定位，通过结合传统物理逆解和3D卷积U-Net深度学习技术来增强大脑源重建的准确性	创新性地将传统物理逆解（伪逆映射）作为初始估计，与3D卷积U-Net结合，有效整合了物理先验和数据驱动学习的优势，提升了空间精度	模型训练依赖于模拟的伪真实大脑源数据，可能无法完全覆盖真实EEG数据的复杂性；未详细讨论计算资源需求或模型泛化到其他任务的性能	提高脑电图（EEG）信号中大脑源的空间定位准确性，以更好地理解脑功能与功能障碍	大脑源重建，基于EEG信号进行源定位	机器学习	NA	脑电图（EEG）	CNN	3D体积数据（大脑作为3D体积），模拟的伪真实大脑源数据，真实EEG数据	NA	NA	3D卷积U-Net	空间精度	NA
276	2026-01-07	An Anisotropic Cross-View Texture Transfer With Multi-Reference Non-Local Attention for CT Slice Interpolation 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3596957 PMID:40779378	研究论文	本文提出了一种基于多参考非局部注意力的各向异性跨视图纹理转移方法，用于CT切片插值，以改善各向异性CT体积的层间分辨率	通过设计一个独特框架，利用高分辨率平面内纹理细节作为参考，将其转移到低分辨率穿平面图像，并引入多参考非局部注意力模块从多个平面内图像中提取特征以重建穿平面高频细节	NA	开发深度学习体积超分辨率方法以提高CT图像的层间分辨率，解决各向异性CT体积中分辨率不一致的问题	CT图像，特别是具有各向异性特性的3D CT体积	计算机视觉	NA	CT成像	深度学习模型	图像	NA	NA	多参考非局部注意力模块	NA	NA
277	2026-01-07	Automatic Choroid Segmentation and Thickness Measurement Based on Mixed Attention-Guided Multiscale Feature Fusion Network 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3597026 PMID:40779377	研究论文	本文提出了一种基于混合注意力引导的多尺度特征融合网络，用于光学相干断层扫描图像中脉络膜的自动分割和厚度测量	提出了混合注意力引导的多尺度特征融合网络，结合混合注意力编码器、可变形多尺度特征融合路径和多尺度金字塔层聚合模块，以应对脉络膜边界模糊、纹理不均匀和病变等挑战	公共OCT数据集中涉及脉络膜厚度变化的疾病类型较少，且缺乏公开可用的标注数据集	实现光学相干断层扫描图像中脉络膜的准确分割和量化，以支持临床诊断和疾病进展监测	正常和八种脉络膜相关疾病的光学相干断层扫描图像	计算机视觉	眼科疾病	光学相干断层扫描	CNN	图像	徐州医科大学附属医院脉络膜数据集，包含正常和八种脉络膜相关疾病的标注OCT图像	NA	MAMFF-Net	mDice, mIoU, mAcc	NA
278	2026-01-07	Comparison of DLIR and ASIR-V algorithms for virtual monoenergetic imaging in carotid CTA under a triple-low protocol 2026-Jan, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01866-7 PMID:40924047	研究论文	本研究比较了在颈动脉CTA三重低剂量扫描协议下，使用DLIR和ASIR-V算法生成的50 keV虚拟单能图像的质量	在颈动脉CTA三重低剂量扫描协议下，首次系统比较了深度学习图像重建（DLIR）与自适应统计迭代重建-V（ASIR-V）算法在虚拟单能成像中的性能，并展示了DLIR-H在图像质量、噪声抑制和小血管对比度方面的优越性	研究为单中心前瞻性研究，样本量相对有限（120例），且未评估长期临床结局或不同扫描仪间的可重复性	比较在颈动脉CTA三重低剂量扫描协议下，DLIR与ASIR-V算法对50 keV虚拟单能图像质量的影响	接受双能颈动脉CTA扫描的120例患者	医学影像	脑血管疾病	双能CT血管造影（DE-CTA）、虚拟单能成像（VMI）	深度学习图像重建（DLIR）、自适应统计迭代重建（ASIR-V）	CT图像	120例患者	NA	NA	信噪比（SNR）、对比噪声比（CNR）、标准差（SD）、5点李克特量表主观评分	NA
279	2026-01-07	Multicenter Study of YOLOv9 for Automated Detection and Classification of Supraspinatus Tendon Tears on MRI 2026-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.022 PMID:41173764	研究论文	本研究开发了一种基于YOLOv9的深度学习模型，用于利用多中心MRI数据自动检测和分类肩袖肌腱撕裂	首次将YOLOv9框架应用于肩袖肌腱撕裂的自动化MRI诊断，并在多中心数据上验证了其性能优于不同经验水平的放射科医生	研究为回顾性设计，可能存在选择偏倚；模型性能在部分厚度撕裂分类上仍有提升空间	开发自动化深度学习模型以辅助肩袖肌腱撕裂的MRI诊断	肩袖肌腱撕裂（supraspinatus tendon tears）	计算机视觉	肌肉骨骼疾病	MRI（磁共振成像）	YOLO	图像	1698名患者，来自五家医院，分为训练集（1047例）、验证集（299例）、测试集（154例）和外部测试集（198例）	YOLO	YOLOv9	准确率, 宏F1分数, 交并比（IoU）, 混淆矩阵, Cohen's kappa	NA
280	2026-01-07	Deep learning algorithms for timely diagnosis of retinopathy of prematurity requiring treatment 2026-Jan, Eye (London, England) DOI:10.1038/s41433-025-04096-3 PMID:41184508	研究论文	本研究评估了深度学习算法在利用远程医疗咨询系统提交的眼底图像诊断需要治疗的早产儿视网膜病变病例中的有效性	结合多种预处理技术（CLAHE、AMSR、ML）并比较多种CNN模型（MobileNet、ResNet-18、ResNet-50、DenseNet-121）在ROP诊断中的性能，发现MobileNet与CLAHE预处理组合在准确性和敏感性方面表现最佳	研究为回顾性横断面研究，样本量相对有限（141名早产儿的1700张图像），且需在更多样化的临床环境中进一步验证其实际适用性	评估深度学习算法在诊断需要治疗的早产儿视网膜病变病例中的有效性，以支持远程医疗环境下的实时筛查	141名接受ROP筛查的早产儿的1700张RetCam眼底图像	计算机视觉	早产儿视网膜病变	眼底成像	CNN	图像	141名早产儿的1700张RetCam眼底图像	NA	MobileNet, ResNet-18, ResNet-50, DenseNet-121	准确率, 敏感性, 特异性, F1分数	NA