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
1061	2026-01-21	CT deep learning radiomics and genomics for predicting staging of epithelial ovarian cancer 2026-Jan-19, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004924 PMID:41556167	研究论文	本研究开发并验证了一种结合CT影像组学特征、深度学习特征和转录组学数据的模型，用于预测上皮性卵巢癌的分期	创新性地将CT影像组学、深度学习特征与转录组学数据相结合，构建多模态预测模型，并探索了与肿瘤微环境中免疫浸润模式的关联	样本量相对有限，且外部验证集来自公开数据库，可能影响模型泛化能力	开发并验证一种预测上皮性卵巢癌分期的多模态模型，以辅助个性化治疗策略制定	上皮性卵巢癌患者	数字病理学	卵巢癌	CT成像, RNA测序	逻辑回归	CT图像, 转录组学数据	训练集160例，内部验证集41例，外部验证集84例	NA	NA	AUC, 校准曲线, 决策曲线分析	NA
1062	2026-01-21	scPlantAnnotate: an accurate and robust transformer-based model for plant cell type annotation 2026-Jan-17, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2026.01.035 PMID:41554477	研究论文	本文介绍了scPlantAnnotate，一种基于Transformer的植物单细胞RNA测序细胞类型注释模型，旨在解决现有工具在植物数据上的性能不足问题	开发了首个针对植物scRNA-seq数据的Transformer-based参考注释框架，并在多个植物物种上验证了其优越性能和鲁棒性	模型在留一数据集评估中性能仍会下降，表明对强批次效应和数据集异质性的处理仍有改进空间	开发并评估一个专门用于植物单细胞RNA测序数据注释的深度学习框架	拟南芥、玉米、水稻和大豆的植物单细胞RNA测序数据	自然语言处理	NA	单细胞RNA测序	Transformer	单细胞RNA测序数据	使用拟南芥、玉米、水稻和大豆的精选数据集	NA	Transformer	准确率, Macro-F1, 平衡准确率, Macro-AUROC	NA
1063	2026-01-21	Fetal Sleep: A Cross-Species Review of Physiology, Measurement, and Classification 2026-Jan-14, Sleep IF:5.3Q1 DOI:10.1093/sleep/zsag003 PMID:41530894	综述	本文首次整合了超过七十年的研究，提供了一个跨物种的胎儿睡眠生理学、测量与分类的统一综述	首次将跨物种研究整合为统一的胎儿睡眠综述，并探讨了从侵入性神经生理学到非侵入性监测及深度学习框架的方法学演变	缺乏统一的、临床验证的胎儿睡眠状态定义框架，限制了向常规产科实践的转化	整合跨物种证据，为开发客观、多模态、非侵入性的胎儿睡眠监测技术提供科学基础，以支持早期神经损伤检测和及时产前干预	人类胎儿及动物模型（如绵羊和狒狒）的胎儿睡眠	NA	NA	非侵入性监测，深度学习框架	NA	信号数据	基于171项研究，涉及胎儿睡眠相关生理学、睡眠状态分类或基于信号的监测	NA	NA	NA	NA
1064	2026-01-21	BOLD-GPCRs: A Transformer-Powered App for Predicting Ligand Bioactivity and Mutational Effects across Class A GPCRs 2026-Jan-14, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01858 PMID:41532426	研究论文	本文介绍了BOLD-GPCRs，一个基于Transformer的深度学习框架，用于预测A类GPCRs的配体生物活性和突变效应	结合了Transformer蛋白质语言模型与密集神经网络分类器，通过迁移学习利用已知配体、受体序列和突变数据，提升了对A类GPCRs配体生物活性和突变效应的预测能力，尤其适用于数据有限的受体亚型	主要关注A类GPCRs，未涵盖其他GPCR类别；依赖于现有数据集的完整性和准确性	开发一个深度学习框架，以准确预测A类GPCRs的配体生物活性和突变效应，支持药物发现	A类G蛋白偶联受体（GPCRs）及其配体	自然语言处理	NA	深度学习，迁移学习	Transformer, 密集神经网络	序列数据（受体序列），配体生物活性数据，突变数据	NA	NA	Transformer, 密集神经网络	NA	NA
1065	2026-01-21	Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs 2026-Jan-12, Abdominal radiology (New York) DOI:10.1007/s00261-025-05371-3 PMID:41524987	研究论文	本研究通过多中心评估，利用放射组学和深度学习技术对IPMN的恶性风险进行分层预测	首次将放射组学与深度学习融合应用于IPMN的囊肿级别恶性风险分层，并在多中心数据中验证其可行性	模型性能仍需提升以达到独立临床应用标准，且仅基于T2W和T1W序列	开发一种客观、非侵入性的方法来区分IPMN的高危与低危病变，以减少不必要的手术干预	IPMN（导管内乳头状黏液性肿瘤）的囊肿级别图像特征	医学影像分析	胰腺癌	MRI成像	深度学习模型	图像	359个T2加权MRI图像，来自七个中心	NA	NA	AUC, 准确率, 加权Cohen's kappa系数	NA
1066	2026-01-21	Ultrasound in medicine from 2014 to 2024: A bibliometric review 2026-Jan-09, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000046890 PMID:41517659	综述	本文通过文献计量学方法，回顾了2014年至2024年间超声技术在医学领域的研究现状、热点及前沿	利用CiteSpace和VOSviewer软件对超声医学领域进行全面的文献计量分析，识别出新兴研究方向如超声刺激和药物递送	研究仅基于Web of Science核心合集数据库，可能未涵盖所有相关文献，且为回顾性分析，无法预测未来具体技术发展	调查超声技术在医学应用中的当前研究状态、重点领域和前沿方向	2014年至2024年间发表的2459篇超声医学相关学术文章	医学影像	NA	文献计量分析	NA	文本数据（学术文章元数据）	2459篇文章	CiteSpace, VOSviewer	NA	NA	NA
1067	2026-01-21	Deep Learning-Based Collateral Scoring on Multiphase CTA in Patients with Acute Ischemic Stroke in the MCA Region 2026-Jan-05, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8911 PMID:40623825	研究论文	本研究开发了一种基于深度学习的自动化方法，用于评估和量化急性缺血性卒中患者多期相CTA图像中的侧支循环状态	提出了一种结合定制预处理模块的深度学习分类方法，用于自动评估多期相CTA中的侧支循环，旨在减少观察者变异并提高诊断效率	研究为回顾性设计，样本量相对有限（420例患者），且依赖于手动评估作为金标准，可能存在主观偏差	开发自动化评估急性缺血性卒中患者侧支循环的方法，以辅助临床决策	急性缺血性卒中患者的多期相CTA图像	医学影像分析	急性缺血性卒中	多期相CTA	深度学习分类模型	医学影像（多期相CTA图像）	420例患者	NA	NA	准确率, F1分数, 精确率, 灵敏度, 特异度, AUC, ICC, κ系数	NA
1068	2026-01-21	Dual energy CT and deep learning for an automated volumetric segmentation of the major intracranial tissues: Feasibility and initial findings 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70217 PMID:41423435	研究论文	本研究探讨了使用深度学习模型和双能CT虚拟单能成像对颅内灰质、白质和脑脊液进行自动化体积分割的可行性	首次将双能CT的虚拟单能成像与深度学习模型结合，用于颅内组织的自动化体积分割，并利用多能量VMIs作为输入数据增强来提升分割性能	样本量较小（仅26名患者），且仅使用单一CT扫描仪和MRI作为金标准，可能限制模型的泛化能力	评估基于CT和深度学习的颅内组织分割的可行性，以在MRI不适用时改善患者管理	颅内灰质、白质和脑脊液	计算机视觉	NA	双能CT虚拟单能成像	深度学习	医学图像	26名患者（21名用于训练/验证，5名用于测试）	NA	U-Net++, U-Net	Dice相似系数, 体积准确度	NA
1069	2026-01-21	Continuous sPatial-temporal deformable image registration and 4D frame interpolation 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70248 PMID:41452345	研究论文	提出了一种基于隐式神经表示的连续时空可变形图像配准和4D帧插值方法，以提高放疗中解剖运动分析的准确性和效率	利用隐式神经表示连续建模患者解剖运动，统一了欧拉和拉格朗日规范，实现了空间和时间连续的运动建模与帧插值	方法在具有挑战性的分次间腹部配准场景中性能仍有提升空间，且未明确说明训练数据的依赖性或泛化能力	开发一种连续时空可变形图像配准模型，以更准确地分析放疗中的解剖变化和运动模式	DIR-Lab数据集和Abdominal-DIR-QA数据集中的医学图像	计算机视觉	NA	可变形图像配准，4D帧插值	多层感知机网络	医学图像	DIR-Lab数据集和Abdominal-DIR-QA数据集	NA	隐式神经表示	目标配准误差，Dice系数，平均绝对误差，峰值信噪比	NA
1070	2026-01-21	A dual-interactive fusion network for low-dose CT image denoising 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70253 PMID:41457826	研究论文	本文提出了一种用于低剂量CT图像去噪的双交互融合网络框架	提出了集成双阶段去噪架构、上下文感知训练策略和组合双阶段损失函数的DIFNet框架，在平衡性能、鲁棒性和计算效率方面取得进展	未明确说明模型在不同厂商扫描仪和协议间的泛化能力的具体量化结果	提升低剂量CT图像质量以改善诊断准确性	低剂量CT图像	计算机视觉	NA	低剂量CT成像	深度学习网络	医学图像	两个内部LDCT数据集（使用不同飞利浦扫描仪采集）和公开Mayo-2016基准数据集（使用西门子扫描仪采集）	NA	Dual-Interactive Fusion Network, Dual-Phase Denoising Architecture	定性评估, 定量指标	NA
1071	2026-01-21	A generalizable dose prediction model for automatic radiotherapy planning based on physics-informed priors and large-kernel convolutions 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70272 PMID:41474032	研究论文	本研究开发了一种基于物理信息先验和大核卷积的通用剂量预测模型，用于自动放疗计划，并在不同肿瘤部位、照射技术和处方剂量下验证了其准确性和通用性	提出了首个能够跨多种肿瘤部位、照射技术和处方剂量进行准确剂量预测的通用模型，并集成了物理信息先验（如归一化距离感知射野板和质量密度图）以及大核卷积与UpKern初始化策略来提升性能	模型在GDP-HMM数据集（3234个计划）上开发和评估，虽然涵盖了头颈癌和肺癌，但尚未扩展到更多肿瘤类型或更大规模的外部验证	开发一个通用的剂量预测模型，以实现跨肿瘤部位、照射技术和处方剂量的高精度剂量分布预测，并验证基于该模型的通用自动放疗计划的可行性	放疗计划中的剂量分布	数字病理	肺癌, 头颈癌	IMRT, VMAT	CNN	图像	3234个放疗计划（2878个用于训练，356个用于测试）	PyTorch	3D MedNeXt	剂量体积直方图（DVH）指标误差（百分比点），平均绝对误差（MAE）	NA
1072	2026-01-21	Convolutional recurrent U-net for cardiac cine MRI reconstruction via effective spatio-temporal feature exploitation 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70245 PMID:41474064	研究论文	本文提出了一种名为CRUNet-MR的新型深度学习模型，通过结合卷积循环操作与U-Net架构，有效利用心脏电影MRI序列的时空特征，以提升高加速条件下的图像重建性能	将卷积循环操作与U-Net结构相结合，持续提取时间特征并融合细粒度空间细节与高层语义信息，同时引入扩张卷积以扩大空间感受野，探索不同扩张因子的组合以优化整体性能	模型在公开数据集上表现优异，但未在更广泛或多样化的临床数据集中进行全面验证，且内部数据集规模较小，可能影响泛化能力的全面评估	提升心脏电影MRI在高加速条件下的图像重建质量，通过有效利用时空特征来加速扫描并保持诊断准确性	心脏电影MRI序列，特别是动态心脏区域	计算机视觉	心血管疾病	心脏电影MRI	深度学习模型	图像	训练集120名受试者，验证集60名，测试集120名，外加一个小型内部LUMC数据集	NA	U-Net, 卷积循环网络	SSIM	NA
1073	2026-01-21	A deep-learning model for one-shot transcranial ultrasound simulation and phase aberration correction 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70259 PMID:41474058	研究论文	本文提出了一种深度学习模型TUSNet，用于快速准确地模拟经颅超声压力场并进行相位畸变校正	开发了TUSNet这一端到端神经网络，实现了超快速（21毫秒）的经颅超声压力场预测和相位校正，计算速度比传统方法k-Wave快1200倍以上	当前验证基于模拟、无噪声的超声场，未来需要在真实临床条件下进行实验研究以评估性能	解决经颅超声治疗中计算效率与准确性之间的权衡问题，加速超声治疗规划	经颅超声压力场和相位畸变校正	机器学习	NA	深度学习	神经网络	CT图像	训练集：180432个合成颅骨CT片段；测试集：1232个真实颅骨CT片段	NA	TUSNet	峰值压力幅度估计准确率，焦点定位误差	4x NVIDIA A100 80 GB GPUs
1074	2026-01-21	Deep learning-based severity grading of Meniere's disease using 2D MRI 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70268 PMID:41491611	研究论文	本文开发了一种基于深度学习的多阶段严重程度评估系统（MSAS），用于利用2D MRI对梅尼埃病进行精确分割和严重程度分层	提出了一种新颖的深度学习框架MSAS，整合了序列级预测和切片级分割，并结合了HOG、SVM、YOLO-V5和Grad-CAM技术，提高了梅尼埃病严重程度分级的准确性和可解释性	研究样本量相对有限（开发队列189例，外部测试集70例），且仅基于2D MRI数据，可能未涵盖所有临床变异	开发并评估一个深度学习框架，以提升梅尼埃病的诊断准确性和严重程度分级	梅尼埃病患者	数字病理学	梅尼埃病	2D磁共振成像（MRI）	YOLO-V5, SVM	图像	开发队列189例患者，外部测试集70例患者	NA	YOLO-V5	IoU, Dice系数, 准确率, mAP, AUC	NA
1075	2026-01-21	Image enhancement for accelerated MRI using a joint GAN and diffusion model framework 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70242 PMID:41492035	研究论文	本研究提出了一种结合生成对抗网络和扩散模型的深度学习框架，用于增强加速MRI的图像质量，以减少采集时间并确保肿瘤靶向的准确性	提出了一种新颖的端到端深度学习框架RRENet，首次将GAN和扩散模型结合用于加速MRI图像增强，并引入了高频分离训练模块以保留精细解剖细节	研究样本量相对较小（62名患者），且仅针对特定类型的MRI（3D T2加权）和特定疾病（胶质瘤）进行了验证	提升加速MRI采集的图像质量，以确保精确的肿瘤靶向配准并缩短患者在治疗床上的时间	62名胶质瘤患者的72对3D T2加权MRI扫描（标准协议与加速协议）	计算机视觉	胶质瘤	MRI	GAN, 扩散模型	图像	62名患者的72对3D T2加权MRI扫描	NA	RRENet	PSNR, SSIM, RMSE	NA
1076	2026-01-21	An exploratory study on integrating radiomics with vision transformers for enhancing medical imaging classification accuracy 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70246 PMID:41499345	研究论文	本研究提出了一种将影像组学特征与视觉Transformer（ViT）相结合的统一框架（RE-ViT），用于提升医学图像分类的准确性	提出了一种新颖的Radiomics-Embedded Vision Transformer（RE-ViT）框架，首次将手工提取的影像组学特征与ViT的数据驱动视觉嵌入在ViT架构内进行融合，以弥补ViT在医学影像中数据需求大、缺乏归纳偏置的不足，并增强特征表示能力	研究仅在三个公开数据集上进行了验证，模型的普适性有待在更多样化的数据集和临床场景中进一步检验；RE-ViT框架的复杂性可能带来计算开销的增加	开发并评估一个融合影像组学和ViT嵌入的框架，以改善异质性医学数据集的图像分类特征表示	医学图像，具体包括乳腺超声图像（BUSI）、胸部X光图像（ChestXray2017）和视网膜OCT图像（Retinal OCT）	计算机视觉	乳腺癌, 肺炎, 视网膜疾病	影像组学特征提取, 深度学习	Vision Transformer (ViT), CNN	图像	三个公开数据集：BUSI、ChestXray2017、Retinal OCT，使用10折交叉验证	PyTorch	Vision Transformer (ViT), VGG-16, ResNet, TransMed	准确率, AUC, 灵敏度, 特异性	NA
1077	2026-01-21	Fluoro-forest: a random forest workflow for cell type annotation in high-dimensional immunofluorescence imaging with limited training data 2026, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbaf320 PMID:41523652	研究论文	提出一个名为Fluoro-forest的随机森林工作流，用于在训练数据有限的高维免疫荧光成像中进行细胞类型注释	采用半监督随机森林方法，结合基于聚类的采样和下游可视化，以提升细胞类型注释的准确性和可解释性	训练数据量有限（少于总细胞数的5%），可能影响模型在更复杂数据上的泛化能力	开发一个端到端管道，以改进高维免疫荧光成像中的细胞类型注释	免疫荧光成像数据中的细胞	数字病理学	NA	循环免疫荧光（IF）技术	随机森林	图像	NA	NA	随机森林	NA	NA
1078	2026-01-21	Core Concepts for Early Childhood Microbiology Education 2026-Jan, Microbial biotechnology IF:4.8Q1 DOI:10.1111/1751-7915.70268 PMID:41543496	研究论文	本文探讨了如何将微生物学有意义地整合到学龄前儿童（6岁以下）的科学教育中	提出并实施了一个名为Ciencia Maravilla的早期儿童微生物学教育项目，结合游戏、故事讲述和实验，以促进好奇心、批判性思维和早期科学素养，并倡导超越以人类健康为中心的更广泛的生态学视角	NA	研究如何将微生物学整合到学龄前儿童的科学教育中，以培养科学思维技能并纠正对微生物的常见误解	学龄前儿童（6岁以下）	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1079	2026-01-21	Towards practical AI for agriculture: A self-supervised attention framework for Spinach leaf disease detection 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340989 PMID:41544134	研究论文	本文提出了一种用于菠菜叶病害检测的自监督注意力框架，旨在开发实用的农业人工智能应用	结合了自监督预训练（SimSiam）、注意力机制（CBAM）和Transformer架构，在有限标注数据下实现了高精度和可解释性，并针对边缘部署进行了优化	模型在ImageNet-22k预训练的SwinV2-Base上达到更高精度，但参数量大且依赖大规模预训练，边缘部署可行性较低	开发高效且可解释的深度学习框架，用于自动检测马拉巴尔菠菜叶病害	马拉巴尔菠菜叶片	计算机视觉	植物病害	深度学习，自监督学习，注意力机制	CNN, Transformer	图像	从哈比甘杰农业大学收集并补充公开样本的马拉巴尔菠菜图像数据集，分为三类：链格孢叶斑病、草莓螨侵染和健康叶片	PyTorch	SpinachCNN, Spinach-ResSENet, Vision Transformer (SpinachViT), SwinV2-Base, SimSiam-CBAM-ResNet-50	准确率, 宏ROC-AUC, 校准误差	NA
1080	2026-01-21	Evaluation of deep learning-based methods for automatic detection and segmentation of brain metastases in T1-contrast MRI for stereotactic radiosurgery 2026-Jan, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70459 PMID:41546659	研究论文	本研究评估并比较了基于不同框架的深度学习模型在T1对比增强MRI中自动检测和分割脑转移瘤的性能	首次对基于CNN、Transformer和Mamba架构的多种深度学习模型在脑转移瘤检测与分割任务上进行了全面的比较分析	研究为回顾性设计，且主要基于单中心数据，可能存在选择偏倚	评估和比较不同深度学习框架在脑转移瘤自动检测和分割中的性能，以辅助立体定向放射外科治疗规划	T1对比增强MRI图像中的脑转移瘤	数字病理	脑转移瘤	T1对比增强MRI	CNN, Transformer, Mamba	图像	934例患者（667例来自公开数据集，267例来自本机构）	NA	U-Mamba, nnU-Netv2	灵敏度, Dice相似系数, 阳性预测值, 表面DSC, Hausdorff距离95%	NA