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
401	2026-10-04	Unsupervised deep learning for inverse problems in computed tomography 2026-Sep-30, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02794-2 PMID:42816833	研究论文	本文提出一种无监督深度学习框架，用于计算机断层扫描（CT）中的逆问题，通过结合迭代重建、深度图像先验（DIP）和展开优化方案，实现无需真实图像数据的CT重建	提出一种用于摊销重建的训练框架，在无图像域真实数据的情况下训练后，对未见扫描的重建仅需单次网络前向传播，取代了昂贵的逐实例优化，速度提升约四个数量级	未来工作将解决多数据集适应性、过度平滑的应对措施、高级不确定性量化以及其他医学成像逆问题	解决在大量数据上求解逆问题但无真实数据可用的场景，具体以CT成像问题为案例，实现无监督的深度学习重建	计算机断层扫描（CT）的测量数据与重建图像	计算机视觉	NA	计算机断层扫描（CT）	CNN	图像	使用2DeteCT数据集，具体样本数量未提及	NA	NA	重建质量（与滤波反投影、最大似然重建和监督网络比较），加速比	NA
402	2026-10-04	The benefits and biases of artificial intelligence in microbiology 2026-Sep-30, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109457 PMID:42826571	综述	本文综述了人工智能在微生物学领域的应用，涵盖微生物分类、分离、检测、微生物组研究、抗菌素耐药性预测、诊断工具、药物疫苗开发等多个方面，并讨论了AI的偏见、可解释性等挑战及缓解策略	与以往仅关注单一微生物学领域（如医学微生物学）的综述不同，本文全面分析了AI在普通微生物学、工业微生物学、医学微生物学和环境微生物学中的应用，并系统阐述了缓解AI偏见的策略，如包容性数据集设计、算法警惕、TEHAI评估框架、联邦学习和可解释人工智能（XAI）等	AI模型缺乏透明度导致结果难以解释；存在过拟合和泛化能力有限的问题；在微生物组研究和临床应用中面临数据隐私等伦理和法律问题	全面分析和综述人工智能在普通、工业、医学和环境微生物学中的应用，并探讨如何通过缓解策略解决AI使用中的偏见和可解释性降低等风险	人工智能在微生物学中的应用，包括微生物分类、分离、检测、微生物组研究、抗菌素耐药性预测、诊断工具、药物和疫苗开发等	机器学习	NA	NA	深度学习	基因组序列, 生化谱, 图像, 文本	NA	NA	NA	NA	NA
403	2026-10-04	Echoes before collapse: Deep learning detection of flickering in complex systems 2026-Sep-29, Journal of theoretical biology IF:1.9Q3 DOI:10.1016/j.jtbi.2026.112599 PMID:42805584	研究论文	本文提出使用卷积长短期记忆网络（CNN-LSTM）模型，在合成时间序列上训练，以检测复杂系统中的闪烁现象（噪声驱动的稳定态切换），并成功泛化到多种随机系统和实际数据集	首次将深度学习应用于复杂系统中闪烁现象的检测，证明在简单多项式函数生成的合成时间序列上训练的CNN-LSTM模型能够泛化到多种随机系统，并在实际数据（睡鼠体温记录和非洲湿润期古气候代用数据）中检测到闪烁现象	模型训练仅基于简单的多项式函数合成数据，实际应用中的泛化能力可能受限于更复杂系统的动力学特征	探索深度学习在检测复杂系统中闪烁现象（即噪声驱动的稳定态间切换）的潜力，为识别跨多种动力系统的不稳定性提供灵活框架	气候系统、生态系统、金融市场等复杂系统中的闪烁现象；睡鼠体温记录和非洲湿润期古气候代用数据	机器学习	NA	NA	CNN-LSTM	时间序列	NA	NA	CNN-LSTM	NA	NA
404	2026-10-04	Machine learning methods and schizophrenia spectrum disorders: a scoping review 2026-Sep-29, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-112849 PMID:42810795	综述	本文是一篇范围综述，系统梳理了机器学习方法在精神分裂症谱系障碍研究中的应用，重点关注临床和功能结局轨迹	首次以范围综述的形式系统映射机器学习在精神分裂症谱系障碍中临床与功能结局轨迹的应用，涵盖临床、治疗、功能、行为和提供者五大结局领域，并采用APPRAISE-AI工具评估方法学与报告质量	纳入研究的方法学和报告质量仅为中等（平均APPRAISE-AI评分47.4/100），大多数研究为横断面设计，模型可解释性、公平性和临床验证仍然不足	梳理机器学习在精神分裂症谱系障碍研究中的应用方式，重点关注临床和功能结局轨迹	精神分裂症谱系障碍（SSD）患者	机器学习	精神分裂症谱系障碍	电子健康记录、临床评估、神经影像、移动感知、深度学习	深度学习、深度神经网络、监督学习	电子健康记录、临床评估数据、神经影像、移动感知数据、语音数据	88项研究符合纳入标准；其中62项为横断面研究，19项为队列研究，5项为病例对照研究，1项为评估研究，1项为随机对照试验数据的二次分析	NA	深度神经网络	NA	NA
405	2026-10-04	VIS-NIR-SWIR Proximal Spectroradiometry Coupled with Machine Learning and Deep Learning for Ornamental Plant Identification and Classification 2026-Sep-29, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.6c05120 PMID:42824667	研究论文	该研究利用近端VIS-NIR-SWIR光谱辐射测量技术结合机器学习和深度学习，对九类观赏植物进行无损识别与分类	首次将400-2400 nm宽谱段近端光谱辐射测量与机器学习和深度学习相结合，用于观赏植物叶片或苞片的无损分类，并系统比较了全光谱、边缘裁剪光谱和ReliefF选择绿色波段的光谱表示的分类性能	仅基于九个观赏植物类别的900个平衡样本，样本规模有限；仅使用绿色波段（547-562 nm）的16个特征波段无法替代宽谱段VIS-NIR-SWIR信息，对近缘叶类品种的分类效果显著下降；未在更广泛的品种和真实温室条件下验证	评估近端VIS-NIR-SWIR光谱辐射测量（400-2400 nm）在观赏植物无损识别与分类中的可行性，并比较不同光谱表示和机器学习/深度学习模型的分类性能	九类观赏植物（来自绿萝、一品红、天竺葵和木槿）的叶片或苞片光谱样本	机器学习	NA	近端VIS-NIR-SWIR光谱辐射测量（400-2400 nm）	机器学习, 深度学习, MLP	光谱数据	900个平衡的植物级叶片或苞片光谱样本，代表九个观赏植物类别	NA	MLP_Deep	macro-F1, F1	NA
406	2026-10-04	FKAN-MoCBDTI: Multimodal drug-target interaction prediction via collaborative bilinear attention and knowledge distillation 2026-Sep-29, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109450 PMID:42826573	研究论文	提出FKAN-MoCBDTI多模态框架，通过协同双线性注意力、Fourier Kolmogorov-Arnold网络、教师-学生知识蒸馏与条件域对抗学习预测药物-靶点相互作用	统一异质特征提取、协同双线性注意力、FKAN预测器、教师-学生知识蒸馏与条件域对抗学习；设计协同双线性注意力显式刻画药物分子与蛋白质残基特征间局部成对关联，提升特征融合与注意力可视化；FKAN增强高阶非线性建模；知识蒸馏结合CDAN桥接跨域差异	在未见靶点蛋白（cold-target）场景下存在性能权衡，跨域迁移仍受域差异影响，未明确说明计算资源与模型可扩展性限制	克服当前深度学习在药物-靶点相互作用预测中多模态融合、细粒度跨模态交互建模、非线性表示学习和归纳泛化方面的局限	药物-靶点相互作用，包括药物SMILES序列与分子拓扑、靶点蛋白M-gram嵌入与序列衍生拓扑信息	机器学习	NA	SMILES序列编码，分子拓扑图建模，M-gram嵌入，图卷积网络，知识蒸馏，条件域对抗学习	Transformer，图神经网络，Fourier Kolmogorov-Arnold网络，多层图卷积网络，教师-学生知识蒸馏	分子序列与图结构数据	六个基准数据集	NA	Transformer，FKAN-based图神经网络，多层图卷积网络，协同双线性注意力模块，FKAN预测器，CDAN模块	NA	NA
407	2026-10-04	AI-driven transcriptomics for neurodegenerative disease research: A systematic review 2026-Sep-29, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109448 PMID:42826575	系统综述	本文系统综述了人工智能、机器学习和深度学习在转录组学中应用于神经退行性疾病研究的进展，涵盖生物标志物识别、疾病诊断、患者分型和药物重定位	系统性地将AI/ML/DL在批量RNA测序、单细胞RNA测序和空间转录组学三个层次上的应用进行基准比较，并总结了空间深度学习模型在定位疾病相关小胶质细胞和追踪轴突退化通路方面的新应用	罕见神经退行性疾病亚型的数据稀缺、缺乏跨平台空间转录组学基准、深度神经网络的"黑箱"性质限制了临床转化	综合评估AI、机器学习和深度学习在不同转录组学层次上用于神经退行性疾病生物标志物发现、诊断、分型和药物重定位的计算模型	神经退行性疾病，包括阿尔茨海默病、帕金森病和肌萎缩侧索硬化症，以及相关转录组学数据	机器学习	神经退行性疾病	批量RNA测序，单细胞RNA测序（scRNA-seq），空间转录组学	SVM，随机森林，弹性网络，自编码器，LSTM，图神经网络	转录组数据（文本/数值）	1058条记录中筛选出19项核心实证研究	NA	SVM，随机森林，弹性网络，自编码器，LSTM，图神经网络，STAGATE，SpaGCN，cell2location	AUC	NA
408	2026-10-04	Artificial intelligence in perioperative pain: a scoping review protocol 2026-Sep-25, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2026-124432 PMID:42790900	综述	本文是一项范围综述方案，旨在系统梳理人工智能在围手术期疼痛领域应用的相关证据	首次针对围手术期疼痛领域AI应用的范围综述方案，涵盖围手术期各阶段、多种临床结局、数据模态和AI方法，并关注模型验证、可解释性、不确定性和临床实施等关键方法学特征	作为范围综述方案，尚未开展正式文献检索和数据提取，尚无实际研究结果；不进行定量合并分析；仅纳入人类研究	描述AI在围手术期疼痛中应用的现有证据，识别影响其临床可信度和实施的方法学特征	评估AI方法用于围手术期疼痛相关结局的人类研究，包括观察性研究、干预性研究和预测建模研究	机器学习	疼痛	机器学习, 深度学习, 自然语言处理, 计算机视觉, 大语言模型, 混合或集成方法	NA	文本	NA	NA	NA	NA	NA
409	2026-10-04	The 'UPIC' cohort: a nationwide prospective study of mental health among adolescents and young adults in Sweden - a study protocol 2026-Sep-21, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2026-120432 PMID:42767737	研究论文	本文是一项在瑞典全国范围内开展的前瞻性队列研究方案，旨在结合多来源数据评估青少年和青年人的心理健康状况并构建预测模型	整合问卷调查、行为测试、国家健康登记数据和智能手机传感器数据等多来源数据，采用三种不同的随访方案，并引入机器学习方法进行心理健康轨迹预测	目前仅为研究方案，尚未报告实际数据收集和分析结果，样本量相对有限（2000人），可能不足以覆盖所有心理健康亚型	建立综合数据集以评估青少年和青年人的心理健康（包括心理疾病和幸福感），分析患病率、风险和保护因素，并对心理健康轨迹进行预测建模，同时评估此类纵向数据收集的可行性	瑞典普通人群中15-29岁的青少年和青年人	机器学习	精神疾病	问卷调查、数字行为测试、智能手机传感器数据采集、国家健康登记数据链接、血液生物标志物分析	机器学习, 深度学习	文本, 图像, 传感器数据, 生物标志物数据	2000名15-29岁的青少年和青年人	NA	NA	NA	NA
410	2026-10-04	Cytokinesis genes regulate ring canal patterning and follicle cell differentiation in Drosophila 2026-Sep-16, bioRxiv : the preprint server for biology DOI:10.64898/2026.09.10.750734 PMID:42780111	研究论文	该研究通过超分辨率共聚焦显微镜和深度学习模型，揭示了果蝇卵巢卵泡细胞中环管发育的逐步过程，并发现细胞分裂基因调控环管模式和卵泡细胞分化	结合超分辨率共聚焦显微镜和自定义训练的深度学习模型进行3D图像分割和卵泡细胞定量，首次鉴定环管发育的逐步过程，并发现septin和ESCRT III基因在环管形成和卵泡细胞分化中的不同作用	未明确说明	探究体细胞分化中稳定细胞间桥（环管）的功能，特别是果蝇卵巢卵泡细胞中环管发育及其调控机制	果蝇卵巢卵泡细胞	计算机视觉, 数字病理学	NA	超分辨率共聚焦显微镜	深度学习模型	3D图像	未明确说明	NA	NA	NA	NA
411	2026-10-04	Development and Validation of an Image-Based Deep Learning Tool for Identification of Xylazine-Associated Wounds 2026 Sep-Oct 01, Journal of addiction medicine IF:4.2Q1 DOI:10.1097/ADM.0000000000001718 PMID:42206647	研究论文	本研究开发并验证了一种基于图像深度学习工具，用于从伤口照片中识别赛拉嗪相关伤口（XAWs）。	首次利用公开可获取的伤口照片开发并验证深度学习工具来识别赛拉嗪相关伤口，不同于传统依赖外观的临床判断	数据来源为公开照片（学术出版物、Reddit、新闻媒体）存在选择偏倚；样本中XAWs仅114例，类别不平衡可能影响敏感性；仅评估了四种模型，未与临床医生诊断直接比较；需要进一步外部验证	开发一种可及且准确的赛拉嗪相关伤口自动识别方法，以辅助伤口管理、临床评估和公共卫生监测	伤口照片图像，包括114张赛拉嗪相关伤口和1710张非赛拉嗪伤口（涵盖17种不同病理）	计算机视觉	赛拉嗪相关伤口	深度学习图像分类	CNN	图像	总共1824张伤口图像（114张赛拉嗪相关，1710张非赛拉嗪），其中1185张用于训练（65%），163张用于验证（9%），476张用于测试（26%）	NA	DenseNet121, EfficientNetB0, ResNet34, SENet154	准确率, AUROC, 加权F1分数, 特异性, 敏感性	NA
412	2026-10-04	Multiscale Spatial Fusion Feature-Driven Characterization of Gastric Cancer Invasive Margins: A Multicenter Cohort Study for Preoperative Accurate Differentiation Between T4a and T4b Subtypes 2026-Sep, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.76455 PMID:42474705	研究论文	本研究开发了一种基于扩展感兴趣区域的多尺度空间特征融合模型（GAVR），用于术前准确区分胃癌T4a和T4b亚型	提出了包含边界增强U-Net生成eROI、并行提取传统影像组学、2D和3D深度学习特征、以及Vision Transformer进行全局注意力加权融合的三层架构GAVR模型，深度融合多尺度空间特征以刻画胃癌浸润边缘的结构异质性并缓解过拟合	未明确提及	实现胃癌T4a和T4b亚型的术前准确鉴别，以辅助手术规划和预后评估	胃癌患者	医学图像分析	胃癌	CT影像组学、深度学习	U-Net, Vision Transformer	CT图像	1804例患者（包括内部、外部和前瞻性队列）	NA	U-Net, Vision Transformer	AUC	NA
413	2026-10-04	Stepwise multi-scale reconstruction of cell spatial organization from single-cell RNA sequencing data with Cell2space 2026-Sep-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag531 PMID:42822864	研究论文	该文章提出了Cell2space，一个深度学习框架，通过整合scRNA-seq数据与空间转录组参考，以逐步方式重建多尺度细胞空间组织。	将空间重建视为学习通用的空间亲和力函数而非坐标回归，并采用分层推断策略整合域级先验来精细化细胞邻域。	摘要中未明确提及研究局限性。	从单细胞RNA测序数据中精确重建细胞的空间组织，以理解组织结构和功能。	单细胞RNA测序数据、空间转录组参考数据、小鼠视觉皮层、人类皮肤。	空间转录组学、计算生物学	NA	scRNA-seq、空间转录组学	深度学习	基因表达数据、空间转录组数据	NA	NA	NA	域分配准确性、邻域推断准确性	NA
414	2026-10-04	Charcot Neuroarthropathy: Identification and Classification Using Artificial Intelligence (AI) 2026-Sep, Indian journal of orthopaedics IF:1.1Q3 DOI:10.1007/s43465-025-01664-3 PMID:42824226	研究论文	该研究开发了基于神经网络的AI模型，用于自动检测X射线中的Charcot神经关节病（CN）并根据Brodsky系统进行分类，内部测试准确率达93.39%，分割模型准确率达96.85%，外部测试一致性达93.3%	首次将深度学习应用于Charcot神经关节病的自动检测和Brodsky解剖分类，能够识别全局与局部破坏模式，帮助区分CN与骨髓炎等疾病	数据集有限（共234张X射线），仅来自单一三级医疗中心，应视为可行性研究，需要更大规模的多中心数据集和更多观察者进行验证以提高泛化能力和临床适用性	开发和验证基于人工智能的Charcot神经关节病自动检测和Brodsky解剖分类系统	诊断为Charcot神经关节病和未患该病的患者的足踝X射线影像	计算机视觉	Charcot神经关节病	X射线影像	CNN	图像	234张X射线用于训练，23张X射线用于内部测试，15张X射线用于外部测试	NA	NA	准确率，一致性	NA
415	2026-10-04	Machine Learning Models for Early Autism Spectrum Disorder Detection: Systematic Review With a Pediatric and Engineering Perspective 2026-Sep, Cureus DOI:10.7759/cureus.115572 PMID:42824463	系统综述	本文系统综述了机器学习和深度学习方法在早期自闭症谱系障碍检测中的应用，并从儿科和工程学双重视角分析了数据模态、模型架构、诊断性能、验证策略及临床转化障碍	同时从儿科临床和工程学视角系统梳理早期ASD检测的ML/DL证据，涵盖问卷、家庭视频、语音、眼动、EEG/MEG、MRI/fMRI、可穿戴传感器和多模态等多种数据来源，并采用PROBAST+AI框架评估方法学质量，强调外部验证、数据泄漏、数据集偏移、可解释性、隐私、公平性和临床工作流整合等转化障碍	纳入证据异质性大，部分候选研究无法获取全文，无法进行定量合并和确定性的研究级偏倚风险评估，PROBAST+AI仅在方法学信息充分时评估，其余判断为不明确或不可评估，现有证据尚不支持以自主AI诊断替代专科ASD评估	综合评估机器学习和深度学习方法用于早期自闭症谱系障碍检测的证据，重点关注儿科人群、数据模态、模型架构、诊断性能、验证策略、方法学质量以及临床和工程转化前景	自闭症谱系障碍早期检测相关的机器学习/深度学习研究文献，重点关注儿科人群	机器学习, 数字病理学, 医学人工智能	自闭症谱系障碍	问卷与临床信息建模、家庭视频与行为分析、语音与声学特征分析、眼动追踪、EEG/MEG、MRI/fMRI、可穿戴传感器、多模态数据融合	NA	文本, 图像, 视频, 音频, 信号, 多模态	检索PubMed 794条记录和IEEE Xplore 455条记录，去除7条截止日期后发表记录后剩1242条，去除38条重复后1204条独特记录进入筛选，标题摘要筛选后314篇报告进入详细资格评估，其中237篇为记录级合格	NA	NA	AUROC, 灵敏度, 特异度, 准确率	NA
416	2026-10-04	Artificial Intelligence and Decision Support in Orthopaedic Emergencies: A Review 2026-Sep, Indian journal of orthopaedics IF:1.1Q3 DOI:10.1007/s43465-026-01760-y PMID:42824522	综述	本文综述了人工智能和决策支持系统在骨科急诊中的应用现状、证据、局限性和未来发展方向	系统性地综述了AI在骨科急诊中的应用，特别关注其在低中收入医疗环境中的相关性，并强调了AI作为临床专业知识辅助工具而非替代品的定位	存在数据偏差、可解释性不足、临床整合困难、伦理问题和监管监督等挑战，缺乏充分的外部验证	综述AI决策支持系统在骨科急诊护理中的应用现状、证据、局限性和未来方向，尤其关注低中收入医疗环境	骨科急诊相关文献，包括骨折检测、损伤分类、分诊优化、临床决策支持和并发症预测等AI应用研究	机器学习	骨科急诊	NA	机器学习, 深度学习	图像, 文本	NA	NA	NA	诊断准确率	NA
417	2026-10-04	Deep learning-based prostate cancer diagnosis on MRI with hip prostheses: artifact and sequence effects 2026-Aug-04, Abdominal radiology (New York) DOI:10.1007/s00261-026-05712-w PMID:42550188	研究论文	评估髋关节假体引起的伪影对基于深度学习的MRI前列腺癌诊断性能的影响，并探讨用于深度学习分析的最佳MRI序列组合	首次系统评估髋关节假体伪影对深度学习前列腺癌诊断模型性能的影响，并比较了不同MRI序列组合（T2WI单独、T2WI+DWI+ADC、T2WI+DCE）在伪影存在下的诊断表现	深度学习模型对髋关节假体引起的磁敏感伪影鲁棒性有限，在中重度伪影下诊断性能显著下降，而放射科医师的PI-RADS评估表现相对稳定	评估髋关节假体伪影对深度学习前列腺癌诊断性能的影响，并寻找适合深度学习分析的最优MRI序列组合	2017至2023年间接受前列腺MRI检查的患者，包括有髋关节假体和无髋关节假体的患者	医学影像分析, 数字病理学	前列腺癌	MRI（T2加权成像、弥散加权成像、表观弥散系数图、动态对比增强MRI）	CNN	图像	416例有髋关节假体的检查及2080例匹配的无髋关节假体的检查	NA	NA	AUC（受试者工作特征曲线下面积）	NA
418	2026-10-04	Ultrasound detection of nonalcoholic steatohepatitis using convolutional neural networks with dual-branch global-local feature fusion architecture 2026-Aug, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03361-7 PMID:40257712	研究论文	本文应用深度学习技术对超声B扫描图像进行非酒精性脂肪性肝炎检测，并引入了超声特异性数据增强技术和双分支全局-局部特征融合架构以提高模型性能和适应性	提出了超声特异性数据增强技术，引入了双分支全局-局部特征融合架构，并使用Grad-CAM分析模型注意力模式来指导最优骨干网络的选择	样本量较小，仅纳入137名参与者，需要在更大规模的多中心数据集上验证	应用深度学习技术对超声B扫描图像进行非酒精性脂肪性肝炎检测，提高诊断性能和跨成像条件的适应性	非酒精性脂肪性肝炎患者的超声B扫描图像	计算机视觉	肝癌	超声B扫描成像	CNN	图像	137名参与者	NA	AlexNet, Inception V3, VGG16, VGG19, ResNet50, DenseNet201	准确率, 召回率, F1分数	NA
419	2026-10-04	Hybrid adaptive attention deep supervision-guided U-Net for breast lesion segmentation in ultrasound computed tomography images 2026-Aug, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03377-z PMID:40488959	研究论文	提出了一种混合自适应注意力深度监督引导的U-Net（HAA-DSUNet）用于乳腺超声计算机断层扫描（BUCT）图像中的乳腺病变分割	用混合自适应注意力模块（HAAM）替换U-Net的传统采样卷积模块，以扩大感受野并探测丰富的全局特征，同时保留细节；应用对比损失对中间输出进行深度监督，以最小化上采样过程中的信息损失；最后通过滤波、分割和形态学进一步处理分割预测结果以获得最终结果	未明确说明	开发一个自动化的乳腺癌诊断系统，用于早期筛查乳腺病变，以提高患者的生存率	乳腺超声计算机断层扫描（BUCT）图像中的乳腺病变	计算机视觉	乳腺癌	超声计算机断层扫描（UCT）	CNN	图像	两个UCT图像数据集：HCH和HCH-PHMC	未明确说明	U-Net	Dice分数, IoU	未明确说明
420	2026-10-04	Can incorporating image resolution into neural networks improve kidney tumor classification performance in ultrasound images? 2026-Aug, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-024-03188-8 PMID:39215783	研究论文	该研究将超声图像分辨率信息整合到卷积神经网络中，探索其对肾脏肿瘤良恶性分类诊断性能的影响	首次将超声图像分辨率作为特征整合到卷积神经网络中用于肾脏肿瘤分类，并提出两种缩小神经网络提取特征与分辨率特征之间语义差距的方法：一是将分辨率直接与神经网络提取的特征拼接，二是先对神经网络提取的特征进行降维再与分辨率特征组合形成新的复合特征	数据集规模相对有限（926张图像），仅来自单一数据集，未在大规模多中心数据上验证，且未明确说明是否进行了外部验证	探索将超声图像分辨率整合到神经网络中能否提高肾脏肿瘤良恶性分类的诊断性能	肾脏肿瘤超声图像，包括211张良性肾脏肿瘤图像和715张恶性肾脏肿瘤图像，共926张图像	计算机视觉	肾脏肿瘤	超声成像	CNN	图像	926张肾脏肿瘤超声图像（211张良性，715张恶性）	NA	NA	AUC	NA