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
11221	2026-01-21	Nivolumab plus ipilimumab for potentially resectable hepatocellular carcinoma: Long-term efficacy and biomarker exploration 2026-Feb, Journal of hepatology IF:26.8Q1 DOI:10.1016/j.jhep.2025.08.035 PMID:40972843	研究论文	本研究评估了纳武利尤单抗联合伊匹木单抗在潜在可切除肝细胞癌患者中的长期疗效和安全性，并探索了治疗反应的预测性生物标志物	首次在潜在可切除肝细胞癌患者中探索纳武利尤单抗联合伊匹木单抗作为新辅助治疗的长期疗效，并通过基因组、转录组分析和免疫细胞谱分析揭示了三级淋巴结构形成与抗肿瘤免疫增强的关联	研究为单臂临床试验，缺乏对照组，样本量相对较小（43例患者），且患者群体中病毒性肝炎占主导，可能限制结果的普遍性	评估免疫检查点抑制剂联合疗法作为新辅助或围手术期治疗在肝细胞癌中的疗效和安全性，并探索治疗反应的生物标志物	潜在可切除的肝细胞癌患者	NA	肝细胞癌	基因组分析, 转录组分析, 免疫细胞谱分析, 光谱流式细胞术	深度学习算法	肿瘤组织样本, 外周血样本, 小鼠肝癌模型数据	43例患者（男性/女性：37/6；病毒性/非病毒性：41/2；巴塞罗那临床肝癌分期A/B/C：4/13/26），其中24例接受手术	NA	NA	客观缓解率, 4年无进展生存率, 4年总生存率, 主要病理学缓解率（>90%肿瘤坏死）	NA
11222	2026-01-21	Comparing prostate diffusion weighted images reconstructed with a commercial deep-learning product to a deep learning phase corrected model at 1.5 T 2026-Feb, Clinical imaging IF:1.8Q3 DOI:10.1016/j.clinimag.2025.110681 PMID:41297172	研究论文	本研究比较了商业深度学习产品与新型深度学习相位校正模型在1.5T场强下重建前列腺扩散加权图像的质量	提出了一种新型深度学习相位校正重建模型，在1.5T场强下相比商业深度学习产品能显著降低图像噪声并提高信噪比	研究样本量较小（仅30例患者），且为单中心回顾性研究，可能影响结果的普遍性	评估新型深度学习相位校正模型在提升前列腺扩散加权图像质量方面的效果	接受前列腺多参数磁共振成像的30例连续患者	医学影像分析	前列腺癌	扩散加权成像，多参数磁共振成像	深度学习模型	磁共振图像	30例患者	NA	深度学习相位校正模型	信噪比，表观扩散系数值，图像噪声评估，定性图像评分	NA
11223	2026-01-21	Quantification differences between supine and prone CT in interstitial lung disease 2026-Feb, Clinical imaging IF:1.8Q3 DOI:10.1016/j.clinimag.2025.110697 PMID:41418638	研究论文	本研究评估了间质性肺病患者仰卧位与俯卧位CT扫描在定量测量中的变异性和可重复性	首次系统比较了仰卧位与俯卧位CT在间质性肺病定量评估中的测量差异，并识别了影响体位间变异性的关键因素	研究为回顾性设计，样本仅来自单一机构，且未评估体位变化对临床决策的直接影响	评估俯卧位CT定量测量在间质性肺病评估中的可靠性与变异性	间质性肺病患者	数字病理学	间质性肺病	定量计算机断层扫描，深度学习软件分析	深度学习模型	CT图像	277名患者	NA	NA	组内相关系数，Bland-Altman分析，Pearson相关系数，Steiger's Z检验	NA
11224	2026-01-21	Global trends and collaboration networks in radiology: A bibliometric analysis of the 500 most-cited articles in web of science 2026-Feb, Clinical imaging IF:1.8Q3 DOI:10.1016/j.clinimag.2025.110700 PMID:41455150	研究论文	本研究通过文献计量学方法分析了Web of Science核心合集中被引次数最高的500篇放射学、核医学和医学影像学文章，以揭示全球研究趋势和合作网络	首次对放射学领域高被引文献进行大规模文献计量分析，识别了关键机构、国家、作者和新兴研究主题（如深度学习和人工智能）	分析仅基于被引次数最高的500篇文章，可能无法代表整个放射学研究领域的全貌；数据截止到2025年6月，可能无法反映最新动态	分析放射学、核医学和医学影像学领域的全球研究趋势、合作网络和新兴方向	Web of Science核心合集中被引次数最高的500篇放射学相关文章	医学影像学	NA	文献计量分析	NA	文献元数据	500篇高被引文章	Biblioshiny, VOSviewer 1.6.20, Python 3.13.3	NA	被引次数、平均被引影响、关键词出现频率	NA
11225	2026-01-08	Correction to "Time-Lapse Deep Learning for Single-Cell Subcellular Structural Phenotypic Antimicrobial Susceptibility Testing" 2026-Jan-20, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c07908 PMID:41493771	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11226	2026-01-21	CTSSP: A temporal-spectral-spatial joint optimization algorithm for motor imagery EEG decoding 2026-Jan-20, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ae34ea PMID:41499961	研究论文	本文提出了一种名为CTSSP的联合优化算法，用于解码运动想象脑电图信号	提出了一个统一的框架，联合优化时域、频域和空域滤波器，克服了现有方法特征优化碎片化的问题	NA	提升运动想象脑机接口在噪声和非平稳环境下的解码性能	运动想象脑电图信号	机器学习	NA	脑电图	NA	脑电图信号	五个公共数据集	NA	CTSSP	准确率	NA
11227	2026-01-21	Deep Learning Models: A Lens Worth Sharpening for Cancer Prognostication 2026-Jan-20, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-026-19099-x PMID:41555132	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11228	2026-01-21	A General Image Fusion Approach Exploiting Gradient Transfer Learning and Fusion Rule Unfolding 2026-Jan-19, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3655694 PMID:41553895	研究论文	本文提出了一种基于梯度迁移学习和融合规则展开的通用图像融合框架，旨在通过单一模型处理多种图像融合任务	引入了序列梯度迁移框架以利用不同任务间的互补信息，并通过将基本融合规则集成到深度均衡模型中，实现了超越启发式网络设计的更高效、通用的图像融合网络	未明确提及	开发一个能够统一处理多种图像融合任务的深度学习模型，以促进模型在实际应用中的部署	多焦点图像融合、多曝光图像融合、红外与可见光图像融合以及医学图像融合	计算机视觉	NA	深度学习	深度均衡模型	图像	未明确提及	未明确提及	未明确提及	客观指标	未明确提及
11229	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
11230	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
11231	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
11232	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
11233	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
11234	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
11235	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
11236	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
11237	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
11238	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
11239	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
11240	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