深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 1110 篇文献，本页显示第 41 - 60 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2026-09-28 |
Graph designs for deep learning-based multi-omics integration
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag410
PMID:42537003
|
综述 | 本文综述了基于图的多组学深度学习模型中图的构建与使用方式，涵盖节点模式、边语义、交互类型、整合策略、图上下文和模型架构，并提出了一个通用的图构建与评估流程 | 系统性地按节点模式、边语义、交互类型、整合策略、图上下文和模型架构对多组学深度学习方法进行分类，并综合考虑可解释性、数据需求、噪声与缺失模态鲁棒性以及任务适用性，提出了一个通用的图构建与评估流程 | 作为综述，未提供新的实验验证，对不同设计选择的优劣分析主要基于现有文献的总结，可能受限于已发表研究的覆盖范围和偏倚 | 综述多组学深度学习模型中图的构建与使用方法，总结不同设计选择的优缺点，并为新的多组学研究提供一个实用的图构建、整理和评估流程 | 多组学数据（包括 bulk、单细胞和空间组学数据）以及基于图的深度学习整合模型 | 机器学习 | NA | 多组学测序、单细胞测序、空间组学 | 图神经网络、深度学习 | 多组学数据、图数据 | NA | NA | 图神经网络 | NA | NA |
| 42 | 2026-09-28 |
Artificial Intelligence in genomics: a comprehensive survey of methods, resources, challenges, and prospects
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag229
PMID:42132948
|
综述 | 本文全面综述了人工智能在基因组学中的方法、资源、挑战与前景，涵盖机器学习、深度学习、自然语言处理、大语言模型、生成框架和可解释AI等技术及其在基因测序、变异检测、基因表达分析、个性化医疗和CRISPR基因组编辑中的应用 | 系统性整合了多种前沿AI方法论（包括大语言模型、生成框架和可解释AI）在基因组学各关键领域的应用，并提出了图神经网络和多模态深度学习整合多组学数据的前景，以及合成基因组学和数字孪生等新兴范式 | 数据质量、可解释性、伦理治理和计算可扩展性方面仍存在挑战尚未解决 | 全面调查AI在基因组学中的前沿方法论、核心计算工具、基准数据集和开源框架，并探讨未来发展方向 | AI在基因组学中的应用，包括基因测序、变异检测、基因表达分析、个性化医疗和CRISPR基因组编辑 | 机器学习 | NA | 基因测序, CRISPR基因组编辑, 多组学数据整合 | CNN, LSTM, GAN, Transformer, 大语言模型, 图神经网络, 多模态深度学习 | 文本, 基因组序列, 多组学数据 | NA | NA | Transformer, 图神经网络, 多模态深度学习 | NA | NA |
| 43 | 2026-09-28 |
Progress and new challenges in image-based profiling
2026-May, Molecular systems biology
IF:8.5Q1
DOI:10.1038/s44320-026-00197-7
PMID:41896452
|
综述 | 本文综述了基于图像的分析技术从特征提取到批次校正的计算流程演变，并探讨了深度学习对该领域的重塑及新兴模态带来的挑战 | 系统性地聚焦于基于图像分析的技术演进而非广泛的生物学应用，并重点讨论了单细胞分析、相似性度量、光学混合筛选、时序成像和3D类器官分析等前沿方法 | 在开发新兴时序和3D数据模态的处理方法、建立稳健的质量控制标准和工作流程以及解释处理后的特征方面仍面临重大挑战 | 为研究人员提供一份路线图，以了解基于图像的分析领域快速发展的进展和新挑战 | 基于图像的分析技术、计算方法、深度学习模型及相关软件生态系统 | 计算机视觉 | NA | 高内涵显微成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 44 | 2026-09-25 |
Thousand-Brains Systems: Sensorimotor Intelligence for Rapid, Robust Learning and Inference
2026-05-20, Neural computation
IF:2.7Q3
DOI:10.1162/NECO.a.1508
PMID:41945800
|
研究论文 | 本文评估了千脑系统的首个实现Monty在3D物体感知中的独特属性，特别是物体识别和姿态估计任务 | 首次评估千脑系统实现Monty，利用感觉运动学习构建结构化表征，采用无模型和基于模型的策略实现快速推理，使用新颖投票算法加速推理，以及联想式Hebbian绑定实现快速持续学习 | Monty仍处于发展初期阶段 | 评估千脑系统Monty的独特属性，以弥合生物智能与人工智能之间的差距 | Monty系统，千脑系统的首个实现，用于3D物体感知 | 计算机视觉 | NA | 感觉运动学习 | NA | 图像 | YCB数据集的家用物体 | NA | Monty（基于皮质柱架构） | NA | NA |
| 45 | 2026-09-25 |
Leveraging machine learning for selective cannabinoid ligand discovery: methods, challenges, and opportunities
2026-May, Expert opinion on drug discovery
IF:6.0Q1
DOI:10.1080/17460441.2026.2661209
PMID:42015457
|
综述 | 本文综述了利用机器学习方法进行选择性大麻素配体发现的研究进展，重点关注CB2对CB1选择性的预测策略，讨论了特征工程、分类回归算法、深度学习与生成模型，以及数据质量和可解释性等挑战 | 系统性地总结了机器学习在大麻素受体选择性配体发现中的应用，涵盖从分子指纹、理化描述符到SMILES表示的多种特征工程方法，并强调了生成式AI在扩展化学空间和从头分子设计中的潜力 | 数据质量不佳、终点不一致以及模型可解释性有限，制约了机器学习在大麻素受体选择性预测中的进一步发展 | 探讨机器学习方法如何解决大麻素受体选择性中的持续挑战，加速更安全治疗药物的发现 | 大麻素受体（CB1和CB2）的选择性配体及相关的机器学习预测模型 | 机器学习 | NA | NA | NA | 文本 | NA | NA | NA | NA | NA |
| 46 | 2026-09-23 |
Deep Learning Prediction of Personalized Peripapillary Retinal Nerve Fiber Layer Thickness Norms from Fundus Images in Glaucoma
2026-May-27, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.26.26354081
PMID:42245038
|
研究论文 | 该研究开发了一种基于U-Net的深度学习模型，从眼底图像预测个性化的视网膜神经纤维层厚度（RNFLT）正常值，以改善青光眼的结构-功能评估 | 首次利用深度学习从眼底图像预测个体化的RNFLT正常值，而非依赖人群统计数据，并将预测的正常值图与偏差图结合用于视功能预测，提升了结构-功能关联评估的准确性 | 研究使用单一机构（马萨诸塞州眼耳医院青光眼服务中心）的数据，可能存在选择偏倚，且未在外部独立数据集上验证模型的泛化能力 | 从眼底图像中预测个体化的RNFLT正常值，并评估其在青光眼结构-功能评估中的价值 | 18,000份OCT扫描和视野检查数据，来自马萨诸塞州眼耳医院青光眼服务中心 | 数字病理学 | 青光眼 | OCT | CNN | 图像 | 18,000份OCT扫描和视野数据，其中10,000份用于训练，8,000份用于评估 | NA | U-Net, VGG-16 | 相关系数, 平均绝对误差（MAE）, R2 | NA |
| 47 | 2026-09-23 |
Prioritizing peptides for targeted mass spectrometry experiments using deep learning
2026-May-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.21.727053
PMID:42244555
|
研究论文 | 该研究提出了一种基于Transformer的深度学习模型Bromo，用于从蛋白质中排序肽段前体，以选择适用于靶向质谱实验的肽段 | 首次采用Transformer模型，基于电荷状态对肽段前体进行相对响应排序，并利用大规模公开DIA质谱数据训练，能够通过微调适应不同实验条件 | 摘要中未明确提及研究的局限性 | 开发一种深度学习模型，优先选择适用于靶向质谱实验的肽段，以改进蛋白质定量 | 肽段前体、蛋白质 | 机器学习 | NA | 靶向质谱、数据非依赖采集质谱 | Transformer | 质谱数据 | 数百万个注释肽段对，来自大规模公开DIA质谱数据 | NA | Transformer | NA | NA |
| 48 | 2026-09-23 |
Molecular Characterization of T-Lineage Acute Lymphoblastic Leukemia by an Optimal-Transport Based Multi-Omics Integration Framework
2026-May-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.22.727257
PMID:42244593
|
研究论文 | 该文章提出了一个基于最优传输的多模态深度学习框架OTTER，用于整合RNA-seq基因表达和体细胞基因组变异数据，对T系急性淋巴细胞白血病进行分子特征刻画 | 使用Gromov-Wasserstein最优传输（GW-OT）对齐各模态的潜在表示，在不需要共享特征空间的情况下保留每个模态的内部几何结构，并结合基于梯度的特征重要性和跨组学交互分析进行可解释性分析 | 未明确说明 | 实现异构多组学数据的有效整合，对T-ALL进行准确的分子分型，以理解疾病机制、风险分层和指导靶向治疗策略 | T系急性淋巴细胞白血病（T-ALL）患者 | 机器学习 | 白血病 | RNA-seq，体细胞基因组变异检测 | 变分自编码器，最优传输 | RNA-seq基因表达数据，体细胞基因组变异数据 | 1,309名患者，涵盖17种T-ALL亚型（来自COG AALL0434队列） | NA | 模态特异性变分自编码器，Gromov-Wasserstein最优传输 | NA | NA |
| 49 | 2026-09-23 |
Two-Step Ensemble Convolutional Neural Networks for Colonoscopic Biopsy Classification Resembling Pathologists' Process
2026-May-25, Journal of Korean medical science
IF:3.0Q1
DOI:10.3346/jkms.2026.41.e152
PMID:42190697
|
研究论文 | 本文提出了一种两步集成卷积神经网络流水线，用于结肠镜活检全切片图像的五分类诊断，模拟病理学家的分析过程 | 提出两步集成深度学习流水线，第一步使用聚类约束注意力多实例学习模型分类腺癌、腺瘤、神经内分泌肿瘤和非异型增生病变，第二步使用EfficientNet区分非肿瘤与增生性息肉；可过滤低质量全切片图像，模拟病理学家分析流程 | 数据集来源和多样性可能有限，未提及外部验证集，低质量图像过滤标准未详细说明 | 开发自动化结直肠癌诊断系统，对结肠镜活检全切片图像进行多类别分类，提高临床诊断效率和准确性 | 结直肠癌全切片图像，包括非肿瘤、增生性息肉、腺瘤、腺癌和神经内分泌肿瘤五类病变 | 数字病理学 | 结直肠癌 | 全切片图像分析 | CNN | 图像 | 18,922张结直肠癌全切片图像 | NA | 聚类约束注意力多实例学习模型, EfficientNet | micro-F1分数, macro-F1分数, weighted-F1分数 | NA |
| 50 | 2026-09-23 |
Normative modeling for quantitative brain MRI phenotyping and biomarker discovery for pediatric leukodystrophies
2026-May-25, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.22.26353512
PMID:42245025
|
研究论文 | 该研究利用深度学习分割和规范建模（脑生长图表）对六种儿童脑白质营养不良的定量脑MRI表型进行分析，以发现影像生物标志物 | 首次将规范建模方法（脑生长图表）应用于儿童脑白质营养不良的定量MRI表型分析，通过深度学习分割和广义加性模型生成百分位评分，实现了对疾病严重程度的定量分层和亚型区分 | 研究为横断面设计，纵向数据仅为初步结果；样本量相对有限（274例患者）；对照组来自单一中心，可能存在批次效应；未进行外部验证 | 利用解剖MRI衍生的表型，参照脑生长图表，表征六种遗传确诊的脑白质营养不良的共享和独特神经解剖模式，并评估该方法识别疾病严重程度影像生物标志物的效用 | 274例遗传确诊的脑白质营养不良患者（包括Pelizaeus-Merzbacher病、异染性脑白质营养不良、Alexander病、Aicardi-Goutières综合征、TUBB4A相关脑白质营养不良和POLR3相关脑白质营养不良）的434次MRI扫描，以及来自CHOP的7205名对照受试者的7628次扫描 | 数字病理学 | 儿童脑白质营养不良 | 解剖MRI、深度学习分割、规范建模 | CNN | 图像 | 274例患者的434次MRI扫描；7205名对照的7628次扫描 | NA | NA | 百分位评分 | NA |
| 51 | 2026-09-23 |
Impact of Imaging Protocols on Thermal Detection of Pressure Injuries: Threshold versus Deep Learning Across Skin Tones
2026-May-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.21.26353842
PMID:42238404
|
研究论文 | 该研究系统评估了成像协议变化（光照、距离、体位、相机类型）和参与者肤色对热成像冷却检测分类模型性能的影响 | 首次系统评估成像协议变化和肤色对热成像压力性损伤检测的影响，并比较深度学习方法与阈值方法的性能差异 | 样本量相对较小（35名参与者，1680张图像），仅使用受控冷却协议模拟而非真实压力性损伤，未在临床环境中验证 | 评估成像协议变化和肤色对热成像冷却检测分类模型性能的影响，比较深度学习方法与阈值方法的鲁棒性和公平性 | 35名不同肤色的参与者，通过受控冷却协议模拟早期压力性损伤的温度变化 | 计算机视觉, 医学图像分析 | 压力性损伤 | 热成像 | CNN | 图像 | 35名参与者，1680张热成像图像，12种成像协议变化 | NA | MobileNetV2, InceptionNetV3, ResNet50 | 准确率 | NA |
| 52 | 2026-09-23 |
Cost-effectiveness of artificial intelligence interventions for musculoskeletal disorders of the spine: a systematic review
2026-May-23, Rheumatology international
IF:3.2Q2
DOI:10.1007/s00296-026-06122-3
PMID:42175996
|
系统综述 | 本文系统综述了人工智能干预措施用于脊柱肌肉骨骼疾病管理的成本效益证据 | 这是首个系统综述，综合了基于AI技术用于脊柱MSDs管理的成本效益证据 | 对减轻脊柱MSDs经济负担和改善健康结局的影响尚不具结论性，需要进一步标准化经济学评价来加强证据基础 | 综合关于基于AI技术用于管理脊柱MSDs成本效益的现有证据 | 脊柱肌肉骨骼疾病（MSDs） | 医学信息学, 卫生经济学 | 脊柱肌肉骨骼疾病 | 系统综述, 经济学评价 | NA | 文本 | 7项符合条件的研究 | NA | 深度学习诊断和运动处方平台, AI驱动的胸部X线筛查, self-BACK应用, 标准化MRI协议, Back Pain Choices在线决策支持工具, Kaia背痛应用 | QALY增益, 成本效益, 成本节约, 优势 | NA |
| 53 | 2026-09-23 |
Acoustic-based Stenosis Detection for Dialysis Patients using Explainable Machine Learning
2026-May-22, Research square
DOI:10.21203/rs.3.rs-9781692/v1
PMID:42239778
|
研究论文 | 本研究对比了经典机器学习模型与Vision Transformer深度学习架构，利用非侵入式声学录音自动检测透析患者动静脉内瘘狭窄 | 将经典机器学习与ViT深度学习进行对比评估，并引入SHAP可解释性分析，证明经典模型基于生理有意义的特征（如信号能量升高和频谱偏移）进行预测，兼具高精度与可解释性 | 摘要中未明确提及研究局限性 | 实现透析患者动静脉内瘘狭窄的自动化无创检测，并评估可解释机器学习在临床即时监测中的应用潜力 | 接受血液透析的动静脉内瘘患者 | 机器学习 | 心血管疾病 | 声学录音、MFCC特征提取、Mel频谱图分析 | 经典机器学习分类器、Vision Transformer | 音频信号、解剖元数据 | NA | NA | Vision Transformer, 经典机器学习分类器 | F1分数 | NA |
| 54 | 2026-09-23 |
Maximizing pancreatic carcinoma classification performance using parrot optimized vision transformer
2026-May-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-53240-w
PMID:42168286
|
研究论文 | 该研究利用鹦鹉优化算法优化的视觉Transformer模型对胰腺癌CT图像进行分类，实现了高精度的胰腺癌自动识别与分类 | 将鹦鹉元启发式优化算法与视觉Transformer相结合用于胰腺癌分类，并采用YOLOv11进行特征提取、UNet进行分割的完整流程 | 仅使用来自Kaggle的1411张CT图像，数据集规模有限，未提及外部验证集 | 开发一个基于人工智能的自动化模型，用于胰腺癌的识别与分类 | 胰腺CT图像数据集 | 计算机视觉 | 胰腺癌 | CT成像 | Vision Transformer | 图像 | 1411张胰腺CT图像 | NA | Vision Transformer, UNet, YOLOv11 | 准确率, 精确率, 召回率, F1分数, 马修斯相关系数, 真阳性率, 假阳性率 | NA |
| 55 | 2026-09-23 |
DigitAb: Domain-Adaptive Cell Type Prediction Method from Light Microscopy Images
2026-May-21, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.19.726313
PMID:42239069
|
研究论文 | 该论文开发了DigitAb，一个深度学习框架，能够直接从H&E染色图像中分类细胞类型，无需专门的免疫染色。 | 利用Phenocycler成像生成大规模高分辨率真值，训练语义分割模型，并集成对抗域适应模块，实现无标记细胞类型预测。 | 需要Phenocycler成像生成训练真值，且仅针对肾脏样本进行验证，泛化性有待进一步评估。 | 开发一种从光显微镜图像中预测细胞类型的方法，以替代昂贵的多重成像技术。 | 人类肾脏样本中的细胞 | 数字病理学 | 肾脏疾病 | H&E染色, Phenocycler成像 | CNN | 图像 | 29个人类肾脏样本，约350万个细胞 | NA | NA | 平衡准确率 | NA |
| 56 | 2026-09-23 |
An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation
2026-May-20, ArXiv
PMID:42238067
|
研究论文 | 提出一个开源的多中心全身FDG PET/CT基础模型，使用4,997例扫描，采用早期通道级拼接的UNet骨干和掩码自编码目标，并在AutoPET病灶分割上验证了标签效率。 | 采用早期通道级拼接的层次化UNet骨干，使解剖和代谢特征从第一层嵌入开始交互；引入基于零均值插值的掩码自编码目标结合加权全局重建损失，避免了可学习掩码令牌导致的非物理强度不连续。 | 摘要中未明确提及研究局限性。 | 解决现有PET/CT深度学习方法任务特定、单中心训练和双分支融合延迟跨模态交互的局限，开发开源多中心全身FDG PET/CT基础模型，用于肿瘤分割。 | 全身FDG PET/CT扫描，来自四个公共数据集的4,997例协调扫描，下游任务为AutoPET病灶分割。 | 数字病理学/医学图像分析 | 肿瘤（通用） | FDG PET/CT成像 | UNet | 图像（PET和CT） | 4,997例全身FDG PET/CT扫描，来自四个公共数据集；下游任务使用AutoPET数据集 | NA | UNet | Dice分数 | NA |
| 57 | 2026-09-23 |
Automated identification of bolus types in modified barium swallow studies using deep learning: a preliminary study
2026-May-20, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.16.26353385
PMID:42238390
|
研究论文 | 本研究利用深度学习技术实现改良钡餐吞咽造影（MBS）中食团类型的自动分类 | 首次将 Inflated 3D 卷积神经网络应用于 MBS 视频中食团类型的自动分类 | 本研究为初步研究，样本量有限，且未报告模型可解释性及多中心验证结果 | 开发基于深度学习的自动分类系统，用于标准化和高效地识别 MBS 检查中的食团类型 | 206 名接受 MBS 检查的患者，共 277 次 MBS 研究，包含 2,752 个食团级视频片段 | 医学图像分析 | 吞咽障碍 | 视频荧光透视 | Inflated 3D 卷积神经网络 | 视频 | 206 名患者，277 次 MBS 研究，2,752 个食团视频片段 | NA | I3D | 准确率, 宏 F1 分数 | NA |
| 58 | 2026-09-23 |
HiCP2GAN: A Plug and Play Foundation Model-based GAN for Hi-C Enhancement
2026-May-20, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.18.725960
PMID:42239130
|
研究论文 | 该文章提出了一种基于预训练Hi-C基础模型的即插即用GAN框架HiCP2GAN，用于增强Hi-C数据的分辨率。 | 首次将预训练的Vision Transformer-based Hi-C基础模型作为GAN的判别器，提供生物学意义的梯度监督；框架与生成器无关，可即插即用。 | 摘要中未明确提及。 | 提高Hi-C数据的分辨率，以改善下游分析。 | Hi-C接触矩阵。 | 基因组学、深度学习 | NA | Hi-C | GAN | Hi-C接触矩阵 | 预训练使用了1.18亿个Hi-C片段，涵盖多种物种和细胞类型；实验在人类细胞系上进行，具体样本量未提及。 | PyTorch | Vision Transformer, GAN | 分辨率提升 | NA |
| 59 | 2026-09-23 |
Weak supervision of H&E slides reveals systems-level biology and functional states that govern therapeutic resistance
2026-May-19, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.05.723013
PMID:42146619
|
研究论文 | 该研究训练了一个弱监督深度学习模型，以常规H&E切片为输入，量化治疗相关的肿瘤微环境表型活性，并在乳腺癌中验证其与转录组、免疫荧光及临床反应的一致性 | 利用弱监督深度学习从常规H&E切片中推断系统级肿瘤微环境生物学和功能状态，揭示驱动治疗耐药的形态-分子介质，并可应用于大规模 legacy 生物样本库 | 依赖切片级标签进行训练，未提及外部独立验证队列的规模或前瞻性验证，可能受限于数据偏差和泛化性 | 开发可扩展的工具，在患者层面评估驱动治疗耐药的系统级肿瘤微环境程序，以推动精准肿瘤学 | 乳腺癌H&E全切片图像（WSIs）及匹配的批量转录组数据、多重免疫荧光、盲法读者评估和多机构患者队列 | 数字病理学 | 乳腺癌 | H&E染色全切片成像、批量转录组学、多重免疫荧光 | 弱监督深度学习模型 | 图像、文本（转录组数据） | 3111个乳腺癌H&E全切片图像（WSIs）及匹配的批量转录组数据 | NA | NA | AUROC, PCC, p值 | NA |
| 60 | 2026-09-23 |
Opportunistic CT Attenuation Biomarkers of Anemia Are Associated With Impaired Myocardial Flow Reserve and Cardiovascular Outcomes
2026-May-19, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.14.26353239
PMID:42238410
|
研究论文 | 本研究利用深度学习从CT图像中自动分割心脏腔室并量化密度，评估其与贫血、心肌血流储备及心血管结局的关联 | 首次在大规模多模态数据集中，通过深度学习自动提取心脏腔室密度作为贫血的机会性CT生物标志物，并关联心肌血流储备和心血管事件 | 回顾性研究设计，可能存在选择偏倚；未直接测量血红蛋白验证贫血；未详细说明深度学习模型的具体架构和训练细节 | 评估心脏腔室密度测量与血红蛋白、PET检查结果及心血管事件之间的关系 | 接受PET检查的患者和接受肺癌筛查胸部CT的患者 | 数字病理学 | 心血管疾病 | CT, PET | 深度学习 | 图像 | 57,828名患者（33,460名来自13个中心的REFINE-PET接受PET检查，24,368名接受肺癌筛查胸部CT） | NA | NA | 调整比值比, 调整风险比, 95%置信区间 | NA |