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
381	2026-06-19	ECG-Gated Retrospective Coronary CT Angiography With Deep Learning Reconstruction on 8-cm Detector CT Scanners: Pushing Radiation Dose Towards Prospective Acquisition on 16-cm Wide-Detector Scanners 2026-Jul-01, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000879 PMID:41891715	研究论文	利用深度学习重建技术，将8厘米探测器CT扫描仪上的回顾性冠脉CTA辐射剂量降低至16厘米宽探测器前瞻性扫描的水平，并验证图像质量非劣效性	首次证明深度学习重建能使8厘米探测器扫描仪的回顾性冠脉CTA辐射剂量降至与16厘米宽探测器前瞻性扫描相当的水平，同时保持图像质量不劣于常规剂量	样本量较小，且仅纳入特定体重（55-75 kg）和心率（<75 bpm）的患者，可能限制结果的普适性	评估利用深度学习重建技术降低8厘米探测器CT扫描仪回顾性冠脉CTA辐射剂量至16厘米宽探测器前瞻性扫描水平的可行性	8厘米探测器CT扫描仪上接受低剂量和常规剂量回顾性冠脉CTA的患者	计算机视觉	心血管疾病	冠脉CT血管成像	深度学习重建	图像	83例低剂量（A组）和62例常规剂量（B组）回顾性冠脉CTA病例	NA	深度学习重建	信号噪声比、主观评分	NA
382	2026-06-19	Deep learning models to predict mammographic density jointly on standard dose and low dose images 2026-Jul-01, The British journal of radiology DOI:10.1093/bjr/tqag090 PMID:42049900	research paper	使用深度学习模型在标准剂量和低剂量乳腺X光图像上预测乳腺密度	训练联合模型在标准剂量和模拟低剂量图像上预测密度，验证低剂量图像可用于准确风险分层	模拟低剂量图像与实际低剂量图像之间存在差异，导致预测误差略有增加	评估深度学习模型是否能在低剂量乳腺X光图像上准确估计乳腺密度，以实现早期乳腺癌风险分层	标准剂量和低剂量乳腺X光图像	machine learning	breast cancer	mammography	CNN	image	训练集107,619张标准剂量乳腺X光图像，独立测试集294对标准剂量和真实低剂量图像	NA	NA	root mean squared error (RMSE)	NA
383	2026-06-19	Time-aware attention network for multi-step future prediction in wastewater treatment 2026-Jul-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2026.130193 PMID:42296759	研究论文	提出一种时间感知注意力网络（TAANet），用于污水处理过程中的多步未来预测	首次实现轨迹级别的多指标同时预测、基于注意力的动态融合模块捕获时变相互依赖关系、多分量时间嵌入显式编码周期和日历结构以表征非平稳系统行为	NA	提升污水处理过程中多步预测的准确性，支持未来状态感知和运行决策	污水处理过程中的多个参数（如化学需氧量去除效率）	机器学习	NA	NA	时间感知注意力网络	传感器数据	来自实际城市污水的长期厌氧生化处理实验数据集	PyTorch	Transformer, Informer, PatchTST, iTransformer	R值, 均方误差	NA
384	2026-06-19	Enhancing Generalizability and Clinical Integration of CT-based Deep Learning for Ovarian Tumor Classification 2026-Jul, Radiology. Imaging cancer DOI:10.1148/rycan.260141 PMID:42313079	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
385	2026-06-18	A Deep Dual-Domain Interaction Reconstruction Framework With Adaptive Gating Fusion for Low-Field MRI 2026-Jul, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70330 PMID:42286973	研究论文	提出了一种用于低场MRI的深度双域交互重建框架，通过自适应门控融合提高重建质量	创新性地设计了混合双域交互模块和自适应门控融合策略，同时利用注意力机制建模k空间频率编码与图像域像素间的长程依赖关系	未明确提及，但可能包括对特定低场数据集依赖性强、计算资源需求高等潜在限制	开发一种高质量、低成本的低场MRI重建方法，以促进资源受限临床环境下的MRI系统部署	低场MRI图像重建中的k空间与图像域双域交互问题	计算机视觉, 机器学习	NA	MRI	CNN, 注意力机制	MRI图像	公共0.3T低场数据集和实验室采集的0.5T低场MRI扫描仪数据（具体样本数未说明）	PyTorch	U-Net, 多尺度U-Net结构	PSNR, SSIM	NA
386	2026-06-18	SPACT: A clustering-driven multi-modal framework for survival prediction using genomic and histopathology data 2026-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104078 PMID:42013616	研究论文	提出SPACT，一种基于聚类驱动的多模态框架，利用基因组和组织病理学数据进行生存预测	通过结合TCGA和外部Başkent医院数据集提升鲁棒性和预测准确性，并采用多编码器交叉比较选择最优编码器	未明确说明限制，可能受限于外部数据集规模或特定癌症类型的泛化能力	提高癌症生存预测的鲁棒性和准确性，尤其是亚类别预测	癌症患者生存概率，涉及7种癌症类型（如卵巢癌）	自然语言处理, 数字病理学	卵巢癌, 其他癌症类型	深度学习, 多模态数据融合	多模态深度神经网络	基因组数据, 组织病理学全切片图像（WSI）	TCGA数据集和Başkent医院外部数据集，具体样本数量未说明	PyTorch, TensorFlow（推测）	多种编码器（未具体列出），集成模型	c-index	NA
387	2026-06-18	YoloSeg: You only label once for medical image segmentation 2026-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104093 PMID:42048960	研究论文	提出YoloSeg框架，在仅有一张标注图像的情况下实现医学图像分割，通过SAM 2传播标签、多视图伪标签分解和跨补丁数据增强，在十个数据集上与全监督方法性能相当	提出在极端标签稀缺（仅一张标注图像）下的分割方法，创新性地整合SAM 2进行标签传播，并设计多视图标签传播策略分解伪标签为共识区和分歧区，引入双分量损失分别处理，同时提出跨补丁数据增强增强语义一致性	输出内容中未提及具体局限性	解决医学图像分割中极端标签稀少问题，实现仅需一张标注图像即可得到高性能分割模型	医学图像中的器官、血管和病变等分割目标	数字病理学	NA	NA	分割模型	医学图像	十个不同的医学图像分割数据集	PyTorch	Segment Anything Model 2	Dice系数	NA
388	2026-06-18	A two-stage deep learning approach for forensic age and sex determination from hand-wrist radiographs: an anatomical pose estimation and multi-task model 2026-Jul, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-026-03729-w PMID:41792516	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
389	2026-06-18	Automatic multiple sclerosis lesion segmentation in the spinal cord using 3 T and 7 T MP2RAGE images 2026-Jul, Multiple sclerosis and related disorders IF:2.9Q2 DOI:10.1016/j.msard.2026.107250 PMID:42173050	research paper	开发基于深度学习的全自动框架，使用MP2RAGE图像对脊髓多发性硬化病变进行分割	提出了UNIseg方法，基于nnU-Net v2架构在多个中心的数据集上训练，显著优于在单中心数据上训练的基准方法	7T数据集的分割性能低于3T，且研究为回顾性多中心设计	开发并评估用于脊髓多发性硬化病变分割的深度学习自动框架	脊髓中的多发性硬化病变	machine learning	多发性硬化	MP2RAGE	nnU-Net	MRI图像	422名受试者（402名MS患者，20名健康对照）共472个MRI体积	NA	nnU-Net v2	Dice系数，病变级灵敏度，病变级精确度	NA
390	2026-06-18	Deep Learning Morphometric Analysis on Protocol Biopsies Predicts Future Graft Function 2026-Jul, Kidney international reports IF:5.7Q1 DOI:10.1016/j.ekir.2026.106585 PMID:42305258	研究论文	利用深度学习对移植肾协议活检进行形态计量分析，预测3年后的肾功能	将深度学习自动形态计量分析与机器学习结合，用于预测移植肾活检后3年肾小球滤过率，克服了传统Banff分类的半定量限制	NA	评估深度学习自动化形态计量分析是否能通过机器学习预测移植肾活检后3年的肾小球滤过率	肾移植接受者的协议活检组织切片	数字病理学	肾移植相关肾病	全切片成像（WSI）	深度学习与机器学习模型	图像	367名肾移植患者	NA	八种深度学习算法，十种机器学习模型（包括Kernel Ridge和贝叶斯模型）	平均绝对误差（MAE）, 相关系数（r）	NA
391	2026-06-18	Comprehensive benchmarking of deep learning architectures for multiclass histopathological classification of oral epithelial lesions 2026 Jul-Aug, Journal of oral biology and craniofacial research DOI:10.1016/j.jobcr.2026.101478 PMID:42306089	研究论文	系统性评估多种深度学习架构在口腔上皮病变多分类组织病理图像分类中的性能	首次对七种深度学习架构（包括视觉Transformer和多种CNN）在口腔组织病理图像三分类（正常上皮、上皮异常增生、口腔鳞状细胞癌）任务中进行综合基准测试，并采用数据增强和加权损失策略处理类别不平衡	误分类主要出现在正常上皮、发育不良和早期癌之间的组织学过渡区域；数据集来源单一，样本量有限	评估和比较不同深度学习架构对口腔组织病理图像的自动分类能力，以支持AI辅助数字病理学在口腔癌前病变和癌症早期检测中的应用	口腔上皮组织病理图像，包含正常上皮、口腔上皮异常增生和口腔鳞状细胞癌三类样本	数字病理学	口腔癌	组织病理学成像	深度学习	图像	2363张组织病理图像（10x和40x放大倍数），其中正常上皮1254张、上皮异常增生976张、口腔鳞状细胞癌102张；经数据增强扩展至4750张训练图像	PyTorch	Vision Transformer (ViT), EfficientNet-B0, InceptionV3, ResNet-50, VGG16, MobileNetV3, YOLOv11	准确率, 精确率, 召回率, F1分数	NA
392	2026-06-18	Artificial Intelligence for Molecular Subtyping in Unresectable Gallbladder Cancer: A Proof-of-Concept Study for CT-based HER2 Status Prediction 2026 Jul-Aug, Journal of clinical and experimental hepatology IF:3.3Q2 DOI:10.1016/j.jceh.2026.103563 PMID:42306236	研究论文	开发基于CT的深度学习框架，用于不可切除胆囊癌的HER2状态非侵入性预测	首次实现不可切除胆囊癌HER2状态的完全自动化CT预测，结合Grounding DINO-MedSAM进行肿瘤检测与分割，并采用多种方法（临床模型、影像组学、深度学习）进行HER2分类	单中心研究，样本量较小（213例），且分割性能指标（Dice得分0.62）有待提升	开发非侵入性预测不可切除胆囊癌HER2状态的CT影像框架	不可切除胆囊癌患者的HER2状态（阳性/阴性）	计算机视觉, 数字病理学	胆囊癌	CT影像	深度学习（Swin Transformer, DenseNet）、随机森林	CT图像	213例不可切除胆囊癌患者（143例回顾性训练集，70例前瞻性测试集）；其中42例（19.7%）HER2阳性	PyTorch	Grounding DINO-MedSAM, Swin Transformer, DenseNet	Dice系数, 交并比, 敏感性, 特异性, 受试者工作特征曲线下面积, F1分数	未明确提及，但推测使用标准GPU（如NVIDIA RTX系列）
393	2026-06-17	MKNet-family architectures for auto-segmentation of the residual pancreas after pancreatic resection: a deep learning comparative study 2026-Jul, Abdominal radiology (New York) DOI:10.1007/s00261-025-05211-4 PMID:41307673	研究论文	研究新型MKNet家族架构在胰腺切除术后残余胰腺自动分割中的应用，并与现有方法进行比较	提出了MKNet、MSKNet和MAKNet三种新型深度学习架构，专门针对术后CT影像中残余胰腺的自动分割任务	数据集规模较小（共163例），且术后分割性能（DSC约65%）仍有提升空间	评估新型MKNet家族架构在术后CT影像中自动分割残余胰腺的可行性和临床实用性	胰腺切除术后患者的残余胰腺	计算机视觉	胰腺癌	CT影像	深度学习分割模型	CT图像	82例术前CT和81例术后CT	NA	MKNet, MSKNet, MAKNet	Hausdorff距离, 第95百分位Hausdorff距离, 归一化表面距离, Dice相似系数	NA
394	2026-06-16	Convergence of multiplexed immunosensors, nanotechnology, and AI for early pancreatic cancer diagnosis 2026-Jul-15, Clinica chimica acta; international journal of clinical chemistry DOI:10.1016/j.cca.2026.121005 PMID:41985833	综述	探讨多重免疫传感器、纳米技术与人工智能在胰腺癌早期诊断中的融合应用	首次系统性地整合了多重免疫传感器、纳米技术信号放大与AI驱动数据集成三大前沿领域，提出用于胰腺癌早期诊断的变革性框架	未提及	综述多重免疫传感器、纳米技术和人工智能在胰腺癌早期诊断中的新兴融合，并评估其作为下一代诊断策略的潜力	胰腺癌早期诊断的相关生物标志物（如循环蛋白、自身抗体、外泌体、循环肿瘤DNA、非编码RNA、肿瘤血小板）及检测平台	机器学习, 数字病理学	胰腺癌	多重免疫传感器, 纳米技术（纳米颗粒、纳米线、量子点、二维材料）, 微流控, 芯片实验室	机器学习, 深度学习	生物标志物数据, 临床数据, 影像数据, 基因组数据	未提及	NA	NA	NA	NA
395	2026-06-16	Model-guided design of lymphatic drug delivery systems using osmotic pressure, viscosity and lymph node size 2026-Jul-10, Journal of controlled release : official journal of the Controlled Release Society IF:10.5Q1 DOI:10.1016/j.jconrel.2026.115010 PMID:42128061	研究论文	通过整合数学模型与机器及深度学习，建立定量框架以描述和预测淋巴给药系统中药物在淋巴结内的动力学行为	首次将数学模型与机器/深度学习结合，基于渗透压、粘度和淋巴结最大横截面积实现药物动力学的预测，并利用人源化小鼠模型验证模型在人类淋巴结中的适用性	NA	为淋巴给药系统提供基于机制的理性设计策略，实现根据淋巴结大小和治疗目标的定制化药物输送	淋巴给药系统中的药物转运与滞留行为，以及淋巴结大小对药物动力学的影响	机器学习	癌症	NA	多层感知机	NA	NA	NA	多层感知机	NA	NA
396	2026-06-16	Deep learning unlocks sequence-divergent synthetic promoters to empower Streptomyces natural product engineering 2026-Jul, Metabolic engineering IF:6.8Q1 DOI:10.1016/j.ymben.2026.05.009 PMID:42208848	研究论文	利用深度学习模型设计序列多样化的合成启动子，显著提升链霉菌天然产物工程效率	首次为链霉菌建立AI生成的启动子库，实现序列与功能的双重创新：启动子动态范围达17,100%，且与基因组序列无同源性	NA	开发深度学习驱动的合成启动子设计方法，推动链霉菌天然产物工程发展	链霉菌合成启动子序列及其在天然产物生产中的应用	机器学习	NA	深度生成模型	深度生成模型	DNA序列	10亿个计算机设计启动子序列，其中100个经实验验证	NA	NA	启动子活性动态范围、相对表达量、产物产量提升倍数	NA
397	2026-06-16	Advancing radiotherapy with deep Learning: A review of dose prediction models 2026-Jul, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2026.105827 PMID:42229186	综述	该文章综述了深度学习在放射治疗剂量预测模型中的应用，涵盖架构、数据集和方法	系统总结了深度学习在放射治疗剂量预测中的最新进展，并指出了未来研究方向，如通用化模型、多机构验证和可解释性	未对具体模型进行实证比较，且缺少对现有方法的定量评估	综述深度学习在放射治疗剂量预测中的现状与挑战	放射治疗剂量预测的深度学习模型	深度学习	NA	深度学习	NA	NA	NA	NA	NA	准确性、效率、鲁棒性	NA
398	2026-06-16	A hierarchical prompt and prototype learning framework for brain disorder classification 2026-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104063 PMID:42013614	研究论文	提出一种分层提示与原型学习框架，用于脑部疾病分类，模拟放射科医生的多级诊断过程	首次将分层提示与原型学习相结合，明确捕获23种脑部疾病之间的层次关系，并在三个诊断级别（粗类、中间类、细粒度类）进行逐步分类	数据部分暂未完全公开，可能影响结果复现；长尾疾病诊断性能虽提升但仍有改进空间	提高脑部疾病分类的准确性，减少误诊风险，特别是针对长尾或难诊断疾病	脑部疾病（23种）及多中心医学影像数据集	数字病理	脑部疾病	医学影像分析	Transformer	图像	54,360名受试者来自六个多中心数据集	PyTorch	Vision Transformer (ViT)	平衡准确率	NA
399	2026-06-16	X2Shape: CT-free 3D multi-organ reconstruction with biplanar X-rays 2026-Jul, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104085 PMID:42025030	研究论文	提出X2Shape，一种从双向正交X光片直接进行3D多器官重建的深度学习框架，无需CT先验信息	结合基于几何感知的体积反投影与基于状态空间建模的跨视图融合模块，实现精确的2D到3D映射；设计混合变形增强策略生成解剖多样化的样本以解决配对训练数据稀缺问题	未提及	建立低成本、低辐射的3D成像范式，无需依赖CT即可实现高保真3D解剖重建	胸部和多器官的3D重建	计算机视觉	NA	NA	深度学习	X光图像	TotalSegmentator-Subset和LCTSC两个胸部数据集	PyTorch	几何感知体积反投影网络、状态空间模型	Dice系数	NA
400	2026-06-16	Automated Delineation of Couinaud Segments at CT for Future Liver Remnant Volumetry 2026-Jul, Radiology. Artificial intelligence DOI:10.1148/ryai.250808 PMID:42089796	研究论文	开发一种深度学习模型，用于在CT图像上自动描绘肝脏Couinaud八个分段和脾脏，以进行未来肝残余体积测量	首次实现了对肝脏Couinaud全部分段和脾脏的自动勾画，并在多种肝脏疾病（纤维化、肝硬化、转移瘤）患者中验证了其通用性	未提及	开发用于CT图像上肝脏Couinaud分段和脾脏自动分割的深度学习模型，以辅助未来肝残余体积测量	肝脏Couinaud分段和脾脏	计算机视觉, 数字病理学	结直肠癌肝转移, 肝纤维化, 肝硬化	CT	三维nnU-Net	CT图像	训练集498例（公共数据集442例+机构A 56例），测试集包括机构A 64例、CRLM数据集197例、机构B 50例	PyTorch	nnU-Net	Dice系数, Hausdorff距离	NA