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
261	2026-08-20	Intelligent Diagnosis of Follicular Carcinoma Thyroid Cancer with a Novel Deep Learning Model 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01723-z PMID:41168629	研究论文	本研究开发并验证了一种新型可解释的深度学习模型，利用肿瘤边缘特征来术前区分甲状腺滤泡癌和滤泡腺瘤	提出了一种端到端的图卷积网络，从超声图像块构建图表示，显式建模特征间的结构关系，特别是在肿瘤边界处，并使用最大编码率减少损失函数优化模型	未明确指出局限性	开发并验证一种利用关键诊断特征（肿瘤边缘）的深度学习模型，以提高甲状腺滤泡癌的术前诊断性能	甲状腺滤泡癌和甲状腺滤泡腺瘤患者	计算机视觉	甲状腺癌	超声成像	图卷积网络	图像	577名患者（435名女性，142名男性，平均年龄51.05±8.31岁），共4358张甲状腺超声图像	未明确指出	图卷积网络	准确率、AUC	未明确指出
262	2026-08-20	Endoscopic Ultrasound of Pancreatic Tumors: A Dataset with Benchmarks for Convolutional Neural Network Classifiers 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01729-7 PMID:41168630	研究论文	介绍了一个用于胰腺肿瘤分类任务的新型内镜超声图像数据集，并提供了基于卷积神经网络的基准测试结果	首次提出了一个包含7825张内镜超声图像、606名患者的大型数据集，并提供了分类、分割和可解释性分析的基准结果	分类性能与模型可解释性之间存在差距，需要进一步改进	推动胰腺癌计算机辅助诊断的研究，通过提供数据集和基准测试来支持深度学习模型的开发	胰腺肿瘤患者的内镜超声图像	计算机视觉	胰腺癌	内镜超声成像	卷积神经网络（CNN）	图像	7825张内镜超声图像，对应606名患者（175次含肿瘤检查，431次无肿瘤检查）	NA	EfficientNetV2, U-Net	准确率, AUC, Dice系数, Soft Dice分数	NA
263	2026-08-20	ProtoMM: Interpretable Prototype-Based Multimodal Model for Brain Cancer Survival Prediction 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01713-1 PMID:41168627	研究论文	提出了一种基于原型的多模态模型ProtoMM，用于脑癌生存预测，强调可解释性并达到与黑盒模型相当的性能。	首次将原型学习方法应用于多模态医学数据，引入聚合层和单例层两个原型层级，实现完全可解释的决策过程。	未提及具体局限性。	开发一个可解释的多模态深度学习模型，用于脑癌生存预测，以提高临床决策的信任度和可靠性。	脑癌患者的医学数据，包括多种模态（如影像、基因组等）。	深度学习	脑癌	NA	原型网络	多模态医学数据（影像、基因组等）	NA	NA	原型层（聚合层和单例层）	一致性指数（C-Index）	NA
264	2026-08-20	Patch-Wise Approach with Vision Transformer for Detecting Implant Failure in Spinal Radiography 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01724-y PMID:41184706	研究论文	本研究开发并验证了一种基于Vision Transformer的深度学习模型，用于检测脊柱放射影像中的植入物断裂，并评估其对放射科医生诊断性能的影响。	采用DINOv2模型先检测脊柱植入物，再分析224×224像素斑块进行分类的补丁级方法，显著提升了检测灵敏度，尤其是对经验不足的放射科医生。	精确度相对较低（0.37），可能产生较多假阳性；研究仅基于单一中心的回顾性数据。	开发并验证基于Vision Transformer的深度学习模型，用于早期检测脊柱植入物断裂，并评估其作为分诊工具对放射科医生诊断性能的提升效果。	脊柱放射影像中的植入物断裂检测，对象包括798名患者的9924张脊柱X光片（3492项研究）。	计算机视觉	脊柱植入物断裂	放射影像分析	Vision Transformer	图像	9924张脊柱X光片（3492项研究）来自798名患者，测试集包含1538张图像	PyTorch	DINOv2、ViT	准确率、F1分数、精确率、召回率、广义估计方程	NA
265	2026-08-20	GMM-PA: Gaussian Mixture Model-Based Prototype Alignment for Multi-source Domain Adaptation in Polyp Segmentation 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01730-0 PMID:41193917	研究论文	提出了一种基于高斯混合模型引导的原型对齐（GMM-PA）的多源域适应网络，用于鲁棒的跨域息肉分割	引入高斯混合模型以捕获多模态特征分布，解决以往单峰假设的局限；结合CNN-Mamba混合架构，兼顾局部与全局建模且计算成本较低；采用对抗学习策略促进域不变特征学习	未提及	解决息肉分割中因域偏移导致的模型性能下降问题，实现稳健的跨域分割	结肠镜图像中的息肉	计算机视觉	结直肠癌	图像预处理，包括LAB空间颜色变换和傅里叶变换低频谱交换	CNN-Mamba混合架构	图像	三个公开息肉分割数据集	NA	CNN-Mamba	Dice系数，mIoU	NA
266	2026-08-20	Enhancing Dental Caries Classification with Adversarial Training on Bitewing Radiographs 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01737-7 PMID:41212346	研究论文	本研究通过将投影梯度下降（PGD）对抗训练集成到ResNet模型中，增强基于咬翼X光片的龋齿分类性能，实验表明该方法显著提升了模型的准确性和鲁棒性	将PGD对抗训练方法应用于龋齿分类的ResNet模型，通过引入轻微扰动增强数据，提升模型的鲁棒性和分类性能	未明确提及局限性	提升基于咬翼X光片的龋齿分类准确性和鲁棒性，推动计算机辅助诊断工具在临床中的应用	咬翼X光片图像中的龋齿分类	计算机视觉	龋齿	NA	ResNet	图像	未提供具体样本量，但描述为咬翼X光片数据集	NA	ResNet-50	准确率、敏感度、特异性	NA
267	2026-08-20	GFANet: Global Feature Attention Network for Polyp Segmentation 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01734-w PMID:41214244	研究论文	提出一种名为GFANet的全局特征注意力网络，用于结肠息肉分割，通过三个创新模块提升分割性能	整合了全局特征方向编码器（GFDE）、特征注意力模块（FAM）和多尺度信息聚合（MIA）三个创新模块，分别解决几何方向信息缺失、小息肉敏感度低和多尺度融合不足的问题	未明确说明局限性，但可能包括对计算资源的需求和在不同临床环境中的泛化性验证不足	提高结肠息肉分割的准确性和鲁棒性，特别是在处理模糊边界、小息肉和多尺度变化方面	结肠息肉图像分割	计算机视觉	结直肠癌	深度学习	GFANet（全局特征注意力网络）	图像	五个公开数据集（如CVC-300和ETIS-LaribPolypDB），具体样本数量未提供	NA	GFANet，包含GFDE、FAM和MIA模块	平均Dice系数（mDice）、平均交并比（mIoU）	NA
268	2026-08-20	Ensembling Vision Transformers and ResNet-50 for Interpretable Lung Cancer Diagnosis with Feature Fusion and XAI Techniques 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01738-6 PMID:41233642	研究论文	提出一种结合ResNet-50和Vision Transformer的混合集成深度学习框架，用于肺癌组织病理学图像的分类，并集成可解释人工智能技术提高诊断透明度和准确性。	创新点在于混合集成架构，结合ResNet-50的层次化特征提取和ViT的全局上下文理解，通过特征融合形成2816维向量，并集成多学科可解释AI技术（如Grad-CAM、LIME、SHAP等）来提供诊断解释，增强模型的可信度。	摘要未明确提及局限性，可能包括依赖特定数据集、计算资源需求高、可解释性方法的主观性等。	开发一种准确、透明且临床可行的肺癌诊断系统，解决传统方法诊断不一致和限制问题。	肺癌组织病理学图像。	数字病理学、计算机视觉、机器学习	肺癌	组织病理学图像分析	混合集成模型（ResNet-50和Vision Transformer）	图像	未明确样本数量，但涉及多个测试集（交叉验证、保持测试集、独立测试集）。	未指定（可能使用TensorFlow或PyTorch，但未在摘要中提及）	ResNet-50, Vision Transformer (ViT), 全连接层	交叉验证准确率、保持测试集准确率、独立测试集准确率、重叠率（attention heatmaps与病理学家感兴趣区域的重叠）	未在摘要中提及（可能涉及GPU，但未指定）
269	2026-08-20	Deep Learning Models for Radiomics-Based Segmentation of Vestibular Schwannoma on Magnetic Resonance Imaging: A Systematic Review and Meta-analysis 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01757-3 PMID:41249667	系统综述和荟萃分析	本研究旨在系统评估基于深度学习的模型在磁共振成像放射组学分割前庭 Schwannoma（VS）中的性能。	首次对基于深度学习的VS分割模型进行系统综述和荟萃分析，评估其性能。	未提及	评估基于深度学习的VS分割模型的性能，以优化治疗策略和改善患者预后。	前庭 Schwannoma（VS）病变	医学影像分析	前庭 Schwannoma（VS）	磁共振成像（MRI）	深度学习模型	磁共振图像	41项研究，涉及8028例VS病例	NA	NA	平均Dice相似系数（DSC）	NA
270	2026-08-20	Automated HFrEF Diagnosis Using an Optimized TimeSformer Model in Echocardiography 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01758-2 PMID:41326877	研究论文	本研究提出了一种基于优化TimeSformer模型的超声心动图自动诊断射血分数降低型心力衰竭（HFrEF）的方法，并在基准数据集和临床数据集上验证了其性能提升。	首次将TimeSformer架构应用于超声心动图，并引入基于图像分割的左心室掩膜方法，以引导模型关注关键诊断区域。	未明确提及局限性，但可能受限于小样本和不平衡数据集。	提高超声心动图视频中HFrEF的自动检测性能，尤其在数据稀缺的临床环境中。	超声心动图视频，用于检测HFrEF。	计算机视觉	心力衰竭	超声心动图	Transformer	视频	大规模基准数据集和小规模专科临床数据集	PyTorch	TimeSformer	准确率, AUC	NA
271	2026-08-20	Lung Disease Classification with Deep Learning Enhanced CNN Architecture in Chest X-Ray Imaging 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01760-8 PMID:41326879	研究论文	提出一种利用离散小波变换增强的卷积神经网络架构，用于胸部X射线图像中肺部疾病的精确分割与多分类	采用离散小波变换替代传统最大池化进行下采样，结合U-Net++和注意力门控提升分割精度，并使用渐进生成对抗网络进行数据增强以处理有限和可变的数据	未在摘要中明确说明	提高胸部X射线图像中肺部分割和病理分类的准确性与鲁棒性	肺部X射线图像，包括正常、结核病、肺炎和COVID-19病例	计算机视觉	肺部疾病（包括结核病、肺炎、COVID-19）	离散小波变换、渐进生成对抗网络	卷积神经网络、U-Net++、DenseNet-201	胸部X射线图像	日本放射技术学会数据集（具体样本数未在摘要中提及）	未提及	U-Net++、注意力门控、DenseNet-201	准确率、Dice系数、精确率	未提及
272	2026-08-20	Automatic Segmentation and Classification of Glioblastoma and Solitary Brain Metastasis Using a Deep Learning Model on Multiparametric MRI 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01695-0 PMID:41326876	研究论文	基于多参数MRI的3D深度学习模型用于胶质母细胞瘤和孤立性脑转移瘤的自动分割与分类	开发了基于No-new-UNet的3D深度学习模型，实现自动分割和分类，并与2D深度学习、影像组学及不同经验水平的放射科医师进行对比，展示了辅助诊断的性能提升	未明确提及具体局限性，但可能包括样本来源限制、多中心泛化性需进一步验证等	构建并评估基于多参数MRI的3D深度学习模型，用于胶质母细胞瘤和孤立性脑转移瘤的自动分割与分类，并探讨其对放射科医生诊断准确性的提升作用	胶质母细胞瘤和孤立性脑转移瘤患者的MRI图像	医学影像分析	脑肿瘤（胶质母细胞瘤、孤立性脑转移瘤）	多参数MRI	3D深度学习模型（nnU-Net）	MRI图像（多参数）	314例患者（来自一个医疗中心和两个公共数据集）	NA	No-new-UNet (nnU-Net), 3D DL, 2D DL	Dice得分, 曲线下面积	NA
273	2026-08-20	CNN-Powered Dual-Path Network with Adaptive Attention for Red Blood Cell Classification 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01759-1 PMID:41329245	研究论文	提出了一种基于CNN的双路径网络架构，结合自适应注意力机制用于红细胞形态分类，以提高血液疾病诊断的准确性	创新性地将EfficientNetB3和DenseNet201作为双骨干网络，并结合卷积块注意力机制（CBAM）以增强细微特征的提取能力	未在摘要中提及明显的局限性	开发一种深度学习模型，以准确分类红细胞形态亚型，辅助临床血液疾病诊断	红细胞的形态学亚型	计算机视觉，数字病理学	血液疾病	深度学习	卷积神经网络（CNN）	图像	未在摘要中明确说明	未在摘要中明确说明	EfficientNetB3, DenseNet201, CBAM	精度	未在摘要中明确说明
274	2026-08-20	Comparative Performance Evaluation of Federated and Centralized Learning for Velum and OTE Segmentation in Sleep Endoscopy Images 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01756-4 PMID:41331654	研究论文	本研究系统比较了集中式学习与联邦学习在睡眠内窥镜图像中软腭和OTE（口咽、舌根、会厌）分割的性能	首次系统性地比较了集中式学习和联邦学习在药物诱导睡眠内窥镜图像中上气道结构分割的性能，并强调了联邦学习在数据异构性下的挑战	两种模型在模糊边界和解剖变异（特别是舌根区域）上表现不佳，且联邦学习性能低于集中式学习，需要高级优化算法和数据异构性处理方法	评估集中式学习和联邦学习在睡眠内窥镜图像中软腭和OTE分割的性能，为开发更稳健的深度学习模型提供基础见解	多机构药物诱导睡眠内窥镜视频数据中的上气道结构（软腭和OTE区域）	深度学习	阻塞性睡眠呼吸暂停	药物诱导睡眠内窥镜检查	卷积神经网络	图像	多机构视频数据（具体样本量未提供）	NA	卷积神经网络	精确率、召回率、准确率、Dice相似系数	NA
275	2026-08-20	Beyond Accuracy: A MultiDimensional Framework for Evaluating Medical Image Classification Through Win vs. Lose Model Comparisons 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01754-6 PMID:41331656	研究论文	本研究通过系统的架构配置评估和跨架构可解释性框架，探讨了预训练模型在皮肤病变分类中的泛化限制，并提出了新的评估方法。	引入一种跨架构可解释性框架，通过比较“赢”与“输”模型的Grad-CAM热图，并结合分形维数、熵和对称性等定量感知指标，提供更客观的模型可解释性度量。	研究仅基于DermaMNIST数据集，可能无法全面代表医学图像分类任务；未提供具体计算资源细节。	评估现成深度学习模型在医学图像分类中的局限性，并引入一种超越准确率的多维度评估框架，以理解性能与可解释性之间的权衡。	皮肤病变分类任务，使用DermaMNIST数据集，评估35种架构配置。	计算机视觉, 数字病理学	皮肤病变	NA	CNN	图像	35种架构配置（未提供具体样本数）	NA	RevNet, ResNet, 其他	准确率, p值, 分形维数, 熵, 对称性	NA
276	2026-08-20	Improving Chronological Age Estimation in Children Using the Demirjian Method Enhanced with Transformer and Regression Models 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01769-z PMID:41429946	研究论文	提出了一种两阶段方法，利用全景牙科图像和基于深度学习的特征提取，结合Demirjian分期和回归模型，提高儿童年龄估计的准确性	结合Demirjian分期与深度学习特征提取，并利用Transformer（Swin V2 Base）和多种回归模型，实现自动化年龄估计，减少观察者变异	未来需探索数据集扩展、多模态整合和模型架构优化	提高儿童年龄估计的准确性和可靠性，用于临床和法医牙科年龄评估	626张全景牙科X光片，来自6.0至13.8岁儿童（320男，306女，平均年龄9.88岁）	数字病理学	NA	全景牙科X光成像	CNN、Transformer、回归模型	图像	626张全景牙科X光片，来自320名男性和306名女性儿童	NA	ResNet-18、EfficientNetV2-M、Swin V2 Base、LightGBM、RandomForest、ExtraTrees、GradientBoosting、XGBoost、KNN、SVR、MLP、高斯过程回归	RMSE、MAE、成对t检验、SHAP分析	NA
277	2026-03-27	Fundus tessellation density as a quantitative marker of myopia progression: a five-year longitudinal deep learning study 2026-Aug, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie DOI:10.1007/s00417-026-07200-9 PMID:41886079	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
278	2026-08-20	Two-Stage Deep Learning Networks for Diagnosing and Staging Membranous Glomerulonephritis From Electron Microscopy Images 2026-Aug, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2026.106141 PMID:42217547	研究论文	开发了一种基于视觉变换器的两阶段深度学习模型，用于从透射电子显微镜图像中检测和分期膜性肾小球肾炎	结合两阶段架构和视觉变换器，独立于疾病分期检测膜区域，然后按MN分期分类，并通过多数投票确定图像级分类，提高了准确性和临床可解释性	未提及具体的局限性信息	利用透射电子显微镜图像开发AI模型，以检测和分期膜性肾小球肾炎，提高诊断的准确性和鲁棒性	膜性肾小球肾炎患者的透射电子显微镜图像	计算机视觉	膜性肾小球肾炎	透射电子显微镜	视觉变换器	图像	包含综合数据集和独立外部数据集，具体数量未提供	未提及	视觉变换器	准确率、敏感性、特异性	未提及
279	2026-08-20	Artificial intelligence in pediatric myopia - a narrative review 2026-Aug, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie DOI:10.1007/s00417-026-07193-5 PMID:41879981	综述	本文综述了人工智能在儿童近视评估、预测、管理和治疗中的应用潜力	总结人工智能在儿童近视管理中的新兴趋势和未来方向，强调个性化干预和主动管理策略	未提及具体局限性	总结关于儿童近视与人工智能的现有文献，突出未来管理策略	儿童近视患者	机器学习	儿童近视	NA	机器学习、深度学习	NA	NA	NA	NA	NA	NA
280	2026-08-20	Deep Learning-Based Positive Region Segmentation and Spatial Registration of Virtual Multiplex Immunohistochemical Whole-Slide Images 2026-Aug, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2026.106139 PMID:42191021	研究论文	本研究建立了一个基于深度学习的分析框架，用于精确识别和空间重建多重免疫组化图像中的阳性区域，以促进虚拟多重染色技术。	将金字塔多尺度机制集成到U-Net架构中，结合SuperPoint特征提取、SuperGlue匹配和随机采样一致性算法实现高精度配准，并引入DINO-ViTS16-WSI算法将阳性区域映射到HE图像上进行空间重建。	未明确提及，但可能涉及数据集的局限性或模型对不同染色的通用性。	开发深度学习框架以精确分割、配准和空间重建多个免疫组化标记，支持肿瘤微环境分析和个性化治疗。	免疫组化图像中的阳性区域，包括Ki-67、TUNEL、TNF-α和ICAM-1标记。	数字病理学	肿瘤	免疫组化染色	U-Net	图像	22张HE切片、86张连续单标记IHC切片和80个小鼠肿瘤、50张Ki-67图像和100张Senaras2018DeepFocus图像	PyTorch	Pyramid U-Net, SuperPoint, SuperGlue, DINO-ViTS16-WSI	平均交并比、准确率、Dice相似系数	GPU