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
181	2025-12-14	Enhancing Chest X-ray Diagnosis with a Multimodal Deep Learning Network by Integrating Clinical History to Refine Attention 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01446-1 PMID:39971817	研究论文	本研究提出了一种多模态胸部X射线网络（MCX-Net），通过整合胸部X射线图像和临床病史文本来进行多标签疾病诊断	引入了一种结合预训练文本编码器、图像编码器和图像-文本跨模态编码器的多模态网络，以模拟放射科医生综合图像和临床信息的诊断方式	模型训练面临标签不平衡和某些疾病样本稀缺的挑战，且未考虑实验室结果等其他临床信息	开发一种能够整合临床病史的多模态深度学习网络，以提升胸部X射线多标签疾病诊断的准确性	胸部X射线图像和临床病史文本	计算机视觉	肺癌	深度学习	多模态网络	图像, 文本	基于公开的MIMIC-CXR-JPG数据集	NA	ViT-base, ResNet152	AUROC	NA
182	2025-12-14	NMTNet: A Multi-task Deep Learning Network for Joint Segmentation and Classification of Breast Tumors 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01440-7 PMID:39971818	研究论文	本文提出了一种新颖的多任务深度学习网络NMTNet，用于联合分割和分类乳腺肿瘤	提出了一种结合共享编码器、多尺度融合通道细化模块、病变区域增强模块和细粒度分类器的多任务网络架构，以利用分割与分类任务的内在相关性提升性能	NA	开发一个能够同时进行乳腺肿瘤分割和分类的深度学习模型，以辅助乳腺癌诊断	乳腺肿瘤	计算机视觉	乳腺癌	NA	CNN	图像	NA	NA	U-Net, ResNet18	Dice系数, Jaccard指数, 准确率	NA
183	2025-12-14	A New Method Using Deep Learning to Predict the Response to Cardiac Resynchronization Therapy 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01380-8 PMID:39979759	研究论文	本研究提出了一种结合临床变量、心电图特征、心功能参数和SPECT MPI极坐标图的深度学习方法，用于预测心脏再同步化治疗（CRT）的应答	创新点在于将预训练的VGG16模型与多层感知器结合，整合了医学影像（SPECT MPI极坐标图）和表格数据（临床特征、心电图参数、SPECT-MPI衍生参数），并应用Grad-CAM提供模型可解释性	研究样本量相对较小（218例患者），且仅基于单中心数据，可能限制模型的泛化能力	旨在通过深度学习提高CRT治疗应答的预测准确性	接受静息门控SPECT MPI检查的CRT植入患者	医学影像分析	心血管疾病	门控单光子发射计算机断层扫描心肌灌注成像（SPECT MPI）	CNN, 多层感知器	图像, 表格数据	218例患者，其中应答者121例（应答率55.5%）	NA	VGG16	AUC, 准确率, 灵敏度, 特异性	NA
184	2025-12-14	Ultrasound Thyroid Nodule Segmentation Algorithm Based on DeepLabV3+ with EfficientNet 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01436-3 PMID:40000546	研究论文	本研究提出了一种基于DeepLabV3+架构并结合EfficientNet-B7作为骨干网络的超声甲状腺结节分割算法	首次将EfficientNet-B7作为DeepLabV3+的骨干网络应用于甲状腺结节分割任务	未在摘要中明确说明	提高超声图像中甲状腺结节分割的准确性	超声图像中的甲状腺结节	计算机视觉	甲状腺结节	超声成像	深度学习分割模型	超声图像	郑州大学第一附属医院数据集及两个公共数据集	NA	DeepLabV3+, EfficientNet-B7	像素准确率, Dice相似系数, 交并比	NA
185	2025-12-14	Explained Deep Learning Framework for COVID-19 Detection in Volumetric CT Images Aligned with the British Society of Thoracic Imaging Reporting Guidance: A Pilot Study 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01444-3 PMID:40011345	研究论文	本研究提出了一种可解释的多类深度学习框架，用于根据英国胸科影像学会（BSTI）报告指南在CT体积图像中检测COVID-19类别	开发了一种符合BSTI COVID-19报告指南的多类深度学习模型，并集成了事后视觉可解释性特征以突出显示图像中最具指示性的区域	模型在检测'不确定'COVID-19类别方面表现不佳，样本量较小（仅56个CT图像），且为试点研究	开发并评估一种深度学习框架，用于在CT图像中自动检测并分类COVID-19，以符合BSTI标准化报告指南	疑似COVID-19患者的CT体积图像	计算机视觉	COVID-19	CT成像	CNN	三维CT图像	56个CT伪匿名化图像	PyTorch	3D ResNet	准确率	NA
186	2025-12-14	An Analysis of the Efficacy of Deep Learning-Based Pectoralis Muscle Segmentation in Chest CT for Sarcopenia Diagnosis 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01443-4 PMID:40011347	研究论文	本研究比较了三种深度学习模型在胸部CT图像中分割和测量胸肌面积的效果，以评估其在肌肉减少症诊断中的潜力	首次系统比较ResNet-UNet、Recurrent Residual UNet和UNet3+模型在胸部CT胸肌分割中的性能，并验证胸肌面积与L3水平肌肉面积的相关性	研究仅基于特定患者群体的CT图像，未考虑不同扫描协议或设备的影响，且样本量相对有限	评估胸部CT图像通过AI分割胸肌面积用于肌肉减少症诊断的可行性	胸部CT图像中的胸肌区域	计算机视觉	肌肉减少症	CT扫描	CNN	图像	1644名患者的4932张胸部CT图像，以及294名患者的腹部CT数据	NA	ResNet-UNet, Recurrent Residual UNet, UNet3+	Dice相似系数, 准确率, 灵敏度, 特异性	NA
187	2025-12-14	Automated Tumor Segmentation in Breast-Conserving Surgery Using Deep Learning on Breast Tomosynthesis 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01457-y PMID:40032761	研究论文	本研究提出了一种基于改进U-Net架构的深度学习模型，用于在保乳手术中利用数字乳腺断层合成图像实现肿瘤的自动分割	首次将卷积块注意力模块（CBAM）整合到U-Net架构中，应用于数字乳腺断层合成图像的术中肿瘤分割，提高了分割精度	研究样本量较小（仅51例患者），未在不同机构或设备采集的数据上进行外部验证	提升保乳手术中肿瘤边界的术中分割精度，以改善手术切缘评估和手术效果	早期乳腺癌患者的数字乳腺断层合成图像	数字病理学	乳腺癌	数字乳腺断层合成	CNN	图像	51例患者病例	NA	U-Net with CBAM	IoU, Dice系数	NA
188	2025-12-14	Diagnosing Ankylosing Spondylitis via Architecture-Modified ResNet and Combined Conventional Magnetic Resonance Imagery 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01427-4 PMID:40032762	研究论文	本研究通过改进的ResNet架构和结合传统磁共振图像，开发了一种深度学习模型用于诊断强直性脊柱炎	采用架构修改的ResNet50模型，结合多种传统MRI序列（T1w/T2w）进行训练，并通过YOLOv5自动提取骶髂关节区域，实现了高精度的AS诊断	研究样本量较小（仅56名患者），且仅使用传统MRI序列，未考虑其他影像模态或临床数据	探索利用卷积神经网络从传统MRI图像中自动诊断强直性脊柱炎的可行性，并确定最优的MRI序列组合	强直性脊柱炎患者和对照组的骶髂关节磁共振图像	计算机视觉	强直性脊柱炎	传统磁共振成像（MRI），包括T1w/T2w序列	CNN	图像	56名患者的1140个骶髂关节图像（534个AS，606个对照）	PyTorch	ResNet50, InceptionV3, VGG16, YOLOv5	准确率, 灵敏度, 特异性, ROC AUC, mAP@0.5	NA
189	2025-12-14	Smartphone-Based Oral Lesion Image Segmentation Using Deep Learning 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01455-0 PMID:40032764	研究论文	本研究开发了一种基于深度学习的智能手机口腔病变图像分割模型OralSegNet，旨在辅助早期诊断	提出了一种新颖的UNet架构OralSegNet，结合EfficientNetV2L编码器、ASPP模块和残差块，以提升分割精度，并针对智能手机图像进行了优化	模型参数较多（1.0446亿），尽管计算效率较高，但可能在资源受限设备上部署时面临挑战；数据集规模相对有限（538张图像）	开发一种基于深度学习的解决方案，用于从智能手机拍摄的图像中分割口腔病变，以辅助早期诊断	口腔病变图像，包括癌性和非癌性病变	计算机视觉	口腔疾病	深度学习图像分割	CNN	图像	538张原始图像，平均分辨率为1394×1524像素，附带标注	NA	UNet, EfficientNetV2L	Dice系数, IoU分数	NA
190	2025-12-14	SSW-YOLO: Enhanced Blood Cell Detection with Improved Feature Extraction and Multi-scale Attention 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01460-3 PMID:40032763	研究论文	本文提出了一种名为SSW-YOLO的新型算法，用于增强血细胞检测的准确性和效率	引入了空间到深度卷积层以增强特征提取、采用Swin Transformer实现多尺度注意力机制、简化c2f模块以降低模型复杂度、以及使用Wasserstein距离损失函数提高定位精度	NA	提升血细胞检测的准确性和效率，减少人工误差，加速血液疾病的诊断	血细胞	计算机视觉	血液疾病	深度学习	YOLO系列算法	医学图像	BCCD血细胞数据集	NA	YOLO, Swin Transformer	平均精度均值	NA
191	2025-12-14	Application of TransUnet Deep Learning Model for Automatic Segmentation of Cervical Cancer in Small-Field T2WI Images 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01464-z PMID:40035972	研究论文	本研究开发了一种创新的深度学习模型，用于增强宫颈癌病变的自动分割	结合CNN提取局部信息和Transformer捕获长程依赖，构建TransUnet模型，并基于多方向MRI技术开发了三个不同方向的分割模型	NA	提高宫颈癌在磁共振图像中的自动分割精度，以辅助自动检测、分期和治疗规划	经病理证实的宫颈癌患者的T2WI小视野图像	计算机视觉	宫颈癌	磁共振成像（MRI），T2WI	CNN, Transformer	图像	来自222名患者的4063张T2WI小视野图像（矢状位、冠状位和斜轴位）	NA	TransUnet, U-Net	Dice相似系数（DSC）, 平均豪斯多夫距离（AHD）	NA
192	2025-12-14	Landscape of 2D Deep Learning Segmentation Networks Applied to CT Scan from Lung Cancer Patients: A Systematic Review 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01458-x PMID:40038137	系统综述	本文系统综述了应用于肺癌患者CT扫描的2D深度学习分割网络的研究现状与前景	首次系统性地梳理了2020年至2024年间2D深度学习网络在肺癌CT分割中的应用，并识别了关键研究空白和挑战	综述主要基于已发表的文献，可能未涵盖未发表或正在进行的研究；且时间范围限定在2020-2024年	评估和总结2D深度学习网络在肺癌CT图像分割中的当前应用、性能及未来方向	针对肺癌患者的CT扫描图像进行分割的2D深度学习网络研究	计算机视觉	肺癌	CT扫描	CNN	图像	基于124项符合纳入标准的研究，具体样本量因研究而异，常用数据集为LIDC-LIDR	NA	UNet及其变体	Dice相似系数	NA
193	2025-12-14	A Novel Pipeline for Adrenal Gland Segmentation: Integration of a Hybrid Post-Processing Technique with Deep Learning 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01449-y PMID:40038136	研究论文	本文提出了一种结合混合后处理技术与深度学习的肾上腺分割新流程，显著提升了CT图像中肾上腺分割的准确性	通过集成先进的预处理技术和鲁棒的后处理框架，特别是利用测试时间增强和去除未连接区域，显著提高了左右肾上腺的分割精度	NA	提升CT图像中肾上腺的自动分割准确性，以支持计算机辅助诊断和手术规划	CT图像中的左右肾上腺	医学图像分割	肾上腺相关疾病	CT成像	深度学习	CT图像	基于AMOS数据集	NA	2D UNet, VGG16, ResNet34, InceptionV3	Dice相似系数	NA
194	2025-12-14	I-BrainNet: Deep Learning and Internet of Things (DL/IoT)-Based Framework for the Classification of Brain Tumor 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01470-1 PMID:40063173	研究论文	本研究提出了一种基于深度学习和物联网的框架I-BrainNet，用于脑肿瘤的分类	结合深度学习和物联网技术，开发了实时脑肿瘤分类框架I-BrainNet，并比较了多种深度学习网络在MRI与非MRI以及肿瘤与非肿瘤分类任务上的性能	未明确说明数据集的来源多样性、模型在外部验证集上的泛化能力，以及物联网框架在实际临床环境中的部署挑战	通过深度学习技术对脑肿瘤进行精确分类，以辅助临床诊断决策	脑肿瘤的多模态图像数据，包括CT和MRI扫描	计算机视觉	脑肿瘤	MRI, CT	CNN	图像	9616张MRI和CT扫描，其中8000张用于MRI与非MRI分类，4000张用于肿瘤与非肿瘤分类	TensorFlow, Keras	MobileNetV2, ResNet, InceptionV3, VGG16	准确率	NA
195	2025-12-14	A Thyroid Nodule Ultrasound Image Grading Model Integrating Medical Prior Knowledge 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01120-y PMID:40064758	研究论文	本研究提出了一种基于C-TIRADS的甲状腺结节超声图像分级模型，融合医学先验知识与深度特征	结合传统手工特征与深度特征，引入基于快速行进方法的伪影去除算法和多头自注意力机制的改进ShuffleNetV2网络，并融合医学先验知识进行多类分类	未明确提及模型泛化能力或外部验证结果	开发一种计算机辅助诊断系统，用于甲状腺结节的超声图像分级	甲状腺结节超声图像	计算机视觉	甲状腺结节	超声成像	CNN, XGBoost	图像	922张原始图像，包括C-TIRADS 2至5类结节	未明确指定，可能为PyTorch或TensorFlow	改进的ShuffleNetV2网络	准确率, 精确率, 召回率, F1分数, AUC	未明确指定
196	2025-12-14	A Two-Stage Lightweight Deep Learning Framework for Mass Detection and Segmentation in Mammograms Using YOLOv5 and Depthwise SegNet 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01471-0 PMID:40087224	研究论文	提出一种用于乳腺X光片中肿块检测与分割的两阶段轻量级深度学习框架	开发了可直接在用户浏览器中运行的轻量级解决方案，确保医疗数据不离开用户计算机，结合YOLOv5与深度可分离卷积的SegNet架构实现高效分割	未明确说明模型在更广泛数据集或临床环境中的泛化能力	在满足医疗数据隐私标准的前提下实现高效准确的乳腺癌病灶分割	乳腺X光片中的肿块区域	计算机视觉	乳腺癌	深度学习	CNN	医学图像	CBIS-DDSM和INbreast数据集（具体数量未说明）	PyTorch（基于YOLOv5推断）	YOLOv5-nano, SegNet（深度可分离卷积变体）	mAP@50, IoU, Dice系数	浏览器端部署（推测为普通计算设备）
197	2025-12-14	AI-Based 3D Liver Segmentation and Volumetric Analysis in Living Donor Data 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01468-9 PMID:40087225	研究论文	本研究探讨了基于深度学习的3D肝脏分割和体积分析在活体肝移植中的应用	首次在活体肝移植术前和术后数据中，系统比较了多种基于U-Net的3D模型（包括3D U-Net、RU-Net、DU-Net和RDU-Net）的肝脏分割性能，并进行了肝切除率和再生率的体积分析	样本量相对较小（55名捐赠者），且术后第7天的图像分割性能最低，可能受术后解剖变化影响	评估深度学习模型在活体肝移植中3D肝脏分割和体积测量的准确性与临床适用性	活体肝移植捐赠者的腹部CT影像数据	数字病理学	肝移植	腹部计算机断层扫描（CT）	CNN	3D医学影像	55名捐赠者的术前和术后CT数据	未明确提及，推测为PyTorch或TensorFlow	3D U-Net, RU-Net, DU-Net, RDU-Net	Dice相似系数（DSC）, 召回率, 特异性, 精确度, 准确率	NA
198	2025-12-14	Automated Detection of Hydrocephalus in Pediatric Head Computed Tomography Using VGG 16 CNN Deep Learning Architecture and Based Automated Segmentation Workflow for Ventricular Volume Estimation 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01482-x PMID:40108068	研究论文	本研究提出了一种基于VGG16架构的卷积神经网络模型，用于自动检测婴儿头部CT图像中的脑积水，并集成了自动脑室体积提取方法	首次将VGG16 CNN架构与自动脑室分割工作流结合，专门针对婴儿先天性脑积水的自动分类与体积估计，填补了该领域深度学习研究的空白	研究样本量相对较小（105例CT扫描），且仅针对婴儿群体，未涵盖其他年龄段的脑积水病例	开发一种自动化的脑积水检测与脑室体积估计方法，以辅助临床诊断并减少观察者偏差	婴儿头部CT扫描图像，特别是脑室区域	计算机视觉	脑积水	CT成像	CNN	图像	105例头部CT扫描，共6300张切片	TensorFlow, Keras	VGG16	准确率, 相关系数R, 平均绝对百分比误差, 均方根误差	NA
199	2025-12-14	Deep Learning Neural Network Based on PSO for Leukemia Cell Disease Diagnosis from Microscope Images 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01474-x PMID:40113730	研究论文	本文提出了一种基于粒子群优化（PSO）的深度学习神经网络方法，用于从显微镜图像中诊断白血病细胞疾病	结合深度学习特征提取与PSO优化方法进行特征选择，并集成多种机器学习算法进行白血病细胞诊断	未明确说明样本来源、数据量及模型泛化能力的验证细节	通过显微镜图像实现白血病细胞的准确诊断	白血病细胞显微镜图像	计算机视觉	白血病	显微镜成像	深度学习神经网络, 决策树, 支持向量机, K近邻	图像	NA	NA	GoogLeNet, ResNet-50	准确率	NA
200	2025-12-14	Deep Learning-Assisted Diagnosis of Placenta Accreta Spectrum Using the DenseNet-121 Model: A Multicenter, Retrospective Study 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01475-w PMID:40128503	研究论文	本研究探讨了基于MRI的深度学习成像在预测高危孕妇胎盘植入谱系（PAS）中的诊断价值	使用DenseNet-121深度学习模型进行PAS诊断，并与多种机器学习模型（如SVM、KNN、RF、LGBM）进行比较，通过外部验证集证实了DL模型的优越性能	研究为回顾性、多中心设计，样本量相对有限（共263例患者），可能存在选择偏倚	探索深度学习在MRI影像中诊断胎盘植入谱系（PAS）的应用价值	来自两个机构的263名疑似胎盘植入的高危孕妇	数字病理学	胎盘植入谱系	MRI成像，影像组学特征提取	深度学习，支持向量机（SVM），K近邻（KNN），随机森林（RF），轻量梯度提升机（LGBM）	MRI图像	263名患者（训练集170例，外部验证集93例）	NA	DenseNet-121	AUC，准确率，特异性	NA