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
2121	2026-03-09	A multi-class segmentation model of deep learning on contrast-enhanced computed tomography to segment and differentiate lipid-poor adrenal nodules: a dual-center study 2026-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12007-z PMID:40981992	研究论文	本研究开发了一种基于深度学习的多类分割模型，用于在增强CT图像上分割并区分脂质贫乏肾上腺结节	提出了一种新颖的基于状态空间模型的多类分割方法Mamba-USeg，能够同时进行分割和分类，在性能上显著优于现有模型	研究为回顾性双中心设计，样本量相对有限（共164例患者），且仅针对特定类型的肾上腺结节	开发一种深度学习模型，用于在增强CT图像上自动分割肾上腺并区分脂质贫乏腺瘤和结节性增生	经病理证实的脂质贫乏肾上腺腺瘤和结节性增生患者的增强CT图像	计算机视觉	肾上腺疾病	对比增强计算机断层扫描	深度学习, 状态空间模型	医学图像	164例患者（内部中心128例用于训练，外部中心36例用于验证）	NA	Mamba-USeg, MultiResUNet, CPFNet	平均Dice相似系数, 敏感性, 特异性, 准确率	NA
2122	2026-03-09	A Multi-view Deep Survival Combined Model for Predicting Stroke Recurrence in Symptomatic Intracranial Atherosclerosis 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.052 PMID:41242896	研究论文	本文提出了一种多视图深度生存组合模型，用于预测症状性颅内动脉粥样硬化患者的卒中复发风险	结合Vision Transformer、影像组学和DeepSurv，开发了一种自动化多视图深度特征学习与生存分析融合的模型，以客观预测卒中复发风险，超越了传统依赖主观评估的方法	研究为回顾性设计，样本量相对有限（363例患者），且仅来自两家医疗机构，可能存在选择偏倚	开发一种客观、自动化的工具，用于症状性颅内动脉粥样硬化患者的卒中复发风险分层	症状性颅内动脉粥样硬化狭窄患者	数字病理学	心血管疾病	高分辨率血管壁成像	Vision Transformer, DeepSurv	图像	363例患者（79例复发，284例未复发），分为训练/验证集（290例）和测试集（73例）	NA	Vision Transformer	C-index, 时间依赖性受试者工作特征曲线下面积	NA
2123	2026-03-09	Integrating Deep Feature Extraction and MRI Radiomics for Survival Prediction in Breast Cancer After Neoadjuvant Chemotherapy 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.050 PMID:41253608	研究论文	本研究通过整合深度学习特征提取与MRI影像组学，构建多模态Cox模型，以预测乳腺癌新辅助化疗后的生存期	首次将CNN提取的深度学习病理特征与多参数MRI影像组学融合，构建多模态预测模型，相比以往单模态研究或短期终点预测，显著提高了长期生存预测的准确性	研究为多中心回顾性设计，样本量相对有限（216例），且未在独立外部队列中进行验证	开发更精确的预后工具，以优化乳腺癌新辅助化疗后的临床决策	完成新辅助化疗的乳腺癌患者	数字病理学	乳腺癌	多参数MRI影像组学，深度学习特征提取	CNN, Cox比例风险模型	临床特征，病理图像，MRI图像	216例乳腺癌患者	NA	ResNet50	AUC, 校准曲线, 决策曲线分析	NA
2124	2026-03-09	PMI estimation with cross-species transfer learning and visual information generated by pathomics foundation model 2026-Mar, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-025-03659-z PMID:41258447	研究论文	本研究提出了一种基于病理学基础模型和跨物种迁移学习的死后间隔（PMI）估计框架，并利用可视化技术增强模型可解释性	提出了两阶段跨物种迁移学习策略，将动物数据先验知识与少量人类数据结合进行微调，并开发了全切片级别的可视化框架（概率图、类别图、分类比例直方图）以提高模型可解释性	人类样本数量有限（23例），可能影响模型泛化能力；研究主要针对肝脏组织，未验证其他器官的适用性	开发一种准确且可解释的AI工具，用于法医病理学中的死后间隔估计	猪肝脏全切片图像和人类肝脏全切片图像	数字病理学	NA	全切片成像	CNN, Vision Transformer	图像	16例猪样本和23例人类样本	NA	ResNet50, DenseNet121, SongCi, UNI	准确率	NA
2125	2026-03-09	Evaluating the Diagnostic Accuracy of Artificial Intelligence in Spondylolisthesis Detection: A Systematic Review and Meta-analysis 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.11.002 PMID:41290429	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了人工智能模型在检测脊椎滑脱症中的诊断准确性	首次对人工智能在脊椎滑脱症检测中的诊断准确性进行了系统综述和荟萃分析，比较了不同成像模态和模型类型的性能	研究存在显著的异质性，表明需要更多标准化的研究来确保结果的可比性和普适性	评估人工智能模型在脊椎滑脱症检测中的诊断准确性，并比较不同成像模态和模型类型的性能	脊椎滑脱症患者	医学影像分析	脊椎滑脱症	深度学习	深度学习模型	医学影像（如MRI、X光片）	24项研究（其中21项用于荟萃分析），共8029个观察值	NA	FAR网络, YOLOv8	灵敏度, 特异性, AUC	NA
2126	2026-03-09	Automatic rib fracture detection on postmortem CT data using deep learning 2026-Mar, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-025-03669-x PMID:41339543	研究论文	本研究评估了深度学习模型nnDetection在死后CT扫描数据上自动检测肋骨骨折的性能，并分析了临床与死后CT成像之间的领域偏移因素	首次将深度学习模型应用于死后CT数据的肋骨骨折检测，并系统分析了临床与死后CT成像之间的领域偏移因素，如手臂位置和医疗设备的存在	样本量相对较小（仅50例死后CT扫描），且未探索更先进的技术来克服领域偏移因素	评估深度学习模型在死后CT数据上自动检测肋骨骨折的性能，并识别临床与死后CT成像之间的领域偏移因素	死后CT扫描数据，用于肋骨骨折检测	计算机视觉	肋骨骨折	CT扫描	深度学习模型	CT图像	50例死后CT扫描（24%女性；平均年龄61岁，范围19-96岁）和660例临床CT扫描（36%女性；平均年龄55岁，范围21-94岁）	nnDetection	nnDetection	平均灵敏度, 平均精确度（在0.1交并比下）	NA
2127	2026-03-09	Deep Learning-Based Cardiac MRI Planning from Localizers to Cine Views Using Landmark Detection 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.11.028 PMID:41353071	研究论文	本研究评估了一种基于深度学习的全自动框架，用于提升心脏MRI规划的效率和准确性	提出了一种全自动深度学习框架，用于从定位器到电影视图的心脏MRI规划，通过地标检测实现自动化，提高了规划精度	研究为回顾性设计，数据来源于单一机构，未在外部数据集上进行验证	评估深度学习框架在心脏MRI规划中的自动化应用，以提升效率和准确性	1023名接受心脏MRI检查的患者（年龄8-90岁）的影像数据	计算机视觉	心血管疾病	心脏MRI	深度学习模型	图像	1023名患者	NA	NA	中位地标距离, 平面角度差	NA
2128	2026-03-09	Myelination-attention-empowered deep learning model improved brain age prediction in children below 2 years of age 2026-Mar, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06495-w PMID:41432745	研究论文	本研究开发了一种名为MAENet的深度学习模型，通过整合髓鞘化注意力机制，提高了2岁以下儿童脑年龄预测的准确性和可解释性	创新性地将髓鞘化这一生物过程作为注意力机制整合到深度学习模型中，并设计了多通道信息融合与通信机制，显著提升了模型对髓鞘化相关特征的敏感性	研究为回顾性分析，数据来源于单一医院，样本量相对有限，且模型在更广泛人群或不同成像协议下的泛化能力有待验证	提高早期婴儿期脑年龄预测的准确性和可解释性	0-2岁儿童的脑部结构磁共振成像数据	医学影像分析	神经发育障碍	结构磁共振成像	深度学习模型	图像	603名0-2岁参与者	NA	MAENet, ResNet-50, VGG, Inception, SFCN, Skewed, FiA-Net, TSAN	平均绝对误差	NA
2129	2026-03-09	Label Noise in Pathological Segmentation Is Overlooked, Leading to Potential Overestimation of Artificial Intelligence 2026-Mar, Cancer science IF:4.5Q1 DOI:10.1111/cas.70288 PMID:41433191	研究论文	本研究通过调查公共数据集和合成人工标签噪声，评估了标签噪声对病理分割模型的影响，揭示了模型易过拟合边界噪声并导致性能高估的风险	首次系统性地结合公共数据集调查与人工标签噪声合成，评估了病理分割中标签噪声的类型和影响，特别是边界依赖噪声（如扩张和收缩）对模型过拟合的显著作用	研究主要基于合成噪声和有限数据集（如乳腺癌语义分割数据集），可能未完全覆盖真实世界所有噪声类型；且未提出具体的噪声量化或缓解方法	评估病理分割中标签噪声对人工智能模型训练的影响，并探讨其导致的性能高估风险	病理分割AI模型，特别是用于乳腺癌语义分割的深度学习模型	数字病理	乳腺癌	语义分割	深度学习模型	图像	使用公共数据集和乳腺癌语义分割数据集，具体样本数量未明确说明	NA	NA	表现分数（包括真实世界条件下的表观性能分数和使用干净测试数据得到的真实性能分数）	NA
2130	2026-03-09	Explainable deep learning for predicting HER-2 expression in breast cancer: a multicenter study 2026-Mar, Acta radiologica (Stockholm, Sweden : 1987) DOI:10.1177/02841851251392501 PMID:41468007	研究论文	本研究开发了一个可解释的深度学习框架，用于非侵入性预测乳腺癌HER-2表达	结合深度学习模型与临床预测因子，构建可解释的预测框架，实现非侵入性HER-2表达预测	回顾性研究，样本量有限（450例），需进一步前瞻性验证	开发非侵入性预测乳腺癌HER-2表达的深度学习框架	450例经病理确认HER-2状态的乳腺癌患者	数字病理	乳腺癌	磁共振成像	深度学习	图像	450例患者	NA	ResNet	AUC	NA
2131	2026-03-09	Deep Learning Image Reconstruction Improves Image Quality in Dual-Low Dose Dual-Energy CT Portal Venography Compared to Adaptive Iterative Image Reconstruction Algorithm-Veo 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.11.047 PMID:41484021	研究论文	本研究比较了深度学习图像重建（DLIR）与自适应统计迭代重建（ASIR-V）在双低剂量双能CT门静脉成像（DE-CTPV）中的性能，旨在评估DLIR在降低对比剂用量和辐射剂量条件下对图像质量的改善效果	首次在双低剂量（低对比剂和低辐射剂量）条件下，将DLIR应用于DE-CTPV，并与ASIR-V进行系统比较，证实DLIR能显著提升多段门静脉血管的图像质量	研究为单中心设计，样本量相对有限，且未进行长期临床结局的随访验证	比较DLIR与ASIR-V在双低剂量DE-CTPV中的图像质量，以优化肝脏移植术前评估和术后监测的成像方案	接受DE-CTPV检查的患者	医学影像	肝脏疾病	双能CT门静脉成像（DE-CTPV），虚拟单能成像（VMI）	深度学习图像重建（DLIR）	CT图像	未明确说明具体患者数量，但提及与既往研究数据对比	NA	NA	图像噪声、对比噪声比（CNR）、信噪比（SNR）、主观评分（整体图像质量、图像噪声、血管边缘锐利度、诊断信心）	NA
2132	2026-03-09	Attenuation-based ultra-low-dose lung computed tomography at 0.1 mSv to 0.3 mSv effective dose in children 2026-Mar, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06503-z PMID:41553466	研究论文	本研究评估了在儿科患者中使用宽探测器能量积分CT系统结合深度学习重建的超低剂量肺部CT方案的辐射剂量和性能	利用宽探测器能量积分CT和深度学习图像重建技术，实现了与新型光子计数CT相当的0.12-0.23 mSv超低剂量儿科肺部CT成像	研究为回顾性分析，存在心脏运动和阶梯伪影等非破坏性伪影，但未影响诊断	评估儿科超低剂量肺部CT方案的辐射剂量和诊断图像质量	106名儿科患者（年龄范围113天至17.85岁）的277次低剂量肺部CT扫描	医学影像	肺部疾病	计算机断层扫描（CT），深度学习图像重建，衰减基础自动处方	深度学习重建模型	CT图像	277次CT扫描来自106名儿科患者	NA	NA	信噪比（SNR），对比噪声比（CNR）	NA
2133	2026-03-09	Deep learning assessment of fetal brain maturation on 3D ultrasound volumes in early-onset fetal growth restriction 2026-Mar, Ultrasound in obstetrics & gynecology : the official journal of the International Society of Ultrasound in Obstetrics and Gynecology IF:6.1Q1 DOI:10.1002/uog.70168 PMID:41575808	研究论文	本研究利用深度学习模型分析三维超声图像，评估早发性胎儿生长受限（FGR）中的胎儿大脑成熟延迟情况	首次将深度学习模型应用于三维超声图像，以量化早发性FGR胎儿的大脑成熟度，并探索其与新生儿并发症风险的关联	单中心、样本量较小（43例），仅纳入孕周小于29周的胎儿，可能限制了结果的普适性	评估早发性胎儿生长受限（FGR）中胎儿大脑成熟延迟的程度，并探索其与新生儿并发症的潜在关联	早发性胎儿生长受限（FGR）的胎儿	数字病理学	胎儿生长受限	三维（3D）超声	深度学习模型	三维超声图像	43例生长受限胎儿（其中13例为脑保护性FGR）	NA	NA	估计孕周与实际孕周的平均差异（ΔGA，以天为单位）	NA
2134	2026-03-09	Deep learning-based one-stop 11C-CFT and 18F-FDG dual-tracer brain PET imaging protocol for Parkinson's disease 2026-Mar, Brain research bulletin IF:3.5Q2 DOI:10.1016/j.brainresbull.2026.111764 PMID:41651249	研究论文	本研究探索使用深度学习分离帕金森病患者的短间隔交错C-CFT和F-FDG双示踪剂脑PET图像，以减少扫描等待时间	首次提出基于深度学习的单次扫描协议，用于分离交错注射的双示踪剂PET图像，从而显著缩短患者等待时间并提高临床效率	研究为回顾性设计，样本量相对较小（67名患者），且仅针对特定示踪剂组合和注射时间间隔进行评估	开发一种减少帕金森病患者脑PET成像等待时间的深度学习协议	帕金森病患者	数字病理学	帕金森病	PET成像，双示踪剂（11C-CFT和18F-FDG）	深度学习	PET图像	67名患者	PyTorch	Swin UNETR	NMSE, SSIM, Bland-Altman分析, 相关性分析, SUVmean, LBR, SNR	NA
2135	2026-03-09	Generalizability of deep learning-based dose conversion model in proton beam therapy 2026-Mar, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70528 PMID:41755687	研究论文	本研究开发了一种基于深度学习的剂量转换模型，用于质子束治疗中将铅笔束算法计算的剂量转换为蒙特卡罗等效剂量，并评估其在不同肿瘤部位的泛化能力	首次训练了一个基于深度学习的剂量转换模型，该模型在四个代表性肿瘤部位（头颈、肺、肝和前列腺）上训练，并评估了其在未训练肿瘤部位（如食管、胰腺、结直肠、脑、乳腺、宫颈及肢体骨与软组织）的泛化性能	模型在接近肺部的食管、乳腺以及肢体骨与软组织等未训练肿瘤部位上表现出略低的通过率，泛化能力仍有提升空间	开发并评估一个基于深度学习的剂量转换模型在质子束治疗中的泛化能力，以解决计算精度与速度之间的权衡问题	质子束治疗中的剂量计算，特别是将铅笔束算法剂量转换为蒙特卡罗等效剂量	医学影像分析	多种癌症	质子束治疗，蒙特卡罗模拟，深度学习	深度学习模型	治疗计划CT图像和铅笔束剂量数据	339名患者（总计1147个射束）	NA	NA	3D γ分析通过率，Dice相似系数	NA
2136	2026-03-09	SMART: Self-Supervised Learning for Metal Artifact Reduction in Computed Tomography Using Range Null Space Decomposition 2026-Mar, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3616003 PMID:41052163	研究论文	提出一种基于自监督学习和范围零空间分解的CT金属伪影减少方法，旨在解决现有深度学习方法在临床应用中面临的挑战	利用范围零空间分解分别建模金属和组织线性衰减系数，并结合隐式神经表示以自监督方式学习其临床特征，同时整合多色光谱以实现动态适应	方法在临床数据集上的泛化性虽经测试，但可能仍需更多样化的数据验证其鲁棒性	开发一种自监督的CT金属伪影减少方法，以提升诊断准确性和临床决策支持	CT图像中的金属伪影	计算机视觉	NA	范围零空间分解，隐式神经表示	自监督学习模型	CT图像	一个合成数据集和两个临床数据集	NA	隐式神经表示	NA	NA
2137	2026-03-09	ESR Essentials: lung cancer screening with low-dose CT-practice recommendations by the European Society of Thoracic Imaging 2026-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11910-9 PMID:40848139	实践推荐	本文提供了欧洲胸科影像学会关于使用低剂量CT进行肺癌筛查的实践建议	整合了最新的低剂量CT筛查证据，并强调了深度学习算法在结节检测和体积生长测量中的应用	NA	为肺癌筛查提供基于证据的实践指导，以优化筛查效果并控制风险	高风险个体，特别是年龄在50至75岁之间、有至少20包年吸烟史的人群	数字病理学	肺癌	低剂量CT扫描	深度学习算法	CT图像	NA	NA	NA	NA	NA
2138	2026-03-09	Mixing features of transcription factors and genes enable accurate prediction of gene regulation relationships for unknown transcription factors 2026-Mar, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqag022 PMID:41782896	研究论文	本文开发了一种深度学习模型GReNIMJA，通过混合转录因子氨基酸序列和目标基因核苷酸序列的特征，预测未知转录因子的基因调控关系	模型首次能够预测未知转录因子的基因调控关系，通过显式建模转录因子与基因间的相互作用，解决了传统深度学习模型仅能预测已知转录因子的局限	模型对未知转录因子的预测准确率为68.5%，虽高于传统方法，但仍存在提升空间，且可能受限于训练数据的覆盖范围	预测转录因子与基因间的调控关系，特别是针对未知转录因子，以促进对基因调控网络的理解	转录因子的氨基酸序列和目标基因的核苷酸序列	机器学习	NA	深度学习	LSTM	序列数据（氨基酸序列和核苷酸序列）	NA	NA	2D Long Short-Term Memory	准确率	NA
2139	2026-03-09	AI sheds new light on genome editing 2026-Mar, Trends in biotechnology IF:14.3Q1 DOI:10.1016/j.tibtech.2025.07.011 PMID:40744834	综述	本文综述了人工智能如何通过深度学习加速下一代基因组编辑工具的发现、工程化与设计	系统阐述了AI在三个关键方面赋能基因组编辑：发现传统方法忽略的新型编辑器、工程化具有增强特性的编辑器、以及从头设计具有定制功能的全新编辑器	NA	探讨人工智能驱动的技术如何加速基因组编辑工具的开发与应用	基于CRISPR/Cas系统的基因组编辑工具	生命科学	NA	基因组编辑，深度学习	深度学习模型	结构数据，序列数据	NA	NA	NA	NA	NA
2140	2026-03-09	A Comparison of Different Radiomics Methods Predicting Cervical Lymph Node Metastasis in Papillary Thyroid Carcinoma 2026 Mar-Apr, Journal of clinical ultrasound : JCU IF:1.2Q3 DOI:10.1002/jcu.70102 PMID:41078274	研究论文	本研究比较了基于超声的手工放射组学模型、深度学习放射组学模型及组合模型在预测甲状腺乳头状癌颈淋巴结转移中的性能	开发并比较了手工放射组学、深度学习放射组学及两者组合模型，首次在甲状腺乳头状癌颈淋巴结转移预测中系统评估不同放射组学方法的效能	测试集中组合模型相比单一模型的AUC提升未达到统计学显著性，且深度学习模型在训练和测试集中的准确率均低于0.7	开发并比较不同放射组学方法，以更好地预测甲状腺乳头状癌患者的颈淋巴结转移	甲状腺乳头状癌患者	数字病理	甲状腺癌	超声成像	深度学习, 机器学习	图像	441名患者（训练集308例，测试集133例）	Pyradiomics	DenseNet121	AUC, 准确率	NA