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
2241	2026-03-13	Retinal Vessel Plexus Differentiation Based on OCT Angiography Using Deep Learning 2025 Jan-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100605 PMID:39624795	研究论文	本研究提出了一种基于深度学习的OCT血管成像（OCTA）方法，用于分割视网膜的浅层、深层和无血管丛，无需结构OCT图像输入或分割边界	首次仅使用OCTA数据通过深度学习分割视网膜血管丛，无需依赖结构OCT层分割作为边界，并利用合成双类图像显著提升性能	研究样本量较小（33名患者），模型在更复杂的多类薄片数据上的性能仅进行了定性观察，未进行定量评估	开发一种基于深度学习的OCTA图像分割方法，以区分视网膜的浅层、深层和无血管丛	视网膜血管丛（浅层、深层、无血管丛）	计算机视觉	NA	OCT血管成像（OCTA）	深度学习	图像	235个OCTA立方体（来自33名患者）	NA	U-Net	Dice系数	NA
2242	2026-03-13	Exploring meaning in life from social network content in the sleep scenario 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1642085 PMID:41306873	研究论文	本研究利用社交媒体数据，通过深度学习和语义依赖图算法，探索睡眠场景下生命意义及其相关因素	结合社交媒体大数据、用户调查与ChatGPT生成见解，开发深度学习模型评估生命意义成分，并应用语义依赖图算法识别相关因素，桥接了两种基础生命意义理论	数据主要来源于社交媒体，可能存在样本偏差，且ChatGPT生成见解的可靠性需进一步验证	探索生命意义及其在个体和群体层面的相关因素，为心理健康问题提供线索和干预信息	社交媒体用户及其发布的微博内容与调查响应	自然语言处理	NA	社交媒体数据挖掘，深度学习，语义依赖图算法	深度学习模型	文本	微博帖子7,588,597条，用户调查响应448份	NA	NA	NA	NA
2243	2026-03-13	[RPT Doi Award: Deep learning-based correction for time truncation in cerebral computed tomography perfusion] 2025, Igaku butsuri : Nihon Igaku Butsuri Gakkai kikanshi = Japanese journal of medical physics : an official journal of Japan Society of Medical Physics DOI:10.11323/jjmp.45.1_3 PMID:41813218	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2244	2026-03-13	Integrative multi-stage deep learning framework for ovarian tumor ultrasound classification with explainability and confidence estimation 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1760167 PMID:41815279	研究论文	本文提出了一个名为EfficientOvaNet的深度学习框架，用于基于超声图像对卵巢肿瘤进行分类，并集成了可解释性和置信度估计方法	采用双分支EfficientNet-B3架构，结合感兴趣区域特征与全局上下文信息，并整合了Grad-CAM、蒙特卡洛Dropout不确定性估计和t-SNE特征可视化等可解释性方法	未明确提及研究的具体局限性，如数据集规模、泛化能力或临床验证的不足	提高卵巢肿瘤超声分类的诊断准确性，减少主观性，并支持及时干预和个体化治疗	卵巢肿瘤的超声图像	计算机视觉	卵巢癌	超声成像	CNN	图像	基于MMOTU数据集，具体样本数量未在摘要中明确说明	未明确指定，但提及了深度学习框架	EfficientNet-B3	准确率, F1分数, AUC	未在摘要中明确说明
2245	2026-03-13	Artificial Intelligence and Medical Education (2013-2024): A Scopus-Based Bibliometric Analysis 2025, The East African health research journal DOI:10.24248/eahrj.v9i1.817 PMID:41815979	研究论文	本文通过Scopus数据库对2013-2024年间人工智能在医学教育领域的研究进行了文献计量分析	首次对人工智能在医学教育领域的全球合作与出版趋势进行了全面的文献计量分析，揭示了新兴主题和国际协作网络	分析仅基于Scopus数据库，可能未涵盖所有相关文献；研究为描述性分析，未深入探讨具体AI技术的教育效果	分析人工智能在医学教育领域应用的全球研究趋势、主要贡献者和主题发展	2013-2024年间Scopus数据库中关于人工智能与医学教育的学术出版物	自然语言处理	NA	文献计量分析	NA	文本	1081篇出版物（2024年峰值）	Bibliometrix R package	NA	NA	NA
2246	2026-03-13	Precision oncology: Computational methods for multi-omics data integration to improve drug response prediction 2025, Cambridge prisms. Precision medicine DOI:10.1017/pcm.2025.10003 PMID:41816503	综述	本文综述了整合多组学数据以改善药物反应预测的计算方法	系统性地概述了用于药物反应预测的多组学数据整合方法，包括传统机器学习、深度学习及多模态集成框架	NA	提高药物反应预测的准确性，推动精准医学发展	多组学数据集	机器学习	癌症	多组学数据整合	机器学习模型, 深度学习模型	多组学数据	NA	NA	NA	剂量-反应曲线下面积, F1分数, 均方误差	NA
2247	2026-03-13	Unsupervised Segmentation of 3D Microvascular Photoacoustic Images Using Deep Generative Learning 2024-08, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202402195 PMID:38923324	研究论文	本文提出了一种无监督的深度学习模型VAN-GAN，用于从3D光声图像中分割血管网络，无需人工标注数据	引入了一种无监督的图像到图像转换深度学习模型VAN-GAN，该模型在训练中整合了合成血管网络，并学习复制PAI系统的物理原理，从而减少对人工标注的依赖	与监督方法U-Net相比，F1分数略低（0.84 vs 0.87），可能在某些复杂血管结构上存在分割精度限制	开发一种无监督方法，用于从3D光声图像中准确分割血管网络，以促进血管结构和功能的临床前与临床研究	3D微血管光声图像，包括计算机模拟、体外实验、体内数据、患者来源的乳腺癌异种移植模型和3D临床血管造影	计算机视觉	乳腺癌	光声成像	GAN	3D图像	多样化的计算机模拟、体外和体内数据，包括患者来源的乳腺癌异种移植模型和3D临床血管造影	NA	VAN-GAN	F1分数	NA
2248	2026-03-13	Non-Invasive Detection of Early-Stage Fatty Liver Disease via an On-Skin Impedance Sensor and Attention-Based Deep Learning 2024-08, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202400596 PMID:38887178	研究论文	本研究开发了一种用于早期非酒精性脂肪肝病（NAFLD）检测的软性皮肤传感器，并结合注意力深度学习算法，实现了高精度的非侵入式诊断	创新点包括合成铂纳米颗粒和还原石墨烯量子点以降低电极-皮肤接触阻抗，以及引入注意力深度学习算法来区分早期NAFLD的阻抗信号	研究目前仅在小鼠模型中进行，尚未在人类临床环境中验证	开发一种非侵入、成本效益高的早期NAFLD检测方法	高脂饮食喂养的低密度脂蛋白受体敲除（Ldlr）小鼠与健康对照组	机器学习	非酒精性脂肪肝病	皮肤阻抗传感	注意力深度学习	阻抗信号	高脂饮食喂养的Ldlr小鼠与健康对照组	NA	NA	准确率, AUC	NA
2249	2026-03-13	Deep Batch Integration and Denoise of Single-Cell RNA-Seq Data 2024-08, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202308934 PMID:38778573	研究论文	本文介绍了一种名为DeepBID的新型深度学习方法，用于同时进行单细胞RNA测序数据的批次效应校正、非线性降维、嵌入和细胞聚类	DeepBID采用基于负二项分布的自编码器与双重Kullback-Leibler散度损失函数，通过迭代聚类在一致的低维潜在空间中对齐不同批次的细胞点，从而逐步消除批次效应	NA	开发一种高效且有利于下游分析的scRNA-seq数据集成与去噪方法	来自不同实验室或scRNA-seq协议的单细胞转录组数据集	机器学习	阿尔茨海默病	单细胞RNA测序	自编码器	单细胞转录组数据	NA	NA	基于负二项分布的自编码器	聚类准确性	NA
2250	2026-03-13	Ultrasound and diffuse optical tomography-transformer model for assessing pathological complete response to neoadjuvant chemotherapy in breast cancer 2024-07, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.29.7.076007 PMID:39050779	研究论文	本文开发了一种结合超声和弥散光学断层成像的Transformer模型，用于预测乳腺癌患者对新辅助化疗的病理完全缓解	首次提出将超声和弥散光学断层成像图像与肿瘤受体生物标志物结合，利用双输入Transformer模型进行多模态融合，以预测病理完全缓解	研究样本量较小（60名患者），未来需要扩大数据集以提高模型的准确性和泛化能力	评估整合超声和弥散光学断层成像图像在预测乳腺癌患者对新辅助化疗的病理完全缓解方面的效率	乳腺癌患者	医学影像分析	乳腺癌	超声成像，弥散光学断层成像	Transformer	图像，生物标志物	60名患者在化疗期间的多个时间点的影像数据	NA	双输入Transformer	AUC，准确率	NA
2251	2026-03-13	Context-Aware Transformer GAN for Direct Generation of Attenuation and Scatter Corrected PET Data 2024-Jul, IEEE transactions on radiation and plasma medical sciences IF:4.6Q1 DOI:10.1109/trpms.2024.3397318 PMID:41809058	研究论文	提出一种上下文感知的生成式深度学习框架，用于直接从非衰减和非散射校正的PET图像生成光子衰减和散射校正的PET图像	设计了四种条件生成对抗网络模型，包括基于视觉变换器和移位窗口变换器的创新架构，并首次在单模态和多模态输入数据上评估了这些模型，用于直接生成衰减和散射校正的PET图像	研究仅基于33名受试者的回顾性数据，样本量相对较小，且仅针对F-FDG全身PET图像进行了验证	开发一种深度学习框架，用于生成衰减和散射校正的PET图像，以改善PET图像质量	F-氟脱氧葡萄糖全身PET图像	医学影像分析	NA	PET/CT扫描, PET/MRI扫描	cGAN, Transformer	图像	33名受试者的全身PET图像	NA	Pix2Pix, AG-Pix2Pix, ViT-GAN, Swin-GAN	PSNR, MS-SSIM, NRMSE, MAE	NA
2252	2026-03-13	Label-free SERS detection of prostate cancer based on multi-layer perceptron surrogate model method 2024-Jan-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2023.123407 PMID:37717486	研究论文	本研究利用多层感知器（MLP）简化前列腺癌患者血浆SERS样本的预处理过程，并提高SERS技术诊断的敏感性和特异性	采用PCA-MLP方法直接分析原始SERS数据，简化实验流程，同时保持高且稳定的分类准确率	未提及样本多样性或方法普适性的具体验证，可能局限于特定类型样本	简化前列腺癌SERS样本预处理，提升诊断准确率	前列腺癌患者与正常人群的血浆SERS样本	机器学习	前列腺癌	表面增强拉曼光谱（SERS）	多层感知器（MLP）	光谱数据	NA	NA	多层感知器（MLP）	分类准确率	NA
2253	2026-03-13	Classification of Glomerular Pathology Images in Children Using Convolutional Neural Networks with Improved SE-ResNet Module 2023-Dec, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-023-00579-7 PMID:37525066	研究论文	本研究设计了一个基于深度学习的完整肾小球分类框架，用于检测和分类儿童肾小球病理图像，通过改进的SE-ResNet模块实现高精度分类	提出了一种集成ResNet和SENet的RS-INet神经网络，通过将原始ResNet残差块的卷积层转换为参数更小的卷积块，在保证网络性能的前提下减少了网络参数	NA	解决儿童肾小球病变分类问题，实现肾小球病理的高精度分类	儿童肾小球病理图像	数字病理学	肾脏疾病	组织切片	CNN	图像	NA	NA	ResNet, SENet, SE-ResNet	准确率	NA
2254	2026-03-13	Nested star-shaped objects segmentation using diameter annotations 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102934 PMID:37688981	研究论文	提出一种基于直径标注的深度学习方法，用于分割嵌套星形结构（如血管内腔和外壁），以减少临床标注负担	通过可微分方式提取训练时的物体边界点，并利用直径标注（而非逐像素标注）训练深度学习模型，实现了弱监督下的精确分割	方法主要适用于嵌套星形结构，可能不适用于复杂或不规则形状的分割任务	开发一种减少医学图像分割标注负担的弱监督学习方法	颈动脉内腔和外壁	计算机视觉	心血管疾病	多序列磁共振成像	深度学习模型	医学图像	未明确说明	未明确说明	未明确说明	未明确说明	未明确说明
2255	2026-03-13	Supervised tractogram filtering using Geometric Deep Learning 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102893 PMID:37741032	研究论文	本文提出了一种名为Verifyber的监督学习方法，用于过滤脑白质纤维束图中非解剖学上合理的纤维	采用新颖的完全监督学习框架，结合几何深度学习处理可变长度纤维，并引入序列边缘卷积来捕获解剖特性，同时保持纤维方向不变性	NA	解决脑白质纤维束图中非解剖学合理纤维的过滤问题，以提高纤维束图的准确性	脑白质纤维束图中的虚拟纤维	机器学习	NA	几何深度学习	几何深度学习模型	3D折线（纤维）	NA	NA	序列边缘卷积	NA	12GB GPU
2256	2026-03-13	A deep weakly semi-supervised framework for endoscopic lesion segmentation 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102973 PMID:37757643	研究论文	提出了一种用于内窥镜病灶分割的弱半监督深度学习框架，以减少对像素级标注的依赖	提出了一个名为Point SEGTR的弱半监督分割框架，结合少量像素级标注和大量点级标注进行训练，并引入了多点一致性和对称一致性两个正则化项来提升伪标签质量	未在摘要中明确说明	开发一种减少对像素级标注依赖的内窥镜病灶分割方法	内窥镜图像中的病灶	医学图像分析	NA	深度学习	Transformer	图像	三个内窥镜数据集，包含不同病灶结构和身体部位（如结直肠和鼻咽）	NA	Point SEGTR	NA	NA
2257	2026-03-13	Comprehensive Evaluation of a Deep Learning Model for Automatic Organs-at-Risk Segmentation on Heterogeneous Computed Tomography Images for Abdominal Radiation Therapy 2023-Nov-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2023.05.034 PMID:37244625	研究论文	本文开发了一个名为AbsegNet的深度学习模型，用于在腹部恶性肿瘤的放射治疗中自动分割16个危及器官	提出了一种新颖的深度学习模型AbsegNet，能够在异质性CT图像上准确分割多个危及器官，并在多个外部数据集上验证了其鲁棒性和临床适用性	对于结肠和小肠的分割，仍有15.0%的患者需要进行重大修订，表明模型在这些器官上的性能有待进一步提升	开发一个深度学习模型，实现腹部放射治疗中危及器官的自动分割，以支持全自动放射治疗计划	腹部恶性肿瘤患者的CT扫描图像	数字病理	腹部恶性肿瘤	CT扫描	深度学习模型	CT图像	544例CT扫描，分为多个队列进行训练、测试和验证	NA	AbsegNet	Dice相似系数, 95th-percentile Hausdorff距离, 体积修订度	NA
2258	2026-03-13	Deep Learning MRI Reconstruction for Accelerating Turbo Spin Echo Hand and Wrist Imaging: A Comparison of Image Quality, Visualization of Anatomy, and Detection of Common Pathologies with Standard Imaging 2023-Nov, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2022.12.042 PMID:36797172	研究论文	本研究评估了深度学习重建在加速手部和腕部涡轮自旋回波MRI成像中的应用，比较了其与标准成像在图像质量、解剖结构可视化和常见病变检测方面的表现	首次将深度学习重建应用于手部和腕部涡轮自旋回波MRI序列，实现了超过60%的扫描时间减少，同时保持了图像质量和诊断性能	样本量较小（仅21名患者），且研究为单中心前瞻性研究，需要更大规模的多中心验证	评估深度学习重建在加速手部和腕部MRI扫描中的临床应用价值	手部和腕部的MRI图像	医学影像分析	肌肉骨骼疾病	涡轮自旋回波序列，并行成像欠采样，深度学习重建	深度学习模型	MRI图像	21名患者（10名男性，11名女性，平均年龄43±19岁）	NA	NA	图像质量评分，噪声评分，边缘锐度评分，伪影评分，诊断置信度评分，解剖结构描绘评分，kappa统计量	NA
2259	2026-03-13	Semantic segmentation of retinal exudates using a residual encoder-decoder architecture in diabetic retinopathy 2023-Nov, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.24345 PMID:37194727	研究论文	本文提出了一种用于糖尿病视网膜病变中渗出物语义分割的残差编码器-解码器架构	提出了一种带有残差跳跃连接的残差CNN架构，以减少参数，并采用合适的图像增强技术来提高网络性能	NA	开发一种用于糖尿病视网膜病变筛查的计算机辅助诊断方法，实现视网膜渗出物的自动检测和分割	视网膜渗出物	计算机视觉	糖尿病视网膜病变	NA	CNN	图像	三个基准数据库：E-ophtha, DIARETDB1, Hamilton Ophthalmology Institute's Macular Edema	NA	残差编码器-解码器架构	精确度, 准确度, 灵敏度, 特异性, AUC	NA
2260	2026-03-13	Study on method of organ section retention and tracking through deep learning in automated diagnostic and therapeutic robotics 2023-Nov, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-02955-6 PMID:37249747	研究论文	本文提出了一种用于自动诊断和治疗机器人中器官截面保留和跟踪的深度学习方法，特别针对肾脏和肝脏的高强度聚焦超声治疗中的器官角度估计	提出了AEMA、AEMAD和AEMAD++三种新方法用于超声图像中器官角度估计，并在旋转扫描跟踪系统中进行了评估，其中AEMAD++在速度和精度上表现最佳	研究基于体模实验，未来需要添加周围器官区域或肾脏内部结构作为新特征以验证结果，且样本量较小（仅6个数据集）	开发一种在自动化诊断和治疗机器人中通过深度学习实现器官截面保留和跟踪的方法，以应对呼吸运动导致的器官位移问题	肾脏和肝脏器官，特别是在高强度聚焦超声治疗中的超声图像	计算机视觉	NA	高强度聚焦超声治疗，旋转扫描跟踪系统	深度学习模型	超声图像	6个数据集（5个用于初步准备，1个用于测试），包含从长轴图像到短轴图像的90度肾脏图像	NA	AEMA, AEMAD, AEMAD++	准确率，处理速度（FPS）	NA