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
2441	2026-03-06	Deep learning-based dose prediction to improve the plan quality of volumetric modulated arc therapy for gynecologic cancers 2023-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.16735 PMID:37706560	研究论文	本文开发了一种基于深度学习的模型，用于预测妇科癌症患者容积旋转调强放疗（VMAT）计划的高质量三维剂量分布，并评估其在提升计划质量方面的实用性	首次将3D密集扩张U-Net模型应用于妇科癌症VMAT计划的剂量预测，并利用预测结果指导临床计划的再优化，以识别和改善可优化的计划	研究样本量较小（仅79个VMAT计划），且仅针对女性盆腔区域，模型在其他癌症类型或解剖部位的泛化能力尚未验证	开发深度学习模型以预测高质量剂量分布，并评估其驱动VMAT计划质量改进的实用性	妇科癌症患者的容积旋转调强放疗（VMAT）计划	数字病理	妇科癌症	容积旋转调强放疗（VMAT）	CNN	CT扫描图像、剂量处方、靶区和正常组织轮廓	79个VMAT计划（训练集47个，验证集16个，测试集16个）	NA	3D密集扩张U-Net	体素级剂量差异均值、靶区剂量指标D1%和D98%的百分比差异、危及器官平均和最大剂量差异、临床可接受性评分（5点量表）	NA
2442	2026-03-06	Contour subregion error detection methodology using deep learning auto-segmentation 2023-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.16768 PMID:37793103	研究论文	本文提出了一种基于深度学习自动分割的轮廓子区域错误检测方法，用于放射治疗中手动器官勾画的质量保证	开发了一种新颖的轮廓子区域错误检测系统，利用手动与深度学习自动分割轮廓之间的子区域表面距离差异，实现定性和定量检测与可视化	研究基于头颈公共数据集，可能在其他解剖区域或数据集上需要进一步验证	开发并验证一个能有效检测和可视化子区域轮廓错误的轮廓质量保证系统	头颈放射治疗中的器官轮廓，包括脑干和左右腮腺	数字病理	头颈癌	深度学习自动分割	深度学习模型	医学图像轮廓数据	339例头颈公共数据集病例，以及60例临床训练数据集病例	NA	NA	真阳性率, 假阳性率, 准确率	NA
2443	2026-03-06	Artifact Correction in Retinal Nerve Fiber Layer Thickness Maps Using Deep Learning and Its Clinical Utility in Glaucoma 2023-11-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.12.11.12 PMID:37934137	研究论文	本研究利用深度学习技术校正青光眼患者视网膜神经纤维层厚度图中的伪影，并评估其临床效用	首次提出使用深度学习模型校正RNFLT图中的伪影，并通过伪影叠加方法生成训练数据，改善了结构-功能关系及疾病进展预测的准确性	研究依赖于特定伪影定义（RNFLT < 50 µm），且仅评估了特定时间窗口内的数据，可能未涵盖所有临床场景	校正视网膜神经纤维层厚度图中的伪影以提升青光眼临床预测的准确性	青光眼患者的视网膜神经纤维层厚度图及视野测量数据	数字病理学	青光眼	光学相干断层扫描	深度学习	图像	24,257名患者（短期数据）和3,233名患者（长期序列数据），共使用27,319张高质量RNFLT图和21,722张低质量RNFLT图	NA	NA	平均绝对误差, 皮尔逊相关系数, R2, AUC	NA
2444	2026-03-06	Machine and deep learning in inflammatory bowel disease 2023-07-01, Current opinion in gastroenterology IF:2.6Q2 DOI:10.1097/MOG.0000000000000945 PMID:37144491	综述	本文综述了机器学习和深度学习在炎症性肠病（IBD）评估与管理中的最新应用与进展	强调了人工智能技术（特别是机器学习和深度学习）作为IBD治疗领域的一个分水岭时刻，并指出这些方法为改善IBD患者临床结局提供了有前景的路径	NA	探讨机器学习和深度学习如何革新IBD的治疗方式，并改善临床结局	炎症性肠病（IBD）	机器学习, 深度学习	炎症性肠病	NA	机器学习, 深度学习	来自多种诊断模式的数据	NA	NA	NA	高准确度	NA
2445	2026-03-06	Incremental retraining, clinical implementation, and acceptance rate of deep learning auto-segmentation for male pelvis in a multiuser environment 2023-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.16537 PMID:37287322	研究论文	本研究评估并实施了具有增量再训练功能的商业深度学习自动分割软件，用于多用户环境中前列腺癌患者的确定性治疗	利用商业深度学习自动分割软件的增量再训练功能，通过机构数据训练定制模型以应对临床实践变异性，并在多用户环境中验证其临床采纳效果	研究样本量有限（215例患者），且定制模型在特定失败模式（如膀胱造影、髋关节假体等）下表现不佳，共识不可接受率（8.7%）仍高于人工轮廓（3.5%）	评估并实施具有增量再训练功能的商业深度学习自动分割软件，以提升前列腺癌患者靶器官和危及器官自动勾画的临床实用性和准确性	215例前列腺癌患者的CT图像，包括靶器官（前列腺）和危及器官（如精囊、直肠等）	数字病理	前列腺癌	CT成像	深度学习模型	医学影像（CT图像）	215例前列腺癌患者（其中20例用于验证商业模型，100例用于训练定制模型，115例用于评估）	NA	NA	Dice相似系数, Hausdorff距离, 平均表面距离, 表面Dice相似系数	NA
2446	2026-03-06	Automated player identification and indexing using two-stage deep learning network 2023-Jun-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-36657-5 PMID:37339988	研究论文	本文提出了一种基于深度学习的球员追踪系统，用于自动追踪美式足球比赛中的球员并索引每场比赛的参与情况	采用两阶段网络设计，结合检测变换器和卷积神经网络，在拥挤场景中高精度识别球员和球衣号码	未明确提及具体局限性，可能包括数据不平衡或复杂环境下的识别挑战	开发自动化球员识别与索引系统，以提升美式足球比赛视频分析效率	美式足球比赛视频中的球员及其球衣号码	计算机视觉	NA	深度学习	检测变换器, 卷积神经网络	视频	未明确提及具体样本数量，仅提到足球视频数据	未明确提及具体框架，可能基于常见深度学习框架如TensorFlow或PyTorch	检测变换器, 卷积神经网络	定性结果, 定量结果	未明确提及具体计算资源
2447	2026-03-06	Classifying Malignancy in Prostate Glandular Structures from Biopsy Scans with Deep Learning 2023-Apr-17, Cancers IF:4.5Q1 DOI:10.3390/cancers15082335 PMID:37190264	研究论文	本研究开发了一个深度学习模型，用于从活检扫描中分类前列腺腺体结构的恶性程度，并验证其在独立数据集上的性能	采用迁移学习和微调方法，将预训练于ImageNet的深度学习网络适配于小样本组织病理学图像分类，以区分前列腺癌的Gleason模式	样本量相对较小（基线测试52例患者，GS3与GS4区分40例患者），且模型在区分GS3与GS4时的准确率较低（68%）	通过深度学习自动分类前列腺癌活检扫描中的腺体结构恶性程度，减少对专家经验的依赖	前列腺活检组织病理学图像中的腺体结构	数字病理学	前列腺癌	组织病理学成像	深度学习神经网络	图像	14,509个图像块，来自52例患者（基线测试）和40例患者（GS3/GS4区分）	NA	多种深度学习网络架构（具体未指定）	准确率, F1分数, AUC	NA
2448	2026-03-06	Increasing angular sampling through deep learning for stationary cardiac SPECT image reconstruction 2023-02, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1007/s12350-022-02972-z PMID:35508796	研究论文	本研究通过增加投影角度采样和深度学习方法来提高GE Discovery NM 530c/570c心脏SPECT扫描仪的图像重建质量	提出了一种深度学习网络，能从单角度19个投影生成合成四角度76个投影的图像，从而在静态成像中提高重建质量	NA	提高心脏SPECT扫描仪在静态成像中的图像重建质量	模拟数据、猪、物理体模和人类研究数据	数字病理学	心血管疾病	SPECT成像	深度神经网络	图像	NA	NA	NA	图像分辨率、均匀性、缺陷量化准确性、定量值	NA
2449	2026-03-06	AI-AIF: artificial intelligence-based arterial input function for quantitative stress perfusion cardiac magnetic resonance 2023-Jan, European heart journal. Digital health DOI:10.1093/ehjdh/ztac074 PMID:36743875	研究论文	本研究开发了一种基于深度学习的动脉输入函数预测方法，用于定量应力灌注心脏磁共振成像中的心肌血流量计算	首次使用深度学习模型（1D U-Net）从标准图像中预测未饱和的动脉输入函数，避免了传统双序列采集的需求	研究样本量有限（训练集201例，测试集44例），且仅在两所医疗中心进行验证，需要更多外部验证	改进应力灌注心脏磁共振成像中动脉输入函数的估计方法，以准确量化心肌血流量	心脏磁共振成像中的动脉输入函数信号	医学影像分析	心血管疾病	心脏磁共振成像，应力灌注成像	深度学习	医学影像序列	训练集：201名患者（中心1）；测试集：44名患者（中心1和中心2）	未明确说明	1D U-Net	Mann-Whitney U检验，Bland-Altman分析，诊断分类匹配率	NA
2450	2026-03-06	Recent Technical Developments in ASL: A Review of the State of the Art 2022-11, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29381 PMID:35983963	综述	本文综述了自Alsop等人发表共识论文以来，动脉自旋标记（ASL）领域的一系列最新技术发展	聚焦于ASL技术在读出与轨迹、图像重建、噪声降低、部分容积校正、非灌注参数量化、功能磁共振成像、指纹识别、血管选择性ASL、血管造影、深度学习及超高场ASL等方面的进展	未涵盖速度选择性ASL、多时间点ASL、体部ASL及临床ASL建议等主题，这些内容已在其他文章中详细讨论	促进研究团队和MRI供应商采纳ASL技术的最新进展，并提供实施指导	动脉自旋标记（ASL）技术及其相关方法	医学影像	NA	动脉自旋标记（ASL）	NA	磁共振成像数据	NA	NA	NA	NA	NA
2451	2026-03-06	Towards a guideline for evaluation metrics in medical image segmentation 2022-Jun-20, BMC research notes IF:1.6Q2 DOI:10.1186/s13104-022-06096-y PMID:35725483	综述	本文概述了医学图像分割中常用的评估指标，并提出了标准化评估指南	系统性地总结和解释了医学图像分割中的关键评估指标，并针对常见问题（如类别不平衡和统计偏差）提出了标准化评估指南，旨在提高研究领域的评估质量、可重复性和可比性	本文为综述性指南，未提出新的算法或模型，主要侧重于指标解释和评估标准化建议	提高医学图像分割研究的评估质量、可重复性和可比性	医学图像分割的评估指标和方法	医学图像分割	NA	NA	NA	医学图像	NA	NA	NA	Dice相似系数, Jaccard指数, 敏感度, 特异度, Rand指数, ROC曲线, Cohen's Kappa, Hausdorff距离	NA
2452	2026-03-06	Leveraging clinical data across healthcare institutions for continual learning of predictive risk models 2022-05-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-12497-7 PMID:35590018	研究论文	本文提出了一种名为WUPERR的隐私保护持续学习算法，用于跨医疗机构利用临床大数据构建可泛化的预测风险模型，并在脓毒症早期预测任务中进行了验证	开发了WUPERR算法，结合权重不确定性传播和情景表示重放，实现跨机构的隐私保护持续学习，避免知识遗忘	研究仅针对脓毒症预测任务，未在其他疾病或临床场景中验证；算法在四个医院系统中测试，可能需更多机构数据以评估泛化性	利用跨医疗机构临床大数据，通过持续学习构建可泛化的预测风险模型，提升模型在外部患者队列中的性能	来自四个不同医疗系统的超过104,000名患者数据，用于脓毒症早期预测	机器学习	脓毒症	临床数据挖掘	深度学习模型	临床数据	超过104,000名患者	NA	NA	阳性预测值	NA
2453	2026-03-06	Evaluating the clinical acceptability of deep learning contours of prostate and organs-at-risk in an automated prostate treatment planning process 2022-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.15525 PMID:35147216	研究论文	本研究评估了基于深度学习的商业模型在前列腺和危及器官自动分割中的临床可接受性，并将其应用于自动化前列腺治疗计划流程	首次将商业AI分割模型集成到自动化前列腺治疗计划流程中，并通过几何评估、观察者间变异分析和双盲临床评估进行综合验证	样本量较小（仅23例测试数据），且模型在部分器官（如阴茎球）的分割性能相对较低（DSC为0.53）	评估基于AI的自动分割模型在自动化前列腺放射治疗计划中的临床可接受性和性能	前列腺癌患者的CT扫描图像，包括前列腺及周围危及器官（膀胱、直肠、股骨头、精囊、阴茎球）	数字病理	前列腺癌	CT扫描	CNN	图像	训练和验证集84例CT扫描，测试集23例CT扫描	NA	3D U-Net	Dice相似系数, 95%定向豪斯多夫距离, 平均表面距离	NA
2454	2026-03-06	Sampling alternative conformational states of transporters and receptors with AlphaFold2 2022-03-03, eLife IF:6.4Q1 DOI:10.7554/eLife.75751 PMID:35238773	研究论文	本文提出了一种利用AlphaFold2采样转运蛋白和G蛋白偶联受体替代构象的方法	通过随机子采样减少输入多序列比对的深度，驱动AlphaFold2生成多种准确构象模型，突破了其原本设计用于预测静态结构的限制	方法依赖于对多序列比对的调整，可能不适用于所有蛋白质类型，且需要进一步验证在更广泛体系中的普适性	探索AlphaFold2在预测膜蛋白多种构象状态方面的能力，并开发一种采样替代构象的策略	拓扑结构多样的转运蛋白和G蛋白偶联受体	计算生物学	NA	蛋白质结构预测，多序列比对	深度学习模型	蛋白质序列数据，结构数据	基准测试中涉及多种转运蛋白和受体，具体数量未明确说明	AlphaFold2	AlphaFold2架构	模板建模得分	NA
2455	2026-03-06	Deep Learning for Per-Fraction Automatic Segmentation of Gross Tumor Volume (GTV) and Organs at Risk (OARs) in Adaptive Radiotherapy of Cervical Cancer 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.854349 PMID:35664789	研究论文	本研究开发了一种基于深度学习的自动分割方法，用于宫颈癌自适应放疗中的肿瘤体积和危及器官分割	首次将MASK R-CNN应用于宫颈癌MRI引导在线自适应放疗中的多结构自动分割，并探索了不同训练场景下的性能	样本量较小（仅15名患者），对于较小器官（如阴道和乙状结肠）的分割效果欠佳	开发自动分割工具以提高自适应放疗工作流程效率	局部晚期宫颈癌患者	数字病理	宫颈癌	MRI成像	CNN	MRI图像	15名局部晚期宫颈癌患者的计划和每日治疗分数MRI	NA	MASK R-CNN	Dice相似系数, Hausdorff距离, Pearson相关系数	NA
2456	2026-03-06	Enabling Scientific Reproducibility through FAIR Data Management: An ontology-driven deep learning approach in the NeuroBridge Project 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128458	研究论文	本文介绍了一个名为NeuroBridge的集成搜索平台，该平台通过基于本体的深度学习方法，支持科学研究的可重复性，特别是在神经科学领域	结合了基于W3C PROV规范的元数据本体与BERT深度学习模型，用于自动识别与神经认知评估相关的候选数据集，相比现有搜索引擎表现出更好的性能、可训练性和透明度	研究仅使用了51篇文章进行注释和模型训练，样本规模相对较小，可能影响模型的泛化能力	开发一个平台，使研究人员能够高效搜索相关研究数据集，以验证假设或复制已发表的研究结果，促进科学研究的可重复性	已发表的科学论文及其相关的神经影像数据集，特别是涉及药物滥用或精神分裂症神经认知评估的研究	自然语言处理	精神分裂症	神经影像学	BERT	文本	51篇文章	NA	BERT	准确率, 召回率	NA
2457	2026-03-06	Multicontrast Pocket Colposcopy Cervical Cancer Diagnostic Algorithm for Referral Populations 2022, BME frontiers IF:5.0Q1 DOI:10.34133/2022/9823184 PMID:37850189	研究论文	本研究利用深度学习模型对通过低成本便携式口袋阴道镜采集的宫颈图像进行分类，以诊断活检确认的高级别癌前病变和癌症	通过使用类别平衡损失函数并结合绿色光阴道镜图像对，提升了在筛查阳性人群中的分类性能，且无需额外成本	研究主要基于已预筛查人群，可能未涵盖所有临床场景，且样本量相对有限	开发自动化分类算法以克服低收入国家因专业医疗人员短缺和诊断变异性导致的宫颈癌早期检测障碍	宫颈图像，来自880次患者就诊	计算机视觉	宫颈癌	阴道镜成像	CNN	图像	880次患者就诊的宫颈图像	NA	ResNet-18	AUC, 灵敏度, 特异性	NA
2458	2026-03-06	Replay in Deep Learning: Current Approaches and Missing Biological Elements 2021-10-12, Neural computation IF:2.7Q3 DOI:10.1162/neco_a_01433 PMID:34474476	综述	本文首次全面比较了哺乳动物大脑中的重播机制与人工神经网络中的重播算法，并探讨了深度学习系统中缺失的生物重播元素及其潜在改进方向	首次系统性地对比生物神经重播与人工重播机制，识别深度学习系统中缺失的关键生物元素，并提出改进假设	未进行实证验证，主要基于理论分析和假设	探讨重播机制在生物与人工神经网络中的异同，并提出改进深度学习系统的方法	哺乳动物大脑的重播机制与人工神经网络中的重播算法	机器学习	NA	NA	深度人工神经网络	NA	NA	NA	NA	NA	NA
2459	2026-03-06	A statistical framework for non-negative matrix factorization based on generalized dual divergence 2021-Aug, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2021.03.020 PMID:33892302	研究论文	提出了一种基于广义对偶Kullback-Leibler散度的非负矩阵分解统计框架，并开发了相应的算法家族	该框架基于广义对偶散度，可涵盖指数族模型成员，并推广了针对不同噪声结构的现有方法，与最近发展的拟似然方法形成对比	未在摘要中明确说明	为非负矩阵分解提供一个统一的统计框架和算法家族	非负矩阵分解模型及其在无监督和半监督学习中的应用	机器学习	癌症	非负矩阵分解	NA	模拟数据和真实数据	NA	NA	NA	拟合优度度量	NA
2460	2026-03-06	Multi-channel attention-fusion neural network for brain age estimation: Accuracy, generality, and interpretation with 16,705 healthy MRIs across lifespan 2021-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102091 PMID:34038818	研究论文	本文提出了一种多通道注意力融合神经网络（FiA-Net），用于从健康脑部T1加权磁共振图像中准确估计大脑年龄，并提升模型的泛化能力和可解释性	首次将T1加权图像显式分割为对比度和形态学两个3D图像通道，并引入“带注意力的融合”深度学习卷积神经网络（FiA-Net），以优化不同脑解剖结构和特征层中图像通道的融合方式	NA	提高健康脑部MRI年龄估计的准确性、泛化性和可解释性，以辅助脑部疾病的早期检测	16,705名健康个体的T1加权磁共振图像，年龄跨度为0-97岁	数字病理学	NA	T1加权磁共振成像	CNN	图像	16,705名健康个体的MRI数据	NA	FiA-Net	平均绝对误差（MAE）, 皮尔逊相关系数（r）	NA