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
2641	2026-03-03	gcDLSeg: integrating graph-cut into deep learning for binary semantic segmentation 2025-May-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.555206 PMID:41767939	研究论文	本研究提出了一种将图割方法集成到深度学习网络中的新框架，用于端到端的二进制语义分割	提出了一种新颖的残差图割损失和准残差连接，解决了图割模块在深度学习网络中梯度反向传播的挑战	NA	结合图割方法的全局最优性保证和深度学习的高性能，提升二进制语义分割的准确性和鲁棒性	二进制语义分割任务	计算机视觉	慢性伤口,胰腺癌	NA	深度学习网络	图像	公共AZH慢性伤口数据集和医学分割十项全能（MSD）中的胰腺癌数据集	NA	NA	分割准确性,对抗攻击鲁棒性	NA
2642	2026-03-03	Hierarchical uncertainty estimation for learning-based registration in neuroimaging 2025-Apr, ... International Conference on Learning Representations PMID:41769306	研究论文	本文提出了一种用于神经影像配准的分层不确定性估计方法，以改进深度学习配准的准确性并支持下游任务的不确定性传播	提出了一种基于空间建模的分层不确定性传播框架，将局部位置不确定性传播至全局变换模型及下游任务，相比传统蒙特卡洛丢弃法能更准确反映配准误差	未明确说明方法在非高斯分布数据或非刚性变换场景下的适用性，且实验主要集中于脑部MRI数据	改进深度学习医学图像配准中的不确定性估计方法，提升配准精度并支持下游任务的不确定性量化	脑部磁共振成像（MRI）扫描数据	医学图像分析	NA	磁共振成像（MRI）	深度学习配准模型	医学图像（MRI）	公开数据集（未指定具体数量）	NA	NA	配准误差相关性	NA
2643	2026-03-03	Accuracy and Longitudinal Consistency of PET/MR Attenuation Correction in Amyloid PET Imaging amid Software and Hardware Upgrades 2025-Mar-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8490 PMID:39251256	研究论文	本研究评估了在阿尔茨海默病淀粉样蛋白PET成像中，PET/MR衰减校正的准确性和纵向一致性，特别是在软件和硬件升级背景下	采用迁移学习微调DL-Dixon模型，以应对扫描仪软件版本和头部线圈的更新，确保衰减校正的鲁棒性和纵向一致性	研究样本量有限，仅包含329名参与者，且仅38名进行了两次三模态扫描，可能影响结果的普遍性	旨在协调PET/MR DL-Dixon衰减校正，评估其在软件和硬件升级后的准确性和纵向一致性	阿尔茨海默病患者的PET/MR和CT图像数据	数字病理学	阿尔茨海默病	PET/MR成像, CT成像, 深度学习衰减校正	深度学习模型	图像	329名参与者，其中38名进行了两次三模态扫描	NA	DL-Dixon	PET相对绝对误差, 皮质区域PET SUVR的组内变异系数, 组内相关系数	NA
2644	2026-03-03	Deep Learning-Based ASPECTS Algorithm Enhances Reader Performance and Reduces Interpretation Time 2025-Mar-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8491 PMID:39255988	研究论文	本研究探讨了基于深度学习的ASPECTS算法在急性缺血性卒中评估中如何提升医生性能并减少解读时间	开发并验证了一种FDA批准和CE认证的深度学习算法，用于自动计算ASPECTS评分，显著提高了评估的准确性和一致性，同时减少了医生解读时间	研究为回顾性设计，样本来自多个临床站点但数量有限（200例），且仅评估了特定算法（CINA-ASPECTS），未与其他算法进行比较	分析深度学习算法对医生在急性缺血性卒中ASPECTS评分评估中的性能和时间效率的影响	急性缺血性卒中患者的非增强CT扫描图像	数字病理学	心血管疾病	非增强CT扫描	深度学习模型	医学图像	200例NCCT扫描，来自5个临床站点，涉及27种扫描仪型号和4个不同供应商	NA	NA	区域基础准确率，ROC AUC，评分者间可靠性，相关系数，解读时间	NA
2645	2026-03-03	Deep Learning-Based Synthetic Computed Tomography for Low-Field Brain Magnetic Resonance-Guided Radiation Therapy 2025-Mar-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.09.046 PMID:39357787	研究论文	本研究开发了一种基于条件生成对抗网络的模型，用于从低场脑磁共振成像生成合成CT图像，以支持磁共振引导的放射治疗中的剂量计算	首次提出使用条件生成对抗网络从低场磁共振成像生成高保真合成CT图像，用于脑部磁共振引导放射治疗的在线自适应剂量计算	模型在术后异常区域的表现受到挑战，且样本量相对较小	开发一种从低场磁共振成像生成合成CT的方法，以支持磁共振引导放射治疗中的剂量计算和在线自适应治疗	胶质瘤患者的脑部磁共振和CT图像对	医学影像分析	胶质瘤	磁共振成像，CT成像	条件生成对抗网络	医学图像	12名患者用于主要训练和验证，9名患者用于二次验证	NA	9块残差网络生成器，PatchGAN判别器	平均绝对误差，峰值信噪比，结构相似性指数，剂量体积直方图指标，三维伽马分析通过率	NA
2646	2026-03-03	Integrating artificial intelligence with smartphone-based imaging for cancer detection in vivo 2025-Mar-01, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2024.116982 PMID:39616900	综述	本文综述了将人工智能与基于智能手机的成像系统相结合，用于体内癌症检测的技术、挑战与未来前景	提出将先进AI算法与便携式智能手机成像系统集成，以解决其在成像质量和计算能力方面的限制，并强调了可解释和不确定性感知AI在临床应用中提升透明度和可靠性的重要性	基于智能手机的成像系统面临成像质量较低和计算能力受限的挑战，且AI算法的透明度和可靠性仍需进一步提升以获得临床信任	探索利用人工智能增强智能手机成像系统，以实现便携、经济、可广泛获取的早期癌症检测工具	基于智能手机的成像系统及其在体内癌症检测中的应用	数字病理学	癌症	智能手机成像，多模态成像	深度学习算法	图像，多模态数据	NA	NA	NA	NA	智能手机（计算能力受限）
2647	2026-03-03	Self-supervised learning improves robustness of deep learning lung tumor segmentation models to CT imaging differences 2025-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.17541 PMID:39636237	研究论文	本文比较了自监督学习中野生预训练与自预训练方法在非小细胞肺癌CT图像分割任务中的鲁棒性	首次系统比较了野生预训练与自预训练在医学图像分析中的效果，发现Swin Transformer模型在野生预训练下对CT成像差异更具鲁棒性	研究仅针对非小细胞肺癌CT分割任务，未涵盖其他疾病类型或成像模态；ViT和CNN模型未显示野生预训练的明显优势	评估自监督学习预训练策略对深度学习模型在医学图像分割任务中鲁棒性的影响	非小细胞肺癌患者的3D CT扫描图像	计算机视觉	肺癌	CT成像	CNN, Transformer	3D CT图像	野生预训练：10,412例3D CT；下游任务：377例训练集，156例早期阶段测试集，196例晚期阶段测试集	PyTorch	Vision Transformer, Swin Transformer, CNN	准确性, 鲁棒性评估, 特征重用分析	NA
2648	2026-03-03	Learning soft tissue deformation from incremental simulations 2025-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.17554 PMID:39642013	研究论文	本研究提出了一种基于图神经网络的时空增量建模方法，用于加速面部软组织生物力学模拟	首次将时空信息整合到增量模拟中，通过图神经网络结合空间特征与时间聚合，显著提高了模拟精度并减少了计算时间	研究仅基于17名接受正颌手术的受试者数据，样本量较小，可能限制模型的泛化能力	开发高效的生物力学模拟方法，以加速正颌手术规划中的面部软组织变形预测	面部软组织	机器学习	NA	有限元方法, 深度学习	图神经网络	模拟数据	17名接受正颌手术的受试者	NA	图神经网络	平均误差, 平均计算时间	NA
2649	2026-03-03	BPEN: Brain Posterior Evidential Network for trustworthy brain imaging analysis 2025-Mar, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106943 PMID:39657531	研究论文	本文提出了一种名为脑后验证据网络的新型模型，用于在脑功能磁共振成像数据分析中捕捉预测不确定性	引入了一种新颖的后验证据网络，专门设计用于捕获脑fMRI数据中的任意性和认知不确定性，填补了该领域在不确定性估计方面的研究空白	NA	开发一种可信赖的深度学习模型，用于脑功能磁共振成像数据分析，并准确估计预测不确定性	阿尔茨海默病神经影像倡议和ADNI-抑郁队列中的脑功能磁共振成像数据	数字病理学	阿尔茨海默病, 抑郁症	功能磁共振成像	后验证据网络	图像	NA	NA	BPEN	NA	NA
2650	2026-03-03	CryoSamba: Self-supervised deep volumetric denoising for cryo-electron tomography data 2025-Mar, Journal of structural biology IF:3.0Q3 DOI:10.1016/j.jsb.2024.108163 PMID:39710216	研究论文	本文介绍了一种名为CryoSamba的自监督深度学习模型，用于对冷冻电子断层扫描数据进行去噪处理	CryoSamba通过深度学习插值平均运动补偿的相邻平面来增强单层2D图像，无需预记录图像、合成数据、标签、噪声模型或配对体积，且比现有方法更少地抑制高频信息	NA	开发一种自监督深度学习模型，用于提升冷冻电子断层扫描图像的信噪比和对比度	冷冻电子断层扫描数据	计算机视觉	NA	冷冻电子断层扫描	深度学习模型	3D体积图像	NA	NA	NA	傅里叶壳层相关性分析	NA
2651	2026-03-03	Convolutional Neural Networks for the segmentation of hippocampal structures in postmortem MRI scans 2025-Mar, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110359 PMID:39755177	研究论文	本研究提出了一种基于深度学习的新型分割框架，用于在死后MRI扫描中自动分割海马体及其子区域	提出了一种结合自注意力机制和空洞空间金字塔池化的编码器-解码器块分割框架，以更好地识别海马体的四个子区域	训练数据样本量较小（仅15个扫描），可能影响模型的泛化能力	开发自动化方法以量化海马体结构在阿尔茨海默病中的萎缩变化	死后MRI扫描中的海马体及其子区域（齿状回、海马头、海马体、海马尾）	数字病理学	阿尔茨海默病	T1加权、T2加权和磁敏感加权MRI扫描	CNN	图像	15个死后MRI扫描	NA	UNet, Double UNet, Attention UNet, Multi-resolution UNet	NA	NA
2652	2026-03-03	DDEvENet: Evidence-based ensemble learning for uncertainty-aware brain parcellation using diffusion MRI 2025-Mar, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2024.102489 PMID:39787735	研究论文	本研究开发了一种基于深度学习和扩散MRI的证据集成神经网络DDEvENet，用于解剖学脑区分割	设计了基于证据的深度学习框架，可在单次推理中量化每个体素的预测不确定性，并提出了证据集成学习方法融合多参数扩散MRI信息	NA	开发用于脑区分割的不确定性感知深度学习模型	健康成人和多种脑疾病患者（精神分裂症、双相情感障碍、注意力缺陷多动障碍、帕金森病、脑小血管病、脑肿瘤神经外科患者）的扩散MRI数据	数字病理学	脑部疾病	扩散MRI	CNN	图像	来自多个成像源的大规模数据集，包括健康成人的高质量扩散MRI数据和多种脑疾病患者的临床扩散MRI数据	NA	包含五个并行子网络的集成架构	分割准确性	NA
2653	2026-03-03	Automatic medical imaging segmentation via self-supervising large-scale convolutional neural networks 2025-Mar, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110711 PMID:39798701	研究论文	本研究开发了一种用于医学图像分割的大规模自监督深度学习模型，旨在克服监督学习在临床环境中的局限性和数据变异性	提出了一种基于掩码图像建模和稀疏子流形卷积的自监督预训练方法，并设计了一系列可扩展的稀疏子流形U-Net模型，在减少对大量标注数据依赖的同时提升了模型泛化能力	研究主要基于CT、MRI和PET影像，未涵盖所有医学成像模态；模型参数量巨大（最高达14亿），对计算资源要求较高	开发鲁棒的医学图像自动分割方法，减少对标注数据的依赖并提升模型泛化性	CT、MRI和PET医学影像中的器官和病灶分割	数字病理学	癌症	掩码图像建模，稀疏子流形卷积	CNN	医学影像	多中心CT数据集及TotalSegmentator数据集，并在7个未见数据集上进行评估	NA	稀疏子流形U-Net	Dice相似系数，表面Dice系数	NA
2654	2026-03-03	NNFit: A Self-Supervised Deep Learning Method for Accelerated Quantification of High-Resolution Short-Echo-Time MR Spectroscopy Datasets 2025-03, Radiology. Artificial intelligence DOI:10.1148/ryai.230579 PMID:39812584	研究论文	本文提出并评估了一种名为NNFit的自监督深度学习方法，用于加速高分辨率短回波时间磁共振波谱数据集的量化	开发了一种自监督深度学习方法，旨在解决传统波谱量化方法在临床工作流程中的计算瓶颈，实现了更快的处理速度	本研究为回顾性研究，样本主要来自两项临床试验，可能限制了结果的普适性	开发并评估一种用于加速高分辨率短回波时间磁共振波谱数据集量化的深度学习方法，以改进临床工作流程	胶质母细胞瘤和重度抑郁症患者的全脑短回波时间EPSI/GRAPPA扫描数据	医学影像分析	胶质母细胞瘤, 重度抑郁症	短回波时间回波平面波谱成像，广义自动校准部分并行采集	深度学习	磁共振波谱数据	89次扫描（来自胶质母细胞瘤和重度抑郁症临床试验），训练集包含20名参与者的685,000个波谱，测试集包含12名参与者的260,000个波谱	NA	NA	结构相似性指数，线性相关系数，Dice系数，双尾t检验	NA
2655	2026-03-03	Physics-Informed Autoencoder for Prostate Tissue Microstructure Profiling with Hybrid Multidimensional MRI 2025-03, Radiology. Artificial intelligence DOI:10.1148/ryai.240167 PMID:39907585	研究论文	本文评估了物理信息自编码器（PIA）在利用混合多维MRI测量前列腺癌组织生物标志物方面的性能	提出了一种新兴的自监督深度学习模型PIA，将三室扩散弛豫模型与混合多维MRI结合，无需大量训练数据即可预测组织特异性生物标志物	研究为回顾性设计，样本量较小（21名患者），且仅针对前列腺癌进行评估	评估PIA模型在测量前列腺癌组织生物标志物中的准确性和计算效率	前列腺癌患者的MRI数据（21名患者，71个感兴趣区域）	数字病理学	前列腺癌	混合多维MRI，扩散加权成像	自编码器	MRI图像	21名患者（平均年龄60岁±6.6，全部男性），71个感兴趣区域	NA	堆叠自编码器	组内相关系数，皮尔逊相关系数	NA
2656	2026-03-03	Adaptable graph neural networks design to support generalizability for clinical event prediction 2025-Mar, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104794 PMID:39956347	研究论文	本文提出了一种可适应图卷积神经网络设计，用于临床事件预测，以提升模型在不同机构间的泛化能力	利用GCNN的独特属性，在模型训练后无需重新训练即可适应图边数据，支持多模态数据集成，有效应对机构间患者群体特征和医疗实践模式的差异	未明确提及具体局限性，但外部验证中数据缺失或不完整可能影响性能	解决临床事件预测模型在跨机构测试时面临的泛化挑战	电子健康记录数据，包括患者人口统计信息和账单代码	机器学习	NA	图卷积神经网络	GCNN	图数据，多模态数据	NA	NA	图卷积神经网络	AUROC	NA
2657	2026-03-03	Deep Learning-based Brain Age Prediction Using MRI to Identify Fetuses with Cerebral Ventriculomegaly 2025-03, Radiology. Artificial intelligence DOI:10.1148/ryai.240115 PMID:39969279	研究论文	本研究利用基于深度学习的胎儿大脑年龄预测模型，通过MRI识别患有脑室扩大及相关中枢神经系统异常的胎儿	首次将二维单通道卷积神经网络应用于胎儿MRI的脑年龄预测，以辅助识别脑室扩大及其严重程度和相关中枢神经系统异常	研究样本量有限（VM组317例，典型发育组183例），且仅使用单一模态（MRI）和单一模型架构	评估深度学习胎儿脑年龄预测模型在区分脑室扩大胎儿、判断严重程度及检测相关中枢神经系统异常方面的诊断性能	胎儿（包括脑室扩大胎儿和典型发育胎儿）	医学影像分析	胎儿脑室扩大及相关中枢神经系统异常	MRI	CNN	图像	脑室扩大胎儿317例，典型发育胎儿183例	NA	二维单通道卷积神经网络	预测年龄差异，绝对预测年龄差异	NA
2658	2026-03-03	Self-Supervised Learning for Feature Extraction from Glomerular Images and Disease Classification with Minimal Annotations 2025-03-01, Journal of the American Society of Nephrology : JASN IF:10.3Q1 DOI:10.1681/ASN.0000000514 PMID:40029749	研究论文	本研究应用自监督学习方法DINO，从无标签的肾小球图像中提取特征，并用于疾病分类，以减少对大量标注数据的依赖	首次将自监督学习（DINO）应用于肾小球图像，在标注数据有限的情况下，实现了优于ImageNet预训练模型的疾病分类性能	研究仅使用了PAS染色的肾小球图像，未涵盖其他染色方法或更广泛的肾脏病理图像	探索自监督学习在数字肾脏病理学中的应用，以解决标注数据稀缺问题，提升疾病分类的准确性和鲁棒性	肾小球图像，具体来自384张PAS染色的肾脏活检切片	数字病理学	肾脏疾病	自监督学习（DINO），主成分分析（PCA）	自监督学习模型	图像	10,423张肾小球图像，来自384张PAS染色的肾脏活检切片	PyTorch	DINO	ROC-AUC	NA
2659	2025-03-05	Unveiling the Future: A Deep Learning Model for Accurate Detection of Adrenal Nodules 2025-Mar, Radiology IF:12.1Q1 DOI:10.1148/radiol.250387 PMID:40035670	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2660	2026-03-03	An explainable deep learning framework for biosensing data interpretation in biomedical engineering and real-time health diagnostics 2025, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2025.1688586 PMID:41767247	研究论文	提出一个可解释的深度学习框架，用于将复杂的生物信号动态转化为可解释的健康评估	结合了时间图推理与概率建模的PhysioGraph Inference Network (PGIN)，以及基于不确定性和信号熵自适应调整诊断粒度的Adaptive Health State Inference Mechanism (AHSIM)	NA	开发一个可解释的深度学习框架，用于生物医学工程和实时健康诊断中的生物传感数据解释	生物传感数据	生物医学工程	NA	NA	深度学习	生物信号	四个生物传感数据集	NA	PhysioGraph Inference Network (PGIN), Adaptive Health State Inference Mechanism (AHSIM)	诊断准确率, AUC	NA