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
2841	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
2842	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
2843	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
2844	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
2845	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
2846	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
2847	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
2848	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
2849	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
2850	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
2851	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
2852	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
2853	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
2854	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
2855	2026-03-03	Lightweight deep learning for tomato disease detection: trends, challenges, and edge AI perspectives 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1737208 PMID:41768481	综述	本文综述了轻量级深度学习模型和边缘AI在番茄病害检测中的最新进展，并提出了一个结合AI诊断与微生物生物防治建议的独特框架	提出了一个结合AI驱动的诊断与微生物生物防治建议的独特框架，为以生态友好和区域特定方式管理病害提供解决方案	NA	评估轻量级深度学习模型和边缘AI在番茄病害检测中的应用潜力，以促进精准农业的实践部署	番茄作物及其叶面和虫媒病害	计算机视觉	番茄病害	深度学习	CNN, Transformer	图像	NA	NA	MobileNetV2, EfficientNetB0	准确率, 宏F1分数	NA
2856	2026-03-03	Deep learning-based methods for phenotypic trait extraction in rice panicles 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1730366 PMID:41768482	研究论文	本研究开发了一种基于深度学习的自动化流水线，用于从水稻穗图像中提取关键表型性状，如穗长、粒数和粒尺寸	提出了一种集成了目标检测、分割和计数任务的深度学习流水线，专门针对水稻穗的遮挡挑战，并将先进模型与育种应用相结合	NA	开发高精度、高通量的自动化工具，以支持水稻育种中的表型性状测量	水稻穗	计算机视觉	NA	深度学习	YOLOv8	图像	5300张水稻穗图像（3290张训练，940张验证，470张测试）	NA	OPG-YOLOv8	R², RMSE, MAPE	NA
2857	2026-03-03	LungHist700: A dataset of histological images for deep learning in pulmonary pathology 2024-10-05, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03944-3 PMID:39368979	研究论文	本文介绍了一个名为LungHist700的高分辨率肺部组织学图像数据集，用于支持深度学习在肺病理学中的应用	提出了一个包含691张高分辨率肺部组织学图像的数据集，覆盖腺癌、鳞状细胞癌和正常组织，并细分为三个分化等级，为深度学习模型提供了丰富的分类任务	数据集仅包含45名患者的图像，样本规模相对较小，可能限制了模型的泛化能力	旨在通过提供高质量数据集，促进深度学习在肺部恶性肿瘤检测和分类中的应用	肺部组织学图像，包括腺癌、鳞状细胞癌和正常组织	数字病理学	肺癌	组织病理学成像	深度神经网络, 多实例学习	图像	691张高分辨率图像，来自45名患者	NA	NA	准确率	NA
2858	2026-03-03	A multicenter dataset for lymph node clinical target volume delineation of nasopharyngeal carcinoma 2024-10-04, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03890-0 PMID:39366975	研究论文	本研究构建了一个用于鼻咽癌淋巴结临床靶区勾画的多中心数据集，以支持深度学习模型的开发与评估	创建了首个用于自动淋巴结临床靶区勾画开发与评估的多中心数据集，整合了来自四个中心的262名患者数据，并基于专家共识提供了手动勾画的真实标签	数据集规模相对有限（262名患者），且依赖于专家手动勾画，可能存在主观差异	开发深度学习模型以准确预测鼻咽癌放疗中的淋巴结临床靶区	鼻咽癌患者的淋巴结临床靶区	数字病理学	鼻咽癌	计算机断层扫描	深度学习分割模型	医学图像	262名患者，包含440张计算机断层扫描图像	NA	NA	NA	NA
2859	2026-03-03	High-resolution AI image dataset for diagnosing oral submucous fibrosis and squamous cell carcinoma 2024-09-27, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03836-6 PMID:39333529	研究论文	本文介绍了ORCHID数据库，一个用于口腔癌和癌前病变AI分析的高分辨率图像数据集	创建了一个专门针对口腔黏膜下纤维化和鳞状细胞癌的多中心高分辨率图像数据库，并包含分级亚类	NA	推动基于AI的口腔癌组织学图像分析研究，开发快速诊断工具	口腔癌和癌前病变的组织学图像，特别是口腔黏膜下纤维化（OSMF）和口腔鳞状细胞癌（OSCC）	数字病理学	口腔癌	组织病理学成像	深度学习算法	图像	NA	NA	NA	NA	NA
2860	2026-03-03	Deepdive: Leveraging Pre-trained Deep Learning for Deep-Sea ROV Biota Identification in the Great Barrier Reef 2024-09-03, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03766-3 PMID:39227607	研究论文	本文通过构建一个包含3994张图像、33个类别的深海生物数据集，并利用预训练的深度学习模型进行图像分类，以支持大堡礁深海生态系统的自动生物识别	贡献了一个新的深海ROV图像分类数据集，并首次在该数据集上应用了Inception-ResNet等深度学习模型进行基准测试，展示了模型在类别不平衡情况下的性能	数据集存在类别不平衡问题，且模型的平均分类准确率仅为65%，可能受限于样本数量和类别多样性	开发自动化的深海生物分类方法，以支持海洋生态系统保护和生物多样性评估	深海生物（通过ROV采集的图像数据）	计算机视觉	NA	远程操作车辆（ROV）成像	CNN	图像	3994张图像，涵盖33个类别	NA	ResNet, DenseNet, Inception, Inception-ResNet	准确率, AUC	NA