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
3081	2026-08-26	Interactive segmentation of medical images using deep learning 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1cf8 PMID:38198729	研究论文	本文提出了一种基于深度学习的交互式医学图像分割方法，通过早期和晚期融合策略及解耦头结构提升分割性能，减少标注成本	提出早期融合和晚期融合策略以防止交互信息过早稀释，并设计解耦头结构结合边界损失函数来增强网络对边界信息的关注	本文未明确提及局限性	降低医学图像分割的标注成本，提高交互式分割的性能	医学图像，包括CT、MRI等影像数据	计算机视觉	不适用	深度学习，交互式分割	卷积神经网络（CNN）	图像	三个医学数据集：Chaos、VerSe和Uterine Myoma MRI	未明确提及	解耦头结构，早期融合和晚期融合的网络	NoC@80（IoU阈值为80%时的交互点击次数），IoU	未明确提及
3082	2026-08-26	High-resolution MRI synthesis using a data-driven framework with denoising diffusion probabilistic modeling 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad209c PMID:38241726	研究论文	本研究提出了一种基于去噪扩散概率模型的数据驱动框架，用于从低分辨率MRI生成高分辨率图像，并在前列腺和脑肿瘤数据集上进行了验证。	首次将去噪扩散概率模型（DDPM）应用于MRI超分辨率任务，利用马尔可夫链前向过程和U-Net反向去噪，显著提高了图像质量，优于传统方法和CGAN。	研究仅基于回顾性数据，未进行前瞻性临床测试；未来需在不同临床适应症中验证框架的有效性。	开发一种深度学习的扩散概率框架，以提高MRI图像分辨率，从而减少扫描时间并改善临床工作流程。	T2加权MRI图像，包括机构前列腺患者图像和BraTS2020脑肿瘤患者图像。	计算机视觉	前列腺癌, 脑肿瘤	MRI成像	扩散概率模型（DDPM）, U-Net	图像	机构前列腺患者和脑肿瘤分割挑战赛2020（BraTS2020）的脑患者数据集，具体样本数量未指定。	未指定	U-Net	噪声质量度量（BLUR？），信噪比（SNR），峰值信噪比（PSNR），多尺度结构相似性指数（MS-SSIM）	未指定
3083	2026-08-26	High-precision retinal blood vessel segmentation based on a multi-stage and dual-channel deep learning network 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1cf6 PMID:38198716	研究论文	提出一种多阶段双通道深度学习网络MSDC_NET，用于高精度分割眼底图像中的视网膜血管，特别是低对比度的微血管。	首次结合自适应图像增强策略与双通道多尺度感知模型，并通过后处理操作进一步提取微血管，显著提升低对比度薄血管的分割性能。	未提及具体局限性。	提高眼底图像中低对比度薄血管的分割精度，辅助眼科疾病的早期诊断。	视网膜血管，包括薄血管和微血管。	计算机视觉, 数字病理	眼部疾病（血管相关）	图像增强, 深度学习	CNN	眼底图像	三个公开数据集：DRIVE, STARE, CHASE_DB1（未提供具体样本数）	NA	多阶段双通道网络（MSDC_NET）	特异性, F-score	NA
3084	2026-08-26	Interactive content-based image retrieval with deep learning for CT abdominal organ recognition 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1f86 PMID:38232396	研究论文	本研究提出了一种基于深度学习的交互式内容图像检索系统，用于腹部CT图像中七个器官的识别，并评估了不同架构的性能。	结合了预训练深度学习特征提取与CBIR系统，用于腹部CT器官自动识别，并比较了DenseNet、ViT和SwinViT架构的性能。	未在论文标题和摘要中明确提及局限性。	提出并评估一种基于深度学习的CBIR系统，用于自动化识别腹部CT切片中的七个关键器官，并提供临床相似性证据。	腹部CT切片中的七个器官：肝脏、胃、胰腺、脾脏、右肾、左肾和胆囊。	计算机视觉	NA	CT成像	DenseNet, ViT, SwinViT	图像	2827张腹部CT切片，包括638张肝脏、450张胃、229张胰腺、442张脾脏、362张右肾、424张左肾和282张胆囊组织。	NA	DenseNet, Vision Transformer (ViT), Swin Transformer v2 (SwinViT)	准确率, 检索结果	NA
3085	2026-08-26	A cascade transformer-based model for 3D dose distribution prediction in head and neck cancer radiotherapy 2024-02-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad209a PMID:38241717	研究论文	提出了一种基于级联Transformer的模型，用于头颈癌放疗中的三维剂量分布预测	创新的级联模型结合了Transformer编码器和多尺度卷积解码器，用于OARs分割和剂量预测，并在端到端联合训练中表现出优势	未明确提及，但使用内部数据集和公共数据集，可能缺乏多中心外部验证	提高头颈癌放疗中剂量分布预测的准确性和效率，减少人工规划的时间和主观性	头颈癌患者的CT影像和相应的剂量分布	计算机视觉, 数字病理学	头颈癌	NA	Transformer, 卷积神经网络（CNN）	图像	96例内部头颈癌患者和340例公共OpenKBP数据集患者	NA	Transformer, U-Net, 金字塔架构	Dice系数, HD95, 剂量分数, 剂量-体积直方图分数	NA
3086	2026-08-26	LVONet: automatic classification model for large vessel occlusion based on the difference information between left and right hemispheres 2024-01-30, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1d6a PMID:38211308	研究论文	提出一种基于左右半球差异信息的大血管闭塞自动分类模型LVONet	引入双分支注意力模块学习长程依赖，设计差异信息分类模块动态融合半球间血管特征差异，并提出协同学习损失函数优化类内变化和类间相似性	未在摘要中明确说明局限性	实现颅内大血管闭塞的自动准确分类，以辅助临床评估血管闭塞状况	颅内大血管闭塞（LVO）患者数据	计算机视觉	卒中	NA	深度学习分类模型	图像	颅内LVO数据集（具体数量未在摘要中提及）	NA	LVONet（包含双分支注意力模块和差异信息分类模块）	敏感性, 精确率, 准确率, Macro-F1分数	NA
3087	2026-08-26	Ultrafast diffusion tensor imaging based on deep learning and multi-slice information sharing 2024-01-30, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1d6d PMID:38211309	研究论文	提出一种基于深度学习和多切片信息共享的超快速扩散张量成像方法，仅需每层三个扩散方向即可实现高质量DTI重建。	提出一种仅需每层三个扩散方向的新型DTI扫描方案，并利用多切片信息共享和相应加权图像的深度学习重建方法，实现快速、高质量的DTI。	未在摘要中明确提及局限性。	通过减少扩散加权图像数量而不牺牲重建质量，缩短DTI扫描时间，促进临床应用。	组织微结构成像中的扩散张量成像数据。	深度学习	NA	扩散张量成像（DTI）	U-Net	扩散加权图像	人类连接组计划公开数据和临床患者数据	NA	U-Net	重建质量评估指标（具体未提及）	NA
3088	2026-08-26	Clinical assessment of deep learning-based uncertainty maps in lung cancer segmentation 2024-01-24, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1a26 PMID:38171012	研究论文	本研究开发了一种基于深度学习的3D概率系统，用于生成肺癌CT分割中的不确定性图，并通过临床验证评估其价值。	首次尝试临床验证深度学习轮廓绘制中的不确定性估计，并提出了两个新指标（平均不确定性和相对不确定性体积）供临床医生评估分割质量。	模型存在过度自信问题，且临床验证仅有一位放射肿瘤科医生参与。	提高深度学习自动轮廓绘制系统在肿瘤体积分割中的可靠性，并通过不确定性图助临床医生判断分割质量。	肺癌CT图像中的肿瘤体积和危及器官的分割。	医学影像分析	肺癌	CT成像	3D概率神经网络	CT图像	未明确说明样本数量，但涉及肺癌CT分割数据。	NA	MC dropout技术（蒙特卡洛丢弃）	可靠性图、AUC、平均不确定性、相对不确定性体积	NA
3089	2026-08-26	Determination of output factor for CyberKnife using scintillation dosimetry and deep learning 2024-01-22, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad1b69 PMID:38181420	研究论文	本研究展示了使用塑料闪烁体和商用相机结合深度学习测量CyberKnife系统输出因子的新方法。	首次将塑料闪烁体成像与卷积神经网络结合，用于小野剂量测量，实现了快速、便捷的输出因子测量。	经典图像处理方法未能满足伽马准则，且CNN训练依赖模拟数据，需进一步验证。	开发一种快速、方便的CyberKnife小野剂量测量方法，用于输出因子测定和质量保证。	CyberKnife放射外科系统中的输出因子和剂量参数。	计算机视觉	NA	闪烁剂量测定	卷积神经网络（CNN）	图像	未明确样本数量，但涉及多个剂量点和准直器尺寸。	NA	卷积神经网络	伽马准则、准确率、平均差异	未明确提及具体GPU等资源。
3090	2026-08-26	Deep learning for identifying bee species from images of wings and pinned specimens 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303383 PMID:38805521	研究论文	本研究评估了深度学习分类模型在具有挑战性的蜂类物种（如小型的汗蜂属和Bombus vagans复合体）上的表现，并比较了基于完整针插标本图像和翅膀图像训练的模型	首次将深度学习应用于小型且难以鉴定的蜂类物种，并通过比较针插标本和翅膀图像来评估模型性能，填补了众包数据集中这些物种代表性不足的空白	研究仅基于研究收藏中的标本图像，未涉及野外或众包图像，且物种数量有限（分别为20种和18种），可能限制模型的泛化能力	评估深度学习分类模型在识别具有挑战性的小型蜂类物种上的有效性，并探索其用于大规模保护监测的潜力	蜂类标本图像，包括20种（6属）的针插标本和18种（4属）的翅膀图像	计算机视觉, 数字病理学	NA	图像分类	卷积神经网络	图像	针插标本图像对应20种，翅膀图像对应18种，具体样本数未说明	PyTorch	EfficientNetV2L	平均测试精确率	NA
3091	2026-08-26	GELT: A graph embeddings based lite-transformer for knowledge tracing 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301714 PMID:38713679	研究论文	提出了一种基于图嵌入的轻量级Transformer模型GELT，用于知识追踪任务，以捕捉技能与问题之间的关系并高效预测知识状态。	结合图神经网络和轻量级Transformer，引入节能注意力机制，在保持高预测精度的同时显著降低计算成本。	摘要未提及明确的局限性。	提高知识追踪的预测准确性并增强模型可解释性，同时降低计算开销。	学生知识状态、技能与问题之间的关系。	机器学习、自然语言处理	NA	NA	Transformer	文本（学习活动数据）	三个公开真实世界数据集	未指定	Graph Embeddings based Lite-Transformer（基于图嵌入的轻量级Transformer）	预测准确性	未指定
3092	2026-08-26	Graph Convolutional Capsule Regression (GCCR): A Model for Accelerated Filtering of Novel Potential Candidates for SARS-CoV-2 based on Binding Affinity 2024, Current computer-aided drug design IF:1.5Q3 DOI:10.2174/1573409919666230331083953 PMID:37005531	研究论文	提出了一种基于图卷积胶囊回归（GCCR）的深度学习模型，用于预测蛋白质-配体复合物的结合能，以加速SARS-CoV-2潜在候选药物的筛选。	将胶囊神经网络（CapsNet）与图卷积网络（GCN）相结合，提出GCCR模型，用于预测蛋白-配体结合能，并在筛选过程中优于传统机器学习模型和其他图神经网络。	摘要中未提及明确的局限性。	构建基于深度学习的模型，通过预测蛋白-配体复合物的结合能，加速SARS-CoV-2潜在候选药物的筛选过程。	SARS-CoV-2相关的蛋白-配体复合物，包括瑞德西韦等药物衍生物。	机器学习	COVID-19	分子动力学（MD）模拟、MM/GBSA分析	胶囊神经网络（CapsNet）、图卷积网络（GCN）	分子图结构数据	未明确说明，训练中使用了Davis数据集。	NA	GCCR（结合CapsNet和GCN）	RMSE、一致性指数（CI）	NA
3093	2026-08-26	Development of a deep learning-based surveillance system for forest fire detection and monitoring using UAV 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299058 PMID:38470887	研究论文	本研究开发了一种基于深度学习的无人机森林火灾检测与监控系统，利用YOLOv8和YOLOv5进行目标检测，并使用CNN-RCNN网络进行图像分类。	将深度学习算法部署在嵌入式AI计算机（NVIDIA Jetson Nano）上，实现无人机实时森林火灾检测，并开发了地面站接口以提供火灾图像和坐标信息。	未提及。	开发一种用于早期森林火灾检测和监控的无人机 surveillance 系统，实现实时检测和干预。	森林火灾图像，由无人机摄像头捕获。	计算机视觉	不适用	不适用	CNN, RCNN, YOLO	图像	未提及具体样本数量。	PyTorch	YOLOv8, YOLOv5, CNN-RCNN	准确率	NVIDIA Jetson Nano
3094	2026-08-25	Using Deep Learning to Choose Optimal Smoothing Values for Equating 2026-May, Applied psychological measurement IF:1.0Q3 DOI:10.1177/01466216251363244 PMID:40881830	研究论文	本研究利用深度学习（卷积神经网络）自动选择考试等值中的最优平滑值，以替代人工选择过程	首次将卷积神经网络应用于等值后平滑图的选择，实现自动化决策，并与人工判断一致性高达71%	未提及具体局限性，如数据规模、模型泛化能力或不同等值场景的适用性	探索深度学习在自动化选择考试等值最优平滑值中的可行性	考试等值中的后平滑图及其对应的平滑值	机器学习	NA	NA	卷积神经网络（CNN）	图像（后平滑图）	未明确样本数量，使用实证测试数据	NA	卷积神经网络（具体架构未提及）	一致性率（71%）	NA
3095	2026-08-25	Accurate and Rapid Ranking of Protein-Ligand Binding Affinities Using Density Matrix Fragmentation and Physics-Informed Machine Learning Dispersion Potentials 2025-10-06, Chemphyschem : a European journal of chemical physics and physical chemistry IF:2.3Q2 DOI:10.1002/cphc.202500094 PMID:40758915	研究论文	本文介绍了一种基于密度矩阵片段化和物理信息机器学习色散势的方法，用于快速准确地排序蛋白质-配体结合亲和力	结合GMBE-DM量子片段化方法和物理信息机器学习色散势D3-ML，实现高精度快速排名，优于深度学习模型	未提及方法的局限性	开发高效蛋白质-配体结合亲和力排名方法，用于快速药物筛选和先导化合物优先排序	CDK2和JAK1蛋白质配体复合物，共28个配体	计算机辅助药物设计	癌症（涉及细胞周期蛋白依赖性激酶和Janus激酶）	NA	机器学习（D3-ML）和深度学习（Sfcnn）	蛋白质-配体复合物结构数据	28个配体	NA	NA	相关系数R	未提及具体GPU类型，但提到无需大量并行化，每个复合物耗时<5分钟
3096	2026-08-25	Cross-institutional validation of a polar map-free 3D deep learning model for obstructive coronary artery disease prediction using myocardial perfusion imaging: insights into generalizability and bias 2025-09, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07243-w PMID:40198356	研究论文	本研究通过两个医疗中心的数据验证了一个无极坐标图的3D深度学习模型在心肌灌注成像中预测阻塞性冠状动脉疾病的表现，并评估其泛化性和潜在偏差。	首次跨机构验证了无极坐标图的3D深度学习模型在MPI预测阻塞性CAD中的泛化性和偏差，并发现其性能优于应力总灌注缺损。	模型在外部队列中表现显著降低，且在不同应激类型和年龄组存在偏差。	评估一个内部开发的基于MPI的深度学习模型在不同医院队列中的泛化能力和潜在偏差。	来自台湾两个医疗中心的患者，接受了应激/再分布铊-201 MPI并在90天内进行侵入性冠状动脉造影。	医学影像分析	阻塞性冠状动脉疾病	心肌灌注成像（MPI）	3D深度学习模型	医学图像（MPI图像）	训练集928个图像，内部验证集933个图像，外部验证集3234个图像	NA	3D卷积神经网络（推测）	AUC	NA
3097	2026-08-25	Diagnostic performance of deep learning-assisted [18F]FDG PET imaging for Alzheimer's disease: a systematic review and meta-analysis 2025-08, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07228-9 PMID:40159544	系统综述和荟萃分析	本研究系统评估深度学习辅助的[18F]FDG PET成像在阿尔茨海默病诊断中的性能	首次对深度学习辅助的[18F]FDG PET成像在阿尔茨海默病诊断中的性能进行系统综述和荟萃分析	研究间存在较大异质性，部分归因于深度学习方法和成像模态的差异	计算深度学习辅助的[18F]FDG PET成像在阿尔茨海默病诊断中的诊断性能	阿尔茨海默病、轻度认知障碍和正常对照受试者	医学影像分析	阿尔茨海默病	PET成像	深度学习模型	图像	36项研究	NA	NA	AUC	NA
3098	2026-08-25	Hypermetabolic pulmonary lesions detection and diagnosis based on PET/CT imaging and deep learning models 2025-08, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07215-0 PMID:40183951	研究论文	本研究旨在开发和评估基于PET/CT影像和深度学习模型的肺高代谢病变检测与分类方法，将病变分为良性、肺癌、肺淋巴瘤和转移四类。	采用多维度联合网络，结合图像块和二维投影进行病变分类，并与放射组学模型进行比较，同时对外部测试集和新型影像设备数据进行了验证。	未提及。	开发并评估深度学习模型，用于高代谢肺病变的检测、分割和分类，以辅助临床决策和肺病诊断。	高代谢肺病变（包括良性、肺癌、肺淋巴瘤和转移）	医学影像分析	肺癌，肺淋巴瘤，转移性肺病	PET/CT成像	深度学习模型（具体未指明，但涉及定位和分类模型）	PET/CT图像	647例（男性409例，女性238例），来自5个中心，分为内部数据集（426例）、外部测试集I（151例）和外部测试集II（70例）	未指明	未指明（但涉及多维度联合网络）	检测率、准确性、曲线下面积（AUC）	未提及
3099	2026-08-25	Interpretable multimodal deep learning model for predicting post-surgical international society of urological pathology grade in primary prostate cancer 2025-08, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07248-5 PMID:40183953	研究论文	开发了一种可解释的多模态深度学习融合模型，整合18F-PSMA-PET/CT影像特征和临床变量，用于预测原发性前列腺癌术后ISUP分级	首次将18F-PSMA-PET/CT影像组学特征与临床变量融合，并引入SHAP可解释性分析，开发了影像组学列线图以提高临床适用性	未提供	准确预测术后ISUP分级（≥4 vs <4），优化手术规划和个性化治疗策略	222名原发性前列腺癌患者（2020-2024年）	医学影像分析	前列腺癌	18F-PSMA-PET/CT成像	深度学习融合模型	影像图像和临床数据	222名患者	未提供	未提供	曲线下面积(AUC)	未提供
3100	2026-08-25	Iterative deep learning design of human enhancers exploits condensed sequence grammar to achieve cell-type specificity 2025-07-16, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2025.101302 PMID:40472848	研究论文	本文应用迭代深度学习设计具有细胞类型特异性的合成人类增强子，并实验验证其活性	首次将迭代深度学习策略用于增强子设计，通过多次实验-模型循环优化提高细胞类型特异性，并揭示了紧凑序列语法在特异性中的关键作用	研究仅针对两种人类细胞系，未在其他细胞类型或体内环境中验证通用性	设计能靶向特定细胞类型表达的合成增强子，解决合成生物学中基因表达精准调控的问题	人类合成增强子及其在两种人类细胞系中的活性	机器学习	NA	深度学习模型训练与迭代优化，增强子活性测量实验	深度学习模型（未具体指定类型，如CNN或DNN）	增强子活性数据和染色质可及性数据（序列数据）	两代合成增强子，数量未明确，包括实验验证的序列	NA	NA	特异性（预测和实验测量的差异活性）	NA