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
3601	2026-08-20	CNN-Powered Dual-Path Network with Adaptive Attention for Red Blood Cell Classification 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01759-1 PMID:41329245	研究论文	提出了一种基于CNN的双路径网络架构，结合自适应注意力机制用于红细胞形态分类，以提高血液疾病诊断的准确性	创新性地将EfficientNetB3和DenseNet201作为双骨干网络，并结合卷积块注意力机制（CBAM）以增强细微特征的提取能力	未在摘要中提及明显的局限性	开发一种深度学习模型，以准确分类红细胞形态亚型，辅助临床血液疾病诊断	红细胞的形态学亚型	计算机视觉，数字病理学	血液疾病	深度学习	卷积神经网络（CNN）	图像	未在摘要中明确说明	未在摘要中明确说明	EfficientNetB3, DenseNet201, CBAM	精度	未在摘要中明确说明
3602	2026-08-20	Comparative Performance Evaluation of Federated and Centralized Learning for Velum and OTE Segmentation in Sleep Endoscopy Images 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01756-4 PMID:41331654	研究论文	本研究系统比较了集中式学习与联邦学习在睡眠内窥镜图像中软腭和OTE（口咽、舌根、会厌）分割的性能	首次系统性地比较了集中式学习和联邦学习在药物诱导睡眠内窥镜图像中上气道结构分割的性能，并强调了联邦学习在数据异构性下的挑战	两种模型在模糊边界和解剖变异（特别是舌根区域）上表现不佳，且联邦学习性能低于集中式学习，需要高级优化算法和数据异构性处理方法	评估集中式学习和联邦学习在睡眠内窥镜图像中软腭和OTE分割的性能，为开发更稳健的深度学习模型提供基础见解	多机构药物诱导睡眠内窥镜视频数据中的上气道结构（软腭和OTE区域）	深度学习	阻塞性睡眠呼吸暂停	药物诱导睡眠内窥镜检查	卷积神经网络	图像	多机构视频数据（具体样本量未提供）	NA	卷积神经网络	精确率、召回率、准确率、Dice相似系数	NA
3603	2026-08-20	Beyond Accuracy: A MultiDimensional Framework for Evaluating Medical Image Classification Through Win vs. Lose Model Comparisons 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01754-6 PMID:41331656	研究论文	本研究通过系统的架构配置评估和跨架构可解释性框架，探讨了预训练模型在皮肤病变分类中的泛化限制，并提出了新的评估方法。	引入一种跨架构可解释性框架，通过比较“赢”与“输”模型的Grad-CAM热图，并结合分形维数、熵和对称性等定量感知指标，提供更客观的模型可解释性度量。	研究仅基于DermaMNIST数据集，可能无法全面代表医学图像分类任务；未提供具体计算资源细节。	评估现成深度学习模型在医学图像分类中的局限性，并引入一种超越准确率的多维度评估框架，以理解性能与可解释性之间的权衡。	皮肤病变分类任务，使用DermaMNIST数据集，评估35种架构配置。	计算机视觉, 数字病理学	皮肤病变	NA	CNN	图像	35种架构配置（未提供具体样本数）	NA	RevNet, ResNet, 其他	准确率, p值, 分形维数, 熵, 对称性	NA
3604	2026-08-20	Improving Chronological Age Estimation in Children Using the Demirjian Method Enhanced with Transformer and Regression Models 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01769-z PMID:41429946	研究论文	提出了一种两阶段方法，利用全景牙科图像和基于深度学习的特征提取，结合Demirjian分期和回归模型，提高儿童年龄估计的准确性	结合Demirjian分期与深度学习特征提取，并利用Transformer（Swin V2 Base）和多种回归模型，实现自动化年龄估计，减少观察者变异	未来需探索数据集扩展、多模态整合和模型架构优化	提高儿童年龄估计的准确性和可靠性，用于临床和法医牙科年龄评估	626张全景牙科X光片，来自6.0至13.8岁儿童（320男，306女，平均年龄9.88岁）	数字病理学	NA	全景牙科X光成像	CNN、Transformer、回归模型	图像	626张全景牙科X光片，来自320名男性和306名女性儿童	NA	ResNet-18、EfficientNetV2-M、Swin V2 Base、LightGBM、RandomForest、ExtraTrees、GradientBoosting、XGBoost、KNN、SVR、MLP、高斯过程回归	RMSE、MAE、成对t检验、SHAP分析	NA
3605	2026-03-27	Fundus tessellation density as a quantitative marker of myopia progression: a five-year longitudinal deep learning study 2026-Aug, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie DOI:10.1007/s00417-026-07200-9 PMID:41886079	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3606	2026-08-20	Two-Stage Deep Learning Networks for Diagnosing and Staging Membranous Glomerulonephritis From Electron Microscopy Images 2026-Aug, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2026.106141 PMID:42217547	研究论文	开发了一种基于视觉变换器的两阶段深度学习模型，用于从透射电子显微镜图像中检测和分期膜性肾小球肾炎	结合两阶段架构和视觉变换器，独立于疾病分期检测膜区域，然后按MN分期分类，并通过多数投票确定图像级分类，提高了准确性和临床可解释性	未提及具体的局限性信息	利用透射电子显微镜图像开发AI模型，以检测和分期膜性肾小球肾炎，提高诊断的准确性和鲁棒性	膜性肾小球肾炎患者的透射电子显微镜图像	计算机视觉	膜性肾小球肾炎	透射电子显微镜	视觉变换器	图像	包含综合数据集和独立外部数据集，具体数量未提供	未提及	视觉变换器	准确率、敏感性、特异性	未提及
3607	2026-08-20	Artificial intelligence in pediatric myopia - a narrative review 2026-Aug, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie DOI:10.1007/s00417-026-07193-5 PMID:41879981	综述	本文综述了人工智能在儿童近视评估、预测、管理和治疗中的应用潜力	总结人工智能在儿童近视管理中的新兴趋势和未来方向，强调个性化干预和主动管理策略	未提及具体局限性	总结关于儿童近视与人工智能的现有文献，突出未来管理策略	儿童近视患者	机器学习	儿童近视	NA	机器学习、深度学习	NA	NA	NA	NA	NA	NA
3608	2026-08-20	Deep Learning-Based Positive Region Segmentation and Spatial Registration of Virtual Multiplex Immunohistochemical Whole-Slide Images 2026-Aug, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2026.106139 PMID:42191021	研究论文	本研究建立了一个基于深度学习的分析框架，用于精确识别和空间重建多重免疫组化图像中的阳性区域，以促进虚拟多重染色技术。	将金字塔多尺度机制集成到U-Net架构中，结合SuperPoint特征提取、SuperGlue匹配和随机采样一致性算法实现高精度配准，并引入DINO-ViTS16-WSI算法将阳性区域映射到HE图像上进行空间重建。	未明确提及，但可能涉及数据集的局限性或模型对不同染色的通用性。	开发深度学习框架以精确分割、配准和空间重建多个免疫组化标记，支持肿瘤微环境分析和个性化治疗。	免疫组化图像中的阳性区域，包括Ki-67、TUNEL、TNF-α和ICAM-1标记。	数字病理学	肿瘤	免疫组化染色	U-Net	图像	22张HE切片、86张连续单标记IHC切片和80个小鼠肿瘤、50张Ki-67图像和100张Senaras2018DeepFocus图像	PyTorch	Pyramid U-Net, SuperPoint, SuperGlue, DINO-ViTS16-WSI	平均交并比、准确率、Dice相似系数	GPU
3609	2026-08-20	[The digital patient journey : Performing radiological examinations] 2026-Aug, Radiologie (Heidelberg, Germany) DOI:10.1007/s00117-026-01633-3 PMID:42360419	综述	总结并分析数字技术和人工智能在放射学检查流程中的应用及其对工作流程、人员结构和患者护理的影响	系统性地概述了数字患者旅程在放射学检查中的多个数字化环节，包括自动规划、深度学习重建、实时质量控制和远程扫描	未提及具体的局限性和挑战，需进一步研究验证数字技术的有效性和可整合性	评估数字技术和人工智能在放射学检查过程中的应用及其对工作流程、人员结构和患者护理的影响	放射学检查流程中的数字系统及其应用，涉及自动规划、重建、质量控制等	医学影像	不适用	不适用	深度学习	不适用	不适用	不适用	不适用	不适用	不适用
3610	2026-08-20	Deep learning embedded latent class joint modelling of time-to-event and longitudinal data 2026-Aug, Statistical methods in medical research IF:1.6Q1 DOI:10.1177/09622802261465334 PMID:42429452	研究论文	本文提出了一种将神经网络嵌入潜在类别联合模型（NN-JLCM）的方法，用于处理纵向数据和事件发生时间数据的联合建模，以提高预测精度和类别分离度。	将神经网络应用于联合潜在类别模型的类别成员子模型中的混合比例建模，替代传统的多项逻辑回归，以捕捉非线性关系。	文中未明确讨论局限性，但可能包括计算复杂度增加、模型解释性降低以及对大量数据的需求。	扩展联合潜在类别模型，通过神经网络建模混合比例，提高预测精度和类别分离，同时保持整体模型拟合的竞争力。	模拟数据和真实数据，具体类型未在摘要中详细说明。	机器学习	NA	NA	神经网络（NN），基于期望最大化算法	纵向数据和事件发生时间数据	未在摘要中提供具体样本量	NA	神经网络（NN）	预测精度，类别分离度，模型拟合指标	NA
3611	2026-08-20	DECTGoutSys: Reducing False Positive Gout Diagnoses via a Machine Vision Pipeline for Crystal Tophi Identification+Classification in Dual-Energy Computed Tomography (DECT) 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01703-3 PMID:41057720	研究论文	提出了首个自动化系统，用于从双能CT图像中定位尿酸钠晶体沉积物并将其分类为痛风石或伪影，以减少痛风误诊。	首次提出全自动流程，结合计算机视觉和深度学习模型，按大小分类处理感兴趣区域，并利用机器学习进行患者级别分类，显著提高特异性。	未在更大规模的独立数据集上进行外部验证，且依赖DECT图像质量。	降低痛风诊断的假阳性率，提高双能CT诊断痛风的特异性，同时保持合理的灵敏度。	47名痛风患者和27名对照患者的双能CT扫描图像。	计算机视觉, 数字病理学	痛风	双能CT成像	深度学习模型（CNN），机器学习分类器	图像（DECT扫描帧）	74例患者（47例痛风，27例对照）	NA	三种微调的深度学习模型（具体架构未提及）	准确率、敏感性、特异性、ROC AUC	NA
3612	2026-08-20	Enhanced Detection of Pulmonary Edema in Chest X-rays Using Deep Learning Ensembles with Attention Mechanism 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01710-4 PMID:41057721	研究论文	该文章提出了一种基于深度学习的自动诊断肺水肿的方法，利用胸部X射线图像和NIH胸部X射线数据集进行分类。	结合注意力机制和数据增强策略的CNN集成模型，并利用注意力图提高模型可解释性。	未明确提及局限性，但可能受限于数据集多样性和外部验证。	实现肺水肿的自动、准确和快速诊断，以减少诊断主观性和治疗延迟。	胸部X射线图像中的肺水肿检测。	计算机视觉, 数字病理学	肺水肿（肺部疾病）	NA	CNN（卷积神经网络）	图像（胸部X射线）	NIH Chest X-ray数据集（未指定具体样本数）	NA	CNN（带有注意力机制）	准确率, F1分数, 验证损失	NA
3613	2026-08-20	Diagnosis of Pulmonary Hypertension by Integrating Multimodal Data with a Hybrid Graph Convolutional and Transformer Network 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01705-1 PMID:41062735	研究论文	开发并验证了一种基于深度学习的诊断模型，结合图卷积网络、卷积神经网络和Transformer，整合多模态数据进行肺动脉高压（PH）的三分类诊断	首次将图卷积网络、卷积神经网络和Transformer三种模型相结合用于PH的三分类诊断，并整合影像学与临床参数等多模态数据	研究为单中心回顾性设计，样本量较小，且测试集仅占10%，可能影响模型的泛化能力	开发并验证用于区分非PH、毛细血管前性和毛细血管后性PH的深度学习诊断模型，以支持准确的临床决策	来自南京医科大学第一附属医院的204名患者，包括112例毛细血管前性PH、32例毛细血管后性PH和60例非PH对照	医学影像分析	肺动脉高压	NA	图卷积网络、卷积神经网络、Transformer	图像（电影短轴和四腔心序列）和临床参数	204名患者（训练集186例，测试集18例）	NA	GCN、CNN、Transformer	AUC、准确率	NA
3614	2026-08-20	Improved Visualization of Pancreatic Cystic Lesions on Magnetic Resonance Cholangiopancreatography Using Super-Resolution Deep Learning Reconstruction 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01708-y PMID:41068347	研究论文	本研究评估了超分辨率深度学习重建在磁共振胰胆管成像中增强胰腺囊性病变可视化的效果	首次将超分辨率深度学习重建技术应用于MRCP图像，以改善胰腺囊性病变的显示	未提及具体局限性	评估SR-DLR在MRCP中增强胰腺囊性病变可视化的效能	85例接受MRCP检查的患者，其中52例有胰腺囊性病变，33例无病变	医学影像	胰腺囊性病变	磁共振胰胆管成像	超分辨率深度学习重建	医学图像（MRCP）	85例患者	NA	NA	信噪比、对比噪声比、半高全宽、边缘上升距离、边缘上升斜率、图像锐度、噪声、伪影、整体图像质量	NA
3615	2026-08-20	Performance Evaluation of YOLO-Based Models for Automated Detection of Osteophytes and Ossification of the Posterior Longitudinal Ligament (OPLL) in Sagittal Cervical CT Images 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01709-x PMID:41083840	研究论文	本研究评估了基于YOLO的深度学习模型在颈椎矢状位CT图像中自动检测骨赘和后纵韧带骨化（OPLL）的性能	首次系统评估了YOLOv5、YOLOv7和YOLOv8三种模型在颈椎CT图像中自动检测骨赘和OPLL的性能，并验证了其作为术前规划和人工椎间盘置换（ADR）适应症评估工具的潜力	研究中检测性能（如精确率和召回率）并非完美，且骨赘的检测准确率显著优于OPLL，表明模型对不同类型的病变检测能力存在差异	评估YOLO-based深度学习模型在颈椎CT图像中自动检测骨赘和OPLL的性能，以支持术前规划和ADR适应症评估	颈椎矢状位CT图像中的骨赘和OPLL病变	计算机视觉	颈椎退行性疾病	CT成像	YOLO（包括YOLOv5、YOLOv7和YOLOv8）	图像（CT图像）	2691张颈椎矢状位CT图像	未提及	YOLOv5, YOLOv7, YOLOv8	精确率、召回率、平均精度均值（mAP@50和mAP@50-95）	未提及
3616	2026-08-20	Ultrasound-Based Tomographic Imaging Reconstruction and Synthesis Methods: a Scoping Review 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01674-5 PMID:41085928	综述	对基于超声的断层成像重建与合成方法进行范围综述，分析当前技术进展、应用领域和挑战。	系统性地梳理了超声断层成像领域的研究现状，涵盖多种成像模态和算法，并利用PRISMA-SR指南进行范围综述，突出深度学习在该领域的推动作用。	该领域仍处于早期阶段，临床采用面临标准化和性能验证的挑战，且综述可能受限于已发表文献的覆盖范围。	概述基于超声的断层成像重建和合成方法的发展现状，识别主要技术趋势和领域，并指出未来研究方向。	基于超声的断层成像技术，包括光声断层成像、超声计算机断层成像、3D重建和合成成像方法	医学影像	不特定	超声成像	深度学习模型	图像	86篇文献	NA	NA	NA	NA
3617	2026-08-20	Liver Segment and Lesion Segmentation on CT and MRI: An Open-Source Contribution to TotalSegmentator 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01716-y PMID:41136714	研究论文	本研究开发了基于深度学习的自动肝脏分段和肝脏病灶分割工具，适用于CT和MRI，并展示了其在肝细胞癌经动脉化疗栓塞治疗反应评估中的临床效用	提供了开源软件来更新和增强TotalSegmentator的功能，并在CT和MRI上进行了全面的肝脏分段与病灶分割验证，包括人工分割数据的收集和模型性能的评估	未明确提及局限性，但可能包括样本量有限、不同成像模态的差异性及模型在外部数据集上的泛化能力未充分验证	开发并验证一个基于CT和MRI的自动肝脏分段和肝脏病灶分割的深度学习工具，并评估其临床实用性	肝脏分段和肝脏病灶分割，聚焦于肝细胞癌的经动脉化疗栓塞治疗反应评估	机器学习	肝细胞癌	CT和MRI成像	nnU-Net	医学影像（CT和MRI）	193个CT和120个MRI用于肝脏分段训练，429个CT和321个MRI有肝脏病灶，其中414个CT和308个MRI手动分割，训练集750张，测试集80张，另有20个CT和20个MRI用于评估者间一致性，172个经TACE治疗的HCC用于临床效用分析	NA	nnU-Net	灵敏度、假阳性率、体积、Dice系数	NA
3618	2026-08-20	AI-Based Multi-Organ Segmentation in Gynecologic Laparoscopy: Comparative Evaluation of Deep Learning Architectures for Anatomical Precision and Surgical Applicability 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01725-x PMID:41136711	研究论文	本研究对比评估了三种卷积神经网络模型（U-Net、Segformer和MANet）在妇科腹腔镜图像中对子宫、卵巢和输卵管进行分割的性能。	首次对三种深度学习架构在妇科腹腔镜手术中的多器官分割性能进行系统比较，并针对小且形态多变的结构（如卵巢和输卵管）提出了具体挑战。	所有模型在小器官分割上性能显著下降，DSC值大幅降低，且样本量有限。	评估深度学习模型在妇科腹腔镜图像中自动分割解剖结构的准确性，并探讨其手术适用性。	子宫、卵巢和输卵管	计算机视觉	妇科疾病	腹腔镜成像	卷积神经网络（CNN）	腹腔镜图像	21名患者的381张腹腔镜图像	NA	U-Net, Segformer, MANet	Dice相似系数（DSC）, 精确度（Precision）, 特异性（Specificity）	NA
3619	2026-08-20	Enhanced Vertebra-GNN: A Graph-Based Deep Learning Framework for Anatomically Informed Spinal Disease Classification 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01696-z PMID:41136712	研究论文	提出一种集成CNN和GNN的端到端深度学习框架，用于从侧位脊柱X光片中基于解剖关系进行脊柱疾病分类	通过图表示编码椎体间解剖依赖关系，并探索GCN、GAT和Graph Transformer三种图网络变体，结合Grad-CAM和注意力图增强可解释性	未提及具体限制	实现准确、可解释且解剖感知的自动脊柱疾病分类	侧位脊柱X光片中的椎体区域	计算机视觉、医学影像分析	脊柱疾病	X光成像	卷积神经网络（CNN）和图神经网络（GNN）	图像	未提及	未提及	GCN、GAT、Graph Transformer、CNN	F1分数、准确率	未提及
3620	2026-08-20	Intermuscular Adipose Tissue as a Multimodality Quantitative Imaging Biomarker: Evidence Across Metabolic, Cardiovascular and Oncologic Diseases 2026-Aug, Journal of cachexia, sarcopenia and muscle DOI:10.1002/jcsm.70366 PMID:42608355	综述	本文综述了肌间脂肪组织作为多模态定量成像生物标志物的生物学、成像定量方法、疾病特异性分布及临床意义。	系统整合了IMAT在多种影像技术（CT、MRI、超声、PET）和多疾病领域（代谢、心血管、肿瘤）中的证据，强调其作为风险分层生物标志物的价值，并讨论了深度学习分割方法的应用。	IMAT证据分散在不同影像技术和疾病文献中，心血管领域证据标准化不足且异质性较大。	整合IMAT的生物学、成像定量和临床意义，推动其作为临床决策支持工具的应用。	肌间脂肪组织（IMAT）	医学影像	代谢性疾病、心血管疾病、肿瘤	CT、MRI、超声、PET	深度学习分割模型	影像数据	NA	NA	NA	NA	NA