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
4041	2025-10-06	Union is strength: the combination of radiomics features and 3D-deep learning in a sole model increases diagnostic accuracy in demented patients: a whole brain 18FDG PET-CT analysis 2024-Jul-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001853 PMID:38632972	研究论文	本研究比较了放射组学特征、3D深度学习CNN及其融合模型在痴呆患者全脑18F-FDG PET图像诊断中的性能	首次将放射组学特征与3D深度学习CNN结合到单一模型中，应用于全脑18FDG PET研究	样本量相对有限（共210名受试者），仅使用单一影像模态（PET-CT）	提高痴呆患者的诊断准确性	85名痴呆患者和125名健康对照者	医学影像分析	痴呆症	18F-FDG PET-CT成像	CNN	3D医学影像	210名受试者（85名痴呆患者，125名健康对照），其中40名用于测试	NA	3D-CNN	灵敏度, 特异性, 分类得分	NA
4042	2025-10-06	Machine learning diagnosis of active Juvenile Idiopathic Arthritis on blood pool [ 99M Tc] Tc-MDP scintigraphy images 2024-May-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001822 PMID:38312058	研究论文	本研究使用深度学习技术通过血池图像诊断幼年特发性关节炎	首次将深度学习应用于基于[99m Tc] Tc-MDP骨显像血池图像的幼年特发性关节炎诊断	样本量相对有限（326名儿童和青少年），仅评估了膝关节和踝关节	开发基于深度学习的幼年特发性关节炎自动诊断方法	326名健康及确诊幼年特发性关节炎的儿童和青少年（1-16岁）	计算机视觉	幼年特发性关节炎	[99m Tc] Tc-MDP骨显像	CNN	图像	1304张血池图像（来自326名受试者）	NA	自设计多输入CNN, VGG16, ResNet50, Xception	AUC	NA
4043	2025-10-06	Greater accuracy of radiomics compared to deep learning to discriminate normal subjects from patients with dementia: a whole brain 18FDG PET analysis 2024-Apr-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001810 PMID:38189449	研究论文	比较放射组学与深度学习在区分痴呆患者和正常受试者方面的准确性	首次在脑部18FDG PET图像分析中证明放射组学特征比传统CNN模型具有更高的分类准确性	样本量相对较小（210名受试者），仅使用单一模态PET数据	开发更准确的痴呆诊断方法	85名痴呆患者和125名健康对照者	医学影像分析	痴呆症	18F-FDG PET脑部成像	神经网络, CNN	PET图像	210名受试者（85名患者+125名健康对照）	NA	神经网络, CNN	准确率	NA
4044	2025-10-06	Early prediction of distant metastasis in patients with uterine cervical cancer treated with definitive chemoradiotherapy by deep learning using pretreatment [ 18 F]fluorodeoxyglucose positron emission tomography/computed tomography 2024-Mar-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001799 PMID:38165173	研究论文	开发基于深度学习模型，利用治疗前[18F]FDG-PET/CT图像预测局部晚期子宫颈癌患者远处转移风险	采用三维图像增强技术的深度学习模型，首次基于基线PET/CT图像预测子宫颈癌远处转移	需要外部验证来确定模型的预测性能，样本量相对有限	早期预测接受确定性放化疗的子宫颈癌患者远处转移风险	局部晚期子宫颈癌患者	数字病理	子宫颈癌	[18F]FDG-PET/CT成像	深度学习	医学影像（PET/CT图像）	训练队列186例患者，验证队列25例患者	NA	NA	AUC, 敏感度, 特异度, 准确度	NA
4045	2025-10-06	A comparison of 18 F-FDG PET-based radiomics and deep learning in predicting regional lymph node metastasis in patients with resectable lung adenocarcinoma: a cross-scanner and temporal validation study 2023-Dec-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001776 PMID:37728592	研究论文	比较基于18F-FDG PET的手工放射组学与深度学习在预测可切除肺腺癌区域淋巴结转移中的性能	首次系统比较手工放射组学与深度学习在不同代际PET扫描仪上的泛化性能	样本量较小，特别是数字PET队列仅17例患者	预测可切除肺腺癌患者的病理区域淋巴结转移状态	148例接受根治性手术的肺腺癌患者	医学影像分析	肺腺癌	18F-FDG PET成像	CNN	PET医学影像	148例患者（模拟PET组131例，数字PET组17例）	NA	ResNet-50	AUC, 准确率, 特异性, 敏感性	NA
4046	2025-10-06	Automated Radiomic Analysis of Vestibular Schwannomas and Inner Ears Using Contrast-Enhanced T1-Weighted and T2-Weighted Magnetic Resonance Imaging Sequences and Artificial Intelligence 2023-09-01, Otology & neurotology : official publication of the American Otological Society, American Neurotology Society [and] European Academy of Otology and Neurotology IF:1.9Q2 DOI:10.1097/MAO.0000000000003959 PMID:37464458	研究论文	本研究开发了一种基于深度学习的自动分割系统，用于在MRI图像中分割前庭神经鞘瘤和内耳结构	首次使用三维卷积神经网络结合对比增强T1加权和T2加权MRI序列对前庭神经鞘瘤和内耳结构进行自动分割分析	研究仅限于前庭神经鞘瘤患者，未包含其他类型肿瘤或病变	通过深度学习客观评估前庭神经鞘瘤及其与同侧内耳的空间关系	490名成年前庭神经鞘瘤患者的高分辨率MRI扫描数据	医学影像分析	前庭神经鞘瘤	磁共振成像	CNN	医学影像	490名患者（390名训练集，100名测试集），外加100名外部验证集患者	NA	三维卷积神经网络	Dice分数, 相对体积误差, 平均对称表面距离, 95% Hausdorff距离, 质心位置	NA
4047	2025-10-06	Denoising Tc-99m DMSA images using Denoising Convolutional Neural Network with comparison to a Block Matching Filter 2023-08-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000001712 PMID:37272279	研究论文	本研究评估了预训练的DnCNN在Tc-99m DMSA图像去噪中的应用，并与BM3D滤波器进行性能比较	首次将预训练的DnCNN应用于Tc-99m DMSA医学图像去噪，并与传统BM3D滤波器进行系统比较	仅使用242张Tc-99m DMSA图像，样本量相对有限	评估预训练DnCNN在Tc-99m DMSA图像去噪中的可行性和性能	Tc-99m DMSA医学图像	计算机视觉	肾脏疾病	核医学成像	CNN	医学图像	242张Tc-99m DMSA图像	MATLAB Deep Learning Toolbox	DnCNN	SSIM, FSIM, MultiSSIM, PIQE, Blur, GCF, Brightness	NA
4048	2025-10-06	Performance of machine and deep learning models for predicting delirium in adult ICU patients: A systematic review 2025-Nov, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106008 PMID:40513381	系统综述	系统评估ICU成人患者谵妄预测中机器学习和深度学习模型的性能与方法学质量	首次系统总结ICU谵妄预测模型的方法学质量，涵盖2018-2024年间最新研究进展	纳入研究存在回顾性设计偏倚、缺乏外部验证、过拟合和缺失数据处理不完整等局限性	评估ICU患者谵妄预测模型的方法学质量与预测性能	ICU成人患者	机器学习	谵妄	机器学习预测模型	逻辑回归, 随机森林, 循环神经网络, 梯度提升	临床时间序列数据	11项研究，样本量140-48451名参与者	NA	NA	AUROC	NA
4049	2025-10-06	Machine learning techniques for stroke prediction: A systematic review of algorithms, datasets, and regional gaps 2025-Nov, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106041 PMID:40651107	系统综述	系统回顾和分析用于卒中预测的机器学习技术，综合不同预测目标和数据源的性能指标	首次系统性地综合分析了卒中预测领域机器学习算法的性能特征和区域研究差距	研究间存在显著异质性，无法进行定量荟萃分析	系统评价卒中预测中的机器学习技术，评估其临床适用性并识别研究趋势	卒中预测相关的机器学习研究	机器学习	卒中	机器学习技术	集成方法,深度学习	电子健康记录,医学影像,生物信号	58项研究	NA	NA	准确率	NA
4050	2025-10-06	MRI-based habitat analysis for Intratumoral heterogeneity quantification combined with deep learning for HER2 status prediction in breast cancer 2025-Oct, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110429 PMID:40414575	研究论文	本研究结合MRI影像组学和深度学习技术开发预测乳腺癌HER2表达状态的综合模型	首次提出基于MRI的肿瘤内异质性量化方法，并将其与深度学习特征结合构建预测模型	回顾性研究设计，样本量相对有限，需要外部验证	预测乳腺癌HER2表达状态	340例经病理证实的浸润性乳腺癌患者	医学影像分析	乳腺癌	动态对比增强磁共振成像(DCE-MRI)	深度学习	医学影像	340例患者	NA	NA	AUC	NA
4051	2025-10-06	Fully automated measurement of aortic pulse wave velocity from routine cardiac MRI studies 2025-Oct, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110442 PMID:40451442	研究论文	开发了一种基于深度学习的全自动方法，从常规心脏MRI图像中测量主动脉脉搏波速度	首次实现了从标准序列心脏MRI图像中全自动测量PWV，无需特殊序列和耗时的手动分析	未提及具体的技术局限性	开发自动化方法测量主动脉脉搏波速度，促进心血管疾病评估	心脏MRI图像，包括英国生物银行1053名受试者	医学影像分析	心血管疾病	心脏MRI，SSFP定位器图像，相位对比成像	深度学习模型	2D MRI图像，3D主动脉分割	英国生物银行1053名受试者	NA	NA	Dice系数，P值	NA
4052	2025-10-06	Qualitative and quantitative analysis of functional cardiac MRI using a novel compressed SENSE sequence with artificial intelligence image reconstruction 2025-Oct, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110448 PMID:40543831	研究论文	本研究评估了结合压缩感知与深度学习算法的新型心脏MRI序列在加速扫描和图像重建中的可行性	首次将压缩感知序列与基于卷积神经网络的AI图像重建算法相结合，用于心脏MRI扫描加速	研究仅纳入30名健康志愿者，缺乏患者群体的验证	评估压缩感知与AI重建技术在心脏MRI中的加速效果和图像质量	心脏左心室功能和MRI图像质量	医学影像分析	心血管疾病	心脏磁共振成像，平衡稳态自由进动序列	CNN	医学影像	30名健康志愿者	NA	卷积神经网络	图像质量评分，伪影评分，射血分数，舒张末期容积，收缩末期容积，左心室质量	3T MRI扫描仪
4053	2025-10-06	Deep learning-based reconstruction improves the image quality of low-dose CT enterography in patients with inflammatory bowel disease 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-024-04590-4 PMID:39305292	研究论文	本研究探讨深度学习重建技术在炎症性肠病患者低剂量CT小肠造影中的应用价值	首次将深度学习重建技术应用于炎症性肠病患者的低剂量CT小肠造影，证明其能在降低54.1%辐射剂量的同时提升图像质量	样本量较小（36例低剂量组，40例标准剂量组），且为单中心研究	评估深度学习重建技术在降低CT小肠造影辐射剂量和改善图像质量方面的潜力	炎症性肠病患者	医学影像	炎症性肠病	CT小肠造影	深度学习重建	CT影像	76例患者（36例前瞻性低剂量组，40例回顾性标准剂量组）	Advanced Intelligence ClearIQ Engine (AiCE)	NA	图像噪声，信噪比，总体图像质量，主观图像噪声，诊断效能，AUC	NA
4054	2025-10-06	A deep learning-based psi CT network effectively predicts early recurrence after hepatectomy in HCC patients 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-025-04849-4 PMID:40009155	研究论文	本研究开发了一种基于深度学习的增强CT网络，用于预测肝细胞癌患者肝切除术后早期复发	首次将DenseNet与注意力机制结合，能够同时处理三期增强CT扫描并自动关注影响患者生存的关键区域	回顾性研究设计，样本量相对有限（302例），需要进一步前瞻性验证	开发可靠的深度学习模型预测肝细胞癌患者术后早期复发	接受部分肝切除术的肝细胞癌患者	计算机视觉	肝细胞癌	三期增强CT扫描	CNN	医学影像	302例来自五个中心的患者数据	NA	DenseNet	C-index, AUC, 校准曲线, 决策曲线分析	NA
4055	2025-10-06	DeepOptimalNet: optimized deep learning model for early diagnosis of pancreatic tumor classification in CT imaging 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-025-04860-9 PMID:40047871	研究论文	提出一种名为DeepOptimalNet的优化深度学习模型，用于CT影像中胰腺肿瘤的早期诊断分类	集成优化算法与深度学习技术，提出改进的Remora优化算法(MROA)用于组织分割，并采用深度迁移CNN与ResNet-50结合的多模态学习级联卷积神经网络	NA	解决胰腺CT图像分类中的挑战，实现胰腺肿瘤的早期准确诊断	胰腺CT影像	计算机视觉	胰腺癌	CT成像	CNN, 深度学习	医学影像	NA	NA	ResNet-50, 级联卷积神经网络	准确率, 敏感度, 特异性, F分数	NA
4056	2025-10-06	Automated detection of small hepatocellular carcinoma in cirrhotic livers: applying deep learning to Gd-EOB-DTPA-enhanced MRI 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-025-04853-8 PMID:40059243	研究论文	开发基于深度学习的自动化方法，利用Gd-EOB-DTPA增强MRI检测肝硬化患者中的小肝细胞癌	应用nnU-Net深度学习架构实现小肝细胞癌的自动检测，在肝硬化背景下具有挑战性的小目标分割任务中表现出色	回顾性研究设计，样本量相对有限（120例患者），需要进一步的外部验证	开发自动化深度学习方法来检测肝硬化患者中的小肝细胞癌	肝硬化患者，包括78例小肝细胞癌患者和42例非肝细胞癌肝硬化患者	医学影像分析	肝细胞癌	Gd-EOB-DTPA增强MRI	深度学习	医学影像	120例患者（78例sHCC，42例非HCC肝硬化）	NA	nnU-Net	Dice系数, ROC曲线, AUC, 准确率, 灵敏度, 特异性	NA
4057	2025-10-06	Progress in the application of machine learning in CT diagnosis of acute appendicitis 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-025-04864-5 PMID:40095017	综述	本文综述了机器学习在急性阑尾炎CT诊断中的应用进展与挑战	系统总结了机器学习在阑尾炎自动检测、鉴别诊断和严重程度分层方面的最新突破，包括深度学习模型AppendiXNet和3D CNN的优异表现	人工智能的'黑箱'特性、临床工作流程整合困难以及所需资源庞大	整合机器学习与CT技术以改进急性阑尾炎的诊断	急性阑尾炎患者及其CT影像数据	医学影像分析	急性阑尾炎	CT成像	CNN,深度学习模型	CT影像	NA	NA	3D CNN, AppendiXNet	AUC,准确率	NA
4058	2025-10-06	Diagnosis of moderate-to-severe hepatic steatosis using deep learning-based automated attenuation measurements on contrast-enhanced CT 2025-Sep, Abdominal radiology (New York) DOI:10.1007/s00261-025-04872-5 PMID:40095018	研究论文	本研究评估基于深度学习的自动衰减测量在对比增强CT上诊断中重度肝脂肪变性的效用	首次在大型肝脏供体队列中验证深度学习自动测量肝脾衰减值诊断中重度肝脂肪变性的性能，并与人工测量进行对比	回顾性研究设计，仅包含肝脏供体人群可能限制结果的普适性	评估深度学习自动测量CT肝脾衰减值诊断中重度肝脂肪变性的诊断性能	3,620名肝脏供体（2,393名男性，1,227名女性，平均年龄31.7±9.4岁）	医学影像分析	肝脂肪变性	对比增强CT（CECT）	深度学习	CT影像	3,620例，其中开发队列2,714例，测试队列906例	NA	NA	AUC, 敏感性, 特异性, Youden指数	NA
4059	2025-10-06	Incorporating Pre-Training Data Matters in Unsupervised Domain Adaptation 2025-Sep, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3572963 PMID:40408198	研究论文	本文从预训练视角研究无监督领域自适应，提出将预训练数据纳入领域适应的三领域框架TriDA	首次系统分析预训练对领域自适应的影响，提出将UDA重新定义为包含预训练数据域的三领域问题	未明确说明预训练数据选择策略的具体实现细节和计算效率的定量分析	研究预训练数据在无监督领域自适应中的作用和影响机制	无监督领域自适应方法中的预训练模型	机器学习	NA	深度学习预训练	深度神经网络	图像	多个基准数据集，具体数量未明确说明	NA	基于ImageNet预训练的骨干网络	目标域错误率，基准测试性能	NA
4060	2025-10-06	Deep Learning Can be Used to Classify the Disease Status of the Canine Middle Ear From Computed Tomographic Images 2025-Sep, Veterinary radiology & ultrasound : the official journal of the American College of Veterinary Radiology and the International Veterinary Radiology Association IF:1.3Q2 DOI:10.1111/vru.70065 PMID:40714864	研究论文	本研究开发了一种基于深度学习的方法，利用CT图像对犬类中耳疾病状态进行分类	首次将深度学习方法应用于兽医放射学领域，针对犬类中耳疾病开发诊断模型，并在小数据集上结合迁移学习和数据增强技术取得良好效果	数据集相对较小（仅535张CT图像），模型仅在犬类中耳疾病上进行验证	开发能够诊断犬类中耳疾病的深度学习模型	犬类中耳CT图像	计算机视觉	中耳疾病	CT扫描	CNN	医学图像	535张犬类CT图像	NA	ResNet	准确率	NA