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
4981	2026-04-12	Incorporating automatically learned pulmonary nodule attributes into a convolutional neural network to improve accuracy of benign-malignant nodule classification 2018-12-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aaf09f PMID:30524071	研究论文	本文提出了一种结合肺结节良恶性分类和图像属性分类的新方法，通过构建独特的3D CNN和设计新颖的损失函数，以提高肺结节分类的准确性	将自动学习的肺结节图像属性作为高层语义标签整合到CNN中，设计了一种平衡两种分类任务影响的损失函数，使结节属性分类与良恶性分类相互促进	NA	提高肺结节良恶性分类的准确性	肺结节	计算机视觉	肺癌	深度学习	CNN	图像	使用公开可用的LIDC数据集进行训练和测试	NA	3D CNN	准确率	NA
4982	2026-04-12	Visually interpretable deep network for diagnosis of breast masses on mammograms 2018-Dec-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aaef0a PMID:30511660	研究论文	提出一种视觉可解释的深度学习网络框架，用于乳腺X光片中肿块诊断，并提供视觉解释	引入BIRADS引导图和批评网络，使深度学习网络能够根据BIRADS标准进行视觉解释，提高诊断决策的可解释性	仅基于公开乳腺X光数据库进行验证，未涉及多中心或更大规模数据集，可能影响泛化能力	开发一种视觉可解释的计算机辅助诊断框架，以改善乳腺肿块诊断的深度学习模型可解释性	乳腺X光片中的恶性与良性肿块	计算机视觉	乳腺癌	深度学习	深度神经网络	图像	独立测试集包含170个恶性肿块和170个良性肿块	NA	BIRADS引导诊断网络, BIRADS批评网络	NA	NA
4983	2026-04-12	Deep learning with cinematic rendering: fine-tuning deep neural networks using photorealistic medical images 2018-09-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aada93 PMID:30113015	研究论文	本文提出了一种利用电影渲染技术生成逼真医学图像，以微调深度学习网络的方法，用于内窥镜单目深度估计任务	首次将电影渲染技术应用于深度学习，通过使用电影渲染生成的逼真CT数据微调合成数据驱动的网络，提高了模型对真实医学图像的适应性和鲁棒性	研究主要针对内窥镜深度估计任务，可能未涵盖其他医学图像分析应用；且依赖于特定渲染条件，泛化能力需进一步验证	解决医学图像数据稀缺问题，提升深度学习模型在真实医学图像上的性能	内窥镜图像，特别是结肠内窥镜图像	计算机视觉	NA	电影渲染，CT数据重建	CNN	图像	NA	NA	NA	深度估计误差减少百分比	NA
4984	2026-04-12	Computer-aided detection of small intestinal ulcer and erosion in wireless capsule endoscopy images 2018-08-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aad51c PMID:30033931	研究论文	提出一种基于深度学习的计算机辅助检测方法，用于无线胶囊内窥镜图像中小肠溃疡和糜烂的检测	首次将深度学习框架应用于无线胶囊内窥镜图像中溃疡和糜烂的自动检测，能够直接从数据中提取图像特征，提高识别准确性和效率	NA	开发一种计算机辅助检测方法，以自动识别无线胶囊内窥镜图像中的小肠溃疡和糜烂	无线胶囊内窥镜图像中的小肠溃疡和糜烂病变	计算机视觉	小肠溃疡和糜烂	无线胶囊内窥镜成像	CNN	图像	数万张无线胶囊内窥镜图像	NA	AlexNet	准确率, 灵敏度, 特异性, AUC	NA
4985	2026-04-12	Computed tomography super-resolution using deep convolutional neural network 2018-07-16, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aacdd4 PMID:29923839	研究论文	本研究开发了一种基于卷积神经网络的CT图像超分辨率方法，通过改进的U-Net学习低分辨率（厚层厚）与高分辨率（薄层厚）图像之间的端到端映射	采用改进的U-Net架构实现CT图像的超分辨率与去噪联合优化，显著提升骨结构和气腔边界的去模糊效果	研究仅使用二维切片数据进行训练，未涉及三维体积数据；样本量相对有限（52个训练研究）	开发深度学习模型以提升CT图像的空间分辨率并降低噪声	CT图像（薄层与厚层对比）	计算机视觉	NA	计算机断层扫描（CT）	CNN	图像	52个CT研究用于训练（7670张切片），13个CT研究用于测试	NA	改进的U-Net	峰值信噪比（PSNR），归一化均方根误差（NRMSE）	NA
4986	2026-04-12	Evolutionary pruning of transfer learned deep convolutional neural network for breast cancer diagnosis in digital breast tomosynthesis 2018-05-01, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aabb5b PMID:29616660	研究论文	提出一种分层路径进化方法，用于压缩深度卷积神经网络，以在数字乳腺断层合成中分类肿块，同时保持分类准确性	采用遗传算法进行迭代路径进化，通过锦标赛选择驱动计数保持交叉和突变，显著减少网络参数和计算操作	未提及方法在其他深度学习网络或成像任务中的泛化能力验证，且统计差异不显著（p > 0.05）	压缩深度卷积神经网络参数，提高推理和迁移学习效率，用于乳腺癌诊断	数字乳腺断层合成中的肿块区域	计算机视觉	乳腺癌	数字乳腺断层合成	CNN	图像	第一阶段：19,632个增强ROI（来自2,454个乳腺X光肿块病变）；第二阶段：9,120个DBT ROI（来自228个肿块病变）；测试：89个肿块病变（来自94个独立DBT病例）	NA	预训练的DCNN（基于ImageNet）	AUC	NA
4987	2026-04-12	Comment on 'Deep convolutional neural network with transfer learning for rectum toxicity prediction in cervical cancer radiotherapy: a feasibility study' 2018-03-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aaae23 PMID:29424369	评论	对一篇关于使用深度卷积神经网络预测宫颈癌放疗中直肠毒性的可行性研究论文进行评论	NA	NA	讨论深度学习技术在医学物理和放射肿瘤学领域的应用潜力与局限性	深度学习在放射肿瘤学中的应用	数字病理学	宫颈癌	NA	卷积神经网络	NA	NA	NA	VGG-16	NA	NA
4988	2026-04-12	Computer-aided assessment of breast density: comparison of supervised deep learning and feature-based statistical learning 2018-01-09, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aa9f87 PMID:29210358	研究论文	本研究开发了一种基于监督深度学习的自动化方法，用于评估数字乳腺X线摄影中的乳腺密度百分比，并与基于特征的统计学习方法进行比较	采用监督深度卷积神经网络结合域适应重采样方法，生成乳腺密度概率图，实现了比传统特征学习方法更准确和稳健的密度估计	研究仅使用了单一机构的回顾性数据，样本量有限，且未在外部数据集上进行验证	开发自动化评估乳腺密度的方法，以辅助癌症风险预测和密度报告	数字乳腺X线摄影图像	计算机视觉	乳腺癌	数字乳腺X线摄影	CNN	图像	训练集478张数字乳腺X线摄影图像，独立测试集183张图像	NA	深度卷积神经网络	Dice系数, Pearson相关系数	NA
4989	2026-04-11	Computational dual-loop frameworks bridging single-enzyme design and cascade tunnel network engineering for next-generation biosynthetic systems 2026 Jul-Aug, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108850 PMID:41763370	综述	本文综述了计算酶工程的最新进展，重点介绍了结构预测、突变效应建模、多尺度分子模拟和多酶网络工程，并将其置于一个连接分子水平酶设计与途径水平整合的双循环DBTL框架中	与现有主要关注单一计算方法或单酶优化的综述不同，本文强调在统一的DBTL框架内，将机制性酶建模与多酶网络设计相结合，提供了一个连接单酶设计与级联隧道网络工程的双循环框架	NA	总结计算酶工程的最新进展，并为下一代生物合成系统提供一个连接分子设计与系统集成的结构化框架	酶（单酶及多酶系统）	计算生物学	NA	结构预测、突变效应建模、分子动力学模拟、量子力学/分子力学分析	深度学习	NA	NA	NA	NA	NA	NA
4990	2026-04-11	Evaluation of Image-Level Harmonization Methods for Multi-Center MR Neuroimaging 2026-May, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70221 PMID:41489091	研究论文	本研究评估了多中心MR神经影像数据中图像级标准化方法的性能，重点关注阿尔茨海默病神经影像倡议数据集中的T1w和T2-FLAIR图像	首次在ADNI数据集中系统比较了统计方法ComBat与深度学习方法HACA3在跨厂商MR图像标准化中的效果，并利用多指标评估了标准化后图像特征的一致性	当前多对比度MR标准化工具在T2-FLAIR图像标准化方面仍存在困难，且研究仅基于ADNI数据集，可能无法推广到其他疾病或影像协议	评估多中心MR神经影像研究中扫描仪相关差异，并比较公开可用的图像级标准化工具的性能	阿尔茨海默病神经影像倡议数据集中的T1w和T2-FLAIR MR图像，涉及GE、Philips和Siemens三种扫描仪厂商	数字病理学	阿尔茨海默病	T1w和T2-FLAIR MRI序列	深度学习模型	图像	扫描仪组分析：1143名ADNI3受试者（233名GE，173名Philips，250名Siemens，其中487名Siemens受试者作为独立参考组）；受试者内比较：8名受试者的配对多厂商扫描会话	NA	HACA3	灰质/白质对比度比，白质高信号体积，Fréchet Inception距离，学习感知图像块相似度	NA
4991	2026-03-01	Editorial for "Analysis of Upper Airway Morphology Using Four-Dimensional Dynamic MRI With Active Deep Learning-Based Automatic Segmentation" 2026-May, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70283 PMID:41761402	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4992	2026-04-11	Determination of Modified Waldenström Staging in Legg-Calvé-Perthes Disease Using Deep Learning 2026-May, Journal of the Pediatric Orthopaedic Society of North America DOI:10.1016/j.jposna.2026.100334 PMID:41890888	研究论文	本研究开发了一种基于深度学习的模型，用于从标准髋关节X光片中自动确定Legg-Calvé-Perthes病的改良Waldenström分期	首次利用深度学习自动化提取临床相关参数，构建分类管道以改进LCPD分期的客观性和一致性	早期阶段样本代表性不足，模型在完整分类中的准确性中等，需要更大规模多中心数据提升性能	开发深度学习模型以自动化和标准化Legg-Calvé-Perthes病的改良Waldenström分期	Legg-Calvé-Perthes病患者的髋关节X光片（前后位和蛙式侧位）	数字病理学	Legg-Calvé-Perthes病	X光成像	深度学习分类模型	图像	机构1包含2,164张图像，保留测试集229对X光片，外部验证集533对X光片	NA	NA	Dice系数, AUROC	NA
4993	2026-04-11	Identification of Hepatic Fibrosis and Steatosis via A Point-of-Care Transient Elastography System With Integrated AI 2026-May, Liver international : official journal of the International Association for the Study of the Liver IF:6.0Q1 DOI:10.1111/liv.70634 PMID:41947638	研究论文	本研究开发了一种集成了人工智能的即时弹性成像系统，用于非侵入性评估肝纤维化和脂肪变性	结合实时B超图像引导和深度学习分析，提供便携式点对点弹性成像系统，并引入新的多域衰减参数用于脂肪定量	研究样本量相对有限，且主要针对慢性肝病患者，未广泛验证于其他肝病类型	评估AI-POC-TE系统在诊断肝纤维化和脂肪变性中的准确性，并与传统弹性成像技术进行比较	慢性肝病患者	数字病理学	肝病	瞬时弹性成像，B超图像引导，深度学习	深度学习模型	图像，弹性测量数据	138名患者进行肝活检和AI-POC-TE同步检查，1455名患者进行传统弹性成像对比	未明确指定	未明确指定	AUROC, Youden's cut-offs, 相关系数	未明确指定
4994	2026-04-11	Advanced deep learning framework for breast cancer detection using digital breast tomosynthesis images 2026-Apr-24, Biomedizinische Technik. Biomedical engineering DOI:10.1515/bmt-2025-0011 PMID:41521204	研究论文	本研究提出了一种基于深度学习的鲁棒框架，用于利用数字乳腺断层合成图像进行乳腺癌检测	提出了一种结合单切片和多切片输入的混合深度学习模型，并应用了拉普拉斯金字塔增强、特征融合和穷举特征选择等先进方法以提升诊断性能	研究未使用多中心数据集进行验证，且尚未与临床决策支持系统集成	开发一种用于乳腺癌早期准确检测的深度学习框架	数字乳腺断层合成图像	计算机视觉	乳腺癌	数字乳腺断层合成成像	CNN, 集成学习	图像	未明确说明	TensorFlow, Keras, Scikit-learn, XGBoost	ResNet V2, MobileNet V3, Inception V3+	准确率, 灵敏度, 特异性, AUC	未明确说明
4995	2026-04-11	A simulation-based deep learning framework for spatially explicit malaria modeling of CRISPR suppression gene drive mosquitoes 2026-Apr-17, iScience IF:4.6Q1 DOI:10.1016/j.isci.2026.115221 PMID:41890961	研究论文	本研究开发了一个基于模拟的深度学习框架，用于空间显式建模CRISPR抑制基因驱动蚊子对疟疾的影响	结合个体建模与深度学习，高效分析多参数对基因驱动效果的影响，揭示了不完美驱动仍可能消除疟疾的潜力	未明确说明模型在真实世界数据上的验证情况，且计算需求可能仍较高	预测CRISPR基因驱动释放对疟疾传播的影响，优化蚊虫抑制策略	CRISPR基因驱动蚊子及其对疟疾传播的调控	机器学习	疟疾	CRISPR基因驱动技术，个体建模	深度学习模型	模拟数据	NA	NA	NA	NA	NA
4996	2026-04-11	RaMoA: Raman Microspectroscopy and Deep Learning for the Classification of Antimicrobial Mechanism of Action 2026-Apr-10, ACS infectious diseases IF:4.0Q1 DOI:10.1021/acsinfecdis.5c00917 PMID:41824399	研究论文	本文提出了一种结合拉曼显微光谱和深度学习的新技术，用于分类抗菌药物的作用机制并预测其新颖性	首次将拉曼显微光谱与深度学习结合，用于抗菌药物作用机制的分类和新颖性预测，实现了高精度分类和未知机制识别	研究仅基于大肠杆菌ATCC 25922野生型菌株，且处理时间固定为1小时，样本多样性和时间动态性有限	开发一种基于拉曼光谱和深度学习的技术，以快速分类抗菌药物的作用机制并评估其新颖性	大肠杆菌ATCC 25922野生型菌株，使用27种代表5类传统功能（细胞壁合成抑制剂、蛋白质合成抑制剂、DNA复制抑制剂、RNA合成抑制剂、细胞膜功能抑制剂）的抗生素处理	机器学习	NA	拉曼显微光谱	CNN, 自编码器	拉曼光谱	27种抗生素处理的大肠杆菌样本，代表5类作用机制	NA	1D 卷积神经网络, 自编码器	准确率	NA
4997	2026-04-11	A diffusion-based framework for designing molecules in flexible protein pockets 2026-Apr-10, Science advances IF:11.7Q1 DOI:10.1126/sciadv.aeb7045 PMID:41950314	研究论文	本文提出了一种基于扩散的框架YuelDesign，用于在柔性蛋白质口袋中设计分子，以解决结构基药物发现中的挑战	YuelDesign首次联合建模蛋白质口袋结构和配体构象，通过双扩散过程迭代优化几何和化学特性，并利用E3former保持旋转和平移等变性	NA	开发一种能够处理蛋白质柔性口袋的分子设计框架，以改进药物发现过程	蛋白质-配体复合物，特别是具有柔性口袋的蛋白质	机器学习	NA	扩散模型	扩散模型	蛋白质口袋结构和配体构象数据	NA	NA	E3former, 阐明扩散模型, 离散去噪扩散概率模型	药物相似性, 合成复杂性, 化学官能团多样性, 对接能量	NA
4998	2026-04-11	The impact of data consistency on deep learning models for nasopharyngeal cancer organ auto-segmentation 2026-Apr-10, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae596e PMID:41916328	研究论文	本研究探讨了标注一致性对基于深度学习的鼻咽癌放疗中危及器官自动勾画性能的影响	揭示了标注一致性比数据集规模对自动勾画性能更具决定性影响，并展示了通过医师特定微调可弥补领域适应差距	研究仅基于CT扫描数据，未考虑其他影像模态；样本来源和标注医师的多样性可能有限	研究标注一致性如何影响深度学习模型在鼻咽癌放疗中危及器官自动勾画的性能	鼻咽癌患者的CT扫描图像及对应的危及器官勾画	数字病理	鼻咽癌	CT扫描	CNN	图像	1,301例鼻咽癌患者CT扫描，其中65例由医师A勾画，76例由医师B勾画，1,160例由多医师团队勾画	NA	U-Net	Dice相似系数	NA
4999	2026-04-11	Artificial intelligence augmented imaging of pancreatic fluid collections in acute pancreatitis 2026-Apr-10, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology IF:2.0Q3 DOI:10.1007/s12664-026-01979-5 PMID:41957213	综述	本文综述了人工智能在增强急性胰腺炎中胰腺液体积聚成像方面的应用，包括分割、图像生成、预后预测和工作流优化	利用深度学习和放射组学技术，自动化分割胰腺及液体积聚，客观量化坏死碎片，并加速MRI采集时间，可能生成合成图像	临床整合面临挑战，如数据标准化、算法验证和实际工作流适应性问题	探讨人工智能如何改进胰腺液体积聚的成像诊断和管理，以克服传统成像方法的局限性	急性胰腺炎患者的胰腺液体积聚	数字病理学	胰腺炎	深度学习, 放射组学	深度学习模型	医学影像数据（如CT、MRI）	NA	NA	NA	NA	NA
5000	2026-04-11	Hyperspectral imaging-driven detection of neutraliser adulteration in milk using spatial-spectral features 2026-Apr-09, Food additives & contaminants. Part A, Chemistry, analysis, control, exposure & risk assessment DOI:10.1080/19440049.2026.2653543 PMID:41955473	研究论文	本研究提出了一种结合新型光谱指数和空间导数特征的混合方法，利用高光谱成像和机器学习来检测牛奶中的中和剂掺假	提出了一种结合新型光谱指数（基于纯中和剂在650-975 nm范围的反射率曲线开发）和二阶空间导数特征的混合方法，以增强检测精度	NA	检测和分类牛奶中的中和剂（如碳酸钠和碳酸氢钠），以确保牛奶质量和消费者安全	新鲜牛奶和掺有不同浓度中和剂（每100 ml牛奶添加0.025 g、0.05 g和0.075 g）的牛奶样本	机器视觉	NA	高光谱成像	XGBoost, Random Forest	高光谱图像	NA	NA	NA	准确率	NA