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
5141	2025-12-14	Comparative Analysis of U-Net and U-Net3 + for Retinal Exudate Segmentation: Performance Evaluation Across Regions 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01419-4 PMID:39904940	研究论文	本研究比较了U-Net和U-Net3+在视网膜渗出物分割中的性能，并评估了它们在不同视网膜区域的检测效果	首次对U-Net和U-Net3+模型在视网膜渗出物分割中进行跨区域（如血管周围与血管外区域、中心凹周围与中心凹外区域以及象限划分）的详细性能比较，并发现U-Net3+在特定区域表现更优	未提及样本量的具体大小或数据集的多样性限制，可能影响模型的泛化能力	评估深度学习模型在视网膜渗出物检测中的性能，以提升糖尿病视网膜病变的诊断准确性和效率	视网膜渗出物（糖尿病视网膜病变的特征性病变）	计算机视觉	糖尿病视网膜病变	深度学习	CNN	图像（眼底图像）	NA	NA	U-Net, U-Net3+	准确率, 灵敏度, 特异性, Dice系数	NA
5142	2025-12-14	Preoperatively Predicting PIT1 Expression in Pituitary Adenomas Using Habitat, Intra-tumoral and Peri-tumoral Radiomics Based on MRI 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01376-4 PMID:39904941	研究论文	本研究旨在利用基于MRI的栖息地、瘤内及瘤周影像组学模型，术前预测垂体腺瘤中PIT1的表达	首次结合栖息地影像组学、瘤内及瘤周影像组学特征，并构建了融合临床特征的深度学习影像组学列线图（DLRN）用于预测PIT1表达	研究为回顾性设计，样本量相对较小（共129例患者），且仅基于单一中心的MRI数据	术前预测垂体腺瘤中垂体转录因子1（PIT1）的表达	垂体腺瘤患者	数字病理	垂体腺瘤	MRI影像组学	逻辑回归, 支持向量机, 多层感知机	MRI图像	129例垂体腺瘤患者（训练集103例，测试集26例）	NA	NA	AUC	NA
5143	2025-12-14	Automatic Identification of Fetal Abdominal Planes from Ultrasound Images Based on Deep Learning 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01409-6 PMID:39909994	研究论文	本研究探索了基于深度学习的AI架构在自动识别胎儿腹部标准扫描平面和结构（特别是腹围）方面的潜力	首次将Xception和MobileNetV3Large等六种深度学习神经网络应用于胎儿腹部超声图像平面分类，并采用十折交叉验证进行评估	数据集分布非正态，且需要进一步研究比较AI模型与传统自动腹围测量方法的整体性能	探索人工智能在自动识别胎儿腹部超声标准扫描平面中的应用，以优化产前超声诊断流程	胎儿腹部超声图像	计算机视觉	NA	超声成像	CNN	图像	NA	Keras-OCR, CV2	Xception, MobileNetV3Large, EfficientV2S	准确率	NA
5144	2025-12-14	Automating Prostate Cancer Grading: A Novel Deep Learning Framework for Automatic Prostate Cancer Grade Assessment using Classification and Segmentation 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01429-2 PMID:39913023	研究论文	本文提出了一种基于深度学习的三阶段框架，用于自动评估前列腺癌的严重程度	提出了一种结合分类、分割和机器学习分类器的三阶段创新框架，并采用基于Self-ONN的DeepLabV3架构来增强分割性能	需要进一步研究以评估该框架在不同临床场景中的适应性和有效性	开发自动化系统以提高前列腺癌分级的诊断精度并减少人为误差	前列腺癌组织样本	数字病理学	前列腺癌	全切片图像分析	DNN, 机器学习分类器	图像	从初始5160个病例中筛选出2699个可用病例	NA	EfficientNet_b0, DeepLabV3, Self-ONN	F1-score, Dice Similarity Coefficient, 二次加权Kappa	NA
5145	2025-12-14	Ischemic Stroke Lesion Core Segmentation from CT Perfusion Scans Using Attention ResUnet Deep Learning 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01407-8 PMID:39953256	研究论文	本文提出了一种基于深度学习的创新系统，用于从CT灌注扫描中自动分割缺血性卒中病灶核心	将边缘增强扩散滤波作为预处理步骤（一种硬注意力机制）与改进的Attention ResUnet架构相结合，利用空间和通道注意力机制捕获长程依赖关系	未明确说明模型在更广泛数据集上的泛化能力，或与其他最先进方法的详细比较	开发自动化缺血性卒中病灶分割工具，以提升临床诊断、预后和治疗规划的效率和准确性	缺血性卒中患者的CT灌注扫描图像	计算机视觉	心血管疾病	CT灌注扫描	CNN	医学图像	使用ISLES 2018挑战赛数据集，采用五折交叉验证	未明确指定	Attention ResUnet	Dice相似系数	NA
5146	2025-12-14	Hybrid Approach to Classifying Histological Subtypes of Non-small Cell Lung Cancer (NSCLC): Combining Radiomics and Deep Learning Features from CT Images 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01442-5 PMID:39953259	研究论文	本研究开发了一种结合CT图像放射组学和深度学习特征的混合模型，用于分类非小细胞肺癌的组织学亚型	提出了一种结合放射组学和深度学习特征的混合方法，用于非小细胞肺癌亚型分类，通过特征选择和融合提升了分类性能	样本量相对有限（内部数据集235例，外部验证48例），且仅针对腺癌和鳞状细胞癌两种亚型	开发一种基于CT图像的混合模型，以提高非小细胞肺癌组织学亚型分类的准确性和可靠性	非小细胞肺癌患者的CT图像，包括腺癌和鳞状细胞癌两种亚型	计算机视觉	肺癌	CT成像	深度学习	图像	内部数据集235例（110例腺癌，112例鳞状细胞癌），外部验证数据集48例（各24例）	NA	NA	AUC, 准确率	NA
5147	2025-12-14	Dual-Domain Self-Supervised Deep Learning with Graph Convolution for Low-Dose Computed Tomography Reconstruction 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01314-4 PMID:39966223	研究论文	提出一种用于低剂量CT重建的双域自监督深度学习框架，结合图卷积进行降噪	提出首个同时处理正弦图域和图像域降噪的双域自监督框架，并设计结合图卷积与通道注意力模块的混合架构	未明确说明模型在极端低剂量条件下的性能表现，也未讨论临床部署的计算效率问题	提升低剂量CT图像的信噪比以满足诊断需求	低剂量CT图像	计算机视觉	NA	CT成像	深度学习	医学图像（CT正弦图及重建图像）	两个大规模低剂量CT数据集	NA	图卷积网络, 通道注意力模块	NA	NA
5148	2025-12-14	Enhancing Chest X-ray Diagnosis with a Multimodal Deep Learning Network by Integrating Clinical History to Refine Attention 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01446-1 PMID:39971817	研究论文	本研究提出了一种多模态胸部X射线网络（MCX-Net），通过整合胸部X射线图像和临床病史文本来进行多标签疾病诊断	引入了一种结合预训练文本编码器、图像编码器和图像-文本跨模态编码器的多模态网络，以模拟放射科医生综合图像和临床信息的诊断方式	模型训练面临标签不平衡和某些疾病样本稀缺的挑战，且未考虑实验室结果等其他临床信息	开发一种能够整合临床病史的多模态深度学习网络，以提升胸部X射线多标签疾病诊断的准确性	胸部X射线图像和临床病史文本	计算机视觉	肺癌	深度学习	多模态网络	图像, 文本	基于公开的MIMIC-CXR-JPG数据集	NA	ViT-base, ResNet152	AUROC	NA
5149	2025-12-14	NMTNet: A Multi-task Deep Learning Network for Joint Segmentation and Classification of Breast Tumors 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01440-7 PMID:39971818	研究论文	本文提出了一种新颖的多任务深度学习网络NMTNet，用于联合分割和分类乳腺肿瘤	提出了一种结合共享编码器、多尺度融合通道细化模块、病变区域增强模块和细粒度分类器的多任务网络架构，以利用分割与分类任务的内在相关性提升性能	NA	开发一个能够同时进行乳腺肿瘤分割和分类的深度学习模型，以辅助乳腺癌诊断	乳腺肿瘤	计算机视觉	乳腺癌	NA	CNN	图像	NA	NA	U-Net, ResNet18	Dice系数, Jaccard指数, 准确率	NA
5150	2025-12-14	A New Method Using Deep Learning to Predict the Response to Cardiac Resynchronization Therapy 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01380-8 PMID:39979759	研究论文	本研究提出了一种结合临床变量、心电图特征、心功能参数和SPECT MPI极坐标图的深度学习方法，用于预测心脏再同步化治疗（CRT）的应答	创新点在于将预训练的VGG16模型与多层感知器结合，整合了医学影像（SPECT MPI极坐标图）和表格数据（临床特征、心电图参数、SPECT-MPI衍生参数），并应用Grad-CAM提供模型可解释性	研究样本量相对较小（218例患者），且仅基于单中心数据，可能限制模型的泛化能力	旨在通过深度学习提高CRT治疗应答的预测准确性	接受静息门控SPECT MPI检查的CRT植入患者	医学影像分析	心血管疾病	门控单光子发射计算机断层扫描心肌灌注成像（SPECT MPI）	CNN, 多层感知器	图像, 表格数据	218例患者，其中应答者121例（应答率55.5%）	NA	VGG16	AUC, 准确率, 灵敏度, 特异性	NA
5151	2025-12-14	Ultrasound Thyroid Nodule Segmentation Algorithm Based on DeepLabV3+ with EfficientNet 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01436-3 PMID:40000546	研究论文	本研究提出了一种基于DeepLabV3+架构并结合EfficientNet-B7作为骨干网络的超声甲状腺结节分割算法	首次将EfficientNet-B7作为DeepLabV3+的骨干网络应用于甲状腺结节分割任务	未在摘要中明确说明	提高超声图像中甲状腺结节分割的准确性	超声图像中的甲状腺结节	计算机视觉	甲状腺结节	超声成像	深度学习分割模型	超声图像	郑州大学第一附属医院数据集及两个公共数据集	NA	DeepLabV3+, EfficientNet-B7	像素准确率, Dice相似系数, 交并比	NA
5152	2025-12-14	Explained Deep Learning Framework for COVID-19 Detection in Volumetric CT Images Aligned with the British Society of Thoracic Imaging Reporting Guidance: A Pilot Study 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01444-3 PMID:40011345	研究论文	本研究提出了一种可解释的多类深度学习框架，用于根据英国胸科影像学会（BSTI）报告指南在CT体积图像中检测COVID-19类别	开发了一种符合BSTI COVID-19报告指南的多类深度学习模型，并集成了事后视觉可解释性特征以突出显示图像中最具指示性的区域	模型在检测'不确定'COVID-19类别方面表现不佳，样本量较小（仅56个CT图像），且为试点研究	开发并评估一种深度学习框架，用于在CT图像中自动检测并分类COVID-19，以符合BSTI标准化报告指南	疑似COVID-19患者的CT体积图像	计算机视觉	COVID-19	CT成像	CNN	三维CT图像	56个CT伪匿名化图像	PyTorch	3D ResNet	准确率	NA
5153	2025-12-14	An Analysis of the Efficacy of Deep Learning-Based Pectoralis Muscle Segmentation in Chest CT for Sarcopenia Diagnosis 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01443-4 PMID:40011347	研究论文	本研究比较了三种深度学习模型在胸部CT图像中分割和测量胸肌面积的效果，以评估其在肌肉减少症诊断中的潜力	首次系统比较ResNet-UNet、Recurrent Residual UNet和UNet3+模型在胸部CT胸肌分割中的性能，并验证胸肌面积与L3水平肌肉面积的相关性	研究仅基于特定患者群体的CT图像，未考虑不同扫描协议或设备的影响，且样本量相对有限	评估胸部CT图像通过AI分割胸肌面积用于肌肉减少症诊断的可行性	胸部CT图像中的胸肌区域	计算机视觉	肌肉减少症	CT扫描	CNN	图像	1644名患者的4932张胸部CT图像，以及294名患者的腹部CT数据	NA	ResNet-UNet, Recurrent Residual UNet, UNet3+	Dice相似系数, 准确率, 灵敏度, 特异性	NA
5154	2025-12-14	Automated Tumor Segmentation in Breast-Conserving Surgery Using Deep Learning on Breast Tomosynthesis 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01457-y PMID:40032761	研究论文	本研究提出了一种基于改进U-Net架构的深度学习模型，用于在保乳手术中利用数字乳腺断层合成图像实现肿瘤的自动分割	首次将卷积块注意力模块（CBAM）整合到U-Net架构中，应用于数字乳腺断层合成图像的术中肿瘤分割，提高了分割精度	研究样本量较小（仅51例患者），未在不同机构或设备采集的数据上进行外部验证	提升保乳手术中肿瘤边界的术中分割精度，以改善手术切缘评估和手术效果	早期乳腺癌患者的数字乳腺断层合成图像	数字病理学	乳腺癌	数字乳腺断层合成	CNN	图像	51例患者病例	NA	U-Net with CBAM	IoU, Dice系数	NA
5155	2025-12-14	Diagnosing Ankylosing Spondylitis via Architecture-Modified ResNet and Combined Conventional Magnetic Resonance Imagery 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01427-4 PMID:40032762	研究论文	本研究通过改进的ResNet架构和结合传统磁共振图像，开发了一种深度学习模型用于诊断强直性脊柱炎	采用架构修改的ResNet50模型，结合多种传统MRI序列（T1w/T2w）进行训练，并通过YOLOv5自动提取骶髂关节区域，实现了高精度的AS诊断	研究样本量较小（仅56名患者），且仅使用传统MRI序列，未考虑其他影像模态或临床数据	探索利用卷积神经网络从传统MRI图像中自动诊断强直性脊柱炎的可行性，并确定最优的MRI序列组合	强直性脊柱炎患者和对照组的骶髂关节磁共振图像	计算机视觉	强直性脊柱炎	传统磁共振成像（MRI），包括T1w/T2w序列	CNN	图像	56名患者的1140个骶髂关节图像（534个AS，606个对照）	PyTorch	ResNet50, InceptionV3, VGG16, YOLOv5	准确率, 灵敏度, 特异性, ROC AUC, mAP@0.5	NA
5156	2025-12-14	Smartphone-Based Oral Lesion Image Segmentation Using Deep Learning 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01455-0 PMID:40032764	研究论文	本研究开发了一种基于深度学习的智能手机口腔病变图像分割模型OralSegNet，旨在辅助早期诊断	提出了一种新颖的UNet架构OralSegNet，结合EfficientNetV2L编码器、ASPP模块和残差块，以提升分割精度，并针对智能手机图像进行了优化	模型参数较多（1.0446亿），尽管计算效率较高，但可能在资源受限设备上部署时面临挑战；数据集规模相对有限（538张图像）	开发一种基于深度学习的解决方案，用于从智能手机拍摄的图像中分割口腔病变，以辅助早期诊断	口腔病变图像，包括癌性和非癌性病变	计算机视觉	口腔疾病	深度学习图像分割	CNN	图像	538张原始图像，平均分辨率为1394×1524像素，附带标注	NA	UNet, EfficientNetV2L	Dice系数, IoU分数	NA
5157	2025-12-14	SSW-YOLO: Enhanced Blood Cell Detection with Improved Feature Extraction and Multi-scale Attention 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01460-3 PMID:40032763	研究论文	本文提出了一种名为SSW-YOLO的新型算法，用于增强血细胞检测的准确性和效率	引入了空间到深度卷积层以增强特征提取、采用Swin Transformer实现多尺度注意力机制、简化c2f模块以降低模型复杂度、以及使用Wasserstein距离损失函数提高定位精度	NA	提升血细胞检测的准确性和效率，减少人工误差，加速血液疾病的诊断	血细胞	计算机视觉	血液疾病	深度学习	YOLO系列算法	医学图像	BCCD血细胞数据集	NA	YOLO, Swin Transformer	平均精度均值	NA
5158	2025-12-14	Application of TransUnet Deep Learning Model for Automatic Segmentation of Cervical Cancer in Small-Field T2WI Images 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01464-z PMID:40035972	研究论文	本研究开发了一种创新的深度学习模型，用于增强宫颈癌病变的自动分割	结合CNN提取局部信息和Transformer捕获长程依赖，构建TransUnet模型，并基于多方向MRI技术开发了三个不同方向的分割模型	NA	提高宫颈癌在磁共振图像中的自动分割精度，以辅助自动检测、分期和治疗规划	经病理证实的宫颈癌患者的T2WI小视野图像	计算机视觉	宫颈癌	磁共振成像（MRI），T2WI	CNN, Transformer	图像	来自222名患者的4063张T2WI小视野图像（矢状位、冠状位和斜轴位）	NA	TransUnet, U-Net	Dice相似系数（DSC）, 平均豪斯多夫距离（AHD）	NA
5159	2025-12-14	A Novel Pipeline for Adrenal Gland Segmentation: Integration of a Hybrid Post-Processing Technique with Deep Learning 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01449-y PMID:40038136	研究论文	本文提出了一种结合混合后处理技术与深度学习的肾上腺分割新流程，显著提升了CT图像中肾上腺分割的准确性	通过集成先进的预处理技术和鲁棒的后处理框架，特别是利用测试时间增强和去除未连接区域，显著提高了左右肾上腺的分割精度	NA	提升CT图像中肾上腺的自动分割准确性，以支持计算机辅助诊断和手术规划	CT图像中的左右肾上腺	医学图像分割	肾上腺相关疾病	CT成像	深度学习	CT图像	基于AMOS数据集	NA	2D UNet, VGG16, ResNet34, InceptionV3	Dice相似系数	NA
5160	2025-12-14	I-BrainNet: Deep Learning and Internet of Things (DL/IoT)-Based Framework for the Classification of Brain Tumor 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01470-1 PMID:40063173	研究论文	本研究提出了一种基于深度学习和物联网的框架I-BrainNet，用于脑肿瘤的分类	结合深度学习和物联网技术，开发了实时脑肿瘤分类框架I-BrainNet，并比较了多种深度学习网络在MRI与非MRI以及肿瘤与非肿瘤分类任务上的性能	未明确说明数据集的来源多样性、模型在外部验证集上的泛化能力，以及物联网框架在实际临床环境中的部署挑战	通过深度学习技术对脑肿瘤进行精确分类，以辅助临床诊断决策	脑肿瘤的多模态图像数据，包括CT和MRI扫描	计算机视觉	脑肿瘤	MRI, CT	CNN	图像	9616张MRI和CT扫描，其中8000张用于MRI与非MRI分类，4000张用于肿瘤与非肿瘤分类	TensorFlow, Keras	MobileNetV2, ResNet, InceptionV3, VGG16	准确率	NA