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
5741	2026-04-10	Analog optical computer for AI inference and combinatorial optimization 2025-09, Nature IF:50.5Q1 DOI:10.1038/s41586-025-09430-z PMID:40903585	研究论文	本文介绍了一种结合模拟电子学和三维光学的模拟光学计算机，用于在单一平台上加速AI推理和组合优化	提出了一种结合模拟电子学和三维光学的模拟光学计算机，通过快速定点搜索避免数字转换并增强噪声鲁棒性，实现了AI推理和组合优化的双域能力	未明确说明	开发一种能同时加速AI推理和组合优化的节能计算平台	模拟光学计算机硬件及其在AI和优化任务中的应用	机器学习	NA	模拟光学计算、三维光学技术	NA	图像数据（医学图像重建、图像分类）、金融交易数据	NA	NA	NA	NA	基于可扩展的消费级技术构建
5742	2026-04-10	Deep Learning-Based Segmentation of Gravity-Loaded Human Spine 2025-06-10, Journal of visualized experiments : JoVE DOI:10.3791/67781 PMID:40587489	研究论文	本研究提出了一种基于深度学习的协议，用于在重力加载条件下分割人体脊柱的3D图像	首次使用结合3D卷积层和残差连接的U-Net CNN，对重力加载（站立位）CBCT图像中的脊柱结构进行分割，并支持分割模型导出为STL格式用于3D打印	未明确提及模型在外部验证集上的泛化性能，以及处理不同扫描仪或患者群体时的鲁棒性	开发一种可靠且可适应的工具，用于在重力加载条件下准确分割脊柱及其他解剖结构，以支持临床诊断和研究	重力加载条件下的人体脊柱、骨盆和股骨头	计算机视觉	脊柱侧弯，退行性椎间盘疾病	负重锥形束计算机断层扫描（CBCT）	CNN	3D图像	NA	NA	U-Net	NA	NA
5743	2026-04-10	DSAM: A deep learning framework for analyzing temporal and spatial dynamics in brain networks 2025-Apr, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103462 PMID:39892220	研究论文	提出了一种名为DSAM的新型可解释深度学习框架，用于直接从时间序列中学习任务特定的功能连接矩阵，并利用专门的图神经网络进行最终分类，以分析脑网络的时空动态	提出了一种可解释的深度学习框架，能够直接从时间序列中学习任务特定的功能连接矩阵，并整合了时间因果卷积网络、时间注意力单元、自注意力单元以及一种新颖的图神经网络变体，以同时捕获时空动态	未明确提及研究的局限性	开发一个深度学习框架，以更准确地建模和分析静息态功能磁共振成像数据中脑网络的时空动态，超越静态或滑动窗口功能连接矩阵的假设	人脑功能连接网络	机器学习	NA	静息态功能磁共振成像	图神经网络, 卷积神经网络, 注意力机制	时间序列数据	Human Connectome Project数据集1075个样本，Adolescent Brain Cognitive Development数据集8520个样本	NA	时间因果卷积网络, 时间注意力单元, 自注意力单元, 图神经网络变体	NA	NA
5744	2025-03-05	Unveiling the Future: A Deep Learning Model for Accurate Detection of Adrenal Nodules 2025-Mar, Radiology IF:12.1Q1 DOI:10.1148/radiol.250387 PMID:40035670	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5745	2026-04-10	Two-Stage Deep Learning Model for Adrenal Nodule Detection on CT Images: A Retrospective Study 2025-03, Radiology IF:12.1Q1 DOI:10.1148/radiol.231650 PMID:40035671	研究论文	本研究开发并测试了一个用于在腹部CT图像上自动检测肾上腺结节的两阶段深度学习模型，并模拟了其与人工解读结合的分诊性能	提出了一个针对左右肾上腺分别训练的两阶段（检测与分割）深度学习架构，并首次在大型外部数据集上模拟了模型与人工解读结合的分诊性能	这是一项回顾性研究，可能存在选择偏倚；模型性能在左右肾上腺结节上存在差异，分割精度有待提高	开发一个自动检测肾上腺结节的深度学习模型，以辅助临床分诊和管理	肾上腺结节	计算机视觉	肾上腺疾病	CT成像	深度学习模型	CT图像	内部数据集995名患者，外部测试集12080名患者，内部测试集2有1214名患者	NA	两阶段顺序检测与分割模型	AUC, 交并比	NA
5746	2026-04-10	MRI-based Deep Learning Algorithm for Assisting Clinically Significant Prostate Cancer Detection: A Bicenter Prospective Study 2025-03, Radiology IF:12.1Q1 DOI:10.1148/radiol.232788 PMID:40067105	研究论文	本研究是一项前瞻性双中心研究，旨在比较商用深度学习算法与放射科医生临床报告在检测临床显著性前列腺癌方面的诊断性能	前瞻性验证了商用深度学习算法在前列腺癌检测中的应用，并探索了将算法结果用于调节放射科医生不确定诊断（PI-RADS 3分）以提升特异性的临床场景	研究样本量相对有限（205名男性，259个病灶），且算法仅使用双参数MRI，未纳入所有影像序列	评估深度学习算法辅助检测临床显著性前列腺癌的诊断性能	疑似前列腺癌并计划进行活检的男性患者	数字病理	前列腺癌	双参数MRI	深度学习算法	MRI图像	205名男性（中位年龄68岁），共评估259个病灶，其中包含117个临床显著性前列腺癌病灶	NA	NA	AUC, 敏感性, 特异性, 阳性预测值	NA
5747	2026-04-10	Arthroscopy-validated Diagnostic Performance of 7-Minute Five-Sequence Deep Learning Super-Resolution 3-T Shoulder MRI 2025-02, Radiology IF:12.1Q1 DOI:10.1148/radiol.241351 PMID:39964264	研究论文	本研究验证了7分钟并行成像加速的深度学习超分辨率3-T肩关节MRI在诊断肩部病变中的临床效能	首次通过关节镜检查验证了快速深度学习超分辨率肩关节MRI的诊断性能，实现了7分钟扫描时间	回顾性研究设计，样本量相对较小（121名成人），部分病变（如软骨缺损）的诊断准确性较低	验证加速深度学习超分辨率肩关节MRI对肩部病变的诊断准确性	患有疼痛性肩部疾病的成人患者	数字病理学	肩部疾病	并行成像加速的深度学习超分辨率MRI	深度学习模型	MRI图像	121名成人（平均年龄55岁±14，75名男性）	NA	超分辨率网络	敏感性, 特异性, 准确性, AUC	3-T MRI扫描仪
5748	2026-04-10	Automated CT Measurement of Total Kidney Volume for Predicting Renal Function Decline after 177Lu Prostate-specific Membrane Antigen-I&T Radioligand Therapy 2025-02, Radiology IF:12.1Q1 DOI:10.1148/radiol.240427 PMID:39998377	研究论文	本研究利用基于深度学习的自动化工具从CT图像中测量总肾脏体积，以预测接受177Lu-PSMA-I&T放射性配体治疗的转移性去势抵抗性前列腺癌患者的肾功能下降	首次将基于nnU-Net框架的深度学习分割模型TotalSegmentator用于自动化测量总肾脏体积，并证明其在预测放射性配体治疗后肾功能下降方面优于其他基线风险因素和早期eGFR变化	这是一项回顾性研究，样本量相对较小（121名患者），且仅针对接受特定治疗（至少四个周期Lu-PSMA-I&T）的患者，结果可能无法推广到其他治疗或早期患者	识别接受Lu-PSMA-I&T放射性配体治疗的转移性去势抵抗性前列腺癌患者发生临床显著肾功能恶化的预测标志物	接受至少四个周期177Lu-PSMA-I&T放射性配体治疗的转移性去势抵抗性前列腺癌患者	数字病理学	前列腺癌	CT成像，放射性配体治疗（177Lu-PSMA-I&T）	深度学习分割模型	CT图像	121名患者（平均年龄76岁±7岁）	nnU-Net	TotalSegmentator（基于nnU-Net框架）	受试者工作特征曲线下面积，Youden指数	NA
5749	2026-04-10	A novel approach in cancer diagnosis: integrating holography microscopic medical imaging and deep learning techniques-challenges and future trends 2025-Jan-29, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad9eb7 PMID:39671712	综述	本文探讨了将全息显微医学成像与深度学习技术相结合用于癌症诊断的新方法，分析了其优势、挑战及未来趋势	提出了一种结合定量相位成像（QPI）与深度学习（如U-Net和Vision Transformer）的集成方法，以捕获传统成像技术无法提供的详细结构（相位）信息，从而提高癌症诊断的准确性	文中未明确提及具体实验数据或样本量，主要基于文献综述和分析，因此缺乏实证研究的局限性讨论	研究旨在通过整合全息显微相位成像和深度学习技术，改进癌症诊断的准确性和全面性	癌症诊断中的生物结构成像，特别是通过全息显微技术捕获的振幅和相位细节	数字病理学	癌症	全息显微医学成像，定量相位成像（QPI）	深度学习模型，包括U-Net和Vision Transformer（ViT）	全息显微图像	NA	NA	U-Net, Vision Transformer（ViT）	NA	NA
5750	2026-04-10	Deep Learning to Simulate Contrast-Enhanced MRI for Evaluating Suspected Prostate Cancer 2025-01, Radiology IF:12.1Q1 DOI:10.1148/radiol.240238 PMID:39807983	研究论文	本研究评估了使用深度学习从非对比MRI序列生成模拟对比增强MRI的可行性，并探讨其在评估临床显著前列腺癌中的潜在价值	首次利用pix2pix算法从四种非对比MRI序列合成对比增强MRI，以减少对比剂使用的潜在风险	研究为回顾性设计，且模拟图像与真实图像的相似度在外部测试集上有所下降	评估深度学习生成模拟对比增强MRI的可行性及其在前列腺癌PI-RADS评分中的应用价值	疑似前列腺癌的男性患者	数字病理学	前列腺癌	多参数MRI，包括T1加权成像、T2加权成像、扩散加权成像和表观扩散系数图	GAN	MRI图像	567名男性患者（平均年龄66岁±11），分为训练测试集（244例）、内部测试集（104例）、外部测试集1（143例）和外部测试集2（76例）	NA	pix2pix	多尺度结构相似性指数，Cohen κ	NA
5751	2026-04-10	Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT 2025-01, Radiology IF:12.1Q1 DOI:10.1148/radiol.233029 PMID:39835976	研究论文	本研究开发并评估了一种基于集成深度学习的模型，用于自动化检测和分割CT扫描中的肺部肿瘤	采用3D U-Net集成方法，平衡了体积上下文与分辨率，并展示了模型在外部站点上的泛化能力	研究为回顾性设计，可能受限于数据集的特定来源和时间范围	开发自动化工具以辅助肺部肿瘤的检测和分割，减少人工标注的负担和变异性	CT模拟扫描图像及临床肺部肿瘤分割标注	计算机视觉	肺癌	CT扫描	深度学习	图像	训练集：1,504个CT扫描；测试集：150个CT扫描（其中100个为单肿瘤子集）	NA	3D U-Net	灵敏度, 特异度, 假阳性率, Dice相似系数	NA
5752	2025-01-29	Deep Learning MRI Reconstruction Delivers Superior Resolution and Improved Diagnostics 2025-Jan, Radiology IF:12.1Q1 DOI:10.1148/radiol.242952 PMID:39873600	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5753	2026-04-10	Deep Learning Superresolution for Simultaneous Multislice Parallel Imaging-Accelerated Knee MRI Using Arthroscopy Validation 2025-01, Radiology IF:12.1Q1 DOI:10.1148/radiol.241249 PMID:39873603	研究论文	本研究通过关节镜验证，评估了深度学习超分辨率技术在膝关节MRI中的诊断性能	首次使用关节镜作为独立参考标准，验证了深度学习超分辨率技术在加速膝关节MRI中的诊断性能	研究样本量相对较小（116名成人），且仅针对膝关节特定病变进行评估	验证深度学习超分辨率MRI在膝关节病变诊断中的性能	患有膝关节疼痛的成人患者	医学影像分析	膝关节疾病	深度学习超分辨率, 同时多层并行成像加速MRI	深度学习模型	MRI图像	116名成人（平均年龄45岁，74名男性）	NA	NA	AUC, Cohen κ, Gwet AC2, Likert评分	3 T MRI扫描仪
5754	2026-04-10	RETRACTED: Fast fault diagnosis of smart grid equipment based on deep neural network model based on knowledge graph 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315143 PMID:39951439	研究论文	本文提出了一种基于知识图谱和YOLOv4目标检测算法的智能电网设备故障诊断模型，旨在提高诊断准确性和效率	创新性地将YOLOv4目标检测算法与知识图谱结合，统一多模态信息的表征和存储，以提升智能电网设备故障诊断的准确性和速度	未在摘要中明确提及具体限制，如模型泛化能力、数据多样性或实际部署挑战	开发一种更准确、快速且易于操作的智能电网设备故障诊断技术，以解决现有技术中应用复杂和诊断率低的问题	智能电网设备及其故障诊断	机器学习	NA	深度学习多模态语义模型和知识图谱	CNN	多模态信息（可能包括图像、文本等）	NA	NA	YOLOv4	准确性、速度、易操作性	NA
5755	2026-04-10	RETRACTED: Optimizing chemotherapeutic targets in non-small cell lung cancer with transfer learning for precision medicine 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319499 PMID:40299923	研究论文	本文提出了一种结合混合UNet Transformer、改进Rime优化算法和深度迁移学习的药物发现模型，用于识别非小细胞肺癌的化疗靶点	提出了一种混合UNet Transformer架构用于从药物和蛋白质序列中提取深度特征，并引入了改进的Rime优化算法进行特征选择，同时设计了深度迁移学习模型以提高药物发现的准确性	未提及模型在临床实际应用中的验证情况，也未讨论模型对不同患者亚群的泛化能力	优化非小细胞肺癌的化疗靶点识别，推动精准医疗发展	非小细胞肺癌患者的药物靶点	机器学习	肺癌	特征提取，迁移学习	Transformer, UNet, LSTM	序列数据（药物序列和蛋白质序列）	使用了Davis、KIBA和Binding-DB三个基准数据集，具体样本数量未明确说明	NA	混合UNet Transformer, DTransL	准确率	NA
5756	2026-04-10	RETRACTED: TGEL-transformer: Fusing educational theories with deep learning for interpretable student performance prediction 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0327481 PMID:40587446	研究论文	本研究提出了一个融合教育理论与深度学习的TGEL-Transformer框架，用于可解释的学生成绩预测	提出了理论指导的TGEL-Transformer框架，首次将多元智能理论和社会认知理论融入深度学习模型，设计了双通道特征处理模块、理论指导的四头注意力机制和可解释预测层	未在摘要中明确说明	解决传统教育数据挖掘方法难以整合异构特征数据、现有深度学习模型缺乏教育理论指导且可解释性不足的问题	学生	教育数据挖掘	NA	深度学习	Transformer	异构特征数据（认知、情感、环境维度）	6,608名学生（主要数据集），480名跨文化数据（外部验证）	未在摘要中明确说明	TGEL-Transformer（Theory-Guided Educational Learning Transformer）	RMSE, R2	未在摘要中明确说明
5757	2026-04-10	Artificial intelligence in breast ultrasound: a systematic review of research advances 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1619364 PMID:41098709	综述	本研究通过文献计量可视化分析，总结了人工智能集成超声技术在乳腺癌领域的研究进展、热点、趋势及国际合作模式	首次对2004-2025年间人工智能在乳腺超声领域的文献进行系统性文献计量与可视化分析，揭示了该领域的发展轨迹、核心研究力量及新兴主题	分析仅基于Web of Science核心合集数据库，可能未涵盖所有相关文献；研究结果存在地域性差异，全球合作仍需加强	总结人工智能在乳腺超声领域的研究进展，为临床诊断和治疗决策提供参考	2004-2025年间发表的关于人工智能集成超声技术用于乳腺癌的相关学术文献	医学影像分析	乳腺癌	文献计量分析，可视化分析	NA	文献元数据（发表量、引用、合作网络、关键词等）	1876篇纳入分析的学术文章	VOSviewer, CiteSpace, Microsoft Excel	NA	发表数量，总引用次数，关键词聚类，突现检测	NA
5758	2026-04-10	Automated Segmentation of MRI White Matter Hyperintensities in 8421 Patients with Acute Ischemic Stroke 2024-12-09, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8418 PMID:39013565	研究论文	本研究开发并验证了用于急性缺血性卒中患者白质高信号（WMH）自动分割的深度学习算法，使用了来自9个中心的8421名患者的多中心数据集	首次在大规模多中心数据集（8421名患者）上开发和验证了用于急性缺血性卒中患者WMH自动分割的深度学习算法，并引入了基于Kullback-Leibler散度的不确定性指数来识别分割不准确的病例	研究未明确说明算法在不同亚组患者（如不同年龄、性别或卒中严重程度）中的性能差异，也未讨论算法在临床实践中的实时应用可行性	开发并验证能够准确分割急性缺血性卒中患者白质高信号（WMH）的深度学习算法	8421名急性缺血性卒中患者的FLAIR MRI图像	数字病理学	心血管疾病	FLAIR MRI	CNN	图像	8421名患者（2408张用于训练，6013张用于验证）	NA	UNet, SE-UNet	Dice相似系数（DSC）, 相关系数, 一致性相关系数	NA
5759	2026-04-10	Ligand Identification in CryoEM and X-ray Maps Using Deep Learning 2024-Dec-09, bioRxiv : the preprint server for biology DOI:10.1101/2024.08.27.610022 PMID:39257821	研究论文	本文提出了一种基于深度学习的配体识别方法，适用于X射线衍射和冷冻电镜密度图	首次将深度学习应用于冷冻电镜密度图的配体识别，并将密度图视为3D点云处理	冷冻电镜图的标准化和配体质量评估存在挑战	开发一种自动识别小分子配体的方法，以辅助结构导向的药物设计	X射线衍射和冷冻电镜密度图中的小分子配体	计算机视觉	NA	X射线衍射，冷冻电镜	深度学习	3D点云	NA	NA	NA	NA	NA
5760	2026-04-10	Convolutional neural network models describe the encoding subspace of local circuits in auditory cortex 2024-Nov-08, bioRxiv : the preprint server for biology DOI:10.1101/2024.11.07.622384 PMID:39574636	研究论文	本文开发了一种可视化卷积神经网络（CNN）捕获的调谐子空间的方法，用于解释听觉皮层局部回路对自然声音的编码机制	提出了一种通过动态谱时感受野（dSTRF）和主成分分析（PCA）来可视化CNN编码子空间的方法，揭示了听觉皮层神经元的非线性响应多样性和局部群体中的稀疏表示	方法主要基于线性近似（dSTRF），可能无法完全捕捉CNN的所有非线性特性；研究仅针对被动聆听的雪貂听觉皮层，结果推广性需进一步验证	解释卷积神经网络在预测听觉皮层神经活动时性能提升的计算特性，并建立深度学习模型的可解释性框架	雪貂初级听觉皮层（A1）中的单个神经元活动	计算神经科学	NA	高通道数微电极阵列记录	CNN	神经电生理信号（尖峰率）和自然声音刺激	使用大型自然声音集进行记录，具体样本数量未明确说明	NA	CNN（具体架构未指定）	预测准确性（与完整CNN比较）	NA