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
6041	2026-01-21	Convolutional recurrent U-net for cardiac cine MRI reconstruction via effective spatio-temporal feature exploitation 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70245 PMID:41474064	研究论文	本文提出了一种名为CRUNet-MR的新型深度学习模型，通过结合卷积循环操作与U-Net架构，有效利用心脏电影MRI序列的时空特征，以提升高加速条件下的图像重建性能	将卷积循环操作与U-Net结构相结合，持续提取时间特征并融合细粒度空间细节与高层语义信息，同时引入扩张卷积以扩大空间感受野，探索不同扩张因子的组合以优化整体性能	模型在公开数据集上表现优异，但未在更广泛或多样化的临床数据集中进行全面验证，且内部数据集规模较小，可能影响泛化能力的全面评估	提升心脏电影MRI在高加速条件下的图像重建质量，通过有效利用时空特征来加速扫描并保持诊断准确性	心脏电影MRI序列，特别是动态心脏区域	计算机视觉	心血管疾病	心脏电影MRI	深度学习模型	图像	训练集120名受试者，验证集60名，测试集120名，外加一个小型内部LUMC数据集	NA	U-Net, 卷积循环网络	SSIM	NA
6042	2026-01-21	A deep-learning model for one-shot transcranial ultrasound simulation and phase aberration correction 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70259 PMID:41474058	研究论文	本文提出了一种深度学习模型TUSNet，用于快速准确地模拟经颅超声压力场并进行相位畸变校正	开发了TUSNet这一端到端神经网络，实现了超快速（21毫秒）的经颅超声压力场预测和相位校正，计算速度比传统方法k-Wave快1200倍以上	当前验证基于模拟、无噪声的超声场，未来需要在真实临床条件下进行实验研究以评估性能	解决经颅超声治疗中计算效率与准确性之间的权衡问题，加速超声治疗规划	经颅超声压力场和相位畸变校正	机器学习	NA	深度学习	神经网络	CT图像	训练集：180432个合成颅骨CT片段；测试集：1232个真实颅骨CT片段	NA	TUSNet	峰值压力幅度估计准确率，焦点定位误差	4x NVIDIA A100 80 GB GPUs
6043	2026-01-21	Deep learning-based severity grading of Meniere's disease using 2D MRI 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70268 PMID:41491611	研究论文	本文开发了一种基于深度学习的多阶段严重程度评估系统（MSAS），用于利用2D MRI对梅尼埃病进行精确分割和严重程度分层	提出了一种新颖的深度学习框架MSAS，整合了序列级预测和切片级分割，并结合了HOG、SVM、YOLO-V5和Grad-CAM技术，提高了梅尼埃病严重程度分级的准确性和可解释性	研究样本量相对有限（开发队列189例，外部测试集70例），且仅基于2D MRI数据，可能未涵盖所有临床变异	开发并评估一个深度学习框架，以提升梅尼埃病的诊断准确性和严重程度分级	梅尼埃病患者	数字病理学	梅尼埃病	2D磁共振成像（MRI）	YOLO-V5, SVM	图像	开发队列189例患者，外部测试集70例患者	NA	YOLO-V5	IoU, Dice系数, 准确率, mAP, AUC	NA
6044	2026-01-21	Image enhancement for accelerated MRI using a joint GAN and diffusion model framework 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70242 PMID:41492035	研究论文	本研究提出了一种结合生成对抗网络和扩散模型的深度学习框架，用于增强加速MRI的图像质量，以减少采集时间并确保肿瘤靶向的准确性	提出了一种新颖的端到端深度学习框架RRENet，首次将GAN和扩散模型结合用于加速MRI图像增强，并引入了高频分离训练模块以保留精细解剖细节	研究样本量相对较小（62名患者），且仅针对特定类型的MRI（3D T2加权）和特定疾病（胶质瘤）进行了验证	提升加速MRI采集的图像质量，以确保精确的肿瘤靶向配准并缩短患者在治疗床上的时间	62名胶质瘤患者的72对3D T2加权MRI扫描（标准协议与加速协议）	计算机视觉	胶质瘤	MRI	GAN, 扩散模型	图像	62名患者的72对3D T2加权MRI扫描	NA	RRENet	PSNR, SSIM, RMSE	NA
6045	2026-01-21	An exploratory study on integrating radiomics with vision transformers for enhancing medical imaging classification accuracy 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70246 PMID:41499345	研究论文	本研究提出了一种将影像组学特征与视觉Transformer（ViT）相结合的统一框架（RE-ViT），用于提升医学图像分类的准确性	提出了一种新颖的Radiomics-Embedded Vision Transformer（RE-ViT）框架，首次将手工提取的影像组学特征与ViT的数据驱动视觉嵌入在ViT架构内进行融合，以弥补ViT在医学影像中数据需求大、缺乏归纳偏置的不足，并增强特征表示能力	研究仅在三个公开数据集上进行了验证，模型的普适性有待在更多样化的数据集和临床场景中进一步检验；RE-ViT框架的复杂性可能带来计算开销的增加	开发并评估一个融合影像组学和ViT嵌入的框架，以改善异质性医学数据集的图像分类特征表示	医学图像，具体包括乳腺超声图像（BUSI）、胸部X光图像（ChestXray2017）和视网膜OCT图像（Retinal OCT）	计算机视觉	乳腺癌, 肺炎, 视网膜疾病	影像组学特征提取, 深度学习	Vision Transformer (ViT), CNN	图像	三个公开数据集：BUSI、ChestXray2017、Retinal OCT，使用10折交叉验证	PyTorch	Vision Transformer (ViT), VGG-16, ResNet, TransMed	准确率, AUC, 灵敏度, 特异性	NA
6046	2026-01-21	Fluoro-forest: a random forest workflow for cell type annotation in high-dimensional immunofluorescence imaging with limited training data 2026, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbaf320 PMID:41523652	研究论文	提出一个名为Fluoro-forest的随机森林工作流，用于在训练数据有限的高维免疫荧光成像中进行细胞类型注释	采用半监督随机森林方法，结合基于聚类的采样和下游可视化，以提升细胞类型注释的准确性和可解释性	训练数据量有限（少于总细胞数的5%），可能影响模型在更复杂数据上的泛化能力	开发一个端到端管道，以改进高维免疫荧光成像中的细胞类型注释	免疫荧光成像数据中的细胞	数字病理学	NA	循环免疫荧光（IF）技术	随机森林	图像	NA	NA	随机森林	NA	NA
6047	2026-01-21	Core Concepts for Early Childhood Microbiology Education 2026-Jan, Microbial biotechnology IF:4.8Q1 DOI:10.1111/1751-7915.70268 PMID:41543496	研究论文	本文探讨了如何将微生物学有意义地整合到学龄前儿童（6岁以下）的科学教育中	提出并实施了一个名为Ciencia Maravilla的早期儿童微生物学教育项目，结合游戏、故事讲述和实验，以促进好奇心、批判性思维和早期科学素养，并倡导超越以人类健康为中心的更广泛的生态学视角	NA	研究如何将微生物学整合到学龄前儿童的科学教育中，以培养科学思维技能并纠正对微生物的常见误解	学龄前儿童（6岁以下）	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6048	2026-01-21	Towards practical AI for agriculture: A self-supervised attention framework for Spinach leaf disease detection 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340989 PMID:41544134	研究论文	本文提出了一种用于菠菜叶病害检测的自监督注意力框架，旨在开发实用的农业人工智能应用	结合了自监督预训练（SimSiam）、注意力机制（CBAM）和Transformer架构，在有限标注数据下实现了高精度和可解释性，并针对边缘部署进行了优化	模型在ImageNet-22k预训练的SwinV2-Base上达到更高精度，但参数量大且依赖大规模预训练，边缘部署可行性较低	开发高效且可解释的深度学习框架，用于自动检测马拉巴尔菠菜叶病害	马拉巴尔菠菜叶片	计算机视觉	植物病害	深度学习，自监督学习，注意力机制	CNN, Transformer	图像	从哈比甘杰农业大学收集并补充公开样本的马拉巴尔菠菜图像数据集，分为三类：链格孢叶斑病、草莓螨侵染和健康叶片	PyTorch	SpinachCNN, Spinach-ResSENet, Vision Transformer (SpinachViT), SwinV2-Base, SimSiam-CBAM-ResNet-50	准确率, 宏ROC-AUC, 校准误差	NA
6049	2026-01-21	Evaluation of deep learning-based methods for automatic detection and segmentation of brain metastases in T1-contrast MRI for stereotactic radiosurgery 2026-Jan, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70459 PMID:41546659	研究论文	本研究评估并比较了基于不同框架的深度学习模型在T1对比增强MRI中自动检测和分割脑转移瘤的性能	首次对基于CNN、Transformer和Mamba架构的多种深度学习模型在脑转移瘤检测与分割任务上进行了全面的比较分析	研究为回顾性设计，且主要基于单中心数据，可能存在选择偏倚	评估和比较不同深度学习框架在脑转移瘤自动检测和分割中的性能，以辅助立体定向放射外科治疗规划	T1对比增强MRI图像中的脑转移瘤	数字病理	脑转移瘤	T1对比增强MRI	CNN, Transformer, Mamba	图像	934例患者（667例来自公开数据集，267例来自本机构）	NA	U-Mamba, nnU-Netv2	灵敏度, Dice相似系数, 阳性预测值, 表面DSC, Hausdorff距离95%	NA
6050	2026-01-21	A generic registration-assisted framework for dynamic magnetic resonance imaging super-resolution with misaligned training data 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70277 PMID:41549627	研究论文	提出了一种通用的配准辅助动态磁共振成像超分辨率框架，用于处理训练数据未对齐的问题	提出了一种通用的配准辅助超分辨率框架，允许在临床获取的未对齐低分辨率-高分辨率图像对上直接进行监督学习，通过超分辨率与配准任务的协同作用相互提升性能	未明确说明计算资源需求，且仅在腹部和心脏MRI数据集上进行了验证	解决动态磁共振成像中因生理运动导致的训练数据未对齐问题，提升超分辨率重建质量	动态磁共振成像数据	医学图像处理	NA	动态磁共振成像	深度学习	图像	腹部4D MRI数据集（20个训练案例，6个验证案例），心脏电影MRI数据集（100个训练案例，50个验证案例）	NA	多尺度递归配准网络	平均绝对误差, 结构相似性指数, 峰值信噪比, 学习感知图像块相似度, 自然图像质量评估器	NA
6051	2026-01-21	Prototype bank-driven test-time adaptation for medical ultrasound image segmentation 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70280 PMID:41549639	研究论文	本文提出了一种基于原型库的测试时自适应框架，用于解决医学超声图像分割中的域偏移问题	提出了一种无需源数据或目标标签的测试时自适应框架，结合动态统计融合模块和原型库引导的语义自适应模块，采用双分类器策略，无需反向传播更新模型参数	未明确说明框架在更广泛医学图像模态或更大规模数据集上的泛化能力	解决医学超声图像分割中因成像设备、采集协议和操作技术变化导致的域偏移问题	超声图像中的乳腺肿瘤和甲状腺肿瘤分割	医学图像分割	乳腺肿瘤, 甲状腺肿瘤	深度学习	深度神经网络	超声图像	NA	NA	NA	Dice系数	NA
6052	2026-01-21	Cycle-Consistent Zero-Shot Through-Plane Super-Resolution for Anisotropic Head MRI 2026, Information processing in medical imaging : proceedings of the ... conference DOI:10.1007/978-3-031-96628-6_17 PMID:41552688	研究论文	本文提出了一种基于循环一致性的零样本各向异性头部MRI超分辨率方法，利用去噪扩散零空间模型确保高分辨率图像与低分辨率观测的精确一致性	通过分析2D MRI采集的前向问题构建线性映射，结合去噪扩散概率模型实现零样本超分辨率，保证循环一致性同时生成逼真图像	方法主要针对T1加权头部MRI图像，在其他MRI序列或身体部位的泛化能力未验证	解决临床各向异性MRI图像的低分辨率问题，通过超分辨率技术提升图像质量	各向异性头部MRI图像	医学影像处理	NA	MRI成像	去噪扩散概率模型	MRI图像	来自多个数据集的T1加权头部MRI图像，包括训练集保留对象及两个外部站点数据	NA	DDNM（去噪扩散零空间模型）	失真度量，感知度量	NA
6053	2026-01-21	The Intelligent Evolution of Radar Signal Deinterleaving: A Systematic Review from Foundational Algorithms to Cognitive AI Frontiers 2025-Dec-31, Sensors (Basel, Switzerland) DOI:10.3390/s26010248 PMID:41516682	综述	本文系统回顾了雷达信号分选领域从基础算法到认知人工智能前沿的智能演进历程	提供了一个统一数学框架，全面连接了算法演进与现代电磁环境的挑战，并深入探讨了深度学习、自监督学习、元学习、多站融合及大语言模型集成等新兴前沿	NA	系统分析雷达信号分选技术的发展，并指导未来端到端智能自主分选系统的研究	雷达信号分选算法与技术	机器学习	NA	NA	RNN, Transformer, CNN, GNN	信号数据	NA	NA	RNN, Transformer, CNN, GNN	NA	NA
6054	2026-01-21	Functional architecture of cardiac TF regulatory landscapes in control of mammalian heart development 2025-Dec-22, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.19.695499 PMID:41509364	研究论文	本研究通过功能基因组学方法，揭示了控制哺乳动物心脏发育的转录因子调控景观的功能架构	整合单核多组学分析、深度学习、位点特异性转基因和染色质构象建模，首次系统绘制了心脏增强子库和调控特征图谱，并发现了上游调控区间在转录控制中的关键作用	研究主要基于小鼠胚胎模型，人类心脏发育的调控景观可能存在物种特异性差异	解析先天性心脏病相关的基因调控网络，阐明心脏发育过程中转录因子剂量控制的增强子架构	小鼠胚胎心脏、心脏转录因子（如Mef2c、Tbx5）、心脏增强子模块	基因组学	先天性心脏病	单核多组学分析、基因组编辑、位点特异性转基因、染色质构象捕获	深度学习模型	基因组序列、单细胞多组学数据、染色质构象数据	小鼠胚胎心脏样本（具体数量未明确说明）	NA	NA	NA	NA
6055	2026-01-21	A Multi-phase CT Dataset for Automated Differential Diagnosis of Liver Tumors 2025-Dec-15, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06343-4 PMID:41392114	研究论文	本文介绍了一个用于肝脏肿瘤自动鉴别诊断的多期相CT数据集MCT-LTDiag	提出了一个包含517个病例、涵盖五个肿瘤亚型的标准化多期相CT数据集，并展示了多期相整合能显著提升诊断性能	NA	开发一个用于肝脏肿瘤自动鉴别诊断的基准数据集	肝脏肿瘤患者的多期相CT扫描图像	数字病理学	肝癌	多期相对比增强CT扫描	机器学习,深度学习	图像	517个病例	NA	NA	NA	NA
6056	2026-01-21	Renji endoscopic submucosal dissection video data set for Esophagus 2025-Dec-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06252-6 PMID:41372209	研究论文	本研究介绍了首个公开的食管内镜黏膜下剥离术视频数据集，包含25个手术视频和141,909个阶段标注	这是首个公开的、包含全面阶段标注的食管ESD视频数据集	数据集规模相对较小（仅25个手术视频），可能限制模型的泛化能力	为人工智能辅助内镜手术提供高质量的标注数据集，支持手术阶段识别研究	食管内镜黏膜下剥离术（ESD）视频	计算机视觉	食管疾病	内镜黏膜下剥离术（ESD）	深度学习	视频	25个手术视频，包含141,909个阶段标注	NA	NA	NA	NA
6057	2026-01-21	Quantitative CT Imaging in Progressive Pulmonary Fibrosis: Clinical Usefulness and Meaningful Threshold Definition 2025-Dec-06, Chest IF:9.5Q1 DOI:10.1016/j.chest.2025.11.031 PMID:41360185	研究论文	本研究通过深度学习定量CT成像算法，确定了非特发性肺纤维化间质性肺病患者中定义进行性肺纤维化的最小临床重要差异阈值，并评估其预后价值	首次使用深度学习定量CT成像算法定义了非特发性肺纤维化间质性肺病患者中FS变化的1年和6个月MCID阈值，并验证了这些阈值在预后预测和风险分层中的临床实用性	研究为回顾性设计，可能受到选择偏倚的影响，且仅基于单一中心的患者数据，外部验证尚需进一步研究	确定定量CT成像中FS变化的MCID阈值，并评估其在定义进行性肺纤维化和预测患者预后中的临床意义	非特发性肺纤维化间质性肺病患者	数字病理学	肺纤维化	深度学习定量CT成像算法	深度学习	CT图像	476名患者	NA	NA	最小临床重要差异, 风险比, 95%置信区间	NA
6058	2026-01-21	Mutualistic Multi-Network Noisy Label Learning (MMNNLL) Method and Its Application to Transdiagnostic Classification of Bipolar Disorder and Schizophrenia 2025-Dec, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3585880 PMID:40614156	研究论文	本文提出了一种互惠多网络噪声标签学习方法，旨在通过神经影像数据提高双相情感障碍和精神分裂症的跨诊断分类准确性	提出了一种新的互惠多网络噪声标签学习方法，通过最大化深度神经网络在识别和利用干净与噪声标签样本时的一致性，有效处理临床诊断中可能存在的偏差或错误	未明确说明方法在更广泛精神疾病或不同神经影像数据上的泛化能力	提高精神疾病的诊断准确性，特别是针对双相情感障碍和精神分裂症的跨诊断分类	双相情感障碍和精神分裂症患者	机器学习	精神疾病	神经影像数据（功能连接性）	深度神经网络	图像数据（神经影像）	未明确指定患者样本数量，但使用了公共CIFAR-10和PathMNIST数据集进行验证	未明确指定	未明确指定	分类准确率	NA
6059	2026-01-21	Depthwise-Dilated Convolutional Adapters for Medical Object Tracking and Segmentation Using the Segment Anything Model 2 2025-Dec, Machine learning: science and technology DOI:10.1088/2632-2153/ae13d1 PMID:41551748	研究论文	提出了一种用于医学视频对象跟踪与分割的高效适配框架DD-SAM2，通过深度可分离扩张卷积适配器增强SAM2的多尺度特征提取能力	首次系统性地探索了基于适配器的微调策略，将Segment Anything Model 2应用于医学视频分割与跟踪，并充分利用其流式记忆机制	需要在有限训练数据的医学视频上进行微调，可能对数据稀缺场景的泛化能力存在限制	开发一种高效适配框架，提升SAM2在动态医学影像场景中的对象跟踪与分割性能	医学视频中的肿瘤分割和左心室跟踪	计算机视觉	肿瘤，心血管疾病	深度学习，视频分割	适配器微调框架	医学视频	TrackRad2025和EchoNet-Dynamic数据集	PyTorch	Segment Anything Model 2, Depthwise-Dilated Adapter	Dice系数	NA
6060	2026-01-21	Deep learning reconstruction for fast cardiovascular magnetic resonance imaging protocol: A comparative study with conventional cardiovascular magnetic resonance 2025-Nov-28, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.102017 PMID:41318031	研究论文	本研究比较了压缩感知人工智能算法与传统灵敏度编码重建在加速心血管磁共振成像、提升图像质量和保持诊断准确性方面的表现	前瞻性验证了深度学习重建算法在多种临床序列（Cine、T2 STIR、LGE）中加速CMR采集、提升图像质量并保持诊断准确性的潜力	研究样本量相对有限（105名参与者），且未明确说明深度学习模型的具体架构细节	评估压缩感知人工智能算法在加速心血管磁共振成像采集、提升图像质量和保持诊断准确性方面的功能	105名计划进行临床心血管磁共振检查的参与者	医学影像分析	心血管疾病	心血管磁共振成像	深度学习	医学图像	105名参与者	NA	NA	信噪比, 对比噪声比, 边缘锐度, 心室功能参数, T2信号强度比, 晚期钆增强百分比, 主观图像质量评分（5点李克特量表）	NA