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
6241	2026-01-18	High quality proton portal imaging using deep learning for proton radiation therapy: a phantom study 2020-04-27, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ab8a74 PMID:33438674	研究论文	本文提出了一种基于深度学习的质子门户成像质量提升方法，通过残差生成对抗网络框架，利用kV数字重建放射影像改善质子门户成像的对比度和空间分辨率	首次将残差生成对抗网络应用于质子门户成像质量增强，通过残差块聚焦于DRR与PPI之间的结构差异，实现了高精度的图像校正	研究基于体模数据，尚未在临床患者数据上验证；样本量相对有限（训练149张，测试30张）	提升质子放射治疗中质子门户成像的图像质量，以验证肿瘤位置并实现束眼视角成像	质子门户成像图像与数字重建放射影像	医学影像处理	肿瘤治疗	质子门户成像，数字重建放射影像	GAN	图像	训练149张图像，测试30张图像	NA	残差生成对抗网络	归一化平均误差，归一化平均绝对误差，峰值信噪比，结构相似性指数	NA
6242	2026-01-18	Identification of patients with atrial fibrillation: a big data exploratory analysis of the UK Biobank 2020-03-06, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ab6f9a PMID:31978903	研究论文	本文评估了十种机器学习方法在UK Biobank数据集中自动检测心房颤动患者的效果	结合经典机器学习和深度学习方法，在大型生物银行数据中实现自动心房颤动检测，性能接近人类专家间一致性	研究基于UK Biobank子集，可能受数据标注质量和样本代表性限制	评估机器学习方法在大型生物银行数据中自动识别心房颤动患者的性能	UK Biobank数据集中的心房颤动患者	机器学习	心血管疾病	心电图分析	支持向量机,深度学习算法	心电图数据	UK Biobank数据集的子集，具体数量未明确	NA	NA	F1分数,Cohen's kappa系数	NA
6243	2026-01-18	Automated segmentation of the left ventricle from MR cine imaging based on deep learning architecture 2020-02-18, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ab7363 PMID:33438635	研究论文	本研究提出了一种基于深度学习的DenseV-Net方法，用于从磁共振电影成像中自动分割左心室，以提高心脏功能量化的效率和准确性	通过将V-Net中的卷积块替换为密集连接算法和密集计算，提出了DenseV-Net，以缓解梯度消失问题、防止梯度爆炸并增强特征传播	研究样本量较小，仅包含30名患者的数据，可能影响模型的泛化能力	开发一种自动分割左心室的方法，以改进心脏功能量化的临床工作流程	磁共振电影成像中的左心室	计算机视觉	心血管疾病	平衡稳态自由进动技术的磁共振电影成像	CNN	图像	30名患者，其中随机选择11名患者的30个切片（每个切片包含73张图像）	NA	V-Net, UNet, FCN, DenseV-Net	Dice相似系数, 线性回归相关系数	NA
6244	2026-01-18	Generation of abdominal synthetic CTs from 0.35T MR images using generative adversarial networks for MR-only liver radiotherapy 2020-01-30, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ab6e1f PMID:33438621	研究论文	本研究评估了两种生成对抗网络模型（cGAN和cycleGAN）从0.35T MR图像生成腹部合成CT图像的能力，以支持仅基于MR的肝脏放射治疗	首次在0.35T MR图像上应用cGAN和cycleGAN生成腹部合成CT图像，并验证其在肝脏放射治疗剂量计算中的准确性	样本量较小（仅12名患者），且未来需要纳入更多腹部患者以进一步评估模型	评估生成对抗网络在生成腹部合成CT图像方面的性能，以实现仅基于MR的肝脏放射治疗中的有效剂量计算	12名患有肝脏（n=8）和非肝脏腹部（n=4）癌症的患者	医学影像处理	肝脏癌症	0.35T MR成像，CT成像	cGAN, cycleGAN	图像	12名患者的CT和MR图像	NA	条件生成对抗网络，循环一致性生成对抗网络	平均绝对误差，伽马通过率，剂量-体积直方图指标	NA
6245	2026-01-18	Spike detection and sorting with deep learning 2020-01-24, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab4896 PMID:31561235	研究论文	本文提出了一种基于深度学习的尖峰检测与排序方法，用于从多通道动作电位记录中提取和识别单单元神经活动	采用卷积神经网络（CNN）与循环神经网络（RNN）的组合架构，分别应用于尖峰检测和活动排序与预测任务，为实时高精度脑机接口提供了灵活鲁棒的算法基础	尖峰检测的平均召回率为69%，仍有提升空间；研究未详细说明数据集的多样性和泛化能力	开发基于多通道动作电位记录的神经活动检测、分类和预测方法，以支持高精度脑机接口的应用	多通道动作电位记录中的单单元神经活动	机器学习	NA	多通道动作电位记录	CNN, RNN	电信号数据	涉及超过20个不同神经元产生的活动	NA	卷积神经网络, 循环神经网络	召回率, 准确率	NA
6246	2026-01-17	Electroencephalography-Based Machine and Deep Learning Approaches for the Diagnosis of Dissociative Disorders: A Comprehensive Review 2026-Mar, Biological psychiatry global open science DOI:10.1016/j.bpsgos.2025.100654 PMID:41532081	综述	本文系统综述了基于脑电图（EEG）的机器学习和深度学习方法在分离性障碍（DDs）诊断与监测中的应用	全面评估了EEG结合ML/DL在DDs诊断中的有效性，识别了关键EEG生物标志物，并指出混合及原始特征深度学习方法的优越性能	面临数据稀缺、模型可解释性不足及泛化能力有限等挑战	评估EEG结合机器学习和深度学习在分离性障碍诊断与监测中的应用效果及未来方向	分离性障碍（包括分离性身份障碍和人格解体障碍）患者	机器学习	分离性障碍	脑电图（EEG）	支持向量机（SVM）、卷积神经网络（CNN）、循环神经网络（RNN）	EEG数据	NA	NA	CNN, RNN	分类准确率	NA
6247	2026-01-17	OCT-PRO: A Multimodal Model Integrating OCT and Clinical Traits to Predict Postoperative Outcomes in Cataract Patients 2026-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.101013 PMID:41532137	研究论文	本研究开发并验证了OCT-PRO，一种整合OCT图像和临床特征的多模态机器学习模型，用于预测白内障患者术后视力结果	首次结合OCT图像和临床特征构建多模态模型预测白内障术后视力，相比传统方法和眼科医生具有更高准确性	研究为前瞻性队列设计，可能存在选择偏倚；外部验证仅在中国医院进行，需更多样化人群验证	开发预测白内障患者术后视力结果的多模态机器学习模型	白内障患者	计算机视觉	白内障	OCT成像, 激光干涉测量	深度学习	图像, 结构化元数据	2225只眼（来自1911名患者），其中1304名用于模型开发，607名用于外部测试	TensorFlow, PyTorch	InceptionResNetV2	平均绝对误差, 均方根误差	NA
6248	2026-01-17	UK Biobank-centric advances in brain age prediction: a comprehensive review 2026-Jan-23, Reviews in the neurosciences IF:3.4Q2 DOI:10.1515/revneuro-2025-0055 PMID:40997331	综述	本文系统综述了基于UK Biobank数据集在脑年龄预测领域的研究进展，重点关注机器学习与深度学习算法的范式转变	首次对利用UK Biobank进行脑年龄预测的70项研究（2014-2024）进行系统性综合，分析影响因素并批判性评估该数据集的优势与局限	研究依赖于UK Biobank数据集，其固有的样本偏差和数据质量限制可能影响结论的普适性	推动脑年龄预测领域的深入研究，为神经退行性疾病的精准诊疗及个体化干预策略提供理论基础与实践指导	基于UK Biobank的脑年龄预测研究	机器学习	神经退行性疾病	神经影像学	NA	神经影像数据	基于UK Biobank的大规模人群代表性数据集	NA	NA	NA	NA
6249	2026-01-17	Fully automated Res3DNet model to predict IDH mutation of gliomas from whole-brain MRI free of tumor segmentation 2026-Jan-16, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114373 PMID:41531733	研究论文	本研究开发了一种全自动的Res3DNet模型，用于从无需肿瘤分割的全脑MRI中预测胶质瘤的IDH突变状态	提出了一种无需肿瘤分割的全自动Res3DNet模型，能够直接从全脑MRI预测IDH突变，并在多中心数据集上验证了其性能优于现有模型和放射科医生	研究未详细讨论模型在不同MRI扫描协议或设备间的泛化能力，且样本主要来自特定数据集，可能存在选择偏倚	预测胶质瘤患者的IDH突变状态，以辅助诊断、预后和治疗规划	胶质瘤患者的术前全脑MRI图像	数字病理学	胶质瘤	MRI	CNN	图像	2537例胶质瘤患者的术前MRI，包括训练集1382例、内部验证集346例和外部测试集809例（其中242例来自TCGA数据集）	NA	Res3DNet	AUC, 准确率	NA
6250	2026-01-17	TomoRay cranial: synthesis of cranial CT imaging from biplanar radiographs using a generative adversarial network 2026-Jan-15, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12253-1 PMID:41537782	研究论文	本研究探索使用生成对抗网络从双平面X光片合成颅脑CT图像的可行性	首次利用深度学习从双平面X光片生成人工颅脑CT图像，为神经影像学提供了一种新的低辐射、易获取的替代方案	当前阶段合成的颅脑CT图像与真实CT图像尚未实现无缝对应，且模型的临床相关性有待进一步定义	研究是否及如何通过深度学习从成人神经外科患者的双平面X光片生成合成颅脑CT图像	成人神经外科患者的颅脑影像数据	数字病理学	神经外科疾病	CT成像，X射线成像，数字重建放射影像	GAN	图像	模型1使用来自三个中心的235张图像进行训练和验证；模型2使用来自单一中心的1323张图像进行训练和测试	NA	2D到3D生成对抗网络	峰值信噪比，结构相似性指数	NA
6251	2026-01-17	Stratifying amyloid burden in early Alzheimer's disease using cascaded attention-guided vision transformer using [¹⁸F]Florbetapir PET 2026-Jan-15, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12261-1 PMID:41537783	研究论文	本研究开发了一种级联注意力引导视觉变换器模型，用于从[¹⁸F]Florbetapir PET图像中准确分类阿尔茨海默病的β-淀粉样蛋白沉积阶段	提出了一种新颖的级联注意力引导视觉变换器框架，能够提取具有生物学意义的区域信息，实现细粒度分类，并验证了其在辅助医生诊断中的临床效用	研究样本来自两个队列，可能存在选择偏倚；模型在跨中心验证中表现良好，但需在更多样化的数据集中进一步验证	开发深度学习模型以辅助医生准确分类阿尔茨海默病早期β-淀粉样蛋白沉积阶段	阿尔茨海默病患者的[¹⁸F]Florbetapir PET图像	计算机视觉	阿尔茨海默病	[¹⁸F]Florbetapir PET成像	Vision Transformer	医学图像	1327名受试者，来自两个队列	NA	级联注意力引导视觉变换器	准确率	NA
6252	2026-01-17	Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology 2026-Jan-15, Spine deformity IF:1.6Q3 DOI:10.1007/s43390-025-01270-1 PMID:41537944	研究论文	本研究提出了一种结合条纹投影轮廓术和深度学习技术的全自动、无辐射的脊柱侧弯Cobb角评估方法	首次将条纹投影轮廓术与卷积神经网络结合，实现无辐射、全自动的Cobb角评估，替代传统测量工具	样本量较小（仅48名参与者），且仅基于医院临床诊断患者，可能缺乏广泛代表性	开发一种无辐射、自动化的脊柱侧弯筛查方法，用于早期检测和干预	临床诊断为脊柱侧弯的48名参与者（儿科患者）	计算机视觉	脊柱侧弯	条纹投影轮廓术，七步相移算法	CNN	三维表面重建图像	48名临床诊断为脊柱侧弯的参与者	NA	NA	相关系数，决定系数	NA
6253	2026-01-17	Towards Enhanced Representation Learning for Single-Source Domain Generalization in LiDAR Semantic Segmentation 2026-Jan-15, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3654352 PMID:41538344	研究论文	本文提出了一种用于LiDAR语义分割单源域泛化的表示学习方法DGLSS++，旨在通过增强表示学习提升模型在未见域上的鲁棒性	提出了广义掩码稀疏不变特征一致性（GMSIFC）和局部语义相关性一致性（LSCC）两种约束，并设计了新颖的掩码策略以排除多类不一致的体素特征	仅针对LiDAR传感器配置和场景分布变化导致的域偏移，未考虑其他类型的域差异（如天气、光照变化）	解决LiDAR语义分割中的单源域泛化问题，提升自动驾驶感知系统在未知环境下的鲁棒性	LiDAR点云数据	计算机视觉	NA	LiDAR传感器数据采集	3D深度学习模型	3D点云数据	基于四个真实世界数据集（具体数量未明确说明）	PyTorch	未明确指定具体架构（提及3D深度学习模型）	未明确说明具体指标（实验表明优于UDA和DG基线方法）	NA
6254	2026-01-17	Single-Photon Imaging in Complex Scenarios via Physics-Informed Deep Neural Networks 2026-Jan-15, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3654264 PMID:41538339	研究论文	本文提出了一种物理信息深度神经网络框架，用于在复杂场景中实现单光子成像，通过嵌入成像物理进行无监督学习，提高了光子利用效率并扩展了应用范围	提出物理信息深度神经网络框架，将成像物理嵌入深度神经网络以实现无监督学习，通过定制U-Net跳跃连接施加多尺度时空先验，并引入体积渲染和双分支结构以处理多深度和雾遮挡问题	未明确说明计算资源需求或模型在极端低信噪比条件下的性能边界	解决复杂场景下单光子成像的挑战，提高成像质量和泛化能力	单光子成像系统在复杂环境下的三维结构重建	计算机视觉	NA	单光子成像	深度神经网络	图像	NA	NA	U-Net	均方根误差	NA
6255	2026-01-17	DPM: A Deep Learning and Optimal Transport Framework for Cost-Effective Spatial Metabolomics 2026-Jan-15, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06903 PMID:41538726	研究论文	本文提出了一种基于深度学习和最优传输理论的框架DPM，用于预测空间代谢组学中质谱成像数据的空间代谢物分布，以提高成本效益和分辨率	结合深度学习与最优传输理论，通过优化映射策略从相邻切片准确预测质谱成像切片的代谢物空间分布，并展示了提升成像分辨率的潜力	未明确说明模型在复杂组织或异质性样本中的泛化能力，以及计算资源需求的具体细节	开发一种成本效益高的空间代谢组学方法，以预测质谱成像中的代谢物空间分布	质谱成像（MSI）数据中的空间代谢物分布	空间代谢组学	NA	质谱成像（MSI）	深度学习模型	图像数据（质谱成像切片）	NA	NA	NA	对齐精度，预测准确性	NA
6256	2026-01-17	Application of deep learning to single-shot gas-phase laser-induced breakdown spectroscopy 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.583775 PMID:41538818	研究论文	本文应用贝叶斯优化的卷积神经网络（CNN）来解释单次飞秒激光诱导击穿光谱（LIBS）测量，以捕获脉冲功率聚变驱动器中纳秒尺度的电极解吸现象	首次将贝叶斯优化的CNN应用于低密度气体混合物中的单次LIBS测量，有效解析了信号重叠严重的复杂条件	研究仅针对特定气体压力范围（80-530 mTorr）和两种气体（H和CH）的混合物，未涉及更广泛的气体类型或压力条件	开发一种深度学习方法来解释单次LIBS测量，以监测脉冲功率聚变驱动器中的电极解吸现象	低密度气体混合物（H和CH）在特定压力下的单次LIBS光谱数据	机器学习	NA	激光诱导击穿光谱（LIBS）	CNN	光谱数据	256种不同的测量条件，气体压力范围为80-530 mTorr，H流量为100-250 sccm，CH流量为50-200 sccm，以10 sccm为增量混合	NA	卷积神经网络（CNN）	均方根误差（RMSE），平均相对预测误差	NA
6257	2026-01-17	Deep learning-assisted metalens imaging over a wide depth of field 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.580297 PMID:41538839	研究论文	本文提出了一种基于生成对抗网络的深度学习模型，用于恢复高数值孔径毫米级超透镜捕获的全彩图像，以增强其成像质量	开发了专门针对高数值孔径超透镜的生成对抗网络，实现了在超过17.5厘米景深范围内无需额外训练的图像质量提升	未提及模型在不同环境或光照条件下的泛化能力，以及计算资源需求的具体细节	解决超透镜在小型化成像系统中因高数值孔径导致的色散和分辨率下降问题	毫米级高数值孔径（0.447）超透镜捕获的全彩图像	计算机视觉	NA	深度学习辅助成像	GAN	图像	NA	NA	Metalens Depth-of-Field Generative Adversarial Network	峰值信噪比, 感知损失	NA
6258	2026-01-17	PIPN: Physics-inspired phase retrieval network for propagation-based X-ray phase-contrast imaging 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.581596 PMID:41538865	研究论文	提出了一种基于物理启发的相位恢复网络（PIPN）及其加速策略，用于传播式X射线相位对比成像，无需训练数据即可实现高质量相位恢复	结合单一近似条件和物理成像模型，无需训练数据即可实现相位恢复，并引入了加速策略以提高重建效率	未提及实验中的具体样本数量或广泛的外部验证	解决传播式X射线相位对比成像中的单距离相位恢复问题	软组织的X射线相位对比成像数据	计算机视觉	NA	传播式X射线相位对比成像（PB-XPCI）	深度学习网络	图像	NA	NA	物理启发相位恢复网络（PIPN）	NA	NA
6259	2026-01-17	TCR representation learning with protein language models: a comprehensive review 2026-Jan-14, International immunology IF:4.8Q2 DOI:10.1093/intimm/dxaf048 PMID:40855636	综述	本文综述了蛋白质语言模型在T细胞受体（TCR）库分析中的应用，重点关注其如何利用自然语言处理技术从TCR序列中学习表示，并探讨了抗原特异性预测等关键应用	系统总结了蛋白质语言模型在TCR库分析中的最新进展，强调了其通过迁移学习从大规模无标记数据中捕获上下文特征的优势，并提出了未来多模态整合的发展方向	TCR库分析仍面临数据稀缺、偏差以及缺乏配对链信息等挑战，需要更严格的数据集优化和增强策略	综述蛋白质语言模型在TCR库分析中的应用，以提升TCR功能属性的预测能力	T细胞受体（TCR）库及其序列数据	自然语言处理	NA	蛋白质语言模型	NA	蛋白质序列	NA	NA	NA	NA	NA
6260	2026-01-17	Medical Microwave Imaging Using Physics-Guided Deep Learning Part 2: The Inverse Solver 2026-Jan-14, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3653974 PMID:41533603	研究论文	提出一种基于物理引导深度学习的医学微波成像逆求解方法，以改进异常组织检测	提出一种受扭曲Born迭代方法启发的深度神经网络，避免使用格林函数，并通过混合损失函数和序列迭代网络块准确重建被健康组织信号掩盖的异常组织	未明确说明计算资源需求或模型泛化能力限制	解决医学微波断层扫描中逆问题的不适定性和高计算成本，提高异常组织检测精度	医学微波成像中的异常组织（如肿瘤）	医学成像	NA	微波成像	深度神经网络	微波信号数据	NA	NA	基于扭曲Born迭代方法的神经网络块序列	相对误差, 结构相似性指数, Dice相似系数, Hausdorff距离	NA