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
1381	2026-07-03	Multimodal representations of biomedical knowledge from limited training whole slide images and reports using deep learning 2024-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103303 PMID:39154617	研究论文	提出一种多模态架构，从有限训练的全切片图像和报告中创建鲁棒的生物医学数据表示，并提高分类性能和数据利用效率	结合监督与自监督学习应对数据稀缺，通过架构设计实现多模态数据检索和图文概念关联而无需额外训练，多模态表示能减半所需数据量并降低计算碳足迹	NA	开发一种多模态深度学习架构，有效整合医学图像与文本报告，创建强大的生物医学数据表示	结肠全切片图像及其对应的病理报告	数字病理学, 计算机视觉, 自然语言处理	结肠癌	全切片成像	CNN, Transformer	图像, 文本	超过6000对结肠全切片图像和对应报告，来自两个数字病理工作流程	PyTorch	ResNet, Transformer	分类准确率, 数据利用效率	NA
1382	2026-07-03	TS-AI: A deep learning pipeline for multimodal subject-specific parcellation with task contrasts synthesis 2024-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103297 PMID:39154619	研究论文	提出了一种名为TS-AI的两阶段深度学习网络模型，通过合成任务对比图实现个体化的大脑皮质图谱划分	首次在不获取实际任务fMRI扫描数据的情况下，利用合成的任务对比图实现个体化脑图谱划分，并设计特征一致性损失函数提高个体特异性	未提及具体局限性	开发一种基于深部学习的多模态个性化脑图谱划分方法，以解决任务功能MRI数据获取耗时且成本高的问题	大脑皮质表面的功能亚区个体化划分	机器学习	阿尔茨海默病	fMRI、任务功能磁共振成像、静息态网络、解剖连接	深度学习网络	任务fMRI数据、静息态网络信号、解剖连接数据	未明确说明样本数量，但涉及多个参考图谱和数据集	NA	两阶段网络模型	测试-重测可靠性、同质性、认知行为预测	NA
1383	2026-07-03	Results of an Artificial Intelligence-Based Image Review System to Detect Patient Misalignment Errors in a Multi-institutional Database of Cone Beam Computed Tomography-Guided Radiation Therapy 2024-09-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.02.065 PMID:38485098	研究论文	应用基于深度学习的图像误配准检测算法对多机构锥形束CT引导放疗数据库进行全自动回顾性错误搜索，以确定患者摆位误差率	首次使用深度学习算法对临床放疗数据库进行全自动回顾性错误搜索，代替传统手动审查，能够发现既往未报告的错误案例	假阳性案例常因图像伪影、患者旋转及软组织解剖变化导致，需人工复核	评估深度学习误配准检测算法自动检测患者摆位误差的临床实用性，并确定绝对粗大误差发生率	2016-2017年及2021-2022年间两家放疗机构共17612次配准记录	计算机视觉	NA	锥形束CT图像引导放疗	CNN	图像	680名患者，17612次配准记录	NA	深度学习误配准检测算法	受试者工作特征曲线分析、标记率、错误检出率、假阳性率	NA
1384	2026-07-03	Deep-Learning for Rapid Estimation of the Out-of-Field Dose in External Beam Photon Radiation Therapy - A Proof of Concept 2024-09-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.03.007 PMID:38554830	研究论文	提出基于深度学习的3D U-Net模型，用于快速估算外部束光子放疗中的场外剂量，作为概念验证	首次利用深度学习实现场外剂量图的快速估算，展示出前所未有的泛化能力，并接近临床应用可行性	模型性能仍有限，尤其对未见放疗设备的数据集泛化能力需进一步提升	开发适合临床实施的场外剂量估算工具，替代蒙特卡罗模拟和分析方法的不足	3151名儿童患者的全身剂量图，来自FCCSS数据库及5个临床中心	机器学习, 数字病理学	NA	NA	CNN	图像	3151名儿童患者（训练验证），433名患者（测试，分为5个子数据集）	NA	3D U-Net	均方根偏差	NA
1385	2026-07-03	A benchmarked comparison of software packages for time-lapse image processing of monolayer bacterial population dynamics 2024-08-06, Microbiology spectrum IF:3.7Q2 DOI:10.1128/spectrum.00032-24 PMID:38980028	研究论文	比较四种用于单层细菌群体动态时间序列图像分析的软件包性能	首次对四种软件包（CellProfiler、SuperSegger-Omnipose、DeLTA和FAST）进行基准化比较，发现深度学习分割优于传统方法，但传统方法在目标跟踪上表现更好	仅针对单层细菌群体动态，未涵盖三维图像或其他应用场景	评估和指导研究人员选择合适的图像处理软件包	大肠杆菌群体的时间序列显微镜图像	计算机视觉	NA	时间序列显微镜技术	深度学习分割模型	图像	NA	NA	NA	分割性能、跟踪性能、计算效率	NA
1386	2026-07-03	Deep Learning for Automatic Gross Tumor Volumes Contouring in Esophageal Cancer Based on Contrast-Enhanced Computed Tomography Images: A Multi-Institutional Study 2024-08-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.02.035 PMID:38432286	研究论文	基于深度学习开发并外部验证了用于食管鳞状细胞癌大体肿瘤体积自动勾画的AI工具	开发了一个三维深度学习模型用于GTV自动勾画，并在多中心数据上验证；AI工具显著提高了专家勾画性能并减少了观察者间变异，同时在放射组学分析中显示出稳定可重复性	未明确说明限制	开发并验证用于食管癌GTV自动勾画的AI工具，辅助新辅助或根治性放疗治疗计划	食管鳞状细胞癌患者的增强CT图像	机器学习	食管癌	对比增强CT成像	三维深度学习模型	图像	580名食管鳞状细胞癌患者	NA	NA	Dice相似系数，平均表面距离	NA
1387	2026-07-03	Experience of Implementing Deep Learning-Based Automatic Contouring in Breast Radiation Therapy Planning: Insights From Over 2000 Cases 2024-08-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2024.02.041 PMID:38431232	研究论文	评估基于深度学习的自动轮廓勾画系统在乳腺癌放射治疗计划中的应用效果，并分析超过2000例病例的经验	基于大规模真实临床数据（2428例）评估自动轮廓勾画系统的长期临床影响，并发现自动化偏差风险	研究未提及对自动轮廓系统误分割肺部的具体原因分析，且主要关注乳房放疗，可能限制通用性	评估自动轮廓勾画系统在乳腺癌放疗中的临床效用和影响	乳腺癌术后放疗患者的CT图像及治疗轮廓数据	数字病理学, 机器学习	乳腺癌	CT成像	深度学习	医学图像	2428名乳腺癌术后放疗患者（实施前组369例，实施后组2059例）	NA	NA	Dice相似系数, 95%豪斯多夫距离	NA
1388	2026-07-03	Imaging Analytics using Artificial Intelligence in Oncology: A Comprehensive Review 2024-08, Clinical oncology (Royal College of Radiologists (Great Britain)) DOI:10.1016/j.clon.2023.09.013 PMID:37806795	综述	探讨深度学习在肿瘤学成像分析中的多方面作用，涵盖风险分层、筛查诊断、基因组突变预测、治疗反应及生存结局预测等，并讨论放射组学、影像生物库及人工智能的商业化与伦理问题	全面综述了深度学习在肿瘤成像分析中的多种应用，包括自动化报告生成、转移学习利用及通用人工智能模型的介绍	用于临床的深度学习模型仍处于初期阶段，通用实施面临障碍	综述人工智能在肿瘤成像分析中的应用现状、挑战及未来方向	肿瘤成像数据（如CT、MRI等医学影像）及相关临床预测任务	计算机视觉	肿瘤	深度学习、放射组学	卷积神经网络（CNN）	图像	NA	NA	CNN	NA	NA
1389	2026-07-03	TAI-GAN: A Temporally and Anatomically Informed Generative Adversarial Network for early-to-late frame conversion in dynamic cardiac PET inter-frame motion correction 2024-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103190 PMID:38820677	研究论文	提出TAI-GAN将动态心脏PET早期帧转换为类似参考帧的分布，以改善帧间运动校正	首次将时间与解剖信息通过特征线性调制层整合到生成对抗网络中，实现早期帧到参考帧的全映射转换，解决了强示踪剂动力学导致的配准失效问题	NA	改善动态心脏PET帧间运动校正的准确性和心肌血流量定量	动态心脏PET图像帧间运动校正	计算机视觉	冠状动脉疾病	PET	生成对抗网络	图像	临床Rb PET数据集	PyTorch	TAI-GAN	图像质量、运动估计精度、心肌血流量定量	NA
1390	2026-07-03	Which images to label for few-shot medical image analysis? 2024-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103200 PMID:38801797	研究论文	提出一种模板选择策略TECP，用于在少样本医学图像分析中自动选择最有价值的图像进行标注，以提升模型性能	首次关注少样本学习中标注前模板图像的选择问题，提出包含自监督训练、区域定位、代表性评分和排序四大模块的TECP策略	未提及具体局限性，但依赖自监督预训练模型和多个数据集验证，可能在极低样本场景下泛化性有待探索	解决医学图像少样本学习中标注样本选择问题，以最少标注图像获得最优模型性能	医学图像中的标志点检测、解剖结构检测和解剖分割三类任务	计算机视觉	NA	NA	CNN	图像	多个公开数据集	自监督学习框架	预训练深度模型	模型性能指标（具体未说明）	NA
1391	2026-07-03	CMAN: Cascaded Multi-scale Spatial Channel Attention-guided Network for large 3D deformable registration of liver CT images 2024-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103212 PMID:38830326	研究论文	提出了一种基于卷积神经网络的级联多尺度空间-通道注意力引导网络（CMAN），用于解决肝脏CT图像大形变配准问题	采用双重粗到细配准策略，包括局部粗到细和全局粗到细配准，并在解码阶段集成空间-通道注意力模块以突出重要特征	文中未明确提及局限性	实现肝脏CT图像的大形变非刚性配准，提高配准性能	肝脏CT图像	计算机视觉	肝脏疾病	CT成像	卷积神经网络	图像	两个公开数据集用于训练，一个公开数据集和一个私有数据集用于评估	PyTorch	CMAN, 包含级联多尺度空间-通道注意力模块	配准评估指标（具体指标未列出）	NA
1392	2026-07-03	Unsupervised mutual transformer learning for multi-gigapixel Whole Slide Image classification 2024-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103203 PMID:38810517	研究论文	提出一种基于互变换器学习的无监督全切片图像分类方法	首次提出完全无监督的全切片图像分类算法，基于互变换器学习，包括伪标签生成器和清洁器模块，以及判别学习机制	未提及	实现无监督的全切片图像分类，避免对大量标注数据的依赖	十亿像素级别的全切片图像	数字病理学	癌症	NA	变换器	图像	四个公开数据集	NA	变换器	NA	NA
1393	2026-07-03	Deep learning-based automatic segmentation of bone graft material after maxillary sinus augmentation 2024-08, Clinical oral implants research IF:4.8Q2 DOI:10.1111/clr.14221 PMID:38033189	研究论文	利用深度学习对上颌窦提升术后移植材料进行自动分割，并评估其准确性与效率	首次将3D V-Net和3D Attention V-Net结合用于上颌窦提升术后骨移植材料的自动分割，并证明了其优于手动分割的性能	未提及具体局限	研究深度学习在锥形束CT图像中自动分割上颌窦提升术后移植材料的准确性和可靠性	上颌窦提升术后骨移植材料	计算机视觉	牙科疾病	CBCT	CNN	图像	100对CBCT扫描（术前和术后），训练集82对，测试集18对，另选10个测试样本用于比较	NA	3D V-Net, 3D Attention V-Net	Dice系数, 95% Hausdorff距离, 平均表面距离	NA
1394	2026-07-03	A survey of label-noise deep learning for medical image analysis 2024-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103166 PMID:38613918	综述	对医学图像分析中标签噪声深度学习的最新研究进行了全面综述	首次对医学图像领域标签噪声学习方法进行了统一分类和系统比较，并基于医学图像特性提出了新的研究方向	未详细说明具体实验对比结果及量化性能指标	为研究人员和从业者提供医学标签噪声学习的全面理解，助力开发抗噪声新方法	医学图像分析中的标签噪声问题及相应深度学习方法	医学图像分析	NA	NA	NA	医学图像	NA	NA	NA	NA	NA
1395	2026-07-03	Multi-center Dose Prediction Using Attention-aware Deep learning Algorithm Based on Transformers for Cervical Cancer Radiotherapy 2024-07, Clinical oncology (Royal College of Radiologists (Great Britain)) DOI:10.1016/j.clon.2024.03.022 PMID:38631974	研究论文	开发一种基于注意力机制的Transformer深度学习算法AtTranNet，用于多中心宫颈癌放疗剂量预测	首次提出AtTranNet算法，结合注意力机制和Transformer架构，实现多中心宫颈癌VMAT剂量的快速准确预测，并验证其可泛化至不同处方剂量的子宫内膜癌	内部测试中D98和膀胱Dmean等剂量指标存在一定误差；仅针对特定类型癌症（宫颈癌和子宫内膜癌）验证；样本量有限	开发用于宫颈癌容积调强放射治疗（VMAT）的快速准确剂量预测深度学习算法，并探索其对不同处方子宫内膜癌的泛化能力	来自多个医疗中心的宫颈癌患者数据集和子宫内膜癌患者数据集	机器学习	宫颈癌	深度学习	Transformer	三维剂量数据	367名宫颈癌患者（4个中心），70名子宫内膜癌患者	NA	AtTranNet（基于注意力机制的Transformer）	平均绝对误差，剂量差，剂量体积直方图指标	NA
1396	2026-07-03	Anat-SFSeg: Anatomically-guided superficial fiber segmentation with point-cloud deep learning 2024-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103165 PMID:38608510	研究论文	提出一种基于点云深度学习的新框架Anat-SFSeg，用于解剖学引导的表层纤维分割，以提高扩散磁共振成像中浅层白质分割的准确性	创新性地结合了纤维解剖描述符FiberAnatMap和基于点云数据的深度学习网络，提出新的度量指标FARP和ARFC用于纤维分割评估	未明确提及局限性	改进浅层白质分割性能，探索其在神经退行性疾病中的潜在生物标志物应用	脑白质纤维束，特别是浅层白质	数字病理学	阿尔茨海默病	扩散磁共振成像（dMRI）	点云深度学习网络	点云数据	人类连接组项目（HCP）数据集及具有不同认知障碍水平的临床受试者	PyTorch	PointNet	准确性、FARP、ARFC	NA
1397	2026-07-03	Application of a novel deep learning-based 3D videography workflow to bat flight 2024-06, Annals of the New York Academy of Sciences IF:4.1Q1 DOI:10.1111/nyas.15143 PMID:38652595	研究论文	提出一种基于深度学习的3D视频分析工作流，用于研究蝙蝠飞行中的运动学参数，并通过与手动数字化对比验证其准确性	结合深度学习自动数字化与基于深度学习及3D重建质量指标的标记点过滤校正，实现无标记点的高效准确3D姿态估计，无需手动标记即可提取飞行生物力学关键数据	仅针对蝙蝠飞行场景进行验证，未评估其他动物或复杂环境下的通用性；工作流依赖高质量深度学习模型训练数据，可能限制其在数据稀缺领域的应用	开发并验证一种高效、可扩展的深度学习3D视频分析方法，用于动物飞行生物力学研究	蝙蝠飞行过程中的翅膀运动学参数及三维坐标	计算机视觉, 机器学习	NA	3D视频分析, 深度学习	深度学习模型（具体结构未明确详述）	视频	4只蝙蝠在2m风洞中稳定飞行，以及1只蝙蝠在344m封闭空间内自由飞行	NA	NA	坐标平均距离, 运动学参数差异显著性	NA
1398	2026-07-03	Deep learning-based whole-body characterization of prostate cancer lesions on [68Ga]Ga-PSMA-11 PET/CT in patients with post-prostatectomy recurrence 2024-03, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-023-06551-3 PMID:38049657	研究论文	基于深度学习的[68Ga]Ga-PSMA-11 PET/CT全身前列腺癌病灶特征提取方法研究	首次利用3D U-Net实现前列腺癌术后复发患者全身转移病灶的自动分割与检测，性能优于以往研究	NA（摘要未提及明显局限性）	评估三维卷积神经网络自动分割和检测前列腺癌术后复发患者全身转移病灶的性能	前列腺癌根治术后复发患者的转移病灶	计算机视觉	前列腺癌	PET/CT成像，68Ga-PSMA-11示踪剂	三维卷积神经网络（3D CNN），3D U-Net	医学影像（PET和CT数据）	116例前列腺癌转移患者（中心1：78例交叉验证+19例内部测试；中心2：19例外部测试）	NA	3D U-Net	Dice相似系数，召回率，精确率，F1分数，线性回归R²，Bland-Altman图	NA
1399	2026-07-03	A novel deep learning-based method for automatic stereology of microglia cells from low magnification images 2024 Mar-Apr, Neurotoxicology and teratology IF:2.6Q3 DOI:10.1016/j.ntt.2024.107336 PMID:38402997	研究论文	提出一种基于深度学习的新方法，能从低倍显微图像自动进行小胶质细胞的体视学分析	结合深度学习分类与体视学方法，实现从低倍图像（20×）快速估计小胶质细胞总数，无需繁琐的人工计数	目前仅应用于小鼠脑组织Iba1免疫染色样本，需进一步验证在人脑和疾病模型中的适用性	开发高效、可重复的方法量化小胶质细胞数目和形态，以研究其与神经化学功能的关系	小胶质细胞	数字病理学	神经退行性疾病	免疫组化（Iba1染色）	深度学习模型	低倍显微图像（20×）	2个数据集，共39个小鼠脑组织	NA	NA	准确率>90%，重复性100%，效率提升60倍	NA
1400	2026-07-03	TB-DROP: deep learning-based drug resistance prediction of Mycobacterium tuberculosis utilizing whole genome mutations 2024-Feb-12, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-024-10066-y PMID:38347478	研究论文	基于全基因组突变构建深度学习模型TB-DROP用于结核分枝杆菌耐药性预测	首次提出端到端的定制化深度学习框架TB-DROP，克服了以往模型依赖已知耐药相关位点的局限，采用全新学习方法基于全基因组水平突变进行预测，并集成到一个用户友好的图形化工具中	未提及具体的局限性信息	构建定制化深度学习模型以实现基于基因型的结核分枝杆菌耐药性预测	结核分枝杆菌的全基因组突变数据	机器学习	结核病	全基因组测序	多层感知器	基因突变数据	未明确提及样本数量	TensorFlow	多层感知器	灵敏度, 特异度	未明确提及计算资源