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
1581	2025-12-19	FusDRM-m5C: a hybrid model for accurate prediction of 5-methylcytosine modification sites based on feature fusion and attention mechanism 2025, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2025.1642286 PMID:41399733	研究论文	本文提出了一种名为FusDRM-m5C的混合深度学习模型，用于从RNA序列中高精度预测5-甲基胞嘧啶修饰位点	该模型采用多分支架构融合了三种不同的特征类型，并结合了扩张卷积神经网络和多头自注意力机制，以捕捉多尺度模式并权衡上下文依赖信息	NA	开发一个计算模型来高精度预测RNA序列中的5-甲基胞嘧啶修饰位点	RNA序列中的5-甲基胞嘧啶修饰位点	生物信息学	NA	RNA序列分析	深度学习	序列数据	NA	NA	Dilated Convolutional Neural Network, Multi-Head Self-Attention	灵敏度, 特异性, 准确率, 马修斯相关系数, AUC	NA
1582	2025-12-19	Deep learning for segmentation of colorectal carcinomas on endoscopic ultrasound 2024-Dec-13, Techniques in coloproctology IF:2.7Q1 DOI:10.1007/s10151-024-03056-5 PMID:39671056	研究论文	本研究开发了一种基于卷积神经网络的自动化图像分割方法，用于内镜超声图像中结直肠癌的分割，以标准化早期直肠癌的浸润深度评估	首次将深度学习应用于内镜超声图像的结直肠癌自动分割，旨在解决现有方法（如磁共振成像分辨率不足和内镜超声解释依赖操作者）的局限性，提供标准化的肿瘤浸润深度评估	研究基于373个专家手动分割样本，样本量相对有限，且未在更广泛或多样化的临床数据集中进行外部验证，可能影响模型的泛化能力	开发自动化图像分割技术，以标准化内镜超声对早期直肠癌浸润深度的解释，辅助临床决策	早期直肠癌的内镜超声图像，重点关注黏膜下层、肌层和肿瘤的分割	计算机视觉	结直肠癌	内镜超声	CNN	图像	373个专家手动分割的内镜超声图像样本	NA	NA	平均表面距离, 豪斯多夫距离, Dice相似性指数	NA
1583	2025-12-19	Strategies to optimise machine learning classification performance when using biomechanical features 2024-03, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2024.111998 PMID:38377743	研究论文	本研究探讨了在生物力学特征有限样本量下，利用现代机器学习算法优化分类性能的策略	比较了多种机器学习算法（包括传统回归、XGBoost、深度学习时间序列算法）在生物力学数据分类中的表现，并探索了数据增强和迁移学习对样本量限制问题的缓解效果	研究基于两个特定生物力学数据集（行走和跳跃），样本量差异较大（2295 vs 31），可能影响结果的普适性	优化生物力学特征在有限样本量下的机器学习分类性能	行走数据集中的2295名参与者（健康、跟骨、踝、膝、髋疾病分类）和跳跃数据集中的31名参与者（健康 vs 髌股疼痛综合征）	机器学习	骨科疾病	三维地面反作用力（GRFs）测量	多分类/LASSO回归, XGBoost, 深度学习时间序列算法	时间序列生物力学数据	行走数据集2295名参与者，跳跃数据集31名参与者	NA	InceptionTime	加权多分类AUC	NA
1584	2025-12-19	A systematic review of artificial intelligence algorithms for predicting acute kidney injury 2023-10, European review for medical and pharmacological sciences DOI:10.26355/eurrev_202310_34164 PMID:37916354	系统综述	本文对使用人工智能算法预测住院成人急性肾损伤的研究进行了系统综述	系统性地评估了机器学习在急性肾损伤预测中的应用，并比较了不同模型在重症监护和普通住院患者中的表现	多数研究为单中心，且部分研究使用相同数据库，人群主要为高加索人种，缺乏多样性，可能影响结果的泛化性	分析机器学习在住院成人急性肾损伤预测中的应用效果	住院成人患者	机器学习	急性肾损伤	机器学习，深度学习	深度学习，逻辑回归，决策树	电子健康记录，生物标志物数据	涉及242,251名患者	NA	NA	AUC	NA
1585	2025-12-19	Image harmonization: A review of statistical and deep learning methods for removing batch effects and evaluation metrics for effective harmonization 2023-07-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2023.120125 PMID:37084926	综述	本文综述了用于去除医学影像中批次效应的统计和深度学习方法，并评估了有效协调的评价指标	提出了一个标准化框架来评估新提出的协调方法，并提供了促进更有效使用现有方法和指导未来发展的建议	NA	去除医学影像中的批次效应，提高下游分析结果的泛化性和可重复性	磁共振成像和计算机断层扫描影像	计算机视觉	NA	NA	深度学习模型	图像	NA	NA	NA	NA	NA
1586	2025-12-19	Semantic similarity metrics for image registration 2023-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102830 PMID:37172390	研究论文	本文提出了一种用于图像配准的语义相似性度量方法，通过关注语义对应而非像素强度来提升配准精度	引入了基于语义对应的相似性度量，替代传统的像素强度或相关性对齐方法，能够更好地处理低强度对比、噪声和模糊匹配问题	未明确说明方法在极端噪声或大规模数据集上的泛化能力，且依赖于数据集特定特征的学习	开发一种新的语义相似性度量，以改进图像配准的准确性和鲁棒性	图像配准中的相似性度量方法	计算机视觉	NA	深度学习，自动编码器，半监督学习	自动编码器	图像	NA	NA	自动编码器	配准精度，变换场平滑度	NA
1587	2025-12-19	The European Federation of Organisations for Medical Physics (EFOMP) White Paper: Big data and deep learning in medical imaging and in relation to medical physics profession 2018-Dec, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2018.11.005 PMID:30449653	白皮书	本文探讨了大数据和深度学习在医学影像中的应用及其对医学物理专业的影响	提出医学物理师应超越技术质量概念，将方法论和能力扩展到测量和优化诊断价值，并强调数据质量控制与验证在深度学习应用中的关键作用	未具体说明实际应用案例或技术实施细节，主要侧重于概念性讨论	分析大数据和深度学习如何改变医学影像领域，并探讨医学物理专业在此背景下的角色和发展方向	医学影像数据、医学物理专业实践	医学影像	NA	深度学习、大数据分析	NA	医学影像数据	NA	NA	NA	NA	NA
1588	2025-12-18	Clinical value of the 70-kVp ultra-low-dose CT pulmonary angiography with deep learning image reconstruction 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11764-1 PMID:40603771	研究论文	本研究评估了基于深度学习图像重建算法的低辐射剂量和低对比剂剂量的CT肺动脉造影的可行性	结合70 kVp超低剂量协议与深度学习图像重建算法，实现了辐射剂量和对比剂剂量的双重降低，同时保持了图像质量并提高了肺动脉远端分支的可视性	样本量相对较小（100名患者），且研究为单中心前瞻性设计，可能限制了结果的普遍适用性	评估深度学习图像重建算法在低剂量CT肺动脉造影中的临床应用价值	连续100名接受CT肺动脉造影的患者	数字病理学	心血管疾病	CT肺动脉造影	深度学习图像重建算法	CT图像	100名患者（50名常规剂量组，50名低剂量组）	NA	NA	CT值、标准差、信噪比、对比噪声比、图像质量评分	NA
1589	2025-12-18	Super-resolution deep learning in pediatric CTA for congenital heart disease: enhancing intracardiac visualization under free-breathing conditions 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11800-0 PMID:40670764	研究论文	本研究评估了超分辨率深度学习重建（SR-DLR）、传统深度学习重建（C-DLR）和混合迭代重建（HIR）在自由呼吸条件下增强儿科先天性心脏病（CHD）CT血管造影（CCTA）图像质量和诊断性能的效果	在儿科自由呼吸CCTA中应用超分辨率深度学习重建（SR-DLR），显著提升了图像质量和对小病灶（如多孔房间隔缺损和室间隔缺损）的检测灵敏度，诊断准确率接近超声水平	研究样本量相对较小（91例），且仅针对1-10岁疑似先天性心脏病的儿科患者，未涵盖更广泛的年龄组或疾病类型	评估和比较不同图像重建算法在儿科先天性心脏病CT血管造影中的图像质量和诊断性能	91名1-10岁疑似先天性心脏病的儿科患者，在自由呼吸条件下接受心脏CT血管造影检查	医学影像分析	先天性心脏病	CT血管造影（CCTA），超分辨率深度学习重建（SR-DLR），传统深度学习重建（C-DLR），混合迭代重建（HIR）	深度学习模型（具体架构未明确说明）	医学影像（CT图像）	91名儿科患者	NA	NA	准确率, 灵敏度, 阴性预测值, 标准差（SD）, 信噪比（SNR）, 对比噪声比（CNR）	NA
1590	2025-12-18	Deep learning-based ultrasound diagnostic model for follicular thyroid carcinoma 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11840-6 PMID:40681777	研究论文	本研究开发了一种基于深度学习的端到端超声诊断模型，用于术前区分甲状腺良性肿瘤、滤泡状甲状腺癌（FTC）和其他恶性肿瘤	提出了一种新颖的数据增强方法和混合损失函数，以解决数据集不平衡问题，并将其应用于预训练的卷积神经网络和Transformer模型，有效提取图像特征，直接识别FTC	回顾性多中心研究，可能存在选择偏倚；FTC样本数量相对较少（测试集中仅占3.6%）	开发一种基于深度学习的超声诊断模型，以提高滤泡状甲状腺癌的术前诊断准确性	甲状腺肿瘤患者的超声图像	计算机视觉	甲状腺癌	常规超声成像	CNN, Transformer	图像	10771名连续成年患者（2018年1月至2021年9月期间接受常规超声和术后病理检查）	NA	预训练的卷积神经网络和Transformer模型	平衡准确度, AUC, 敏感性, 特异性	NA
1591	2025-12-18	Diagnostic interchangeability of deep-learning based Synth-STIR images generated from T1 and T2 weighted spine images 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11827-3 PMID:40681776	研究论文	本研究评估了通过深度学习从T1和T2加权脊柱图像生成的合成短时反转恢复（Synth-STIR）图像的质量和诊断可互换性	利用深度学习从T1和T2加权图像生成Synth-STIR，显著减少扫描时间约180秒，同时提高信噪比和对比噪声比	研究为前瞻性单中心设计，样本量有限（199名参与者），且未明确说明深度学习模型的具体架构和训练细节	评估深度学习生成的Synth-STIR图像在脊柱MRI中的图像质量和诊断可互换性，以提高临床效率	脊柱MRI图像，包括标准STIR和从T1/T2加权图像生成的Synth-STIR	医学影像分析	脊柱异常	深度学习，MRI成像（T1WI, T2WI, STIR）	深度学习模型	医学图像（MRI）	199名参与者（106名男性，平均年龄46.8±16.9岁）	NA	NA	信噪比（SNR），对比噪声比（CNR），主观图像质量评估，个体等效指数（IEI），Kappa系数，Kendall一致性系数，McNemar检验	NA
1592	2025-12-18	Deep learning reconstruction of zero echo time magnetic resonance imaging: diagnostic performance in axial spondyloarthritis 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11843-3 PMID:40707731	研究论文	本研究比较了深度学习重建的零回波时间MRI在诊断中轴型脊柱关节炎患者结构病变方面的诊断性能，以CT为参考标准	首次将深度学习重建技术应用于零回波时间MRI，以增强对骶髂关节骨硬化和骨侵蚀等微小结构病变的检测能力	样本量较小（仅26名患者），且研究为单中心设计，可能限制结果的普遍性	评估深度学习重建的零回波时间MRI在中轴型脊柱关节炎结构病变诊断中的性能	中轴型脊柱关节炎患者的骶髂关节（包括52个关节和104个象限）	医学影像分析	中轴型脊柱关节炎	零回波时间磁共振成像，深度学习重建	深度学习模型	MRI图像	26名患者（52个骶髂关节，104个象限）	NA	NA	诊断性能（敏感性、特异性等），加权Kappa系数（用于评估读者间一致性）	NA
1593	2025-09-05	From detection to decision: Can deep learning-based CADx meet the challenge of incidental pulmonary nodules? 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11935-0 PMID:40906185	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1594	2025-12-18	GIMS: Image matching system based on adaptive graph construction and graph neural network 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108030 PMID:40907360	研究论文	本文提出了一种基于自适应图构建和图神经网络的图像匹配系统，通过结合GNN和Transformer提升匹配性能	引入了创新的自适应图构建方法，利用基于距离和动态阈值相似性的过滤机制，并融合GNN的顶点处理能力和Transformer的全局感知能力	NA	提升基于特征的图像匹配性能	图像中的关键点	计算机视觉	NA	NA	GNN, Transformer	图像	广泛图像数据集	NA	GNN, Transformer	整体匹配性能提升倍数	多GPU技术
1595	2025-12-18	Multimodal self-supervised retinal vessel segmentation 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108011 PMID:40921125	研究论文	本文提出了一种新颖的自监督预训练框架，利用未标记的多模态眼底图像对来提升视网膜血管分割的准确性	提出了一种利用多模态图像互补差异构建血管信息融合图的自监督预训练框架，通过Vision Transformer编码和相关性滤波实现，并在INFOMAX损失指导下学习实例级判别特征	未明确说明框架在计算资源需求方面的具体限制，也未讨论在不同临床环境中的泛化能力	开发一种减少标注依赖的视网膜血管自动分割方法	视网膜眼底图像	计算机视觉	NA	自监督学习，多模态特征融合	Vision Transformer	多模态眼底图像	未在摘要中明确说明	NA	Vision Transformer	NA	NA
1596	2025-12-18	Dynamic network compression via probabilistic channel pruning 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108080 PMID:40925121	研究论文	本文提出了一种基于概率通道剪枝的动态网络压缩方法，以减少深度学习模型的参数数量并提升效率	开发了概率连接模块，能在训练期间动态激活和停用通道连接，无需对剪枝后模型进行微调，并通过卷积分解有效诱导稀疏性	未明确提及具体局限性，但可能包括对特定模型架构的依赖或泛化能力的验证不足	解决神经网络压缩问题，以克服计算密集型深度学习模型的限制	深度学习模型，特别是ResNet-56和VGG-19架构	机器学习	NA	网络剪枝	CNN	NA	NA	NA	ResNet, VGG	准确率	NA
1597	2025-12-18	Learning in PINNs: Phase transition, diffusion equilibrium, and generalization 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107983 PMID:40884895	研究论文	本文通过神经梯度信噪比研究全连接神经网络的学习动态，识别出扩散平衡相，并提出样本重加权方案以改善泛化能力	识别出训练中的扩散平衡相，提出样本重加权方案以提高残差同质性和泛化能力，并发现激活饱和驱动的信息压缩现象	研究主要基于物理信息神经网络，可能在其他网络架构或任务中的普适性有待验证	研究非凸目标中一阶优化器的行为，探索神经网络学习动态与泛化能力的关系	全连接神经网络的学习动态，特别是梯度对齐和残差同质性	机器学习	NA	NA	全连接神经网络	NA	NA	NA	NA	NA	NA
1598	2025-12-18	Integration of radiomics, habitat imaging, and deep learning for MRI-based prediction of parametrial invasion in cervical cancer: A dual-center study 2026-Jan, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110542 PMID:41173217	研究论文	本研究评估了放射组学、生境成像和2.5D深度学习模型在基于MRI预测宫颈癌宫旁浸润中的诊断性能，并探讨了多模态整合模型的临床效用	首次将放射组学、生境成像和2.5D深度学习模型结合，构建多模态整合模型用于预测宫颈癌宫旁浸润，并在双中心数据中验证其优越性能	研究为回顾性设计，样本量相对有限（共290例患者），且仅基于MRI数据，未来需前瞻性多中心验证并整合更多模态信息	评估多模态模型在预测宫颈癌宫旁浸润中的诊断性能，以优化术前评估和临床决策	FIGO分期为IB1-IIB的宫颈癌患者	医学影像分析	宫颈癌	MRI成像, k-means聚类, 放射组学特征提取	深度学习模型, 机器学习模型	MRI图像	290例患者（中心A: 227例，中心B: 63例）	NA	2.5D深度学习模型	AUC, 准确率	NA
1599	2025-12-18	Economic Value of AI in Radiology: A Systematic Review 2026-Jan, Radiology. Artificial intelligence DOI:10.1148/ryai.250090 PMID:41258794	系统综述	本文对2010年至2024年间发表的关于人工智能在放射学工作流程中经济价值的原始研究进行了系统性回顾	首次系统性地总结了AI在放射学领域经济价值的证据，明确了其价值实现取决于任务复杂性、检查量和实施模式等具体情境	纳入研究数量有限（仅21项），且研究质量参差不齐，可能影响结论的普遍性	评估人工智能在放射学工作流程中的经济价值	涉及人工智能经济价值的原始研究文章	医疗人工智能	NA	机器学习、深度学习、计算机辅助诊断、自然语言处理	NA	NA	从1879项初始搜索结果中筛选出21项研究	NA	NA	成本节约、增量成本效益比	NA
1600	2025-12-18	Dual-channel hierarchical interactive learning for the prediction of Protein-Ligand binding affinity 2026-Jan, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107982 PMID:40845562	研究论文	本文提出了一种名为双通道分层交互学习（DHIL）的新方法，用于更全面地建模蛋白质-配体相互作用，以提高结合亲和力预测的准确性	采用双通道编码结构同时学习分子内和分子间相互作用，并设计了分层交互学习范式，在多个层次上促进两类相互作用之间的信息交换，模拟了生物系统从局部到全局的工作机制	由于多尺度图构建和跨层消息传递，该框架引入了显著的计算开销；并且对输入3D结合构象的质量敏感，可能影响其在实际应用中的鲁棒性	提高蛋白质-配体结合亲和力（PLBA）的预测准确性，以支持药物筛选和发现	蛋白质-配体复合物	机器学习	NA	NA	深度学习	3D结构数据	NA	NA	双通道分层交互学习（DHIL）	准确性	NA