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
1701	2026-01-09	Utility of Thin-slice Single-shot T2-weighted MR Imaging with Deep Learning Reconstruction as a Protocol for Evaluating Pancreatic Cystic Lesions 2025-Nov-20, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2025-0042 PMID:40518300	研究论文	评估深度学习重建超分辨率技术对2mm薄层单次激发T2加权磁共振图像在胰腺囊性病变评估中的效用	首次将深度学习重建超分辨率技术应用于2mm薄层单次激发T2加权磁共振成像，并与传统5mm层厚图像进行对比，以优化胰腺囊性病变的影像评估	研究样本量较小（仅30例患者），且为单中心研究，可能限制结果的普遍适用性	评估深度学习重建超分辨率技术对薄层磁共振图像质量的影响，以改善胰腺囊性病变的诊断评估	胰腺囊性病变患者	医学影像分析	胰腺疾病	单次激发涡轮自旋回波磁共振成像，深度学习重建超分辨率技术	深度学习重建模型	磁共振图像	30例连续入组的胰腺囊性病变患者	NA	NA	信噪比，对比噪声比，图像质量评分（包括胰腺边缘锐利度、感知粗糙度、胰管清晰度、噪声、伪影、整体图像质量及诊断信心）	NA
1702	2026-01-09	Explainable Artificial Intelligence Framework for Predicting Treatment Outcomes in Age-Related Macular Degeneration 2025-Nov-11, Sensors (Basel, Switzerland) DOI:10.3390/s25226879 PMID:41305085	研究论文	本文提出了一种结合神经符号推理和大语言模型的混合框架，用于预测年龄相关性黄斑变性（AMD）的治疗结果，并提供可解释的风险评估	提出了一种混合神经符号与大语言模型（LLM）的框架，将机制性疾病知识与多模态眼科数据相结合，实现了可解释的AMD治疗预后预测	研究受限于单中心范围和短期随访	开发一个可解释的人工智能框架，用于预测年龄相关性黄斑变性（AMD）的治疗结果	年龄相关性黄斑变性（AMD）患者	数字病理学	年龄相关性黄斑变性	光学相干断层扫描、眼底荧光素血管造影、扫描激光检眼镜、眼部/浅表B超	神经符号模型, 大语言模型（LLM）	图像, 文本	10名手术治疗的AMD患者（6名男性，4名女性；平均年龄67.8±6.3岁），包含30份结构化临床文档和100个配对成像序列	NA	NA	AUROC, AUPRC, Brier分数	NA
1703	2026-01-09	Establishing prospective performance monitoring for real-world implementation of deep learning-based auto-segmentation in prostate cancer radiotherapy 2025-Oct, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2025.100886 PMID:41488801	研究论文	本研究开发了一个基于回顾性数据的实用框架，用于前列腺癌放疗中深度学习自动分割模型的实时性能监测	首次提出将统计过程控制图应用于深度学习自动分割模型的性能监控，以检测数据漂移和临床实践变化	研究基于回顾性数据，且仅针对前列腺癌放疗场景，未在其他疾病或医疗环境中验证	建立深度学习自动分割模型在前列腺癌放疗中的前瞻性性能监控框架	前列腺癌放疗患者的临床轮廓分割	数字病理学	前列腺癌	深度学习自动分割	U-Net	医学图像	464例前列腺癌病例，时间跨度为20个月	NA	2D U-Net, 3D U-Net	Dice相似系数, 95百分位Hausdorff距离, 表面DSC	NA
1704	2026-01-09	Development and in silico imaging trial evaluation of a deep-learning-based transmission-less attenuation compensation method for DaT SPECT 2025-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.17976 PMID:40781836	研究论文	本文开发了一种基于深度学习的无传输衰减补偿方法（DaT-CTLESS），用于DaT SPECT成像，并通过计算机模拟成像试验验证了其性能	提出了一种结合物理原理和深度学习的无传输衰减补偿方法，无需额外CT扫描，解决了临床SPECT系统中CT组件缺失的问题	研究基于计算机模拟成像试验，尚未进行真实临床环境的大规模验证，且方法性能可能受训练数据质量和数量的影响	开发并验证一种无传输衰减补偿方法，以克服DaT SPECT成像中依赖CT扫描进行衰减补偿的挑战	多巴胺转运体（DaT）SPECT图像，用于帕金森病等运动障碍疾病的诊断和进展跟踪	医学影像分析	帕金森病	单光子发射计算机断层扫描（SPECT），深度学习	深度学习	医学影像（SPECT、CT、MR图像）	197名虚拟患者（150名用于训练，47名用于评估）	NA	U-net	组内相关系数（ICC），准确性，重复性，泛化性，保真度指标	NA
1705	2026-01-09	Predicting Sleep and Sleep Stage in Children Using Actigraphy and Heartrate via a Long Short-Term Memory Deep Learning Algorithm: A Performance Evaluation 2025-Jul-17, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70149 PMID:40676371	研究论文	本研究评估了使用长短期记忆（LSTM）深度学习算法结合活动记录仪和心率数据预测儿童睡眠及睡眠阶段的效果，并与多导睡眠图（PSG）进行对比	首次将LSTM算法应用于儿童活动记录仪和心率数据，以预测睡眠与觉醒状态及睡眠阶段（包括非快速眼动和快速眼动），相比传统算法（如Sadeh算法）在特异性方面有显著提升	研究样本为疑似睡眠障碍的儿童，可能限制了结果的普适性；且仅评估了三种消费级可穿戴设备，未涵盖所有市场产品	评估LSTM深度学习算法在预测儿童睡眠状态和睡眠阶段方面的性能，并与传统机器学习方法（逻辑回归和随机森林）进行比较	238名5-12岁儿童（52.8%男性，50%黑人，31.9%白人），这些儿童因疑似睡眠障碍而参与过夜实验室多导睡眠监测	机器学习	睡眠障碍	活动记录仪（ActiGraph GT9X）、心率监测、多导睡眠图（PSG）	LSTM	时间序列数据（原始活动记录仪和心率数据）	238名儿童	未明确指定，但提及了逻辑回归和随机森林作为基准方法	LSTM	准确率、灵敏度、特异性	未明确指定
1706	2026-01-09	Accurate and real-time brain tumour detection and classification using optimized YOLOv5 architecture 2025-Jul-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-07773-1 PMID:40651993	研究论文	本研究提出了一种结合FCNN和YOLOv5的集成模型，用于从MRI图像中实时检测和分类脑肿瘤	提出了一种将FCNN用于分类和YOLOv5用于检测与分割的集成框架，并采用RMSProp优化器提升分类性能，实现了高精度的实时脑肿瘤诊断	未明确说明数据集的来源、样本的具体数量以及模型在临床环境中的泛化能力验证	开发一种准确且实时的脑肿瘤检测与分类系统，以辅助医疗影像诊断	脑部MRI图像中的肿瘤区域	计算机视觉	脑肿瘤	MRI	CNN	图像	NA	PyTorch	FCNN, YOLOv5	准确率, 精确率, 召回率, F1系数, 特异性	NA
1707	2026-01-09	Multimodal Data and Deep Learning-Driven Diagnostic and Therapeutic Assistance Framework for Patellar Dislocation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253687 PMID:41336970	研究论文	本研究结合多模态数据和人工智能算法，构建了一个用于识别解剖风险因素、预测复发风险和评估术后结果的模型	提出了一个整合术前、术中和术后信息的三阶段建模框架，并在复发风险预测模块中首次纳入了脂质代谢谱和临床变量	未来工作需纳入真实世界影像数据以提升影像分析组件的性能	构建一个全面的多模态融合模型，为髌骨脱位的诊断、预后和治疗提供更准确和个体化的临床决策支持	髌骨脱位患者	机器学习	骨科疾病	多模态数据整合	深度学习	多模态数据（包括临床变量、脂质代谢谱等）	NA	NA	NA	AUC, F1-score, 敏感性	NA
1708	2026-01-09	Segmenting the Inferior Alveolar Canal in CBCTs Volumes: The ToothFairy Challenge 2025-04, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3523096 PMID:40030587	研究论文	本文介绍了在MICCAI 2023会议上组织的ToothFairy挑战赛，该挑战赛旨在促进下牙槽神经管（IAC）在锥形束计算机断层扫描（CBCT）中的分割研究，并发布了最大的公开数据集用于比较评估	组织了首个针对IAC分割的公开挑战赛，并发布了该领域最大的公开标注数据集，首次在共同基准上对多种算法进行了全面的比较评估	数据集仅包含443个CBCT扫描，其中仅153个具有体素级标注，可能限制了某些深度学习模型的训练效果	促进下牙槽神经管（IAC）在CBCT扫描中的自动分割算法的研究与发展，并建立公共基准用于比较评估	锥形束计算机断层扫描（CBCT）中的下牙槽神经管（IAC）	数字病理学	NA	锥形束计算机断层扫描（CBCT）	NA	3D医学影像（CBCT扫描）	443个CBCT扫描（其中153个具有体素级标注）	NA	NA	NA	NA
1709	2026-01-09	Long-Term Carotid Plaque Progression and the Role of Intraplaque Hemorrhage: A Deep Learning-Based Analysis of Longitudinal Vessel Wall Imaging 2025-Feb-19, medRxiv : the preprint server for health sciences DOI:10.1101/2024.12.09.24318661 PMID:39711698	研究论文	本研究利用深度学习分割技术分析纵向血管壁成像数据，评估颈动脉斑块内出血对长期斑块负荷进展的影响	首次结合深度学习分割与纵向多对比磁共振血管壁成像，量化分析颈动脉斑块内出血的长期动态变化及其对斑块进展的加速作用	样本量较小（28名无症状受试者），且为观察性研究，无法确定因果关系	评估颈动脉斑块内出血对长期斑块负荷进展的影响	无症状颈动脉粥样硬化受试者的颈动脉斑块	数字病理学	心血管疾病	多对比磁共振血管壁成像	深度学习分割模型	磁共振图像	28名无症状受试者，共50条动脉，平均每名受试者接受4.7次扫描，随访时间平均5.8年	NA	NA	NA	NA
1710	2026-01-09	Training deep learning models on personalized genomic sequences improves variant effect prediction 2025-Feb-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618510 PMID:39463940	研究论文	本文探讨了在匹配个人基因组的功能基因组数据上训练深度学习模型，以提高变异效应预测性能	通过使用个性化基因组序列进行模型训练，提升了变异效应预测的准确性，并展示了模型在未见细胞环境和实验读出中的泛化能力	NA	改进序列到功能模型在遗传变异分子影响解释中的性能	个性化基因组序列和功能基因组数据	机器学习	NA	功能基因组学	深度学习模型	基因组序列数据	NA	NA	NA	NA	NA
1711	2026-01-09	Deep Learning Enabled Scoring of Pancreatic Neuroendocrine Tumors Based on Cancer Infiltration Patterns 2025-Jan-23, Endocrine pathology IF:11.3Q1 DOI:10.1007/s12022-025-09846-3 PMID:39847242	研究论文	本研究提出了一种基于深度学习的计算流程，首次自动分类胰腺神经内分泌肿瘤，通过细胞实体图构建和图神经网络整合病理学领域知识	首次将病理学领域知识整合到图神经网络的构建和训练中，以更深入地利用肿瘤微环境及其结构变化进行肿瘤分类	研究仅基于105张HE染色全切片图像，样本量相对有限，且未提及外部验证或泛化能力评估	开发自动化系统以减少观察者变异性，实现胰腺神经内分泌肿瘤的客观分类	胰腺神经内分泌肿瘤的组织样本	数字病理学	胰腺神经内分泌肿瘤	HE染色	图神经网络	图像	105张HE染色全切片图像	NA	图神经网络	F1分数	NA
1712	2026-01-09	AI-Based Detection of Coronary Artery Occlusion Using Acoustic Biomarkers Before and After Stent Placement 2025, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2025.3615394 PMID:41221436	研究论文	本研究利用人工智能（特别是DeepSets架构）学习患者特异性声学生物标志物，以区分12名患者经皮冠状动脉介入治疗前后的心音，用于检测冠状动脉阻塞	首次采用DeepSets架构结合Matching Pursuit分解，从心音中提取个体化声学生物标志物，实现非侵入性冠状动脉疾病监测	样本量较小（仅12名患者），研究为初步探索，需更多时间点数据验证长期监测效果	开发基于人工智能的非侵入性方法，用于冠状动脉疾病的早期检测和治疗监测	12名接受经皮冠状动脉介入治疗的人类患者的心音数据	机器学习	心血管疾病	心音记录，Matching Pursuit信号分解	DeepSets	音频	12名患者	NA	DeepSets	准确率	NA
1713	2026-01-09	ESA-YOLOv5m: a lightweight spatial and improved attention-driven detection for brain tumor MRI analysis 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1733180 PMID:41488085	研究论文	本研究提出了一种集成增强空间注意力（ESA）的YOLOv5m轻量级框架，用于MRI扫描中的脑肿瘤检测	在YOLOv5m架构中引入轻量级ESA模块，置于SPPF层后，以增强特征判别能力并抑制背景噪声，提高定位精度而不增加计算复杂度	未明确提及，但可能包括数据集规模有限或仅针对特定MRI数据类型的泛化能力	开发一种轻量级且高效的脑肿瘤检测模型，以支持实时临床部署和边缘医疗应用	脑肿瘤MRI图像，包括胶质瘤、脑膜瘤和垂体瘤三类	计算机视觉	脑肿瘤	MRI	CNN	图像	Figshare脑肿瘤MRI数据集，具体样本数未明确，包含三类肿瘤	PyTorch	YOLOv5m, ESA	精确率, 召回率, mAP@0.5	未明确指定GPU类型，但提及实时推理和边缘应用，暗示可能使用常见GPU或嵌入式设备
1714	2026-01-09	The apple detection method based on multimodal features 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334911 PMID:41129553	研究论文	本文提出了一种基于多模态特征融合的苹果检测方法，旨在提升复杂环境下的检测性能	通过融合RGB图像、颜色与边缘特征图、深度特征图和点云四种互补模态，而非激进的结构修改，来增强特征表示和模型鲁棒性	NA	提高复杂环境下苹果和其他水果的检测准确性	苹果和其他水果	计算机视觉	NA	双目主动红外立体相机	YOLOv5	图像, 点云	NA	NA	YOLOv5	精确率, 召回率, F1分数	NA
1715	2026-01-09	Accurate classification of major brain cell types using in vivo imaging and neural network processing 2023-11, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3002357 PMID:37943858	研究论文	本文介绍了一种结合活体双光子成像和深度学习的方法，用于无创分类小鼠大脑中的主要细胞类型	开发了NuCLear方法，首次实现基于活体成像和深度学习对大脑细胞类型进行非侵入性分类和三维定位	仅使用单一标记（组蛋白2B-eGFP），可能限制对其他细胞特征的识别；方法目前仅在小鼠次级运动皮层验证	开发一种非侵入性方法，用于长期研究生理和病理条件下大脑细胞类型组成的变化	小鼠次级运动皮层中的细胞核	数字病理学	NA	活体双光子成像，组蛋白2B-eGFP标记	深度学习	图像	约25,000个细胞（来自0.25 mm³成像体积）	NA	NA	NA	NA
1716	2026-01-08	Investigation of cervical cell image segmentation technology based on deep learning and non-coding RNAs 2026-Apr, Non-coding RNA research IF:5.9Q1 DOI:10.1016/j.ncrna.2025.09.009 PMID:41488159	综述	本文综述了基于深度学习和非编码RNA的宫颈细胞图像分割技术，探讨了其在医学诊断中的应用与挑战	结合深度学习方法（如CNN、U-Net）与非编码RNA研究，以提升宫颈细胞图像分割的精度和效率	本文为综述性文章，未涉及具体实验数据或模型验证，主要基于文献调研，缺乏原创性实证研究	探索深度学习技术在宫颈细胞图像分割中的应用，并比较不同模型（如CNN、全卷积网络、U-Net）的特点和性能	宫颈细胞图像	计算机视觉	宫颈癌	NA	CNN, 全卷积网络, U-Net	图像	NA	NA	CNN, 全卷积网络, U-Net	NA	NA
1717	2026-01-08	Reply to comment on impact of deep learning on CT-based organ-at-risk delineation for flank irradiation in paediatric renal tumours: A SIOP-RTSG radiotherapy committee 2026-Mar, Clinical and translational radiation oncology IF:2.7Q2 DOI:10.1016/j.ctro.2025.101087 PMID:41487396	回复	本文是对评论的回应，澄清了关于深度学习在儿童肾肿瘤侧腹放疗中CT自动轮廓勾画研究的方法学和临床方面	通过回应评论，强调了研究中对STAPLE共识轮廓偏见的处理，并解释了为何剂量分析和不确定性量化在当前阶段非必需	研究在受控的研讨会环境中进行，未能完全反映真实世界的临床工作流程	评估深度学习在儿童肾肿瘤侧腹放疗中器官风险自动轮廓勾画的影响	儿童肾肿瘤患者	数字病理学	肾肿瘤	CT成像	深度学习	CT图像	NA	NA	NA	几何评估	NA
1718	2026-01-08	Toward accurate breast cancer classification: A review of multi-modal machine learning approaches 2026-Feb, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2025.10.011 PMID:41265505	综述	本文综述了多模态机器学习方法在乳腺癌分类中的应用，包括恶性与良性分类及分子亚型分类	探讨了多模态数据融合技术、注意力机制Transformer架构在WSI标注中的应用，以及模型可解释性工具	NA	提高乳腺癌分类准确性，推动精准肿瘤学发展	乳腺癌分类及分子亚型识别	机器学习	乳腺癌	转录组学、影像学、基因组学	深度学习算法、传统模型、机器学习模型	图像、转录组数据、基因组数据	NA	NA	注意力机制Transformer、多实例学习架构	NA	NA
1719	2026-01-08	Digital Eye: Deep Learning for Detecting Physeal Fractures of the Pediatric Distal Radius 2026-Feb, Journal of the Pediatric Orthopaedic Society of North America DOI:10.1016/j.jposna.2025.100291 PMID:41488804	研究论文	本研究通过微调卷积神经网络（EfficientNet）来检测儿童桡骨远端骨折中的骨骺骨折，旨在提高诊断准确性	首次应用EfficientNet模型结合Grad-CAM技术对儿童骨骺骨折进行自动分类，并提供了模型预测的可解释性分析	数据集来自单一医疗机构，样本多样性和平衡性有限，未来需扩展数据集并测试不同视图和骨折模式	开发一种基于深度学习的工具，以辅助急诊医生准确分类儿童桡骨远端骨折中的骨骺骨折，从而改善患者安全	4至18岁骨骼未成熟患者的桡骨远端骨折X光片	计算机视觉	骨科损伤	X光成像	CNN	图像	2,103张X光片（来自1,082名患者），包括203例骨骺骨折和879例非骨骺骨折	TensorFlow, PyTorch	EfficientNet-B2	准确率, 精确率, 召回率, F1分数	NA
1720	2026-01-08	Highly Accelerated T1ρ Imaging in 3 min: Comparison Between Compressed Sensing and Deep Learning Reconstruction 2026-Feb, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70226 PMID:41493163	研究论文	本研究比较了压缩感知和深度学习在加速膝关节软骨T1ρ成像中的重建性能	首次在3分钟内实现高度加速的T1ρ成像，并系统比较了压缩感知与深度学习在回顾性和前瞻性欠采样重建中的表现	样本量较小（仅9名志愿者），且仅针对膝关节软骨进行评估	比较压缩感知与深度学习在加速定量磁共振成像中的重建效果	膝关节软骨的T1ρ映射图像	医学影像分析	骨关节疾病	3T MRI扫描，GRAPPA 2加速，DESS成像，3D MAPSS序列	深度学习模型（具体架构未说明）	磁共振图像	9名志愿者（包括3名确诊病理患者）	NA	NA	中位数归一化绝对差异，一致性相关系数，变异系数	3T MRI扫描仪