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
1901	2026-03-13	Artificial Intelligence and Medical Education (2013-2024): A Scopus-Based Bibliometric Analysis 2025, The East African health research journal DOI:10.24248/eahrj.v9i1.817 PMID:41815979	研究论文	本文通过Scopus数据库对2013-2024年间人工智能在医学教育领域的研究进行了文献计量分析	首次对人工智能在医学教育领域的全球合作与出版趋势进行了全面的文献计量分析，揭示了新兴主题和国际协作网络	分析仅基于Scopus数据库，可能未涵盖所有相关文献；研究为描述性分析，未深入探讨具体AI技术的教育效果	分析人工智能在医学教育领域应用的全球研究趋势、主要贡献者和主题发展	2013-2024年间Scopus数据库中关于人工智能与医学教育的学术出版物	自然语言处理	NA	文献计量分析	NA	文本	1081篇出版物（2024年峰值）	Bibliometrix R package	NA	NA	NA
1902	2026-03-13	Precision oncology: Computational methods for multi-omics data integration to improve drug response prediction 2025, Cambridge prisms. Precision medicine DOI:10.1017/pcm.2025.10003 PMID:41816503	综述	本文综述了整合多组学数据以改善药物反应预测的计算方法	系统性地概述了用于药物反应预测的多组学数据整合方法，包括传统机器学习、深度学习及多模态集成框架	NA	提高药物反应预测的准确性，推动精准医学发展	多组学数据集	机器学习	癌症	多组学数据整合	机器学习模型, 深度学习模型	多组学数据	NA	NA	NA	剂量-反应曲线下面积, F1分数, 均方误差	NA
1903	2026-03-13	Unsupervised Segmentation of 3D Microvascular Photoacoustic Images Using Deep Generative Learning 2024-08, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202402195 PMID:38923324	研究论文	本文提出了一种无监督的深度学习模型VAN-GAN，用于从3D光声图像中分割血管网络，无需人工标注数据	引入了一种无监督的图像到图像转换深度学习模型VAN-GAN，该模型在训练中整合了合成血管网络，并学习复制PAI系统的物理原理，从而减少对人工标注的依赖	与监督方法U-Net相比，F1分数略低（0.84 vs 0.87），可能在某些复杂血管结构上存在分割精度限制	开发一种无监督方法，用于从3D光声图像中准确分割血管网络，以促进血管结构和功能的临床前与临床研究	3D微血管光声图像，包括计算机模拟、体外实验、体内数据、患者来源的乳腺癌异种移植模型和3D临床血管造影	计算机视觉	乳腺癌	光声成像	GAN	3D图像	多样化的计算机模拟、体外和体内数据，包括患者来源的乳腺癌异种移植模型和3D临床血管造影	NA	VAN-GAN	F1分数	NA
1904	2026-03-13	Non-Invasive Detection of Early-Stage Fatty Liver Disease via an On-Skin Impedance Sensor and Attention-Based Deep Learning 2024-08, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202400596 PMID:38887178	研究论文	本研究开发了一种用于早期非酒精性脂肪肝病（NAFLD）检测的软性皮肤传感器，并结合注意力深度学习算法，实现了高精度的非侵入式诊断	创新点包括合成铂纳米颗粒和还原石墨烯量子点以降低电极-皮肤接触阻抗，以及引入注意力深度学习算法来区分早期NAFLD的阻抗信号	研究目前仅在小鼠模型中进行，尚未在人类临床环境中验证	开发一种非侵入、成本效益高的早期NAFLD检测方法	高脂饮食喂养的低密度脂蛋白受体敲除（Ldlr）小鼠与健康对照组	机器学习	非酒精性脂肪肝病	皮肤阻抗传感	注意力深度学习	阻抗信号	高脂饮食喂养的Ldlr小鼠与健康对照组	NA	NA	准确率, AUC	NA
1905	2026-03-13	Deep Batch Integration and Denoise of Single-Cell RNA-Seq Data 2024-08, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202308934 PMID:38778573	研究论文	本文介绍了一种名为DeepBID的新型深度学习方法，用于同时进行单细胞RNA测序数据的批次效应校正、非线性降维、嵌入和细胞聚类	DeepBID采用基于负二项分布的自编码器与双重Kullback-Leibler散度损失函数，通过迭代聚类在一致的低维潜在空间中对齐不同批次的细胞点，从而逐步消除批次效应	NA	开发一种高效且有利于下游分析的scRNA-seq数据集成与去噪方法	来自不同实验室或scRNA-seq协议的单细胞转录组数据集	机器学习	阿尔茨海默病	单细胞RNA测序	自编码器	单细胞转录组数据	NA	NA	基于负二项分布的自编码器	聚类准确性	NA
1906	2026-03-13	Ultrasound and diffuse optical tomography-transformer model for assessing pathological complete response to neoadjuvant chemotherapy in breast cancer 2024-07, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.29.7.076007 PMID:39050779	研究论文	本文开发了一种结合超声和弥散光学断层成像的Transformer模型，用于预测乳腺癌患者对新辅助化疗的病理完全缓解	首次提出将超声和弥散光学断层成像图像与肿瘤受体生物标志物结合，利用双输入Transformer模型进行多模态融合，以预测病理完全缓解	研究样本量较小（60名患者），未来需要扩大数据集以提高模型的准确性和泛化能力	评估整合超声和弥散光学断层成像图像在预测乳腺癌患者对新辅助化疗的病理完全缓解方面的效率	乳腺癌患者	医学影像分析	乳腺癌	超声成像，弥散光学断层成像	Transformer	图像，生物标志物	60名患者在化疗期间的多个时间点的影像数据	NA	双输入Transformer	AUC，准确率	NA
1907	2026-03-13	Context-Aware Transformer GAN for Direct Generation of Attenuation and Scatter Corrected PET Data 2024-Jul, IEEE transactions on radiation and plasma medical sciences IF:4.6Q1 DOI:10.1109/trpms.2024.3397318 PMID:41809058	研究论文	提出一种上下文感知的生成式深度学习框架，用于直接从非衰减和非散射校正的PET图像生成光子衰减和散射校正的PET图像	设计了四种条件生成对抗网络模型，包括基于视觉变换器和移位窗口变换器的创新架构，并首次在单模态和多模态输入数据上评估了这些模型，用于直接生成衰减和散射校正的PET图像	研究仅基于33名受试者的回顾性数据，样本量相对较小，且仅针对F-FDG全身PET图像进行了验证	开发一种深度学习框架，用于生成衰减和散射校正的PET图像，以改善PET图像质量	F-氟脱氧葡萄糖全身PET图像	医学影像分析	NA	PET/CT扫描, PET/MRI扫描	cGAN, Transformer	图像	33名受试者的全身PET图像	NA	Pix2Pix, AG-Pix2Pix, ViT-GAN, Swin-GAN	PSNR, MS-SSIM, NRMSE, MAE	NA
1908	2026-03-13	Label-free SERS detection of prostate cancer based on multi-layer perceptron surrogate model method 2024-Jan-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2023.123407 PMID:37717486	研究论文	本研究利用多层感知器（MLP）简化前列腺癌患者血浆SERS样本的预处理过程，并提高SERS技术诊断的敏感性和特异性	采用PCA-MLP方法直接分析原始SERS数据，简化实验流程，同时保持高且稳定的分类准确率	未提及样本多样性或方法普适性的具体验证，可能局限于特定类型样本	简化前列腺癌SERS样本预处理，提升诊断准确率	前列腺癌患者与正常人群的血浆SERS样本	机器学习	前列腺癌	表面增强拉曼光谱（SERS）	多层感知器（MLP）	光谱数据	NA	NA	多层感知器（MLP）	分类准确率	NA
1909	2026-03-13	Classification of Glomerular Pathology Images in Children Using Convolutional Neural Networks with Improved SE-ResNet Module 2023-Dec, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-023-00579-7 PMID:37525066	研究论文	本研究设计了一个基于深度学习的完整肾小球分类框架，用于检测和分类儿童肾小球病理图像，通过改进的SE-ResNet模块实现高精度分类	提出了一种集成ResNet和SENet的RS-INet神经网络，通过将原始ResNet残差块的卷积层转换为参数更小的卷积块，在保证网络性能的前提下减少了网络参数	NA	解决儿童肾小球病变分类问题，实现肾小球病理的高精度分类	儿童肾小球病理图像	数字病理学	肾脏疾病	组织切片	CNN	图像	NA	NA	ResNet, SENet, SE-ResNet	准确率	NA
1910	2026-03-13	Nested star-shaped objects segmentation using diameter annotations 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102934 PMID:37688981	研究论文	提出一种基于直径标注的深度学习方法，用于分割嵌套星形结构（如血管内腔和外壁），以减少临床标注负担	通过可微分方式提取训练时的物体边界点，并利用直径标注（而非逐像素标注）训练深度学习模型，实现了弱监督下的精确分割	方法主要适用于嵌套星形结构，可能不适用于复杂或不规则形状的分割任务	开发一种减少医学图像分割标注负担的弱监督学习方法	颈动脉内腔和外壁	计算机视觉	心血管疾病	多序列磁共振成像	深度学习模型	医学图像	未明确说明	未明确说明	未明确说明	未明确说明	未明确说明
1911	2026-03-13	Supervised tractogram filtering using Geometric Deep Learning 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102893 PMID:37741032	研究论文	本文提出了一种名为Verifyber的监督学习方法，用于过滤脑白质纤维束图中非解剖学上合理的纤维	采用新颖的完全监督学习框架，结合几何深度学习处理可变长度纤维，并引入序列边缘卷积来捕获解剖特性，同时保持纤维方向不变性	NA	解决脑白质纤维束图中非解剖学合理纤维的过滤问题，以提高纤维束图的准确性	脑白质纤维束图中的虚拟纤维	机器学习	NA	几何深度学习	几何深度学习模型	3D折线（纤维）	NA	NA	序列边缘卷积	NA	12GB GPU
1912	2026-03-13	A deep weakly semi-supervised framework for endoscopic lesion segmentation 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102973 PMID:37757643	研究论文	提出了一种用于内窥镜病灶分割的弱半监督深度学习框架，以减少对像素级标注的依赖	提出了一个名为Point SEGTR的弱半监督分割框架，结合少量像素级标注和大量点级标注进行训练，并引入了多点一致性和对称一致性两个正则化项来提升伪标签质量	未在摘要中明确说明	开发一种减少对像素级标注依赖的内窥镜病灶分割方法	内窥镜图像中的病灶	医学图像分析	NA	深度学习	Transformer	图像	三个内窥镜数据集，包含不同病灶结构和身体部位（如结直肠和鼻咽）	NA	Point SEGTR	NA	NA
1913	2026-03-13	Comprehensive Evaluation of a Deep Learning Model for Automatic Organs-at-Risk Segmentation on Heterogeneous Computed Tomography Images for Abdominal Radiation Therapy 2023-Nov-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2023.05.034 PMID:37244625	研究论文	本文开发了一个名为AbsegNet的深度学习模型，用于在腹部恶性肿瘤的放射治疗中自动分割16个危及器官	提出了一种新颖的深度学习模型AbsegNet，能够在异质性CT图像上准确分割多个危及器官，并在多个外部数据集上验证了其鲁棒性和临床适用性	对于结肠和小肠的分割，仍有15.0%的患者需要进行重大修订，表明模型在这些器官上的性能有待进一步提升	开发一个深度学习模型，实现腹部放射治疗中危及器官的自动分割，以支持全自动放射治疗计划	腹部恶性肿瘤患者的CT扫描图像	数字病理	腹部恶性肿瘤	CT扫描	深度学习模型	CT图像	544例CT扫描，分为多个队列进行训练、测试和验证	NA	AbsegNet	Dice相似系数, 95th-percentile Hausdorff距离, 体积修订度	NA
1914	2026-03-13	Deep Learning MRI Reconstruction for Accelerating Turbo Spin Echo Hand and Wrist Imaging: A Comparison of Image Quality, Visualization of Anatomy, and Detection of Common Pathologies with Standard Imaging 2023-Nov, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2022.12.042 PMID:36797172	研究论文	本研究评估了深度学习重建在加速手部和腕部涡轮自旋回波MRI成像中的应用，比较了其与标准成像在图像质量、解剖结构可视化和常见病变检测方面的表现	首次将深度学习重建应用于手部和腕部涡轮自旋回波MRI序列，实现了超过60%的扫描时间减少，同时保持了图像质量和诊断性能	样本量较小（仅21名患者），且研究为单中心前瞻性研究，需要更大规模的多中心验证	评估深度学习重建在加速手部和腕部MRI扫描中的临床应用价值	手部和腕部的MRI图像	医学影像分析	肌肉骨骼疾病	涡轮自旋回波序列，并行成像欠采样，深度学习重建	深度学习模型	MRI图像	21名患者（10名男性，11名女性，平均年龄43±19岁）	NA	NA	图像质量评分，噪声评分，边缘锐度评分，伪影评分，诊断置信度评分，解剖结构描绘评分，kappa统计量	NA
1915	2026-03-13	Semantic segmentation of retinal exudates using a residual encoder-decoder architecture in diabetic retinopathy 2023-Nov, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.24345 PMID:37194727	研究论文	本文提出了一种用于糖尿病视网膜病变中渗出物语义分割的残差编码器-解码器架构	提出了一种带有残差跳跃连接的残差CNN架构，以减少参数，并采用合适的图像增强技术来提高网络性能	NA	开发一种用于糖尿病视网膜病变筛查的计算机辅助诊断方法，实现视网膜渗出物的自动检测和分割	视网膜渗出物	计算机视觉	糖尿病视网膜病变	NA	CNN	图像	三个基准数据库：E-ophtha, DIARETDB1, Hamilton Ophthalmology Institute's Macular Edema	NA	残差编码器-解码器架构	精确度, 准确度, 灵敏度, 特异性, AUC	NA
1916	2026-03-13	Study on method of organ section retention and tracking through deep learning in automated diagnostic and therapeutic robotics 2023-Nov, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-02955-6 PMID:37249747	研究论文	本文提出了一种用于自动诊断和治疗机器人中器官截面保留和跟踪的深度学习方法，特别针对肾脏和肝脏的高强度聚焦超声治疗中的器官角度估计	提出了AEMA、AEMAD和AEMAD++三种新方法用于超声图像中器官角度估计，并在旋转扫描跟踪系统中进行了评估，其中AEMAD++在速度和精度上表现最佳	研究基于体模实验，未来需要添加周围器官区域或肾脏内部结构作为新特征以验证结果，且样本量较小（仅6个数据集）	开发一种在自动化诊断和治疗机器人中通过深度学习实现器官截面保留和跟踪的方法，以应对呼吸运动导致的器官位移问题	肾脏和肝脏器官，特别是在高强度聚焦超声治疗中的超声图像	计算机视觉	NA	高强度聚焦超声治疗，旋转扫描跟踪系统	深度学习模型	超声图像	6个数据集（5个用于初步准备，1个用于测试），包含从长轴图像到短轴图像的90度肾脏图像	NA	AEMA, AEMAD, AEMAD++	准确率，处理速度（FPS）	NA
1917	2026-03-13	Improving instrument detection for a robotic scrub nurse using multi-view voting 2023-Nov, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-023-03002-0 PMID:37530904	研究论文	本文提出了一种基于多视角投票的方案，用于改进机器人手术护士的器械检测性能	结合训练好的器械检测器与基于实例的多视角投票方案，显著提升了检测准确性	NA	提高机器人手术护士在手术器械检测任务中的性能	手术器械	计算机视觉	NA	深度学习	Mask R-CNN	RGB图像, 点云	NA	PyTorch	Mask R-CNN	错误减少率	NA
1918	2026-03-13	Deep-learning based classification of a tumor marker for prognosis on Hodgkin's disease 2023-Nov, European journal of haematology IF:2.3Q2 DOI:10.1111/ejh.14066 PMID:37549921	研究论文	本研究利用深度学习模型（YOLOv4）分析霍奇金病患者的全切片图像，评估picrosirius red染色纤维作为预后标志物的潜力	首次将YOLOv4深度学习模型应用于霍奇金病全切片图像，以picrosirius red染色纤维的弱染色程度作为预后指标进行自动分类和预测	样本量较小（仅83例），且picrosirius red染色作为预后设备的有效性尚不充分，需要进一步验证	评估基于深度学习的医学图像分类模型在预测霍奇金病临床结局中的应用，以辅助治疗决策	霍奇金病患者的FFPE活检标本（83例），根据qPET评分分层	数字病理学	霍奇金病	全切片图像扫描，picrosirius red染色，MMP9染色	CNN	图像	83例FFPE活检标本（训练集30例，评估集53例）	NA	YOLOv4	AUC	NA
1919	2026-03-13	Deep learning study on the mechanism of edge artifacts in point spread function reconstruction for numerical brain images 2023-Nov, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-023-01862-9 PMID:37610591	研究论文	本研究通过深度学习对模糊的数值脑图像进行非盲去模糊处理，以获取无边缘伪影的图像，并基于空间频率特性探讨点扩散函数重建中边缘伪影的产生机制	利用深度学习中的深度图像先验进行非盲去模糊处理，避免了点扩散函数重建，并通过数值模拟深入分析边缘伪影的空间频率特性机制	研究基于理想化的二维平行光束投影数据和简化的大脑图像模型，未考虑实际成像中的其他退化因素，可能限制了结果的普适性	探究点扩散函数重建中边缘伪影的产生机制，并比较不同重建方法在空间频率特性和分辨率方面的表现	数值模拟的脑图像，包括灰质、白质和脑脊液区域	计算机视觉	NA	数值模拟，深度学习去模糊，点扩散函数重建	深度图像先验	图像	256×256矩阵的脑图像	NA	深度图像先验	恢复系数，空间频率特性，一维物体特定调制传递函数	NA
1920	2026-03-13	Diagnosing evapotranspiration responses to water deficit across biomes using deep learning 2023-Nov, The New phytologist DOI:10.1111/nph.19197 PMID:37621238	研究论文	本研究利用深度学习分析不同生物群落中蒸散对水分亏缺的响应，揭示植被对干旱的敏感性	通过训练深度神经网络从通量测量中提取水分胁迫因子，首次系统量化了蒸散对累积水分亏缺的响应，并发现了标准地表模型未捕捉的多样化响应模式	研究依赖于通量测量数据，可能受站点代表性和数据质量的限制；模型简化了地下水分储存的表示	诊断不同生物群落中蒸散对水分亏缺的响应，以更好地理解植被对干旱的敏感性	不同生物群落（如稀树草原、草地、森林）的蒸散过程	机器学习	NA	通量测量	深度神经网络	通量测量数据	多个稀树草原、草地和森林站点	NA	深度神经网络	NA	NA