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
1921	2026-08-18	Breast mass classification in sonography with transfer learning using a deep convolutional neural network and color conversion 2019-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.13361 PMID:30589947	研究论文	提出一种基于深度卷积神经网络和颜色转换的迁移学习方法，用于超声图像中的乳腺肿块分类，并与四位经验丰富的放射科医生的评估进行比较。	引入匹配层概念，通过反向传播在微调过程中将灰度超声图像转换为RGB图像，以更有效地利用在ImageNet上预训练的卷积神经网络的判别能力。	摘要中未提及明显的局限性。	开发一种基于深度学习的乳腺肿块分类方法，并评估其性能，与放射科医生的诊断进行比较。	乳腺肿块超声图像。	计算机视觉	乳腺癌	超声成像	卷积神经网络（CNN）	图像	882张超声图像，测试集150例，另用两个公开数据集	未提及	未提及	曲线下面积（AUC）	未提及
1922	2026-08-18	Fully automatic multi-organ segmentation for head and neck cancer radiotherapy using shape representation model constrained fully convolutional neural networks 2018-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.13147 PMID:30136285	研究论文	提出一种结合形状表示模型与全卷积神经网络的全自动头颈癌放疗多器官分割方法	将形状表示模型（SRM）作为先验约束引入全卷积神经网络（FCNN）训练中，以改善解剖变异和低软组织对比度下的分割性能	未明确提及局限性，但可能受限于训练数据量（仅22例）和特定器官的分割精度（如视交叉DSC较低）	实现头颈癌放疗中危及器官的全自动、准确且快速的分割	头颈CT图像中的九个危及器官（脑干、视交叉、下颌骨、视神经、腮腺、颌下腺）	医学图像分析、深度学习	头颈癌	CT成像	全卷积神经网络（FCNN）	CT图像	22例训练，10例验证（来自PDDCA数据库）	NA	全卷积神经网络，形状表示模型	Dice相似系数（DSC）、阳性预测值（PPV）、敏感性（SEN）、平均表面距离（ASD）、95%最大表面距离（95%SD）	NA
1923	2026-08-18	Automated mammographic breast density estimation using a fully convolutional network 2018-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.12763 PMID:29363774	研究论文	本研究利用全卷积网络自动分割乳腺和致密纤维腺体区域，以估计乳腺密度百分比，并与放射科医生的BI-RADS密度评估进行比较	提出了一种基于全卷积网络的完全自动化乳腺密度估计算法，用于同时分割乳腺和致密纤维腺体区域，并显示出比现有先进算法更好的性能	未明确提及限制，但可能包括数据集规模有限（604名女性）以及需要依赖放射科医生的BI-RADS评估作为部分地面真值	开发一种全自动的乳腺密度估计算法，并验证其与放射科医生BI-RADS密度评估的相关性和分类能力	604名女性的全视野数字筛查乳腺X光图像，包括1208个内外斜位（MLO）和1208个头尾位（CC）视图	计算机视觉	乳腺疾病	NA	全卷积网络	图像	604名女性，1208个MLO视图和1208个CC视图，其中455个用于训练，58个用于测试，91个用于验证	NA	全卷积网络	Pearson相关系数，p值	NA
1924	2026-08-18	A deep learning method for classifying mammographic breast density categories 2018-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.12683 PMID:29159811	研究论文	本研究开发了一种基于深度学习的乳腺X线摄影密度分类器，以区分两个难以区分的BI-RADS类别，并评估其性能	使用大型数字乳腺X线摄影数据集（22,000张图像）从头训练CNN模型，并比较了从零训练和迁移学习的性能，达到了高AUC值	未明确提及局限性，但数据来自单一机构，且依赖放射科医生的主观评估作为金标准	开发一种深度学习模型，以一致地区分乳腺密度类别中的“散在密度”和“不均匀致密”两类，辅助放射科医生在临床工作流程中的评估	乳腺X线摄影图像中的乳腺密度分类	计算机视觉	乳腺癌	数字乳腺X线摄影	卷积神经网络（CNN）	图像	22,000张图像，来自1,427名女性	NA	CNN	AUC, ROC曲线	NA
1925	2026-08-18	A deep feature fusion methodology for breast cancer diagnosis demonstrated on three imaging modality datasets 2017-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.12453 PMID:28681390	研究论文	提出一种深度特征融合方法，结合预训练CNN提取的低级到中级特征与传统手工放射组学特征，用于乳腺癌诊断，并在三种影像模态数据集上验证其有效性	利用预训练CNN提取并池化低级到中级特征，与手工特征融合，提高乳腺癌CADx性能，同时避免大规模图像预处理	未提及具体限制	开发一种高效、无需大量图像预处理的乳腺癌计算机辅助诊断方法	乳腺癌良恶性病变的影像特征	计算机视觉, 数字病理学	乳腺癌	NA	卷积神经网络（CNN）	医学图像（动态对比增强MRI、全视野数字乳腺X线摄影、超声）	DCE-MRI：690例，FFDM：245例，超声：1125例	NA	预训练CNN（未指定具体架构）	AUC	NA
1926	2026-08-18	MRI-based prostate cancer detection with high-level representation and hierarchical classification 2017-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.12116 PMID:28107548	研究论文	本文提出一种基于深度神经网络提取高级特征表示并结合层次分类方法进行前列腺癌检测的方法	利用深度神经网络学习高级特征表示，并构建层次分类方法（迭代使用多个随机森林分类器）细化检测结果，相比传统手工特征（如LBP和Haar-like）性能更优	实验仅基于21例真实患者，样本量较小，可能影响泛化性	提高MRI图像中前列腺癌检测的准确性，通过高级特征表示和层次分类细化检测结果	前列腺癌检测，基于多参数MRI图像	机器学习	前列腺癌	MRI	深度神经网络、随机森林	图像（多参数MRI）	21例患者	NA	深度神经网络，随机森林分类器	基于切片的评估（SBE）、敏感性、特异性	NA
1927	2026-08-18	Segmentation of organs-at-risks in head and neck CT images using convolutional neural networks 2017-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.12045 PMID:28205307	研究论文	提出首个基于深度学习的卷积神经网络算法，用于头颈部CT图像中危及器官的分割，并与现有算法、商业软件及观察者间差异进行比较	首次将深度学习概念（CNN）应用于头颈部CT图像中的OAR分割，并通过代表性训练和马尔可夫随机场平滑处理提高分割精度	对小器官（如视交叉和下颌下腺）的分割性能较差，可能需额外信息（如MR图像）改善边界不清晰的器官分割	开发并评估基于CNN的算法在头颈部CT图像中分割危及器官的准确性	头颈部癌症患者CT图像中的九个危及器官，包括脊髓、下颌骨、腮腺、下颌下腺、喉、咽、眼球、视神经和视交叉	计算机视觉	头颈部癌症	CT成像	卷积神经网络	图像（CT图像）	50张头颈部CT图像	NA	CNN（具体架构未在摘要中指定）	Dice系数	NA
1928	2026-08-17	Artificial intelligence and extracellular vesicles in oncology: towards tumor diagnosis, prediction, and therapy 2026-Dec-31, Drug delivery IF:6.5Q1 DOI:10.1080/10717544.2026.2713415 PMID:42590833	综述	本文综述了人工智能在细胞外囊泡研究中的应用进展，重点关注其在肿瘤诊断、预测和治疗中的潜力	强调AI在整合多模态特征、表征EV异质性、支持诊断分类和建模体内行为中的作用，并探讨了AI与微流控、SERS、荧光成像及多组学分析的集成	AI辅助治疗性EV设计策略仍处于探索阶段，缺乏临床验证	总结AI在EV分离、表征、诊断和药物递送中的最新应用，并评估其临床转化前景	细胞外囊泡及其在肿瘤诊疗中的应用	机器学习	肿瘤	NA	机器学习、深度学习	多模态数据（包括患者来源样本、图像、组学数据）	NA	NA	NA	NA	NA
1929	2026-08-17	A multimodal MRI-radiomics deep learning model for survival risk stratification after gamma knife radiosurgery in patients with brain metastases: A multicenter retrospective study 2026-Sep, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111686 PMID:42419433	研究论文	本研究开发和验证了一种多模态深度学习框架，用于伽玛刀放射外科治疗后脑转移患者的总生存期风险分层	提出了一种结合掩码引导的多尺度编码器、全MRI、基于网格的MRI补丁、放射组学和临床变量的多模态模型，用于生存风险分层	模型的判别能力中等，需要进一步重新校准、纳入更全面的临床变量并进行前瞻性验证	开发并验证一种多模态深度学习模型，用于伽玛刀放射外科治疗后脑转移患者的总生存期风险分层	脑转移患者	医学影像分析	脑转移瘤	MRI	深度学习模型	MRI图像、临床数据	875名患者，来自三个中心	NA	掩码引导的多尺度编码器	时间依赖性AUC、C-index、决策曲线分析	NA
1930	2026-08-17	Variability in manual editing of head and neck organs of interest auto-segmentations: a multi-user, longitudinal analysis 2026-Sep, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111684 PMID:42425419	研究论文	该研究通过七年纵向分析，量化了头颈部器官自动分割的手动编辑行为，评估了不同放射治疗技师之间的编辑变异性及其与临床可接受性的关联	首次对头颈部自动分割的手动编辑进行长达七年的纵向分析，并同时评估跨用户和时间的变异性，结合用户对临床可接受性的盲评，揭示了过度和不足编辑均与较低可接受性相关	研究仅基于单中心数据，未包含所有器官类型，且临床可接受性评估仅针对近期病例子集	量化头颈部器官自动分割的手动编辑模式，表征不同技师间的编辑变异性，并评估编辑行为与临床可接受性的关系	2017年以来治疗的1051例头颈部癌症患者，涵盖腮腺、下颌下腺、口腔和声门等器官	医学影像分析	头颈部癌症	自动分割，基于图谱和深度学习的分割方法	NA	医学影像分割数据	1051例头颈部癌症患者	NA	NA	平均表面距离，归一化附加路径长度，表面Dice相似系数	NA
1931	2026-08-17	Improved risk stratification for oral tongue squamous cell carcinoma using deep learning-based MRI classifier and pathological markers to guide postoperative radiotherapy: A multicenter cohort study 2026-Sep, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111700 PMID:42456900	研究论文	该研究通过整合基于MRI的深度学习模型和病理标志物，构建了口腔舌鳞状细胞癌（OTSCC）的风险分层系统（CRIS-OTSCC），以指导术后放疗决策。	首次将深度学习影像分析与病理标志物结合，开发了复合风险分层系统（CRIS-OTSCC），能够更精确地识别术后放疗获益的高风险患者。	对于低风险患者避免术后放疗的潜在价值需要进一步验证。	开发一种更精确的OTSCC风险分层系统，以指导术后放疗决策，减少过度治疗或治疗不足。	口腔舌鳞状细胞癌患者。	医学影像分析	口腔舌鳞状细胞癌	NA	深度学习模型	MRI图像和病理数据	训练队列658例，外部验证队列419例（来自两个独立中心）。	NA	NA	C指数，时间依赖性ROC曲线	NA
1932	2026-08-17	Multi-centre generalisability of deep learning-based dose prediction for head and neck radiotherapy using DAHANCA real-world data 2026-Sep, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111702 PMID:42468605	研究论文	该研究评估了一个基于单中心数据训练的深度学习剂量预测模型在大型多中心头颈癌放疗队列中的泛化能力，并与中位数模型进行比较。	首次使用丹麦DAHANCA真实世界多中心数据验证深度学习剂量预测模型的泛化性，并结合正常组织并发症概率（NTCP）和归一化毒性指数（NTI）探索预期毒性差异。	摘要中未提及明显局限性，可能包括模型仅基于单中心训练，且未考虑所有临床相关因素。	验证基于单中心数据训练的深度学习剂量预测模型在多中心临床环境中的泛化性，并评估其临床适用性。	头颈癌患者的放疗治疗计划和剂量分布。	深度学习、放射治疗计划	头颈癌	深度学习剂量预测	深度神经网络	放疗计划数据（CT图像、剂量分布等）	388个训练计划，42个内部测试患者，560个外部测试计划（来自6个机构）	未提及	NA	Dmean差异、四分位距（IQR）、NTCP、NTI	NA
1933	2026-08-17	Cross-Species Generalization and Comparative Performance Analysis of Deep Neural Network Architectures in Histological Image Classification 2026-Aug-16, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.70173 PMID:42604434	研究论文	本研究比较了九种深度学习架构在组织学图像分类中的跨物种泛化性能，发现病理基础模型UNI2-h准确性最高，而ConvNeXt-Small在速度和精度间达到最佳平衡。	该研究首次系统评估了多种深度学习编码器在跨物种（大鼠与人类/动物混合）组织学图像上的泛化能力，并引入病理基础模型UNI2-h进行比较，强调实际应用中计算效率的重要性。	研究仅基于特定组织类型（肺、小脑、脂肪）和H&E染色图像，可能限制对其他组织或染色方法的适用性；此外，外部测试集规模较小（600张图像）。	评估不同深度神经网络编码器在组织学图像分类中的跨域泛化能力，并比较其计算效率与分类性能。	大鼠和混合人类/动物组织图像，包括肺、小脑和脂肪组织。	数字病理学	不适用	组织学染色（H&E）图像分析	卷积神经网络（CNN）和视觉变换器（ViT）	图像	内部数据集4307张H&E染色图像（大鼠肺、小脑和脂肪组织），外部数据集600张混合人类和动物图像。	PyTorch	MobileNetV3-S, MobileNetV3-L, DenseNet121, DenseNet201, ConvNeXt-S, ConvNeXt-B, DINOv3 ViT-S, DINOv3 ViT-H+, UNI2-h	准确率, 灵敏度, 特异性, F1分数, Cohen's κ, ROC-AUC, 推理时间	CPU和GPU（具体型号未指定）
1934	2026-08-17	A Dual-Center, Interpretable Deep Learning-Radiomics Fusion Model for Distinguishing Nasopharyngeal Carcinoma from Nasopharyngeal Lymphoma Using FDG PET/CT 2026-Aug-15, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.07.060 PMID:42603752	研究论文	本研究开发并外部验证了一个可解释的深度学习-影像组学融合模型，利用FDG PET/CT成像区分鼻咽癌和鼻咽淋巴瘤	结合3D-ResNet50深度学习特征与1688个影像组学特征，构建多模态融合模型，并采用SHAP分析实现可解释性	回顾性研究设计和外部验证样本量相对较小	开发并验证一种可解释的深度学习-影像组学融合模型，用于鼻咽癌与鼻咽淋巴瘤的无创性鉴别诊断	434例经病理确诊且未经治疗的鼻咽癌或鼻咽淋巴瘤患者（349例内部队列，85例外部队列）	医学影像分析，深度学习	鼻咽癌，鼻咽淋巴瘤	FDG PET/CT成像，影像组学特征提取，深度学习特征提取	三维卷积神经网络（3D-ResNet50），多模态逻辑回归模型	PET/CT医学影像数据	434例患者，包括434个原发灶（329例鼻咽癌，105例鼻咽淋巴瘤）	PyTorch	3D-ResNet50	AUC，特异性，准确率	NA
1935	2026-08-17	A Combined Deep Learning Approach to Screen Patients for Neuromuscular Pathology 2026-Aug-15, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.07.010 PMID:42603762	研究论文	本研究提出了一种结合中间数据融合的深度学习框架，用于提高肌肉超声诊断神经肌肉疾病的效率和性能	首次采用多模态深度学习框架，将患者特定数据（如BMI和年龄）与超声图像结合，通过中间数据融合进行神经肌肉病理诊断	单中心研究，结果可能缺乏多中心泛化性	提高肌肉超声诊断神经肌肉疾病的自动化速度和诊断准确性	神经肌肉疾病患者和非患者的肌肉超声图像及患者临床数据	计算机视觉, 数字病理	神经肌肉疾病	超声成像	深度学习模型，涉及神经网络	图像	320名患者（220名患有神经肌肉疾病，100名诊断被排除）	NA	多层神经网络	精确率-召回率曲线下面积	NA
1936	2026-08-17	A novel approach for predicting heart failure survival using a rectangular coded network 2026-Aug-15, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-026-01791-7 PMID:42603841	研究论文	本文提出一种通过将数值数据转换为24位图像并利用深度学习架构预测心力衰竭存活率的新方法	利用自动化特征工程技术将数值数据转换为8位矩形编码图像，进而转化为24位图像，并通过旋转增强数据集，使数值数据能够应用于图像处理和深度学习架构	未明确提及局限性	通过将数值数据转换为图像形式，利用深度学习架构提高心力衰竭生存预测的准确性	心力衰竭患者的数值数据集	计算机视觉, 机器学习	心血管疾病, 心力衰竭	图像转换, 数据增强	CNN	图像, 数值数据	未明确指定	未明确指定	ResNet18, ResNet50	准确率, 灵敏度, 特异性, F1分数	未明确指定
1937	2026-08-17	Pediatric SleepNet: a deep learning network for reliable pediatric sleep staging across developmental stages 2026-Aug-14, Sleep IF:5.3Q1 DOI:10.1093/sleep/zsag064 PMID:41804802	研究论文	开发了一个多模态深度学习模型pediatric SleepNet，用于儿童睡眠分期，并在不同发育阶段和临床亚组中评估其性能	首次开发了专门针对儿童睡眠分期的深度学习模型，可适应不同发育阶段，并在多种临床亚组和外部数据集上表现出鲁棒性能	在某些神经发育疾病（如癫痫、唐氏综合征、脑积水）中性能显著下降，且未详细说明计算资源和训练时间	开发并评估可用于儿童睡眠医学临床和研究的可靠睡眠分期深度学习模型	儿童睡眠分期模型，涵盖不同年龄组和临床亚组	深度学习应用于睡眠医学	儿童睡眠障碍，包括癫痫、唐氏综合征、脑积水等神经发育疾病	多模态信号（EEG、EOG、EMG）	U-Net启发的编码器-解码器模型	多导睡眠图（PSG）信号数据	训练使用9150个PSG，验证2455个PSG，测试3804个PSG，外部验证包括CHAT和PATS两个数据集	NA	U-Net	Cohen's Kappa	NA
1938	2026-08-17	BraMARS: An Interpretable Histopathology-Driven Deep Learning Model for Brain Metastasis Risk Stratification in Surgically Resected Limited-Stage SCLC 2026-Aug-14, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.77075 PMID:42598747	研究论文	开发了BraMARS，一种基于组织病理学的可解释深度学习模型，用于手术切除的局限期小细胞肺癌患者脑转移风险分层	首次利用常规H&E染色全切片图像预测局限期小细胞肺癌的脑转移风险，并结合组织病理学归因和蛋白质组学分析提供生物学解释	基于回顾性数据，需前瞻性验证；样本量有限，需多中心进一步确认	开发可解释的深度学习模型，实现脑转移风险的个体化评估，并辅助临床决策如预防性颅脑照射的适用性判断	手术切除的局限期小细胞肺癌患者的H&E染色全切片图像	数字病理学	小细胞肺癌	H&E染色全切片成像	深度学习模型	病理图像	来自独立队列的多个样本，具体数量未说明	NA	NA	AUC、疾病无进展生存期、总生存期、脑转移无生存期	NA
1939	2026-08-17	Deep Learning Predicts Mutations and Outcomes in Gastrointestinal Stromal Tumors 2026-Aug-14, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-26-0132 PMID:42258704	研究论文	应用深度学习技术从全切片图像中预测胃肠道间质瘤的突变状态、治疗敏感性和无复发生存期，并在国际多中心队列中验证其效能	首次在大规模多中心GIST队列（8398例）上应用深度学习直接从病理全切片图像预测基因突变、药物敏感性和预后，性能与传统风险评估模型相当	部分亚型预测性能较低（如KIT外显子11 del-ins 557-558的AUC仅0.67），且预后预测在辅助治疗患者中表现有所下降	探究深度学习模型能否从全切片图像中准确预测GIST的分子突变、治疗反应和复发风险，作为传统病理风险评估的替代或补充工具	来自7个国家21个中心的8398例胃肠道间质瘤患者，其中7238例有分子数据，2638例有临床随访数据	数字病理学	胃肠道间质瘤	全切片图像（WSI）分析	深度学习模型	病理全切片图像（WSI）及对应分子和临床随访数据	8398例GIST病例（7238例分子数据，2638例临床随访）	NA	NA	曲线下面积（AUC）、风险比（HR）	NA
1940	2026-08-17	Histopathological differences between idiopathic and secondary interstitial pneumonia: An elastic fiber-oriented deep learning analysis 2026-Aug-13, Human pathology IF:2.7Q2 DOI:10.1016/j.humpath.2026.106236 PMID:42595188	研究论文	利用基于弹性纤维的深度学习分析，研究特发性和继发性间质性肺炎的组织病理学差异	首次使用机器学习定量分析弹性纤维聚集面积与纤维化面积之比，以区分特发性和继发性间质性肺炎	NA	探讨特发性和继发性间质性肺病之间胶原和弹性纤维组成的差异，以辅助鉴别诊断	93名接受肺移植的纤维化间质性肺病患者的780张Elastica van Gieson染色全切片图像	数字病理学	间质性肺病	全切片成像	深度学习	图像	93名患者的780张全切片图像	HALO-AI	NA	P值	NA