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
1	2026-11-15	Artificial intelligence-enhanced electrocardiography for detection and prediction of dilated cardiomyopathy 2026-Nov-13, European heart journal IF:37.6Q1 DOI:10.1093/eurheartj/ehag917 PMID:43031488	研究论文	开发人工智能心电图模型，用于检测和预测扩张型心肌病表型，并在家族性队列中评估其风险分层能力	利用深度学习从心电图中检测和预测超声心动图诊断的扩张型心肌病表型，并在遗传易感家族性队列中验证其风险分层价值	研究主要基于特定医疗中心数据，家族性队列样本量相对较小，需进一步外部验证	开发可解释的AI心电图模型以检测和预测扩张型心肌病，并评估其在家族性风险人群中的分层能力	超过330000对心电图-超声心动图数据，以及来自UK Biobank、中山医院、安特卫普大学医院和Maastricht大学医学中心的验证队列，包括遗传易感个体	医学人工智能	扩张型心肌病	心电图、超声心动图、深度学习	深度学习模型	心电图信号、超声心动图数据	超过330000对心电图-超声心动图数据，验证队列包括UK Biobank、中山医院、安特卫普大学医院（n=166）和Maastricht大学医学中心（n=177）	NA	NA	AUC、C-index、阴性预测值、阳性预测值	NA
2	2026-11-15	Phenylpropanoid Amides from Buteae monospermae Semen as Hepcidin-Modulating Candidates for Anemia of Inflammation: Network Pharmacology, Deep Learning Prediction, and In Vitro Validation 2026-Nov-09, Molecules (Basel, Switzerland) DOI:10.3390/molecules31214031 PMID:43029342	研究论文	本研究结合网络药理学、深度学习预测与体外实验，从西藏猫乳种子中发现了两个苯丙酰胺类化合物，可作为炎症性贫血中调节铁调素的候选分子	首次将ADMET筛选、网络药理学、深度学习亲和力预测、分子对接、分子动力学模拟与体外验证相结合，用于西藏猫乳种子中抗炎症性贫血活性成分的发现，并首次报道了两个苯丙酰胺类化合物对IL-6诱导的铁调素上调具有抑制作用	研究仅进行了体外细胞实验验证，缺乏体内动物模型和临床研究数据；活性成分的生物利用度及在体内的药效和安全性尚不明确	阐明西藏猫乳种子中抗炎症性贫血的活性成分及其作用机制，并建立传统药物活性成分发现的计算-实验联合策略	西藏猫乳种子来源的58个化合物，以及IL-6刺激的HepG2细胞模型	网络药理学	炎症性贫血	网络药理学, 深度学习, 分子对接, 分子动力学模拟, 体外细胞实验	深度学习模型	化合物结构数据, 文本（数据库信息）, 实验数据	58个化合物；HepG2细胞体外实验	NA	NA	EC50, 治疗指数	NA
3	2026-11-15	GRACE-YOLOv7: An Improved Deep Learning Method for Object Detection in Remote Sensing Images 2026-Nov-09, Sensors (Basel, Switzerland) DOI:10.3390/s26217092 PMID:43029890	研究论文	本文提出了一种改进的YOLOv7网络GRACE-YOLOv7，用于遥感图像中的多尺度目标检测	在主干网络中引入基于DCNv3的ELAN-D模块以自适应调整空间采样位置；在颈部引入Bi-level Routing Attention机制增强信息交互；融合浅层高分辨率特征并增加检测分支将三尺度检测扩展为四尺度检测；采用MPDIoU替换CIoU作为边界框回归损失	仅在DOTA-v1.0数据集上进行了实验验证，未在其他遥感数据集上测试泛化能力	解决遥感图像中目标尺度变化大、空间分布复杂和背景信息丰富导致的小目标和密集分布目标特征表示不足、漏检和定位不准确的问题	遥感图像中的多尺度目标，特别是小目标和密集分布目标	计算机视觉	NA	深度学习目标检测	YOLOv7, CNN	图像	DOTA-v1.0数据集	NA	YOLOv7, ELAN-D, DCNv3, Bi-level Routing Attention	mAP0.5, mAP0.75, Recall, Precision, F1-score	NA
4	2026-11-15	Leakage-Controlled Deep Learning for Multi-Analyte Classification and Quantification in Fast-Scan Cyclic Voltammetry 2026-Nov-08, Sensors (Basel, Switzerland) DOI:10.3390/s26217059 PMID:43029857	研究论文	开发了一个两阶段人工智能框架，用于快速扫描循环伏安法（FSCV）中的分析物分类和浓度预测	采用了严格的按运行级别划分和留一电极交叉验证来评估模型，揭示了数据泄漏对性能评估的影响；比较了多种分类架构，并发现1D-CNN在分类准确率上表现最佳；集成了分类和回归模型实现自动化推理流程	在运行级别和LOEO验证下回归性能显著下降，传统峰值电流校准在LOEO条件下优于ANN；错误分类虽少但导致浓度预测误差大；未使用独立电极、混合分析物样本和复杂生物基质进行验证	实现FSCV数据的自动化解释，包括分析物分类和浓度定量	血清素（5-HT）、多巴胺（DA）、抗坏血酸（AA）和铜（Cu）的循环伏安图	机器学习	NA	快速扫描循环伏安法（FSCV）	CNN, MLP, ResNet18, ANN	循环伏安图（图像/一维信号）	30,811个循环伏安图，来自192次独立实验运行	NA	1D-CNN, 轻量级图像CNN, 特征工程MLP, ResNet18, 分析物特异性ANN	分类准确率, 决定系数（R²）	NA
5	2026-11-15	Vision-Guided Robotic Arm with Deep Learning and Secure Digital Twin for Pre-Deployment Quadruped Robot Operation 2026-Nov-08, Sensors (Basel, Switzerland) DOI:10.3390/s26217064 PMID:43029862	研究论文	本文提出了一种融合深度学习、数字孪生与网络安全的视觉引导机械臂系统，用于四足机器人运维的预部署验证。	将YOLOv11目标检测与深度相机结合实现三维定位，并集成数字孪生环境进行路径规划与安全验证，同时引入安全通信系统抵御网络物理威胁。	仅在有限测试配置下验证，未大规模部署；数字孪生与物理系统的实时同步精度未充分讨论。	提升四足机器人维护的自动化水平，通过视觉引导机械臂与数字孪生实现预部署验证和安全通信。	四足机器人维护任务中的目标物体（如杯子、螺丝）及机械臂操作过程。	计算机视觉, 机器人学, 数字孪生	NA	深度学习目标检测, 深度相机三维定位, 数字孪生仿真, 安全通信	YOLOv11	图像, 深度数据, 仿真数据	NA	NA	YOLOv11	mAP@0.5, 平面偏差, 深度偏差, 计算时间	NA
6	2026-11-15	Deep Learning-Based Retinal Vascular Analysis with Quantitative Metrics for Hypertensive Microvascular Damage 2026-Nov-08, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15218715 PMID:43030856	研究论文	该研究探讨基于深度学习的视网膜血管分析是否能检测与高血压介导的靶器官损害相关的亚临床微血管重塑	使用深度学习辅助的视网膜微血管健康评估系统进行定量形态学分析，在无明显或轻度高血压视网膜病变的患者中检测与高血压靶器官损害相关的亚临床微血管改变，并系统量化动脉和静脉网络指标	残余心血管混杂因素限制了解释，需要纵向研究来确立时间关系、预测价值和临床实用性	确定深度学习辅助的视网膜血管分析能否检测与高血压介导的靶器官损害相关的亚临床微血管重塑	年龄可比的伴有靶器官损害的高血压患者、不伴靶器官损害的高血压患者以及健康对照者的彩色眼底照片	数字病理学	心血管疾病	深度学习图像分割，眼底摄影，形态学分析	深度学习分割模型	图像	162名参与者（54名伴有靶器官损害的高血压患者、54名不伴靶器官损害的高血压患者和54名健康对照者）	NA	NA	中央视网膜动脉当量、中央视网膜静脉当量、动静脉比、动脉和静脉分形维数、血管面积密度、骨架化血管密度、血管直径、血管迂曲度	NA
7	2026-11-15	Detection of Hidden Maize Weevil Infestation in Wheat Under Varying Moisture Conditions Using an Asymmetric Dual-Stream Masked Autoencoder Fusion Network 2026-Nov-07, Foods (Basel, Switzerland) DOI:10.3390/foods15214000 PMID:43027631	研究论文	该研究开发了一种非对称双流掩码自编码器融合网络（ADS-MAFNet），用于在不同水分条件下检测小麦中隐藏的玉米象侵染	提出了一种结合CNN-Transformer光谱分支和2D-CNN图像分支的非对称双流网络，并采用掩码自编码器预训练，用于高光谱图像融合分类	在评估的四种水分条件下，PLS-DA的平均准确率和F1分数均高于ADS-MAFNet；MAE预训练的优势未一致确立；尚未在未见水分水平和独立批次上测试迁移性	研究在不同水分条件下利用高光谱成像和深度学习检测小麦中隐藏的玉米象侵染	小麦籽粒（健康和受侵染的籽粒）	计算机视觉	害虫侵染	高光谱成像	CNN, Transformer, 掩码自编码器	高光谱数据, 伪彩色图像	NA	NA	ADS-MAFNet（CNN-Transformer光谱分支 + 2D-CNN图像分支 + MAE预训练）	准确率, 精确率, 召回率, F1分数	NA
8	2026-11-15	Performance Evaluation of Deep Learning Applications in Calcaneal Fracture Diagnosis Using Separate Radiographic Views: A Comparison of CNN and Vision Transformer Architectures 2026-Nov-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16213682 PMID:43028553	研究论文	该研究比较了卷积神经网络（CNN）和视觉Transformer（ViT）架构在三种标准X线视图（正位、Harris轴位、侧位）上分别检测跟骨骨折的性能	分别评估三种X线视图上的深度学习模型性能，并比较CNN与ViT架构在跟骨骨折诊断中的表现	未使用独立测试集，样本量较小（178例患者），仅评估移位性跟骨骨折	评估深度学习在跟骨骨折诊断中的可行性，并比较不同架构在不同X线视图上的性能	跟骨骨折患者及对照者的X线影像	医学影像分析	跟骨骨折	X线摄影	CNN, Vision Transformer	图像	178例患者（89例移位性跟骨骨折，89例对照），每位患者包含三种视图的完整检查	NA	ResNet50, InceptionV3, InceptionResNetV2, XCiT, PiT	灵敏度, 特异度, 准确率, 其他分类指标（未明确列出）	NA
9	2026-11-15	Evaluating SegFormer and U-Net for Real-Time Sensor-Based Sorting: From Semantic Segmentation to Sorting 2026-Nov-07, Sensors (Basel, Switzerland) DOI:10.3390/s26217040 PMID:43029838	研究论文	本文评估了两种基于深度学习的语义分割架构U-Net和SegFormer在实时传感器分选中的适用性，并进行了离线实验和实际分选试验	首次将Transformer-based模型SegFormer应用于实时传感器分选，并与CNN-based的U-Net进行对比，展示了Transformer模型作为CNN替代方案的可行性	SegFormer在大件垃圾分选中的纯度比U-Net低四个百分点，且仅对SegFormer B0-B3变体验证了实时性	研究深度学习语义分割架构在实时传感器分选中的适用性，并比较U-Net和SegFormer的性能	大件垃圾和木槿花茶的分选任务	计算机视觉	不适用	深度学习语义分割	CNN, Transformer	图像	不适用	不适用	U-Net, SegFormer	纯度、推理速度、吞吐量	不适用
10	2026-11-15	Artificial Intelligence in Pulmonary Hypertension: Advancements, Opportunities, and Challenges 2026-Nov-07, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15218707 PMID:43030850	综述	本文综述了人工智能（包括机器学习和深度学习）在肺动脉高压（PH）的筛查、诊断、分类、风险分层和预后预测中的应用、机遇与挑战	系统性地总结了AI在肺动脉高压多模态数据（心电图、胸片、CT、心脏磁共振、超声心动图、电子健康记录）中的应用，并探讨了可解释AI、联邦学习、大语言模型和数字孪生等新兴技术在PH精准医学中的前景	指出了数据质量、可解释性、隐私保护和临床实施等方面仍存在挑战	总结AI在肺动脉高压管理中的当前应用、机遇和挑战，并讨论AI辅助精准医疗的未来方向	肺动脉高压（PH）患者及相关多模态临床数据	数字病理学与医学影像分析	肺动脉高压	机器学习, 深度学习	机器学习, 深度学习	心电图, 胸片, CT, 心脏磁共振成像, 超声心动图, 电子健康记录（多模态数据）	NA	NA	NA	NA	NA
11	2026-11-15	Artificial Intelligence-Driven Tea Quality Evaluation: A State-of-the-Art Review 2026-Nov-06, Foods (Basel, Switzerland) DOI:10.3390/foods15213981 PMID:43027612	综述	本文综述了过去五年人工智能驱动的茶叶品质无损检测技术进展，涵盖计算机视觉、电子鼻、近红外光谱、高光谱成像、电子舌及多传感器多模态融合等方法	系统整合了多种传感模态与深度学习模型在茶叶品质评价中的应用，并指出多模态框架通过利用互补传感信息优于单一传感器系统	工业部署受限于小型非标准化数据集、模型可解释性低、传感器漂移、跨域迁移能力差以及成本高昂	总结人工智能驱动茶叶品质评价的代表性进展，并展望未来发展方向	茶叶	计算机视觉, 机器学习, 多模态感知	NA	计算机视觉, 电子鼻, 近红外光谱, 高光谱成像, 电子舌, 多传感器多模态融合	CNN, YOLO系列检测器, Transformer, CLIP	图像, 光谱数据, 传感器信号	NA	NA	CNN, YOLO系列检测器, Transformer, CLIP	分类准确率85-99%, 定量预测相关系数R=0.92-0.97	NA
12	2026-11-15	GAC-BiT-CNN: A Hybrid Generative Adversarial Capsule-Transformer-CNN Model with Fused Protein Language Model Embeddings for Methyltransferase Prediction 2026-Nov-06, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27219967 PMID:43028212	研究论文	提出一种融合蛋白质语言模型嵌入的混合生成对抗胶囊网络-Transformer-CNN模型用于甲基转移酶预测	首次将生成对抗胶囊网络、双向Transformer和CNN结合，并融合四种蛋白质语言模型嵌入，采用SHAP进行特征归因分析	未明确说明模型在更大规模或更 diverse 数据集上的泛化能力，且依赖高维蛋白质语言模型嵌入可能增加计算成本	实现甲基转移酶的高通量准确计算识别，应用于表观基因组学、药物发现和癌症生物学	甲基转移酶（MTs）蛋白质序列	机器学习	肺癌, 前列腺癌, 心血管疾病, 老年疾病	蛋白质语言模型嵌入（ProtGen, ESM-2, ProtT5-BFD, ProtT5-XL）	GAN, Transformer, CNN	文本（蛋白质序列）	NA	NA	生成对抗胶囊网络, 双向Transformer, CNN	准确率, AUC, MCC	NA
13	2026-11-15	Retinal Vasculature as a Non-Invasive Window for Preeclampsia Prediction and Assessment: From Fundoscopy to Artificial Intelligence-Assisted Retinal Imaging 2026-Nov-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16213676 PMID:43028547	综述	本文综述了视网膜血管评估作为子痫前期无创预测与评估窗口的研究进展，涵盖从眼底镜检查到人工智能辅助视网膜成像的四种模态	系统性地按成像时间相对于诊断的时间点对研究进行分类，区分早期预测与诊断辨别、严重程度评估和长期随访，并指出视网膜生物标志物在子痫前期预测中的机制基础但尚未验证的现状	现有研究多为诊断后成像，缺乏前瞻性诊断前队列；深度学习模型仅来自单中心且无外部验证、校准或与现有早孕期筛查的头对头比较；视网膜血管变化效应 modest	评估视网膜血管作为子痫前期预测和评估的非侵入性生物标志物的潜力，并探讨人工智能辅助视网膜成像的应用前景	子痫前期孕妇及高危人群的视网膜血管	数字病理学	子痫前期	眼底镜检查、定量视网膜血管分析、光学相干断层扫描（OCT）、OCT血管成像、眼动脉多普勒、深度学习	深度学习模型	图像	NA	NA	NA	曲线下面积（AUC）	NA
14	2026-11-15	A Deep Learning-Based Denoising Method for Airborne Electromagnetic Data 2026-Nov-06, Sensors (Basel, Switzerland) DOI:10.3390/s26217021 PMID:43029819	研究论文	提出一种基于深度学习的航空电磁数据去噪方法WL-CNN-BiLSTM，并在基准数据集和独立盲测集上评估其重建性能	集成双级小波滤波、并行多尺度卷积、残差跳跃连接、双向循环单元和混合重建目标以处理复杂TEM波形	存档结果仅表征存储的数值目标而非独立验证的AEM响应；独立盲测下低尾SNR较差（P10 -43.93 dB）；专有iFTEM-II数据缺乏代理来源/校准，仅为定性证据而非现场精度验证；时间特征加权是已实现的设计组件而非被证明的晚期增强器	解决航空电磁测量易受混合环境噪声影响以及快速信号衰减妨碍弱瞬态恢复的问题	航空电磁（AEM）数据/瞬态电磁（TEM）波形	地球物理信号处理	NA	航空电磁测量（AEM）、瞬态电磁法（TEM）、小波滤波、变分模态分解（VMD）	CNN, BiLSTM	数值时间序列信号	存档基准20000道（测试子集3000道），独立盲测1000道，专有iFTEM-II窗口（数量未说明）	NA	WL-CNN-BiLSTM（双级小波滤波+并行多尺度卷积+残差跳跃连接+双向LSTM），对比PC-BiLSTMNet、中值滤波、VMD	SNR, RMSE, PCC, NRMSE, P10 SNR	NA
15	2026-11-15	Short-Term Wind Power Forecasting Using an HOA-VMD-CNN-iTransformer-LSTM Deep Learning Framework 2026-Nov-06, Sensors (Basel, Switzerland) DOI:10.3390/s26217028 PMID:43029826	研究论文	提出基于皮尔逊系数、徒步优化算法、变分模态分解、卷积神经网络、iTransformer和长短期记忆网络的短期风电功率预测框架	融合皮尔逊特征筛选、HOA优化VMD参数与网络超参数、CNN提取局部波动、iTransformer捕获全局变量依赖以及LSTM学习长期时序信息	未明确说明模型在不同风电场间的泛化能力及极端天气条件下的预测稳定性	提高非平稳风电功率序列的短期预测精度并降低混合网络对参数选择的敏感性	中国两个风电场的2020年运行数据，装机容量分别为99 MW和200 MW	机器学习	NA	皮尔逊相关系数、徒步优化算法、变分模态分解	CNN、iTransformer、LSTM	时间序列	四个数据集分别包含2976、2880、2976和2976条记录，采样间隔15分钟	NA	CNN、iTransformer、LSTM	RMSE、MAE、MAPE、R	NA
16	2026-11-15	ExLightNet: A Lightweight and Explainable 1D-CNN for Real-Time Intrusion Detection in Resource-Constrained IoT Sensor Networks 2026-Nov-06, Sensors (Basel, Switzerland) DOI:10.3390/s26217023 PMID:43029821	研究论文	提出一种轻量级且可解释的一维卷积神经网络ExLightNet，用于资源受限物联网传感器网络中的实时入侵检测	结合深度可分离卷积与挤压激励通道注意力，采用焦点损失和f-1采样的类别平衡训练策略，并应用逐通道INT8权重量化，同时将SHAP归因直接附加到部署模型上以实现可解释性	仅在RT-IoT2022公开基准数据集上评估，未在真实大规模异构物联网环境中验证；量化后宏F1略有下降；可解释性依赖于SHAP方法的事后归因	在资源受限的边缘网关设备上实现轻量、实时且可解释的物联网入侵检测	来自智能家居和传感器物联网设备的123117条真实双向网络流，涵盖九种攻击行为和三种正常设备类别	网络安全, 物联网, 机器学习	NA	网络流量分析, 深度学习, 模型量化, SHAP可解释性分析	CNN	网络流量数据	123117条网络流	NA	一维卷积神经网络（1D-CNN）结合深度可分离卷积和挤压激励通道注意力	攻击类召回率（敏感度）, 宏F1分数, AUC, 准确率, 宏召回率, 单流CPU延迟, 吞吐量	Raspberry Pi 4网关（四核Cortex-A72 CPU）
17	2026-11-15	A Comparative Benchmark of Modern Deep Learning Backbones for Multi-Class Periodontal Bone Loss Staging 2026-Nov-06, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15218644 PMID:43030784	研究论文	该研究对六种现代深度学习骨干网络在四分类牙周骨丧失分级任务上进行了对比基准评测	首次在四分类牙周骨丧失分级任务上系统比较了卷积、Transformer及混合架构的现代深度学习骨干网络，并采用了包括McNemar检验、Bootstrap置信区间、校准误差、加权Kappa等在内的全面评估框架	单中心回顾性研究，样本量有限（1053张图像），缺乏多中心外部验证，且未与临床牙周参数整合，距临床落地仍有距离	评估并比较六种现代深度学习骨干网络在全景X线片上四分类牙周骨丧失分级的性能	全景X线片（1053张），按受累最严重牙齿分为健康、轻度（<25%）、中度（25-50%）、重度（>50%）四类	医学图像分析	牙周病	全景X线摄影	CNN, Transformer, 混合架构	图像	1053张全景X线片，按70/10/20分层划分	NA	ConvNeXt-Tiny, MaxViT-Tiny, EfficientViT-B1, FocalNet-Tiny, CAFormer-S18, DaViT-Tiny	准确率, 平衡准确率, 宏平均F1, OvR AUC, Matthews相关系数, Cohen Kappa, 二次加权Kappa, 期望校准误差, McNemar检验, Bootstrap 95%置信区间	NVIDIA Tesla T4 GPU
18	2026-11-15	Per-Lesion Mask-Supervised Attention for Multi-Label Diabetic Retinopathy Lesion Detection 2026-Nov-05, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16213662 PMID:43028534	研究论文	该文提出一种基于逐病灶掩码监督注意力的多标签糖尿病视网膜病变病灶检测方法，可分别检测微动脉瘤、出血、硬性渗出和软性渗出	为每个病灶单独设置查询并用自己的病灶掩码通过定位损失监督其注意力图，使注意力落在对应病灶上，同时保留检测性能，并能从仅有标签无掩码的图像中学习	微动脉瘤在DDR数据集上AUC显著下降至0.58，文中虽详细分析但该病灶检测在部分数据集上仍不稳定	分别检测糖尿病视网膜病变的各类病灶并为每个病灶生成落在其上的注意力图，而非仅给出严重程度分级	糖尿病视网膜病变眼底图像中的微动脉瘤、出血、硬性渗出和软性渗出病灶	医学图像分析	糖尿病视网膜病变	深度学习	CNN, Transformer	图像	DDR和TJDR训练集及测试集，外加IDRiD和e-ophtha两个外部测试集	NA	EfficientNet-B4, Transformer编码器, U-Net	AUC, AUC-Judd	NA
19	2026-11-15	Prediction of Molecular Physicochemical Properties Using Molecular Structure and Characteristics 2026-Nov-05, Molecules (Basel, Switzerland) DOI:10.3390/molecules31213986 PMID:43029299	研究论文	本文提出了一种名为PMPP的方法，利用增强的分子图表示（捕捉分子基序结构）以及优化的药效团和理化特征选择来预测分子的物理化学性质	结合了增强的图表示（捕捉分子基序结构）与优化的药效团和理化特征选择，并在严格的骨架分割评估下取得了优越的预测精度	摘要中未明确说明研究的局限性	提高分子物理化学性质（如溶解度、水合自由能、亲脂性）预测的泛化能力和准确性	分子结构及其物理化学性质	机器学习	NA	图表示学习、分子描述符计算	图神经网络	分子图数据	NA	NA	NA	RMSE	NA
20	2026-11-15	From Classification to Clinical Trust: 3D Deep Learning and Layer-Wise Explainability for Brain Tumor MRI 2026-Nov-05, Sensors (Basel, Switzerland) DOI:10.3390/s26216993 PMID:43029790	研究论文	该研究训练了一个带CBAM注意力的3D ResNet-34模型，用于在MRI上区分胶质瘤和脑膜瘤，并引入逐层可解释性分析及解码器辅助的归因方法	提出在四个残差阶段应用Grad-CAM和SmoothGrad进行逐层解释，并添加重建解码器以在4×4×4瓶颈处获得全分辨率、解码器介导的归因，克服标准Grad-CAM过于粗糙的问题	仅进行了初步的临床审查和归一化分析；未报告计算资源细节；解码器辅助归因在脑膜瘤定位上表现较好，但整体可解释性仍需进一步验证	实现脑肿瘤MRI的术前无创鉴别诊断，并提升3D深度学习模型的可解释性与临床可信度	BraTS 2023数据集中的2251例患者的多模态MRI数据	医学图像分析	脑肿瘤（胶质瘤、脑膜瘤）	多模态MRI	3D ResNet-34 with CBAM attention	3D医学图像	2251例患者（1801例用于四折交叉验证，450例用于测试）	NA	3D ResNet-34, CBAM	准确率, AUC, 期望校准误差, pointing-game准确率, 删除AUC, 插入AUC, 平均忠实度差值	NA