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
201	2026-01-25	Early detection of soybean mosaic virus using portable Raman spectroscopy coupled with machine learning 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1750535 PMID:41567393	研究论文	本研究提出了一种结合便携式拉曼光谱与机器学习算法，用于大豆花叶病毒早期非侵入性检测的方法	首次将便携式拉曼光谱与深度学习模型（1D-CNN）结合，实现了大豆花叶病毒的早期（接种后4天）检测，相比传统方法（7-10天）显著提前	研究仅针对特定大豆品种和病毒株（SC3），模型在其他品种或病毒株上的泛化能力未验证，且样本量相对有限	开发一种非侵入性、早期检测大豆花叶病毒的方法，以支持疾病预警和精准管理	抗性和易感大豆栽培品种的叶片，在不同感染阶段（接种后0、2、4、6天）采集	机器学习	植物病毒病	便携式拉曼光谱	1D-CNN, SVM, KNN, BP-ANN	光谱数据	未明确具体样本数量，但涉及抗性和易感品种在不同感染阶段的叶片光谱	未明确指定，但可能涉及TensorFlow或PyTorch（基于CNN使用）	1D-CNN	准确率	NA
202	2026-01-25	Deep learning models for predicting heart disease risk using the UCI database: methods, performance, and clinical context 2025, American journal of cardiovascular disease DOI:10.62347/CEBK2916 PMID:41567845	研究论文	本研究利用UCI心脏病数据集开发和评估深度学习模型，用于预测心脏病风险，并与传统机器学习方法进行性能对比	首次在UCI心脏病数据集上应用深度学习模型进行风险预测，并系统性地与经典机器学习方法（如随机森林）进行性能比较，揭示了特定临床特征（如运动诱发心绞痛）的高预测价值	研究基于1988年收集的回顾性数据，样本量相对较小（1025例），且未在外部独立数据集上进行验证，可能限制模型的泛化能力	开发和评估深度学习模型以预测心脏病风险，并提升临床诊断和治疗策略	UCI心脏病数据集中的1025名患者，涵盖克利夫兰、匈牙利、瑞士和长滩V四个来源的数据	机器学习	心血管疾病	NA	深度学习模型, Random Forest	结构化临床数据	1025名患者	NA	NA	准确率	NA
203	2026-01-25	Hybrid deep learning models for fake news detection: case study on Arabic and English languages 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1683786 PMID:41568095	研究论文	本文提出了一种结合多通道CNN和双向BiLSTM的混合深度学习模型，用于检测阿拉伯语和英语的假新闻	首次针对阿拉伯语和英语语言，集成多通道CNN和双向BiLSTM并行捕获语义和局部文本特征，并利用预训练FastText模型进行嵌入，提升了假新闻检测的准确率	研究主要基于三个基准数据集，可能未覆盖所有语言变体或新兴假新闻类型，且阿拉伯语资源限制和语言复杂性仍带来挑战	开发有效的深度学习技术以检测阿拉伯语和英语的假新闻，提升社交媒体信息的可靠性	阿拉伯语和英语的新闻文本数据	自然语言处理	NA	深度学习	CNN, BiLSTM	文本	三个基准数据集：AFND和ANS（阿拉伯语数据集）、WELFake（英语数据集）	NA	多通道CNN, 双向BiLSTM	准确率	NA
204	2026-01-24	Corrigendum: Addressing grading bias in rock climbing: machine and deep learning approaches 2025, Frontiers in sports and active living IF:2.3Q2 DOI:10.3389/fspor.2025.1570591 PMID:40051920	correction	本文是对先前发表文章的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
205	2026-01-24	A lightweight co-optimization model for field sunflower disease identification 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1728123 PMID:41560911	研究论文	本文提出了一种轻量化的YOLO-CGA模型，用于田间向日葵病害识别，并在Raspberry Pi上部署以实现现场应用	基于YOLOv8n-cls，设计了CBAM_ADown模块以增强特征提取和噪声抑制，采用C3Ghost模块减少参数量，并构建AFC_SPPF模块进行多尺度病害特征融合，从而在保持高精度的同时实现模型轻量化	模型在复杂田间环境中的泛化能力可能仍需进一步验证，且仅针对向日葵等特定作物病害进行测试	开发一种轻量化且鲁棒的作物病害识别模型，以解决现有深度学习模型在复杂田间环境中缺乏鲁棒性、参数量大、难以在资源受限设备上部署的问题	向日葵病害图像	计算机视觉	向日葵病害	深度学习	YOLO	图像	三个主要数据集：BARI-Sunflower数据集、Cotton Disease数据集、FGVC8数据集	PyTorch	YOLOv8n-cls, CBAM_ADown, C3Ghost, AFC_SPPF	准确率	Raspberry Pi
206	2026-01-24	MTMEGPS: An R package for multi-trait and multi-environment genomic and phenomic selection using deep learning 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1674985 PMID:41560909	研究论文	本文介绍了一个名为MTMEGPS的R包，用于通过深度学习进行多性状和多环境的基因组与表型组选择	开发了一个集成的R包，简化了深度学习在育种中的应用流程，支持多性状和多环境预测，并提供了端到端的工作流	深度学习计算需求高，且预测误差在某些场景下仍处于中等水平	提升基因组和表型组选择的预测能力，通过深度学习捕获非线性模式	玉米基因组数据、桉树近红外光谱数据以及公开的多环境验证数据集	机器学习	NA	深度学习，近红外光谱	深度学习模型	基因组数据，光谱数据	NA	R	NA	均方误差	NA
207	2026-01-24	Artificial intelligence prediction of nonenhancing brain tumor malignancy based on in vivo confocal laser endomicroscopic imaging 2025, Frontiers in surgery IF:1.6Q2 DOI:10.3389/fsurg.2025.1655374 PMID:41560935	研究论文	本文开发了一种基于序列的深度学习模型，利用共聚焦激光内镜成像序列对非增强脑肿瘤进行分级预测	提出了一种新颖的序列深度学习模型，结合视觉和时间信息，模拟神经病理学家的视觉推理过程，优于传统的基于单帧的分类方法	样本量较小（仅16名患者），模型在更大数据集上的泛化能力有待验证	开发人工智能模型以准确预测非增强脑肿瘤的恶性程度，辅助术中决策	非增强脑肿瘤患者的共聚焦激光内镜成像序列	数字病理学	脑肿瘤	共聚焦激光内镜成像	深度学习	图像序列	16名患者，105个序列，3,173张图像，40个感兴趣区域	NA	Vision Transformer, VGG16, ResNet50, Inception-ResNet-V2, Transformer编码器, 时间卷积	top-1分类准确率	NA
208	2026-01-24	Evaluation of deep learning tools in medical diagnosis and treatment of cancer: research analysis of clinical and randomized clinical trials 2025, Frontiers in network physiology DOI:10.3389/fnetp.2025.1578562 PMID:41561148	综述	本文系统评估了深度学习算法在癌症诊断与治疗临床试验中的应用，并分析了其性能与未来前景	首次按癌症类型分层系统评估深度学习算法在临床试验中的表现，并提出大规模实施的建议	研究仅基于PubMed数据库的文献，可能未涵盖所有相关研究	评估深度学习在癌症诊疗中的应用效果并展望未来发展方向	PubMed数据库中关于深度学习在癌症诊断的临床与随机对照试验文献	机器学习	癌症	NA	深度学习	NA	NA	NA	NA	NA	NA
209	2026-01-24	Optimized multi agent reinforcement learning algorithms with hybrid BiLSTM for cost efficient EV charging scheduling 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1700664 PMID:41561184	研究论文	本文提出了一种结合Pelican优化算法调优的双向长短期记忆网络和多智能体强化学习的新框架，用于电动汽车充电站的成本高效调度	将预测、优化和调度步骤无缝统一在一个马尔可夫决策过程框架中，而非传统上作为独立实体处理	NA	最小化运营成本、确保电网稳定性并提升用户满意度	电动汽车充电站	机器学习	NA	NA	BiLSTM, MARL	时间序列数据	NA	NA	BiLSTM	充电成本降低百分比, 荷电状态满意度提升百分比, 预测准确率提升百分比, 仿真时间减少	NA
210	2026-01-24	Artificial intelligence in outpatient management: a simulation-based study in a Chinese tertiary hospital 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1696586 PMID:41561186	研究论文	本研究通过模拟数据和医生调查，探索了人工智能在中国门诊管理中的应用、潜在价值及挑战	使用LSTM深度学习模型预测门诊流量，相比传统ARIMA模型提升了约15%的预测准确率，并模拟了AI实施对减少患者等待时间约30%及提高医生工作效率和满意度的效果	研究主要基于模拟数据，实际应用性可能受限，且存在数据隐私、法规合规性和医生接受度等关键问题	探索人工智能在中国门诊管理中的应用、潜在价值及挑战，以优化资源配置和患者体验	中国三级医院的门诊管理流程，包括门诊流量预测、患者等待时间及医生工作效率	机器学习	NA	模拟数据、医生调查	LSTM, ARIMA	模拟数据	NA	NA	LSTM	预测准确率	NA
211	2026-01-24	Anatomical study and early diagnosis of dome galls in Cordia Dichotoma using DeepSVM model 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1558358 PMID:41561188	研究论文	本研究提出了一种基于DeepSVM混合架构的深度学习方法，用于早期检测Cordia dichotoma植物的圆顶瘿病害	通过将ResNet-50的最终sigmoid激活层替换为支持向量机（SVM）并应用L2正则化，提出了一种新型的DeepSVM混合架构，有效解决了传统CNN在真实环境数据上的过拟合和训练不稳定问题	研究仅针对Cordia dichotoma植物的圆顶瘿病害进行二元分类，模型在其他植物病害或更复杂分类任务上的泛化能力尚未验证	开发一种稳定且泛化能力强的深度学习模型，用于植物病害的早期自动检测，以支持精准农业	Cordia dichotoma植物的叶片（健康叶片与患病叶片）	计算机视觉	植物病害	图像采集与预处理	CNN, SVM	图像	总共4,300张叶片图像（3,900张用于训练，400张用于测试）	NA	ResNet-50, VGG-16, InceptionResNetv2, MobileNet-V2	准确率, F1分数	NA
212	2026-01-24	A Transformers-based framework for refinement of genetic variants 2025, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2025.1694924 PMID:41561439	研究论文	本文提出了一种基于Transformer的框架，用于高通量测序数据中遗传变异的精准精炼与过滤	首次将Transformer的自注意力机制应用于遗传变异精炼任务，可直接处理VCF文件并与标准流程（如BCFTools、GATK4）无缝集成	模型仅在GIAB的HG003样本上进行训练，泛化能力有待在不同种群和测序平台数据上进一步验证	开发自动化遗传变异精炼框架以区分真实变异与技术假象	高通量测序数据中的遗传变异	机器学习	NA	高通量测序	Transformer	VCF文件（变异调用格式）	200万变异（来自GIAB v4.2.1样本HG003）	NA	Transformer	准确率, ROC AUC	NA
213	2026-01-24	Neonatal supraventricular tachycardia: current diagnostic approaches and emerging technologies 2025, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2025.1694215 PMID:41561499	综述	本文综述了新生儿室上性心动过速（SVT）的当前诊断方法，并探讨了新兴技术（如深度学习算法、生物相容性可穿戴传感器和非接触式传感）在提升诊断能力方面的潜力	探讨了将深度学习算法、生物相容性可穿戴传感器和非接触式传感等新兴技术整合到新生儿SVT诊断中的潜力，以克服传统方法在信号质量和间歇性捕捉方面的限制	尽管AI模型在更广泛的儿科队列中报告了超过90%的诊断准确率，但针对新生儿群体的特异性验证仍是一个关键需求，且存在技术、监管和伦理方面的持续障碍	综述新生儿室上性心动过速（SVT）的诊断方法，并评估新兴技术如何改进诊断流程	新生儿室上性心动过速（SVT）	NA	心血管疾病	12导联心电图（ECG）、动态监测、深度学习算法、生物相容性可穿戴传感器、非接触式传感	深度学习算法	心电图信号、传感器数据	NA	NA	NA	诊断准确率	NA
214	2026-01-24	Enhancing learning outcomes through post-discussion homework: the role of collaboration and task type 2025, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2025.1666213 PMID:41561610	研究论文	本研究探讨了如何设计课后讨论作业以维持研讨会教学的包容性、协作性动态	通过2×2准实验设计，结合社会架构（协作vs个人作业）和任务类型（概念导向vs案例导向），系统分析了协作作业对学习成果的影响，并提出了基于证据的课后作业设计框架	样本量较小（36名研究生），且为特定教育环境下的研究，可能限制结果的普适性	研究课后讨论作业的设计如何促进持续、协作的学习循环	36名研究生	教育技术	NA	准实验设计	NA	作业表现评分、感知学习评分、开放式访谈文本	36名研究生	NA	NA	基于量表的作业表现评分、学生感知学习评分	NA
215	2026-01-24	MDL-CA: a multimodal deep learning approach with a cross attention mechanism for accurate brain cancer diagnosis 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1687335 PMID:41561860	研究论文	本文提出了一种名为MDL-CA的多模态深度学习框架，通过交叉注意力机制整合基因组学和MRI数据，以提高脑癌诊断的准确性	提出了一种结合图注意力网络和3D DenseNet的多模态深度学习框架，并引入交叉注意力机制来融合基因组与MRI特征，以捕获生物与空间交互，同时使用Entmax sigmoid函数增强稀疏性和可解释性	未明确提及具体局限性，但可能涉及数据预处理复杂性、模型计算资源需求或跨数据集泛化的潜在偏差	开发一种多模态深度学习框架，以整合基因组和MRI数据，提升脑癌诊断的准确性和生物可解释性	脑癌诊断	数字病理学	脑癌	基因组测序, MRI	GAT, DenseNet	基因组图嵌入, MRI图像	来自TCIA和TCGA的四个基准数据集，具体样本数量未明确	PyTorch, TensorFlow	Graph Attention Network, 3D DenseNet	准确率, F1分数	未明确提及具体计算资源，可能涉及GPU或云平台
216	2026-01-22	SVMVGGNet-16: A Novel Machine and Deep Learning Based Approaches for Lung Cancer Detection Using Combined SVM and VGGNet-16 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056348824241224100809 PMID:39773067	研究论文	本文提出了一种结合SVM和VGGNet-16的混合模型SVMVGGNet-16，用于肺癌检测，并在LIDC-IDRI数据集上验证了其性能	创新性地将VGGNet-16与SVM结合，形成混合模型SVMVGGNet-16，利用CNN进行特征提取和SVM进行分类，以提高肺癌检测的准确性和可靠性	未来工作包括模型优化、数据集扩展、临床试验以及系统集成到临床实践中，以确保实际可用性	通过集成机器学习和深度学习方法来增强肺癌检测，实现早期和准确诊断	肺癌类型，包括腺癌、大细胞癌、正常组织和鳞状细胞癌	计算机视觉	肺癌	图像预处理（中值滤波和直方图均衡化）、分割（阈值和边缘检测）、特征提取（几何特征）	CNN, SVM	图像	使用LIDC-IDRI数据集，具体样本数量未在摘要中明确说明	NA	VGGNet-16	准确率, AUC, 召回率, 精确率, F1分数	NA
217	2026-01-22	Challenges and Advances in Classifying Brain Tumors: An Overview of Machine, Deep Learning, and Hybrid Approaches with Future Perspectives in Medical Imaging 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056365191250602124819 PMID:40511649	综述	本文全面综述了利用机器学习和深度学习模型，特别是基于MRI医学影像数据，提升脑肿瘤分类准确性和效率的方法、挑战及未来展望	系统比较了从经典机器学习算法到先进深度学习模型及混合架构在脑肿瘤分类中的应用，并提出了融合多模态成像、可解释AI框架和隐私保护技术等未来方向	面临标注数据集稀缺、计算复杂度高、模型可解释性不足以及临床整合障碍等挑战	提升脑肿瘤分类的准确性和效率，以支持治疗决策和改善患者预后	脑肿瘤，包括胶质瘤、脑膜瘤和转移性脑病变	医学影像	脑肿瘤	磁共振成像	SVM, Decision Trees, CNN, RNN, 混合架构	图像	NA	NA	NA	准确率, 灵敏度, 特异性, AUC-ROC	NA
218	2026-01-22	Evaluation of Deep Learning Methods for Pulmonary Disease Classification 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056388107250710120917 PMID:40692157	研究论文	本研究评估了深度学习模型在肺病分类中的应用，通过结合多种音频特征和CNN-RNN-LSTM架构，提出了一种多特征深度学习模型，实现了92%的最高准确率	提出了一种结合MFCC、Chroma STFT和频谱图特征的多特征深度学习模型，并整合CNN、RNN和LSTM架构，显著提升了肺病分类的准确率	数据集中慢性阻塞性肺疾病样本过多，而上下呼吸道感染样本较少，导致模型在测试音频样本上的泛化能力受限	提高肺病检测的准确性，通过深度学习技术改进诊断方法	肺病分类，具体包括慢性阻塞性肺疾病、下呼吸道感染和上呼吸道感染	机器学习	肺病	听诊录音分析，包括频谱图、色度图和MFCC特征提取	CNN, RNN, LSTM	音频	未明确指定样本数量，但提及数据集有限且不平衡	未明确指定，可能为TensorFlow或PyTorch	CNN, RNN, LSTM	准确率	未明确指定
219	2026-01-22	Oral-Anatomical Knowledge-Informed Semi-Supervised Learning for 3D Dental CBCT Segmentation and Lesion Detection 2025, IEEE transactions on automation science and engineering : a publication of the IEEE Robotics and Automation Society IF:5.9Q1 DOI:10.1109/tase.2025.3530936 PMID:40918035	研究论文	本文提出了一种新颖的口腔解剖知识引导的半监督学习模型（OAK-SSL），用于3D牙科CBCT图像分割和病变检测	OAK-SSL能够将定性的口腔解剖知识（如病变可能位置）整合到深度学习设计中，包括知识量化表示、知识引导的双任务学习架构和知识引导的半监督损失函数	NA	开发自动化3D牙科CBCT图像分割和病变检测方法，以提升牙科医疗质量和效率	包含小病变的3D牙科CBCT图像	计算机视觉	牙科疾病	锥形束计算机断层扫描（CBCT）	深度学习	3D图像	NA	NA	OAK-SSL	NA	NA
220	2026-01-21	Weakly Supervised Deep Learning Can Analyze Focal Liver Lesions in Contrast-Enhanced Ultrasound 2025, Digestion IF:3.0Q2 DOI:10.1159/000545098 PMID:40049151	研究论文	本研究评估了一种弱监督深度学习模型在对比增强超声（CEUS）中区分恶性与良性局灶性肝病变（FLLs）的性能	采用弱监督注意力机制的多实例学习算法，无需手动标注，仅使用病例标签即可分类肝病变	回顾性研究，样本来自单一三级医院，可能限制泛化能力	评估弱监督深度学习在CEUS中自动分类肝病变恶性与否的可行性	局灶性肝病变（FLLs）患者	计算机视觉	肝病	对比增强超声（CEUS）	深度学习	图像	370名患者，共955,938张图像	NA	注意力机制的多实例学习算法	AUC, 准确率, 灵敏度, 特异度, F1分数	NA