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
261	2026-02-13	Improved attention-based PCNN with GhostNet for epilepsy seizure detection using EEG and fMRI modalities: extractive pattern and histogram feature set 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1679218 PMID:41613820	研究论文	本文提出了一种增强的混合并行卷积-GhostNet框架（HPG-ESD），用于利用多模态EEG和fMRI数据进行癫痫发作检测	提出了一种结合改进注意力机制的并行卷积网络（IAPCNet）和GhostNet的软投票混合并行卷积-GhostNet（S-HPCGN）模型，以捕获互补的时空模式	未明确提及研究的局限性	提高癫痫发作检测的准确性和可解释性	儿科头皮EEG记录和静息态fMRI扫描	机器学习	癫痫	EEG信号处理，fMRI扫描	CNN, GhostNet	EEG信号，fMRI图像	24名受试者的EEG数据（CHB-MIT数据集）和52名参与者的fMRI数据（UNAM TLE数据集）	NA	IAPCNet, GhostNet	准确率, 精确率, 灵敏度	NA
262	2026-02-12	Deep learning for atrial electrogram estimation: toward non-invasive arrhythmia mapping using variational autoencoders 2025, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2025.1720244 PMID:41602444	研究论文	本文提出了一种基于变分自编码器的深度学习架构，用于从体表电位测量中非侵入性地重建心房内电信号图	采用双分支变分自编码器架构，通过共享潜在表征同时优化体表电位自重建和心内电信号预测，相比传统反问题方法（如Tikhonov正则化）在波形形态和频谱内容上更忠实	研究基于计算模型生成的合成数据集（680对体表电位-心内电信号对），尚未在真实临床数据上进行验证；对罕见心律失常类别的性能可能有限	开发非侵入性方法，从体表电位测量中估计心内电信号，以减少对侵入性标测的依赖，实现更安全、个性化的房性心律失常表征	心房心律失常，包括窦性心律、心房颤动、异位活动和纤维化基质	机器学习	心血管疾病	计算模型模拟，体表电位测量	VAE	电生理信号数据	680对体表电位-心内电信号数据对，由双心房计算模型生成，模拟多种心律	NA	变分自编码器	相关性，峰值检测精度，频谱相干性，空间电压和相位标测	NA
263	2026-02-12	Deep learning approaches for EEG-based healthcare applications: a comprehensive review 2025, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2025.1689073 PMID:41657359	综述	本文全面综述了深度学习在基于脑电图（EEG）的医疗健康应用中的最新进展、关键挑战及未来方向	系统性地总结了深度学习（包括CNN、RNN、LSTM、Transformer及混合架构）与EEG在医疗应用中的融合，并批判性地分析了该领域面临的核心挑战与新兴趋势	作为一篇综述文章，本文未提出新的模型或实验，主要基于现有文献进行归纳与分析	旨在为基于EEG的医疗健康应用提供深度学习方法的全面概览，并推动该领域的未来研究	基于EEG信号的医疗健康应用，包括神经系统疾病诊断、脑功能恢复、心理健康状况评估及脑机接口（BCI）	机器学习	神经系统疾病	脑电图（EEG）	CNN, RNN, LSTM, Transformer	EEG信号	NA	NA	NA	NA	NA
264	2026-02-12	Evaluating deep learning-based image segmentation for radiotherapy planning in pelvic and abdominal cancers 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1632370 PMID:41657567	研究论文	本文提出了一种用于盆腔和腹部癌症放疗计划的注意力增强域自适应分割框架	引入了上下文感知注意力机制和微调适应模块，以提高在异质数据上的分割准确性并保持计算效率	模型可能难以在多中心数据集上泛化，且高计算需求和缺乏可解释性可能阻碍临床整合	评估基于深度学习的图像分割在盆腔和腹部癌症放疗计划中的应用	盆腔和腹部恶性肿瘤的肿瘤及周围风险器官	计算机视觉	盆腔和腹部癌症	图像分割	深度学习	图像	NA	NA	U-Net	NA	NA
265	2026-02-12	CerevianNet: parameter efficient multi-class brain tumor classification using custom lightweight CNN 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1664673 PMID:41657565	研究论文	本研究提出了一种名为CerevianNet的轻量级自定义CNN模型，用于多类别脑肿瘤分类，旨在实现高精度且计算效率高的诊断	开发了一种新型轻量级自定义CNN模型，在保持高分类精度的同时显著减少了参数数量和计算复杂度，适用于小型设备部署	模型在数据量小或不平衡的数据集上表现不佳，且存在因标记数据有限而导致的过拟合风险，以及需要大量超参数调优以泛化到不同数据集	开发一个可扩展的多类别脑肿瘤分类框架，优化用于小型设备，以支持快速、准确且可扩展的计算机辅助诊断	脑肿瘤的医学图像数据	计算机视觉	脑肿瘤	深度学习	CNN	图像	使用了五个不同的数据集进行训练和测试，具体样本数量未明确说明	NA	自定义轻量级CNN, EfficientNetb3, ResNet-101, ResNet-50, Xception, AlexNet, DenseNet121, Swin Transformer	准确率	NA
266	2026-02-12	PalmNeXt: a ConvNeXt-based deep learning model for pest detection in date palm leaves 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1738129 PMID:41658551	研究论文	本文提出了一种基于ConvNeXt的深度学习模型PalmNeXt，用于椰枣叶害虫检测	引入了定制的预处理流程以增强特征质量，并基于ConvNeXt-Tiny构建轻量级框架，在小型多变数据集上实现高性能	未明确提及模型在更广泛作物或环境条件下的泛化能力，数据集规模相对有限	开发高效、轻量的自动化害虫检测方法，以支持精准农业中的及时作物监测	椰枣叶的RGB图像，包含害虫侵染和健康状态	计算机视觉	植物病虫害	图像预处理与深度学习	CNN	图像	3000张椰枣叶样本图像，涵盖四个类别（Bug, Dubas, Healthy, Honey）	未明确指定，可能为PyTorch或TensorFlow	ConvNeXt-Tiny	准确率, 精确率, 召回率, F1分数	未明确指定
267	2026-02-12	Automated Deep Learning Based Cardiac Quantification in Hypertrophic Cardiomyopathy: A Comparative Study with Manual Segmentation 2025, Acta medica Lituanica DOI:10.15388/Amed.2025.32.2.8 PMID:41659139	研究论文	本研究比较了基于深度学习的全自动心脏分割软件与手动分割在肥厚型心肌病患者心脏参数量化中的性能	首次在肥厚型心肌病这一复杂病理中验证全自动深度学习心脏量化软件的性能，并与传统手动分割进行系统比较	样本量较小（25例），且未在结构更复杂的病例中进行充分验证	评估深度学习算法在肥厚型心肌病患者心脏参数自动量化中的准确性和临床实用性	肥厚型心肌病患者的CMR图像	数字病理学	心血管疾病	心脏磁共振成像	深度学习	医学影像	25例成年肥厚型心肌病患者	NA	NA	相关系数, Bland-Altman分析	3.0 Tesla MRI扫描仪（西门子Vida）
268	2026-02-12	HED-Net: a hybrid ensemble deep learning framework for breast ultrasound image classification 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1672488 PMID:41660228	研究论文	本文提出了一种名为HED-Net的混合集成深度学习框架，用于乳腺癌超声图像分类	结合了三种不同的卷积神经网络模型（EffcientNetB7、DenseNet121、ConvNeXtTiny）来提取互补特征，并利用XGBoost作为特征融合分类器，同时采用软投票集成方法，提高了分类性能	NA	开发一个用于乳腺癌超声图像分类的深度学习框架，以提高诊断准确性并减少解读时间	乳腺癌超声图像	计算机视觉	乳腺癌	超声成像	CNN	图像	使用了三个数据集：BUSI、BUS-UCLM和UDIAT数据集	NA	EffcientNetB7, DenseNet121, ConvNeXtTiny	准确率, 精确率, 召回率, F1分数, AUC	NA
269	2026-02-12	Automatic Explainable Segmentation of Abdominal Aortic Aneurysm From Computed Tomography Angiography 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3620721 PMID:41660645	研究论文	本文提出了一种基于深度学习的自动化框架，用于从CT血管造影图像中分割腹主动脉瘤，以支持AAA筛查和分析	采用动态路由器将图像区域分配给三个专门的U-Net模型，每个模型处理分割的不同方面，并结合NURBS进行手动细化以提高临床准确性	在复杂病例中需要手动使用NURBS进行校正，校正时间每帧为3至20秒，未来需整合多模态成像并优化NURBS以提高准确性和效率	开发自动化深度学习框架以支持腹主动脉瘤的筛查和临床决策	腹主动脉瘤在CT血管造影图像中的分割	计算机视觉	心血管疾病	CT血管造影	U-Net	图像	训练和验证使用9,080张图像，测试使用1,560张图像，代表22名独特患者	NA	U-Net	Dice分数, IoU分数, Hausdorff距离	NA
270	2026-02-12	Multimodal Deep Learning Approaches for Early Detection of Alzheimer's Disease: A Comprehensive Systematic Review of Image Processing Techniques 2025, Current Alzheimer research IF:1.8Q4 DOI:10.2174/0115672050401817250721190509 PMID:40785178	综述	本文全面系统地回顾了用于阿尔茨海默病早期检测的多模态深度学习及图像处理技术	聚焦于多模态深度学习在阿尔茨海默病早期诊断中的应用，并整合了可解释人工智能（XAI）的最新进展	数据集不足或准备不充分、计算成本高、与临床实践缺乏整合	调查多模态深度学习在阿尔茨海默病早期诊断中的最新技术现状	阿尔茨海默病	计算机视觉	阿尔茨海默病	结构MRI、功能MRI、淀粉样蛋白PET	CNN, 迁移学习方法, 组合模型	图像	NA	NA	NA	NA	NA
271	2026-02-09	T2W-CogLoadNet: a framework for cognitive load assessment of dance movements based on deep learning-powered human pose estimation 2025, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2025.1707539 PMID:41646903	研究论文	本文提出了一种基于深度学习的人体姿态估计框架T2W-CogLoadNet，用于评估舞蹈动作的认知负荷	结合了Temporal Convolutional Network (TCN)-Transformer进行时间特征提取，并利用Whale Optimization (WOA)进行超参数优化，实现了3D舞蹈姿态估计和认知负荷建模	未整合多模态输入，对不同舞蹈风格的适应性有待提升，实时监测工具尚未开发	优化舞蹈训练效果并促进康复应用，通过评估舞蹈动作的认知负荷	舞蹈姿态和认知负荷	计算机视觉	NA	深度学习，人体姿态估计	TCN, Transformer	视频	AIST++专业舞蹈数据集和Kinetics 400广义运动数据集	NA	T2W-CogLoadNet, TCN, Transformer	MAE, RMSE, MPJPE	NA
272	2026-02-09	Design and experiment of tea winnowing parameter control system based on YOLO-AE 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1721083 PMID:41647632	研究论文	本文提出了一种基于改进YOLO-AE模型的白茶风选参数控制系统，通过深度学习实时识别茶叶等级比例并优化风选参数	改进了YOLOv11模型，引入ACmix和EUCB模块，使识别精度提升2.1%，检测时间缩短40%	仅针对白茶进行实验，未验证在其他茶类或更广泛场景下的适用性	设计基于深度学习的茶叶风选参数控制系统，提高风选质量和效率	白茶茶叶	计算机视觉	NA	深度学习	CNN	图像	未明确说明样本数量，但涉及不同比例的茶叶材料测试	未明确指定，可能基于PyTorch或TensorFlow（从YOLO系列推断）	YOLOv11改进版（YOLO-AE），结合ACmix和EUCB模块	识别精度，MAP (0.5:0.95)，检测时间	未明确说明
273	2026-02-09	Deep learning software and revised 2D model to segment bone in micro-CT scans 2025, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2025.1677527 PMID:41648861	研究论文	本文提出了一种修订的2D骨孔分割模型BP-2D-03及配套深度学习软件，用于在微CT扫描中自动分割骨骼	开发了BONe DL软件接口，包含训练、预测和评估模块，解决了切片级数据泄漏、高内存使用和有限多GPU支持等问题	模型对于非典型扫描的预测性能可能下降，性能在不同扫描组成上存在差异	提高微CT数据集中骨骼分割的自动化程度和跨平台可重复性	微CT扫描数据集，涵盖五种哺乳动物物种	计算机视觉	NA	微CT扫描	深度学习	图像	20个微CT扫描，包含142,960个图像块	NA	U-Net, UNet++, ResNet-18	IoU	多GPU支持
274	2026-02-08	Transforming cervical cancer pathological diagnosis through artificial intelligence: progress, performance, and barriers to clinical implementation 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1716018 PMID:41640440	综述	本系统综述评估了人工智能技术在宫颈癌病理诊断中的应用现状、发展水平及关键挑战	系统性地总结了AI在宫颈癌病理诊断中的进展，特别指出深度学习模型可将诊断时间从8-15分钟缩短至1-3分钟，并达到92-98%的准确率	存在标准化问题、临床验证有限以及基础设施成本高昂等实施挑战	评估人工智能技术在宫颈癌病理诊断中的应用与挑战	涉及宫颈癌病理诊断的人工智能应用研究，包括组织病理学、免疫组织化学和分子病理学诊断	数字病理学	宫颈癌	NA	CNN	组织病理学图像	基于56项纳入研究，具体样本量未在摘要中明确	NA	卷积神经网络	诊断准确率	NA
275	2026-02-08	CervSpineNet: a hybrid deep learning-based approach for the segmentation of cervical spinous processes 2025, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2025.1733689 PMID:41635798	研究论文	本文提出了一种名为CervSpineNet的混合深度学习框架，用于自动分割颈椎棘突，并基于专家标注的500张颈椎X光片数据集进行验证	结合基于Transformer的编码器捕获全局解剖上下文与轻量级卷积解码器细化局部边界，并采用复合损失函数联合优化区域重叠、类别平衡、结构保真度和边界准确性	未提及模型在外部数据集或不同设备采集图像上的泛化性能	开发自动化工具以可靠分割颈椎棘突，支持解剖标志定位、手术规划和脊柱畸形纵向评估	颈椎棘突	计算机视觉	脊柱畸形	X射线成像	混合深度学习框架	图像	500张颈椎脊柱X光片	未明确提及	Transformer编码器与卷积解码器混合架构	Dice系数, IoU, SSIM, HD95距离, MAE	标准临床硬件
276	2026-02-07	Ultrasound elastic modulus reconstruction using a deep learning model trained with simulated data 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.017001 PMID:39916991	研究论文	本文开发并验证了一种基于深度学习的超声弹性成像逆问题求解方法，用于从超声测量的位移场中重建弹性模量的空间分布	提出了一种基于U-Net的深度学习神经网络，通过数据驱动模型解决超声弹性成像中的逆问题，利用模拟数据进行训练，避免了传统方法对大量真实测量数据的依赖	模拟数据的多样性和代表性对模型泛化能力至关重要，可能在实际应用中受到模拟与真实数据差异的限制	解决超声弹性成像中传统逆问题技术计算量大、对噪声敏感或依赖完整位移场数据的局限性	超声弹性成像中的位移场数据及对应的弹性模量分布	医学影像分析	NA	超声弹性成像	深度学习	模拟位移场数据、体模实验数据、临床数据	未明确具体样本数量，但包括模拟数据、体模实验和临床数据	未明确指定，但基于U-Net架构	U-Net	均方误差, 平均绝对百分比误差, 模量比, 对比噪声比	NA
277	2026-02-07	Vision transformer distillation for enhanced gastrointestinal abnormality recognition in wireless capsule endoscopy images 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014505 PMID:39916992	研究论文	本文提出了一种基于知识蒸馏的深度学习框架，利用CNN教师模型指导ViT学生模型，以增强无线胶囊内窥镜图像中胃肠道异常的识别能力	首次将知识蒸馏技术应用于CNN与ViT的结合，用于WCE图像分析，通过注意力机制和深度可分离卷积提升特征提取效率	研究仅基于公开数据集（Kvasir和KID），未在更大规模或更多样化的临床数据上进行验证	开发计算机视觉辅助系统，以自动化识别WCE图像中的胃肠道异常，减轻医生手动检查负担	无线胶囊内窥镜图像中的正常与异常区域，以及出血与非出血病例	计算机视觉	胃肠道疾病	无线胶囊内窥镜成像	CNN, ViT	图像	基于Kvasir和KID两个公共数据集的图像（具体数量未明确说明）	未明确指定，可能为PyTorch或TensorFlow	Vision Transformer, 结合注意力机制和深度可分离卷积的CNN	准确率	未明确说明
278	2026-02-06	RETRACTED: Enhanced E-commerce decision-making through sentiment analysis using machine learning-based approaches and IoT 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0326744 PMID:40587469	研究论文	本研究通过结合物联网（IoT）和机器学习技术，利用情感分析提升电子商务决策能力，旨在优化客户购物体验并改进企业运营策略	创新性地将IoT数据收集与多种机器学习算法（包括深度学习模型如GRU和LSTM）结合，用于电子商务决策支持，并发现AdaBoosting在多项性能指标上超越其他方法	未详细说明数据的具体来源、规模或隐私处理措施，且未讨论模型在不同电子商务场景中的泛化能力	提升电子商务决策水平，通过情感分析改善客户购物体验和企业销售策略	电子商务中的客户行为数据、偏好数据及产品需求数据	自然语言处理	NA	情感分析、机器学习算法	logistic regression, Naïve Bayes, SVM, Random Forest, AdaBoosting, GRU, LSTM	文本数据（来自IoT设备收集的客户行为和偏好数据）	NA	NA	GRU, LSTM	F1分数, 准确率, 精确率, 召回率	NA
279	2026-02-06	Can machine learning help accelerate article screening for systematic reviews? Yes, when article separability in embedding space is high 2025-Jan, Research synthesis methods IF:5.0Q1 DOI:10.1017/rsm.2024.16 PMID:41626902	研究论文	本文全面测试了机器学习模型在加速教育领域系统综述文献筛选中的应用，并提出了基于嵌入空间聚类可分性的启发式方法来预测模型性能	发现嵌入空间中相关与不相关文献聚类的可分性（整体R²=0.81）能强预测机器学习筛选效果，提出了一种通用启发式方法	研究仅基于教育领域的系统综述数据集，未验证其他学科领域的普适性	评估机器学习模型加速系统综述文献筛选的可行性并探索性能预测指标	教育领域系统综述的文献数据集	自然语言处理	NA	机器学习模型测试、大语言模型提示工程	经典机器学习模型、深度学习模型、GPT-3.5、GPT-4	文本	多个实际系统综述数据集（具体数量未说明）	NA	NA	召回率、工作量节省百分比	NA
280	2026-02-05	Estimating Uncertainty of Geographic Atrophy Segmentations with Bayesian Deep Learning 2025 Jan-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100587 PMID:39380882	研究论文	本研究应用贝叶斯深度学习方法量化地理萎缩（GA）分割的不确定性，并与传统深度学习模型进行比较	首次将蒙特卡洛dropout和集成两种近似贝叶斯深度学习技术应用于GA分割的不确定性量化，同时提高了模型性能	研究为回顾性分析，样本量相对有限（126只眼），且仅基于单一队列（SWAGGER）的SS-OCT图像	通过量化GA分割的不确定性，提高模型的可信度并辅助临床决策	年龄相关性黄斑变性（AMD）患者的地理萎缩（GA）病变	数字病理学	年龄相关性黄斑变性	扫频源光学相干断层扫描（SS-OCT）	深度学习分割模型	医学图像（OCT图像）	126只眼（来自87名参与者）	NA	NA	Dice系数	NA