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
2101	2026-04-29	YeastSAM: A Deep Learning Model for Accurate Segmentation of Budding Yeast Cells 2025-Sep-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.09.17.676679 PMID:41000957	研究论文	开发了一种基于深度学习的芽殖酵母细胞分割模型 YeastSAM，用于显微镜图像中细胞的精确分割	针对芽殖酵母不对称分裂和母芽形态的挑战，提出分割模型 YeastSAM，在分割分裂细胞时准确率比现有方法提高三倍以上	NA	解决芽殖酵母细胞分割中因不对称分裂导致的分裂细胞误识别问题，实现精确的定量图像分析	芽殖酵母细胞	计算机视觉	NA	显微镜成像	深度学习分割模型	图像	NA	NA	YeastSAM	准确率	NA
2102	2026-04-29	Deep learning neural network of adenocarcinoma detection in effusion cytology 2025-09-09, American journal of clinical pathology IF:2.3Q2 DOI:10.1093/ajcp/aqaf067 PMID:40736208	研究论文	利用深度学习模型YOLOv8检测积液细胞学中的腺癌细胞	首次将YOLOv8目标检测算法应用于积液细胞学腺癌检测，实现了高精度自动化筛查	细胞标注在创建目标检测模型时仍存在一些问题	开发深度学习模型检测积液细胞学图像中的恶性细胞，辅助癌症筛查	积液细胞学图像中的腺癌细胞和阴性病例	数字病理学, 计算机视觉	腺癌	积液细胞学	YOLOv8	图像	275例腺癌病例（12,182张图像，29,245个标签），188例阴性病例（1,980张图像）	Roboflow	YOLOv8	Precision, Recall, F1, mean Average Precision, 准确率, 敏感性, 特异性	NA
2103	2026-04-29	Web server-based deep learning-driven predictive models for respiratory toxicity of environmental chemicals: Mechanistic insights and interpretability 2025-06-05, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.137575 PMID:39954423	研究论文	开发了八种可解释深度学习模型，用于预测环境化学品的呼吸毒性，并提供了机制见解	首次针对多种特定呼吸系统疾病（如肺炎、肺水肿、肺栓塞等）构建深度学习预测模型，并采用频率比法和SHAP分析增强模型可解释性	未明确提及局限性	开发可解释的深度学习模型，预测环境化学品的呼吸毒性，以支持早期检测和风险评估	环境化学品及其代谢物的呼吸毒性	机器学习, 环境毒理学	肺炎、肺水肿、呼吸感染、肺栓塞、肺动脉高压、哮喘、支气管痉挛、支气管炎、肺纤维化	NA	深度学习	分子指纹数据（Klekota-Roth指纹）	八个呼吸毒性终点的综合数据集，具体样本数量未提及	NA	深度学习模型（具体架构未指定）	AUC, 准确率	NA
2104	2026-04-29	Efficient detection of foodborne pathogens via SERS and deep learning: An ADMIN-optimized NAS-Unet approach 2025-06-05, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.137581 PMID:39954434	研究论文	通过集成表面增强拉曼光谱与深度学习，提出一种基于ADMIN优化NAS-Unet的高效食源性病原体检测方法	创新性地将自动设计混合网络策略与神经架构搜索结合，优化卷积神经网络结构，并引入U-Net和注意力机制，提升分类准确率和关键光谱特征识别能力	未详细说明模型在复杂实际样本中的泛化性能及计算资源消耗，未来需探索更多网络模块以增强泛化能力	开发一种结合SERS和深度学习的快速、精准食源性病原体检测工具	22种食源性病原体及Bacteria-ID数据集	机器学习	食源性疾病	表面增强拉曼光谱（SERS）	卷积神经网络（CNN）	光谱数据	22种食源性病原体样本	NA	U-Net	平均精确率	NA
2105	2026-04-29	Research on noninvasive electrophysiologic imaging based on cardiac electrophysiology simulation and deep learning methods for the inverse problem 2025-04-28, BMC cardiovascular disorders IF:2.0Q3 DOI:10.1186/s12872-025-04728-2 PMID:40295939	研究论文	该论文结合心脏电生理仿真与深度学习方法，提出一种非侵入性心脏电生理成像技术的新方案	首次将三维双域心脏电生理仿真模型与深度学习算法结合，用于非侵入性心脏表面电位重建，并比较多种网络的效果	未在大量真实临床数据集上进行验证，且仅涉及仿真数据与有限临床数据的比较	实现非侵入性心脏电生理成像，改善心律失常的风险分层和预后评估	心脏电生理活动模型与仿真心电数据	机器学习	心血管疾病	心脏电生理模拟	卷积神经网络, 长短期记忆网络, 反向传播神经网络	仿真心电数据	未明确，但使用了仿真生成的大量训练样本	NA	粒子群优化反向传播神经网络, CNN, LSTM	相关系数, R², 平均绝对误差	NA
2106	2026-04-29	Comparison of machine learning models with conventional statistical methods for prediction of percutaneous coronary intervention outcomes: a systematic review and meta-analysis 2025-04-23, BMC cardiovascular disorders IF:2.0Q3 DOI:10.1186/s12872-025-04746-0 PMID:40269704	综述与荟萃分析	系统比较机器学习模型与传统统计方法（逻辑回归）在预测经皮冠状动脉介入治疗术后结局中的表现	首次系统性地荟萃分析比较机器学习与逻辑回归在PCI术后多种结局预测中的性能差异	纳入研究普遍存在高偏倚风险，且机器学习模型解释性差，影响临床适用性	比较机器学习与逻辑回归模型预测PCI术后不同结局的性能	预测PCI术后死亡率、主要不良心脏事件、院内出血和急性肾损伤的模型	机器学习	冠状动脉疾病	NA	机器学习模型、逻辑回归模型	NA	59项研究	NA	NA	c统计量	NA
2107	2026-04-27	A cycle-aware and physics-informed framework for battery remaining useful life prediction 2025-Dec-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28505-5 PMID:41476082	研究论文	提出一个基于物理信息且考虑充放电周期一致性的锂电池剩余使用寿命预测框架	在输入层面引入周期感知的分段方法，将时间序列按实际充放电周期分割，并在目标层面引入物理信息一致性损失函数，使预测与物理退化曲线一致	未明确提及局限	提高锂电池剩余使用寿命预测的准确性	锂电池的剩余使用寿命	机器学习	NA	NA	图神经网络	时间序列	NA	NA	Bat-T-GNN	NA	NA
2108	2026-04-27	Fuzzy granulation-based wind speed prediction with multi-objective optimization 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28328-4 PMID:41461667	研究论文	提出一种结合模糊信息粒化与多目标优化策略的多尺度风速预测框架	通过模糊信息粒化技术降低高波动风速数据复杂度并抑制噪声干扰，创新性地将多种神经网络与启发式优化算法自适应集成，同时提升预测准确性与鲁棒性	未明确提及局限性	提升短中期风速预测的准确性与计算效率，推动可再生能源并网与脱碳目标实现	高波动风速时间序列数据	机器学习	NA	模糊信息粒化	神经网络	时间序列	蓬莱风电场数据集	NA	多种神经网络	预测精度、计算效率	NA
2109	2026-04-27	ISAAF: an IoT security and attack prevention framework using AI-driven predictive analytics 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28516-2 PMID:41461726	研究论文	提出一个利用人工智能驱动预测分析的物联网安全与攻击防御框架，名为ISAAF	引入基于真实物联网测试平台收集的新型入侵数据集MQTTEEB-D，并开发分层式AI驱动框架，实现实时入侵检测与自动缓解，解决模拟数据集在真实环境中泛化能力差的问题	未明确提及，但框架依赖特定数据集，可能在不同物联网环境中需重新训练	设计并验证一个可部署、可扩展的跨域物联网安全解决方案，用于实时检测和缓解MQTT协议相关攻击	物联网系统中的MQTT协议，以及针对该协议的网络攻击（如DoS、暴力破解、畸形数据、洪水攻击、Slowite攻击）	机器学习, 网络安全	NA	NA	决策树（DT）, 门控循环单元（GRU）	网络流量数据	利用MQTTset和MQTTEEB-D两个数据集，具体样本数量未提及	NA	决策树（DT）, 门控循环单元（GRU）	准确率（accuracy）	未明确提及
2110	2026-04-27	Ultrasound and SWE-based transfer learning for predicting fibrotic NASH 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28753-5 PMID:41461741	研究论文	利用肝脏超声、弹性成像图像和临床特征构建组合深度学习模型，预测和诊断纤维性非酒精性脂肪性肝炎	首次结合肝脏超声、剪切波弹性成像图像和临床特征的多模态深度学习模型预测纤维性NASH	未明确说明局限性	开发和验证基于超声和SWE图像的深度学习模型，用于预测和诊断纤维性NASH	高脂饮食和皮下CCl₄注射建立的大鼠肝脏脂肪变性和纤维化模型	计算机视觉	非酒精性脂肪性肝炎	超声成像, 剪切波弹性成像	CNN	图像, 临床特征	未明确说明样本量	NA	ResNet-18	AUC, ROC曲线, DCA, 校准曲线	NA
2111	2026-04-27	Design of a hybrid learning model for establishing consistency in smart grid environment 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28986-4 PMID:41461786	研究论文	提出一种混合学习模型，利用深度学习方法实现智能电网环境中的一致性预测	结合长短期记忆网络与神经模糊自适应干扰模型，为智能电网负载预测提供新的混合方法	NA	解决智能电网中大规模数据驱动的需求预测问题	智能电网中的消费者模式、能源需求与电力传输数据	机器学习	NA	NA	混合LSTM与NFADIM	智能电网大规模数据	NA	NA	LSTM, NFADIM	NA	NA
2112	2026-04-27	Enhancing landslide detection in Western Ghats of Kerala, India with deep learning and Explainable AI 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33065-9 PMID:41461880	研究论文	利用深度学习和可解释人工智能技术提升印度喀拉拉邦西高止山脉的滑坡检测能力	采用时间差异法结合高分辨率卫星影像训练深度学习模型，并首次将注意力多尺度U-Net应用于该区域滑坡分割，同时利用可解释AI技术揭示模型决策机制	研究仅基于特定区域（西高止山脉）和单个卫星影像源（PlanetScope），模型泛化性需进一步验证	构建印度喀拉拉邦的自动化滑坡清单系统，提升滑坡预测与风险缓解能力	印度喀拉拉邦西高止山脉的滑坡区域	计算机视觉, 数字病理	NA	高分辨率卫星遥感, 迁移学习	U-Net	高分辨率卫星影像（3米分辨率）	使用HR-GLDD数据库及时间差异数据，具体样本量未明确说明	PyTorch	简单多尺度U-Net, 注意力多尺度U-Net	精确率, F1分数	NA
2113	2026-04-27	An optimized YOLOv8n based model for real time defect detection in taro strip production 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28216-x PMID:41462034	研究论文	提出一种优化的YOLOv8n模型，用于芋头条生产线的实时缺陷检测	集成了双向特征金字塔网络、VoV-GSCSP模块、共享参数检测头和嵌入式WIoU损失函数，显著提升检测精度和计算效率	未提及在更复杂生产环境或多种产品类型上的泛化能力	实现工业环境下芋头条缺陷的实时自动检测，提高效率和产品质量	芋头条生产线中的缺陷检测	计算机视觉	NA	NA	YOLOv8n	图像	NA	PyTorch	YOLOv8n，双向特征金字塔网络，VoV-GSCSP，共享参数检测头	平均检测精度（mAP50），精确率，召回率	Raspberry Pi 5
2114	2026-04-27	Transfer learning models for wheat ear detection on multi-source dataset 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28351-5 PMID:41462035	研究论文	本文介绍一个名为BioS-Wheat的新型高分辨率RGB智能手机图像数据集，并评估六种深度学习模型用于麦穗检测	提出BioS-Wheat数据集，包含四个小麦品种的5696张标注图像，通过高播种密度和窄行距引入数据复杂性变化，强调农业多样性对模型性能的影响	未明确提及模型的泛化性限制，但数据集仅涵盖四个品种，可能未覆盖所有气候和种植条件下的多样性	开发低成本且可靠的自动化麦穗检测方法，支持早期产量预测	小麦麦穗的检测与计数	计算机视觉	农业科学，不涉及具体疾病	RGB智能手机图像采集和深度学习	Faster-RCNN、RetinaNet、YOLOv8、Vision Transformer（RT-DETR）	图像	5696张标注RGB图像，涵盖四个小麦品种	PyTorch	RetinaNet、YOLOv8、RT-DETR、Faster-RCNN	平均精度mAP@50	NA
2115	2026-04-27	Lightweight deep learning technology for high quality development and intelligent transformation of sports under DeepLabV3 CSP Darknet53 model 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28539-9 PMID:41462421	研究论文	提出一种基于轻量级深度学习的方法，用于体育场景中人体姿态识别和运动设备检测，实现智能转型与高质量发展	结合DeepLabV3+语义分割与轻量级OpenPose网络，并引入空间注意力模块增强关键局部特征提取能力	未提及在复杂多人和遮挡场景中的鲁棒性，也未对计算资源消耗进行详细量化分析	实现高效低计算成本的运动姿态识别，推动体育产业的智能转型	体育设备和人体关键点	计算机视觉	NA	NA	CNN	图像	多个数据集（具体数量未提供）	NA	DeepLabV3+, CSP-Darknet53, OpenPose	F1分数, 准确率, 召回率, 精确率	NA
2116	2026-04-27	Carbon efficient quantum AI: an empirical study of ansätz design trade-offs in QNN and QLSTM models 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28582-6 PMID:41462429	研究论文	通过对比量子神经网络（QNN）与量子长短期记忆模型（QLSTM）在N-BaIoT异常检测数据集上的表现，系统研究量子电路设计对分类性能、能耗和训练效率的影响	首次系统比较10种量子电路设计在QNN和QLSTM中的权衡关系，并分三阶段实验评估量子模型与经典机器学习模型的能耗差异及真实量子硬件部署效果	经典模型在训练时间和能耗上仍优于量子模型，真实量子硬件的能效劣势需通过硬件感知的电路设计和基础设施改进来解决	探索量子机器学习作为绿色AI替代方案的能效潜力，重点评估量子电路设计对碳足迹和性能的优化策略	QNN和QLSTM量子模型的多层电路结构及量子硬件执行特性	机器学习	NA	量子计算、GPU加速	QNN、QLSTM	网络流量数据	N-BaIoT异常检测数据集（未提供具体样本数）	IBM Qiskit	10种量子电路设计（A1-A10）	准确率、复杂度、训练时间、能耗	GPU服务器、IBM量子硬件
2117	2026-04-27	XTC-Net: an explainable hybrid model for automated atelectasis detection from chest radiographs 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28694-z PMID:41462544	研究论文	提出一个可解释的混合深度学习模型，结合Xception、Transformer和胶囊网络组件，用于从胸部X光片中自动检测肺不张	首次将Xception、Transformer和胶囊网络三者协同集成，用于可解释的肺不张自动检测，兼顾空间特征提取、长程依赖建模和细微结构变化敏感性	未明确指出，需进一步在实际临床环境中进行验证和推广	开发一个可解释的深度学习模型，提高肺不张检测的自动化精度和诊断效率	肺不张病变区域（部分或完全肺塌陷）	计算机视觉	肺不张	深度学习	混合模型（Xception、Transformer、胶囊网络）	图像（胸部X光片）	使用公开胸部X光数据集（内部训练验证）；外部验证使用NIH ChestX-ray数据集	NA	Xception, Transformer, Capsule Network	准确率、灵敏度、F1分数	NA
2118	2026-04-27	An AM-CNN-BiGRU network with spatiotemporal feature fusion for industrial robot predictive maintenance 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29255-0 PMID:41462560	研究论文	提出一种基于AM-CNN-BiGRU网络的工业机器人预测性维护方法，通过融合时空特征实现早期故障诊断	首次将CNN与双向门控循环单元结合注意力机制，实现多源振动、电流和转矩数据融合，并通过Lion优化器提升训练效率	未说明在真实工业场景中不同工况变化的适应性，且未涉及在线学习或迁移学习方法应对数据分布偏移	针对工业机器人因老化与高负荷导致的故障，开发高精度预测性维护模型	工业机器人关节的振动、电流和转矩数据	机器学学习	不适用	多传感器信号采集	AM-CNN-BiGRU混合网络	时间序列信号	未说明	未说明	CNN, BiGRU	R², MAE, MAPE, RMSE	未说明
2119	2026-04-27	Comprehensive framework of machine learning and deep learning architectures with metaheuristic optimization for high-fidelity prediction of nanofluid specific heat capacity 2025-Dec-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28268-z PMID:41455692	研究论文	利用多种机器学习和深度学习模型及元启发式优化算法，高精度预测纳米流体比热容	首次将堆叠集成学习与两种元启发式优化算法（粒子群优化和灰狼优化）结合，并引入基于多项式/傅里叶展开和自编码器的数据增强策略，显著提升了纳米流体比热容预测精度	未明确阐述数据增强方法对模型泛化能力的潜在过拟合风险，且仅基于批处理式训练，未考虑在线学习或迁移学习场景的适用性	开发高精度预测纳米流体比热容的混合机器学习/深度学习框架，以优化其在工程和工业应用中的性能	1269个实验纳米流体样本，包括混合型和直接型纳米流体，关键输入为纳米流体类型、温度和体积浓度	机器学习	NA	NA	多层感知机、CatBoost、LightGBM等12种机器学习与深度学习模型	数值数据	1269个实验纳米流体样本	Scikit-learn, PyTorch（推断）	多层感知机、CatBoost、LightGBM、堆叠集成模型	R²分数、均方误差、均方根误差	NA
2120	2026-04-27	Hydraulic support pressure prediction via deep learning with multilevel temporal feature integration 2025-Dec-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-13089-x PMID:41455725	研究论文	提出一种基于LSTM-PatchTST的液压支架压力预测方法，实现多维度特征依赖融合	将LSTM的短期波动与长期趋势捕捉能力与PatchTST的局部细节与全局依赖建模能力相结合，通过残差连接保证多层时序特征的完整保留	仅基于两个煤矿的实际数据进行验证，泛化能力可能需要更多场景的测试	提高液压支架压力预测的准确性，保障煤矿安全	液压支架压力数据	机器学习	NA	NA	LSTM, PatchTST, Transformer	时间序列数据	两个煤矿（付村煤矿和耿村煤矿）的实际压力数据	NA	LSTM, PatchTST	RMSE, MAE	NA