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	2026-02-02	SBTM: epileptic seizure prediction from EEG signal using deep learning in blockchain-enabled smart healthcare monitoring with IoT networking 2026-Jan-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36425-1 PMID:41620453	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2	2026-02-20	Intrinsic tumor factors and extrinsic environmental and social exposures contribute to endometrial cancer recurrence patterns 2026-Jan-30, Research square DOI:10.21203/rs.3.rs-8682460/v1 PMID:41646408	研究论文	本研究通过整合临床、基因组、微生物组和环境数据，评估了子宫内膜癌复发与内在肿瘤因素及外在环境暴露（如空气污染）的关联	首次将肿瘤相关细菌群落、肿瘤免疫微环境和空气污染等外在环境因素与临床、病理和基因组特征结合，利用主题建模和机器学习方法预测子宫内膜癌复发	TCGA数据集中部分微生物组数据缺失，可能影响模型的外部验证效果	评估外在环境因素和内在肿瘤因素对子宫内膜癌复发的影响，并构建个体化预测模型	子宫内膜癌患者，根据风险分层为低风险、高风险和非子宫内膜样组织学组	数字病理学	子宫内膜癌	RNA测序, DNA提取, 宏基因组学分析	机器学习, 深度学习	基因组数据, 微生物组数据, 临床数据, 环境数据	892例患者（低风险组329例，高风险组324例，非子宫内膜样组239例）	TensorFlow, MATLAB	潜在狄利克雷分配（LDA）	AUC, 95%置信区间	未明确指定
3	2026-02-20	A lightweight YOLO11n seg framework for real time surface crack detection with segmentation 2026-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37073-1 PMID:41611793	研究论文	本研究提出了一种基于YOLO11n-seg架构的轻量级深度学习框架，用于实时表面裂缝检测与分割	采用YOLO11n-seg轻量级架构，在保持高精度的同时显著降低计算成本，实现超快速推理（每张图像3.6毫秒），为边缘部署的裂缝识别设立了新基准	模型在Mask mAP@50指标上为58.7%，分割性能仍有提升空间；仅使用Crack-Seg数据集进行验证，泛化能力未在其他数据集上测试	开发一种轻量级、实时的表面裂缝检测与分割方法，以自动化基础设施安全检查	桥梁、路面、隧道和建筑物等民用基础设施的表面裂缝	计算机视觉	NA	深度学习	YOLO	图像	使用Crack-Seg数据集，具体样本数量未在摘要中说明	NA	YOLO11n-seg	精确度, Box mAP@50, Mask mAP@50, 推理速度	Tesla T4 GPU
4	2026-02-20	Deep learning based individual identification and population estimation of the yellow spotted mountain newt (Neurergus derjugini) 2026-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36092-2 PMID:41606028	研究论文	本研究提出了一种结合几何计算机视觉和深度学习的非侵入性图像方法，用于濒危两栖动物黄斑山蝾螈的个体识别和种群数量估计	首次将几何特征提取与深度学习模型相结合，开发了一种针对黄斑山蝾螈的非侵入性个体识别方法，并应用于野外种群估计	数据集规模有限，需要扩展数据以验证时间稳定性；方法尚未部署为实时移动应用	开发一种可靠、非侵入性的方法，用于濒危两栖动物的个体识别和种群监测，以支持保护工作	黄斑山蝾螈（Neurergus derjugini）	计算机视觉	NA	图像采集、几何特征提取	CNN	图像	549只成年黄斑山蝾螈	NA	DenseNet121, EfficientNetB0, InceptionV3	准确率, AUC	NA
5	2026-02-20	A hybrid local-global feature attention network for thin section rock image classification 2026-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36669-x PMID:41606083	研究论文	本文提出了一种用于薄片岩石图像分类的混合局部-全局特征注意力网络HFANet，通过集成DenseNet和Swin Transformer来同时捕获局部纹理和全局语义	提出了一种新颖的混合局部-全局特征注意力网络HFANet，集成了基于DenseNet的局部分支和基于Swin Transformer的全局分支，并引入了多头自注意力模块和双向交叉注意力机制，以及包含三个独立头部的集成分类框架与多模态特征融合	NA	提高薄片岩石图像的分类准确性，以支持地质调查、资源勘探和自动化岩相分析	薄片岩石图像	计算机视觉	NA	NA	CNN, Transformer	图像	NA	NA	DenseNet, Swin Transformer	准确率, AUC, AUPR	NA
6	2026-01-30	An interactive cascaded deep learning framework with expert refinement for accurate striatal subregion segmentation 2026-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36399-0 PMID:41606103	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7	2026-01-30	Deep learning for construction waste detection using ConvNeXt V2 EMA attention and WIoU v3 loss 2026-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37473-3 PMID:41606243	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8	2026-02-20	Deep residual networks with convolutional feature extraction for short-term load forecasting 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35410-y PMID:41588046	研究论文	本研究提出了一种嵌入卷积神经网络的深度残差网络，用于提升短期负荷预测在特征提取和泛化能力方面的性能	将基于CNN的局部特征提取集成到深度残差网络框架中，以捕获细粒度时空负荷模式，并利用残差学习缓解梯度退化，提高网络稳定性	未明确提及具体局限性，但未来研究方向包括扩展到多区域多尺度预测、引入注意力机制以及探索自适应混合残差架构	提升短期负荷预测的准确性、鲁棒性和对不同气候条件的适应性	短期电力负荷数据	机器学习	NA	NA	CNN, 残差网络	时间序列数据	两个数据集：代表温带气候的ISO-NE数据集和代表热带气候的马来西亚数据集	NA	CNN-Embedded Deep Residual Network	平均绝对百分比误差	NA
9	2026-02-20	Deep atrous context convolution generative adversarial network with corner key point extracted feature for nuts classification 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36238-2 PMID:41588160	研究论文	本研究提出了一种基于深度学习的坚果分类方法，使用深度空洞上下文卷积生成对抗网络结合角点关键特征提取技术，对8类坚果进行自动分类	通过结合DCGAN生成合成图像、角点关键特征提取以及空洞卷积与上下文块的集成，实现了对坚果图像多分辨率空间特征的捕捉，提高了分类准确性	研究仅使用了KAGGLE公共数据集，样本量相对有限，且未在更广泛的真实工业环境中验证模型鲁棒性	开发一种自动化坚果分类系统，以提升食品加工和农业领域中的坚果检测与分类效率	8类坚果（巴西坚果、腰果、花生、山核桃、开心果、栗子、夏威夷果和核桃）的图像数据	计算机视觉	NA	图像处理、特征提取、生成对抗网络	GAN, CNN	图像	4000张坚果图像，涵盖8个类别	NA	DCGAN, 深度空洞上下文卷积生成对抗网络	准确率	NA
10	2026-02-20	Magnetotelluric forward modeling on fine grid via deep learning with physical information constraints 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37645-1 PMID:41593154	研究论文	本研究结合深度学习与传统正演技术，通过物理信息约束实现高精度高效的磁大地电流正演建模	提出结合深度学习与传统正演方法，利用物理信息约束训练多任务模型，在保持精度的同时显著减少计算时间，突破传统方法的效率瓶颈	未明确提及模型在复杂地质条件下的泛化能力或实际野外数据验证的局限性	实现高精度与高效率协同的磁大地电流正演建模	地下介质的电阻率模型及其磁大地电流响应	地球物理建模	NA	磁大地电流正演建模，立方样条插值	深度学习模型	合成电阻率模型数据	NA	NA	Swin-UNet，以Swin Transformer为骨干	正演时间减少，精度保持	NA
11	2026-02-20	AE-LFOG-YOLO: robust safety helmet detection via adaptive anchors and illumination invariant learning 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37326-z PMID:41593153	研究论文	提出一种名为AE-LFOG-YOLO的端到端框架，通过自适应锚框和光照不变学习增强YOLOv8，用于复杂工业场景下鲁棒的安全帽检测	1) 引入光照不变模块，采用双路径特征解耦策略抑制光照伪影；2) 提出自适应进化-光场优化生成算法，利用局部光照梯度和薄透镜成像原理动态优化锚框参数	仅针对隧道施工场景进行验证，未在其他工业环境测试泛化能力	提升高风险工业环境中安全帽检测的鲁棒性，特别是应对严重光照不均和多尺度目标挑战	隧道施工场景中的安全帽	计算机视觉	NA	深度学习	CNN	图像	真实世界隧道数据集（具体数量未说明）	PyTorch（基于YOLOv8推断）	YOLOv8	mAP@0.5	NA
12	2026-02-20	Deep learning-based system to predict hepatocellular carcinoma resection volume using contrast-enhanced CT 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37085-x PMID:41593175	研究论文	提出一种基于深度学习的系统，利用对比增强CT图像预测肝细胞癌切除体积，以提高术前规划的准确性和效率	开发了名为Liver Resection Volume Calculation with Deep learning的人工智能系统，能够将计算时间减少近二十倍，并与经验丰富的外科医生规划结果保持一致	NA	提高肝细胞癌术前手术规划中肝脏切除体积计算的准确性和效率	990例病理确诊的肝细胞癌患者的医学影像扫描数据	计算机视觉	肝细胞癌	对比增强计算机断层扫描	深度学习	图像	990例患者	NA	NA	实质肝切除率	NA
13	2026-02-20	Exploring anatomical similarity in zero-shot learning for bone abnormality detection 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37516-9 PMID:41593191	研究论文	本研究探索了利用解剖结构相似性在骨骼异常检测中进行零样本学习，实现在无目标数据的情况下跨身体部位迁移训练	首次在肌肉骨骼成像中利用解剖相似性进行零样本跨部位迁移学习，无需目标数据访问或语义辅助信息	研究基于MURA数据集（不提供仅骨折标签），且未使用语义侧信息或目标适应技术	探索解剖相似性是否能在零样本学习中实现跨身体部位的异常检测迁移	肌肉骨骼成像数据中的骨骼异常检测	计算机视觉	骨骼异常	深度学习	CNN	医学图像	MURA数据集（具体数量未明确说明）	NA	使用了两种主干网络（具体架构未明确说明）	准确率, Wilson 95%置信区间	NA
14	2026-02-20	Advancements in the detection of invasive water hyacinth (Eichhornia crassipes): a critical review of monitoring techniques for aquatic ecosystem management 2026-Jan-27, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-026-14979-x PMID:41593392	综述	本文系统回顾了2012年至2025年间关于入侵物种水葫芦（Eichhornia crassipes）检测与监测技术的研究，重点关注机器学习、深度学习、遥感及混合方法的应用	系统性地梳理了水葫芦监测领域的最新计算技术趋势，特别是2023年至2025年间深度学习模型的兴起，并指出了数据集和评估标准化的关键问题	数据集可用性有限，评估指标缺乏标准化，可能影响不同研究间的可比性	为水生入侵物种的环境监测提供研究方向指导，促进方法学一致性，支持开发稳健、可扩展的监测策略	入侵水葫芦（Eichhornia crassipes）及其对淡水生态系统的影响	机器学习	NA	遥感（RS）、机器学习（ML）、深度学习（DL）、混合方法	深度学习模型	遥感数据、图像数据	基于74篇同行评议文章的分析	NA	NA	NA	NA
15	2026-02-20	STRIKER: a spectral metadata repairing tool for expanding the comprehensiveness of spectral libraries 2026-Jan-27, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-026-01150-4 PMID:41593726	研究论文	本研究介绍了一个名为STRIKER的光谱元数据修复工具，旨在通过基于距离的度量和深度学习模型来修复和标准化公共光谱库中的加合物元数据，从而提高代谢物注释的准确性和机器学习应用的数据质量	开发了首个专门针对光谱库中加合物元数据缺陷的修复工具，结合了基于距离的相似性方法和多层感知机（MLP）深度学习模型来预测和校正缺失或错误的加合物信息，而非简单地排除有问题的光谱数据	工具主要针对加合物元数据进行修复，可能无法处理光谱库中其他类型的元数据错误或质量问题；其性能依赖于训练数据的质量和覆盖范围	提高公共光谱库的数据质量和一致性，以支持更准确的代谢物注释和机器学习模型训练	公共质谱光谱库中的光谱数据及其元数据，特别是人类代谢组数据库（HMDB）中的光谱数据	机器学习	NA	质谱光谱分析，代谢组学	深度学习	光谱数据，元数据	NA	Python	多层感知机（MLP）	加合物匹配正确率，加合物校正准确率	NA
16	2026-02-20	Aegis: a transformer-based deep learning framework for the accurate identification of anticancer peptides 2026-Jan-26, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02520-y PMID:41588397	研究论文	本文介绍了一种基于Transformer的深度学习框架Aegis，用于精确识别抗癌肽	提出了首个基于Transformer的深度学习框架Aegis，通过SHAP方法识别了103个最优特征，并在独立测试集上实现了最先进的性能	未明确说明模型在临床环境中的验证情况或潜在的计算资源需求	开发一个计算框架以快速准确地预测抗癌肽	抗癌肽序列	自然语言处理	癌症	CKSAAP, CTDC, CTDT, CTDD, PAAC特征提取方法	Transformer	序列数据	NA	NA	Transformer	NA	NA
17	2026-02-20	TPCAV: Interpreting deep learning genomics models via concept attribution 2026-Jan-26, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.20.700723 PMID:41659440	研究论文	本文提出了一种名为TPCAV的新方法，用于解释基因组学深度学习模型，通过概念归因技术改进现有模型解释能力	首次将概念归因方法系统应用于基因组学深度学习模型解释，提出TPCAV方法通过PCA去相关变换解决基因组模型中常见的特征冗余问题，并引入概念特异性输入归因图生成策略	方法在特定任务（如转录因子结合预测）上与现有方法（TF-MoDISco）效果相当但未全面超越，且未在更广泛的基因组学任务中进行充分验证	开发更可靠的基因组学深度学习模型解释方法，以理解模型决策背后的生物学概念	基因组学深度学习模型及其预测结果	机器学习	NA	深度学习模型解释	神经网络	基因组序列数据、染色质可及性数据	NA	NA	NA	概念解释可靠性、DNA模体解释准确性	NA
18	2026-02-20	SqueakPose Studio: An end-to-end platform for pose estimation and real-time edge-AI deployment 2026-Jan-26, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.24.700912 PMID:41659585	研究论文	介绍了一个集成软件-硬件生态系统，用于姿态估计，涵盖数据集创建、模型训练、离线分析和嵌入式边缘计算设备的实时部署	提出了一个统一的平台，结合了SqueakPose Studio、SqueakView和MouseHouse，支持从数据集创建到实时边缘AI部署的端到端流程，无需工作站级硬件或外部中间件	NA	开发一个集成平台，用于姿态估计的定量行为分析，支持离线分析和实时嵌入式实验	姿态估计在行为分析中的应用，特别是针对小鼠等实验动物的家庭笼式实验	计算机视觉	NA	深度学习	对象检测架构	视频	NA	NA	现代对象检测架构	NA	CPU, GPU, Apple Silicon, 嵌入式GPU计算
19	2026-02-19	Prognostic value of deep learning-based coronary artery calcium score and quantitative pneumonia burden in patients hospitalized with COVID-19 2026-Jan-24, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02119-9 PMID:41580636	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
20	2026-02-20	Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images 2026-Jan-24, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02359-1 PMID:41580547	研究论文	本文提出了一种数据高效的深度学习框架MAMILE-UNI，用于从胸腹水细胞学或组织病理学全切片图像中直接检测恶性肿瘤并预测肿瘤起源	开发了MAMILE-UNI框架，首次将深度学习应用于胸腹水细胞学全切片图像，以数据高效的方式实现恶性肿瘤检测和肿瘤起源预测，并验证了其高准确性	未明确提及研究的具体局限性，如数据集的多样性、模型泛化能力或临床部署挑战	提高胸腹水细胞学和组织病理学中恶性肿瘤检测及肿瘤起源预测的准确性和一致性，减少观察者变异性	胸腹水和腹水细胞学涂片或细胞块的全切片图像，以及组织病理学全切片图像	数字病理学	转移性癌症	全切片成像	深度学习	图像	1250张细胞学全切片图像和1196张组织病理学全切片图像	未明确指定	MAMILE-UNI	AUROC, MeanSS, 准确率, 精确率, 灵敏度, F1分数, 特异度	NA