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
381	2026-04-24	Deep learning for intracranial hemorrhage detection and classification in brain CT scans: a systematic review and hybrid model approach 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1703634 PMID:42022505	系统综述	该论文对深度学习在颅内出血CT影像检测与分类中的应用进行了系统综述，并提出了混合模型方法	系统回顾了传统CNN、3D CNN、混合集成框架及新兴Transformer架构在该领域的应用，并评估了Grad-CAM等可解释性方法	存在泛化能力不足、数据集异质性及临床验证缺失等挑战	整合分析基于机器学习和深度学习的非增强CT颅内出血检测与分类方法	从非增强CT影像中检测和分类颅内出血及其亚型（硬膜外、硬膜下、脑实质内、脑室内和蛛网膜下腔出血）	计算机视觉	颅内出血	CT成像	CNN, 3D CNN, Transformer	CT影像	NA	NA	卷积神经网络, 三维卷积神经网络, Transformer	灵敏度, 特异性	NA
382	2026-04-24	A multimodal deep learning model for predicting impending rupture in symptomatic abdominal aortic aneurysms using CTA and clinical data 2026, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2026.1771669 PMID:42022533	研究论文	开发并验证一个可解释的多模态深度学习模型，用于预测症状性腹主动脉瘤的即将破裂风险	首次结合CTA序列图像和六种关键临床生物标志物，通过双向交叉注意力机制构建多模态模型，显著优于传统临床规则和CTA征象基线	回顾性研究设计，样本量有限（263例），需要前瞻性验证确认临床适用性	开发可解释的多模态深度学习模型，评估症状性AAA患者的破裂风险，支持急诊决策	症状性腹主动脉瘤（AAA）患者	医学影像分析	腹主动脉瘤	CTA	多模态深度学习模型（基于ResNet-50图像编码器和双向交叉注意力机制）	CTA图像（序列切片）和临床数据（生物标志物）	263例症状性AAA患者（230例开发队列，33例独立时序测试集）	PyTorch	ResNet-50	AUC, 灵敏度, 阴性预测值	NA
383	2026-04-24	MVBeetle: an interpretable multi-view deep learning model for fine-grained classification of Galerucinae and Alticinae (Coleoptera: Chrysomelidae) 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1798135 PMID:42023004	研究论文	提出一种可解释的多视图深度学习模型MVBeetle，用于细粒度分类萤叶甲亚科和跳甲亚科	首次将多视图融合框架与可解释性分析结合用于萤叶甲亚科和跳甲亚科的细粒度分类，通过Grad-CAM揭示不同亚科的关键形态特征（跳甲亚科关注跳跃腿，萤叶甲亚科关注触角）	未明确指出限制，但可能包括数据集仅涵盖43种物种、未考虑野外复杂背景或不同光照条件下的泛化能力	提供一种高精度且便捷的叶甲分类模型，并探究亚科间形态进化差异	萤叶甲亚科和跳甲亚科的43种叶甲物种（23种萤叶甲与20种跳甲）	计算机视觉	NA	多视图图像采集	卷积神经网络	图像	43种叶甲物种的多视图图像（背、侧、腹面）	PyTorch	ResNet18, ResNet50, VGG16, MobileNetV2	准确率	NA
384	2026-04-24	An environment-guided visual-temporal deep learning framework for early disease detection in greenhouse horticultural crops 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1796407 PMID:42023011	研究论文	提出一种环境引导的视觉-时间深度学习框架，用于温室园艺作物的早期病害检测	通过环境引导的视觉注意力机制和时空联合建模，将环境变量从被动特征转化为主动先验，增强对微弱病害信号的敏感性	实验仅在真实温室多模态时序数据集上验证，未测试其他环境条件下的泛化能力	实现温室园艺作物早期病害的智能预警和精准调控	温室园艺作物及其相关环境变量（温度、湿度、蒸汽压差、二氧化碳浓度）	计算机视觉, 机器学习	温室作物病害	多模态时序数据采集	CNN, Transformer	图像, 文本（环境变量数值）	真实温室多模态时序数据集（未明确样本数量）	NA	Transformer, CNN	准确率, 召回率, F1分数, 早期精度, 早期召回率, 提前时间	NA
385	2026-04-24	Application of deep learning-clinical baseline feature fusion model to predict postoperative mortality in elderly patients with hip fracture: a multicenter study 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1784156 PMID:42023085	研究论文	构建深度学习与临床基线特征融合模型，预测老年髋部骨折患者术后死亡率	首次将深度学习模型提取的CT图像特征与临床基线特征融合，显著提升了预测性能	未提及具体限制	基于深度学习与临床基线特征融合，提高老年髋部骨折术后1年死亡率预测准确性	老年髋部骨折患者	机器学习	老年性疾病	计算机断层扫描（CT）	Densenet161 和 LightGBM	图像（CT骨骼肌组织图像）及临床基线数据	内部训练集221例（机构1），外部验证集113例（机构2）	NA	Densenet161, LightGBM	AUC、敏感性、特异性、F1分数	NA
386	2026-04-22	Deep Learning-Based Classification of Temporal Stages of AT8-Labeled Tau Pathology After Experimental Traumatic Brain Injury 2026-Jan-19, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-025-09763-0 PMID:41553585	研究论文	本研究评估了一种基于深度学习的框架，用于在实验性创伤性脑损伤小鼠模型中，对AT8标记的tau病理的多个时间阶段进行分类	将深度学习应用于创伤性脑损伤后tau病理的早期和中间时间阶段分类，这是一个尚未充分探索的应用领域	结果基于内部交叉验证，缺乏独立的动物级别标识符或外部队列验证，且早期阶段（1天）的分类可分离性有限	开发一个可扩展的自动化方法，用于临床前组织学中tau病理的时间阶段分期	实验性创伤性脑损伤小鼠模型中AT8染色的皮质显微图像	数字病理学	神经退行性疾病	AT8染色（抗磷酸化tau抗体）	CNN	图像	未明确指定样本数量，但图像被分为四个损伤后阶段（1天、1周、1个月、3个月）	未明确指定，可能为TensorFlow或PyTorch	自定义CNN, InceptionV3, DenseNet	准确率, 宏平均F1分数, 每类F1分数, 一对多接收者操作特征曲线下面积（AUC）	NA
387	2026-04-22	Computational Ligand-Binding Site Prediction 2026, Advances in experimental medicine and biology DOI:10.1007/978-3-032-07511-6_7 PMID:41652164	综述	本章综述了计算配体结合位点预测方法，包括结构对接、机器学习和基于物理的分子动力学技术	重点介绍了SILCS技术及其基于物理的方法优势，并讨论了深度学习工具在结合位点预测中的应用	NA	介绍和比较计算配体结合位点预测的各种方法，以辅助药物设计	蛋白质和RNA上的配体结合位点	计算机辅助药物设计	NA	结构对接、机器学习、深度学习、分子动力学、SILCS技术	NA	蛋白质和RNA结构数据	NA	NA	NA	NA	NA
388	2026-01-28	The sarcopenia artificial intelligence diagnostic decision support system (SAID DSS) - a multimodal deep learning model 2026-Jan-26, BMC geriatrics IF:3.4Q2 DOI:10.1186/s12877-026-07005-9 PMID:41588346	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
389	2026-04-19	The Tea-Steeping Metaphor: Origin, Application, Advantages, Disadvantages, and Impact on Forensic Medicine Teaching 2026-Jan-13, Academic forensic pathology DOI:10.1177/19253621251409452 PMID:41541908	综述	本文探讨了茶浸隐喻在法医学教学中的起源、应用、优势、局限性及实际影响	将茶浸过程作为隐喻，为沉浸式、时间依赖性的学习提供了一个新颖的概念框架，尤其在法医学教育中强调了深度学习和专业身份形成	时间限制、潜在信息过载以及需要最佳学习条件等因素限制了其普遍适用性	探索茶浸隐喻在法医学教学中的应用及其教育价值	法医学教学中的教育方法和学习过程	医学教育	NA	NA	NA	NA	NA	NA	NA	NA	NA
390	2026-04-19	Mimicking opioid analgesia in cortical pain circuits 2026-01, Nature IF:50.5Q1 DOI:10.1038/s41586-025-09908-w PMID:41501467	研究论文	本研究揭示了阿片类药物通过调节前扣带皮层神经元活动来缓解慢性神经病理性疼痛的机制，并开发了一种模拟阿片镇痛作用的化学遗传学基因疗法	首次结合深度学习行为分析和纵向神经记录，识别出神经损伤后皮层活动模式的持续性转变，并利用合成μ-阿片受体启动子开发出靶向阿片敏感神经元的精准基因疗法	研究基于小鼠模型，其发现向人类临床应用的转化仍需进一步验证；基因疗法的长期安全性和有效性有待评估	探究阿片类镇痛药如何调节皮层疼痛回路以产生镇痛作用，并开发更安全、精准的慢性疼痛治疗策略	小鼠的前扣带皮层神经元及其在神经病理性疼痛模型中的活动	神经科学	慢性神经病理性疼痛	深度学习行为分析，纵向神经记录，化学遗传学基因疗法	深度学习模型	行为视频数据，神经电生理记录数据	NA	NA	NA	NA	NA
391	2026-04-19	Revisiting co-expression-based automated function prediction in yeast with neural networks and updated Gene Ontology annotations 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0322689 PMID:41990018	研究论文	本文通过使用前馈神经网络基于基因共表达数据预测酵母中的基因本体标签，并与经典机器学习模型进行比较，探讨了神经网络在自动功能预测中的性能	首次将前馈神经网络应用于基于共表达的酵母自动功能预测，并直接与贝叶斯网络和自适应查询驱动搜索等经典模型进行性能比较，发现神经网络在区分训练数据中的错误标注负样本方面表现更优	研究仅针对酵母的线粒体组织相关基因进行预测，未扩展到其他生物过程或物种；比较的经典模型数量有限（仅两种）	比较神经网络与经典机器学习技术在基因自动功能预测中的性能差异	酵母基因及其基因本体标签	机器学习	NA	基因共表达数据	前馈神经网络	基因表达数据	未明确指定样本数量，但使用酵母基因共表达数据	未明确指定	前馈神经网络	未明确指定具体指标，但提及性能比较	未明确指定
392	2026-04-19	A deep reinforcement based echo state network for network intrusion classification 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0333038 PMID:41990071	研究论文	提出了一种结合深度强化学习和回声状态网络的新型网络入侵分类方法	将深度强化学习与回声状态网络相结合，动态适应新型和不断演变的攻击模式，优于传统的静态深度学习模型	未明确说明模型的计算复杂度或实时部署的可行性限制	提高网络入侵检测的准确性和可靠性，以保护现代网络基础设施	网络流量数据中的入侵行为	机器学习	NA	深度强化学习，回声状态网络	深度强化学习，回声状态网络	网络流量数据	使用了多个基准数据集：NF-BoT-IoT、NF-UNSW-NB15、NF-ToN-IoT、NF-ToN-IoT-v2、NF-CSE-CIC-IDS2018和NF-UNSW-NB15-v3	NA	回声状态网络	准确性，可靠性	NA
393	2026-04-19	Mukara: A deep learning alternative to the four-step travel demand model with a case study on interurban highway traffic prediction in the UK 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0345576 PMID:41990075	研究论文	本研究提出了一种名为Mukara的深度学习框架，用于预测英国城际高速公路的交通流量，以替代传统的四步出行需求模型	提出了一种可直接从外部社会经济和网络特征映射到观测交通流量的深度学习框架，克服了传统模型依赖静态数据、校准复杂和行为假设简化的局限，并针对长期、路段级的战略规划任务进行了设计	模型性能（如R²为0.583）仍有提升空间，且研究主要针对英国高速公路，其普适性需在其他路网和地区进一步验证	开发一个数据驱动的深度学习模型，用于长期、路段级的交通流量预测，以支持交通战略规划	英国英格兰和威尔士的高速公路主干道路段	机器学习	NA	深度学习	深度学习模型	表格数据（社会经济、土地利用、路网特征、兴趣点等）	英格兰和威尔士八年的数据	NA	Mukara（特定提出的架构）	平均GEH, 平均绝对误差, R²	NA
394	2026-04-19	LungNet: Leveraging state-space models with SE-enhanced skip connections for precise CT-based lung lesion segmentation 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346561 PMID:41990081	研究论文	本文提出了一种结合Mamba状态空间模型和改进UNet架构的深度学习框架，用于精确分割CT图像中的肺部病灶	将Mamba状态空间模型集成到UNet中，以解决长距离依赖建模问题，同时在跳跃连接中嵌入Squeeze-and-Excitation网络以减少特征冗余，并引入辅助损失来捕获细粒度病灶特征	未明确提及	开发一种先进的深度学习框架，以提升CT图像中肺部病灶的精确分割能力	肺部病灶	计算机视觉	肺癌	CT成像	CNN, Transformer	图像	NA	NA	UNet, Mamba	分割准确率	NA
395	2026-04-19	Deep learning-based gait phase detection using shank-mounted IMU data: Classification approach 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0344002 PMID:41984794	研究论文	本研究利用深度学习模型，特别是Transformer，基于胫骨安装的IMU数据进行步态相位检测，实现自动分类识别	采用端到端的Transformer模型处理步态相位检测，相比传统多传感器或CNN方法，能更好地捕获时间依赖性，简化处理流程	研究样本仅包括35名健康年轻成年人，未涵盖不同年龄或疾病人群，可能限制模型的泛化能力	开发一种基于单IMU的步态相位检测方法，以提高步态分析的准确性和实用性	健康年轻成年人的步态数据	机器学习	NA	惯性测量单元(IMU)数据采集	CNN, LSTM, GRU, Transformer	时间序列信号（加速度和角速度）	35名健康年轻成年人	NA	一维CNN, 混合LSTM+GRU, Transformer	F1-score	NA
396	2026-04-19	Towards eco-friendly apple farming: Real-time codling moth monitoring using improved YOLOv10 and IoT integration 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346415 PMID:41984859	研究论文	本研究提出了一种结合改进YOLOv10-m深度学习模型与物联网技术的先进害虫监测系统，用于苹果园中苹果蠹蛾的实时检测	将改进的YOLOv10-m模型与物联网技术集成，在低功耗Raspberry Pi平台上实现实时、精确定位的害虫监测，支持精准施药	未明确说明系统在复杂环境条件下的鲁棒性、长期部署的稳定性以及与其他害虫监测方法的对比	开发实时害虫监测系统以减少农药过度使用，促进生态友好型农业	苹果园中的苹果蠹蛾（Cydia pomonella）	计算机视觉	NA	物联网技术，深度学习	YOLO	图像	NA	NA	YOLOv10-m	准确率，置信度稳定性，计算效率	低功耗Raspberry Pi平台
397	2026-04-19	EAC-Agent: A deep learning framework for multimodal emotion-aware conversational agent with contextual response generation 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346770 PMID:41996398	研究论文	本文提出了一种名为EAC-Agent的深度学习框架，用于构建多模态情感感知对话代理，能够整合文本、音频和视觉特征以生成上下文相关的响应	提出了一种新颖的多模态方法，结合了文本、音频和视觉特征，并利用自注意力和跨模态注意力机制来生成更具情感智能的响应	未明确提及具体限制，但可能包括对多模态数据质量和同步性的依赖，以及模型在更广泛数据集上的泛化能力	开发一个能够理解用户情感并生成相应响应的多模态对话代理	多模态对话代理，专注于情感感知和上下文响应生成	自然语言处理	NA	多模态特征提取，包括文本、音频和视觉处理	Transformer	文本、音频、视频	使用了两个基准数据集：IEMOCAP和MELD，具体样本数量未明确说明	NA	序列到序列模型，基于Transformer架构	准确率、困惑度、BLEU分数、ROUGE-L分数	NA
398	2026-04-19	An explainable multi-head attention network for healthcare IoT threat detection based on the MedDefender-MHAN framework 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346677 PMID:41996403	研究论文	本文提出了一种名为MedDefender-MHAN的可解释多头部注意力网络框架，专门用于医疗物联网威胁检测	提出了一种新颖的双流架构，将用于局部空间特征提取的卷积神经网络与用于长程时间依赖性建模的基于Transformer的编码器相结合，并将可解释性直接嵌入到多头注意力机制中，无需外部XAI管道即可实时生成梯度加权的解释	未明确提及	为医疗物联网环境提供一种既准确又可解释的入侵检测解决方案，以满足GDPR和FDA指南等监管框架的要求	医疗物联网威胁检测	机器学习	NA	NA	CNN, Transformer	网络流量数据	基于CICIDS2017和TON_IoT基准数据集进行评估	NA	多头部注意力网络	准确率, 推理延迟, 吞吐量, 与专家标注攻击签名的对齐率, 时间准确性	NA
399	2026-04-18	Sustainable probiotic production via AI: medium optimization and metabolic mechanisms in Bifidobacterium animalis ssp. lactis BB-12 using agricultural waste 2026, Critical reviews in food science and nutrition IF:7.3Q1 DOI:10.1080/10408398.2025.2577224 PMID:41176159	研究论文	本研究利用人工智能优化农业废弃物培养基，提升Bifidobacterium animalis ssp. lactis BB-12的益生菌生产效率，并通过代谢组学分析揭示其代谢机制	首次结合RSM、机器学习、深度学习和进化优化等多种AI方法，系统优化BB-12的农业废弃物培养基，并深入探究其代谢通路变化	研究仅针对BB-12单一菌株，未验证其他益生菌的适用性；农业废弃物的成分波动可能影响培养基的稳定性	优化BB-12的培养基配方，降低生产成本，并阐明培养基成分变化对菌株代谢的影响	Bifidobacterium animalis ssp. lactis BB-12益生菌菌株	机器学习	NA	代谢组学分析、有机酸分析	机器学习、深度学习、进化优化算法	实验数据（OD、生长率、成本等）	未明确具体样本数量，涉及多种培养基配方的优化实验	未明确指定，可能涉及多种框架	Ridge-NSGAII（非支配排序遗传算法II）	OD（光密度）、生长率、成本、有机酸产量（乳酸、乙酸、丙酸）	NA
400	2026-04-18	Deep learning [18F]-FDG-PET/CT‑based algorithm for tumor burden estimation in metastatic melanoma patients under immunotherapy 2026-01, Clinical and translational radiation oncology IF:2.7Q2 DOI:10.1016/j.ctro.2025.101063 PMID:41281625	研究论文	本研究评估了一种基于[18F]-FDG-PET/CT的深度学习模型（PARS）在转移性黑色素瘤患者免疫治疗中用于病灶检测、分割和肿瘤负荷估计的性能	首次将深度学习算法PARS应用于转移性黑色素瘤患者的肿瘤负荷估计，并系统评估了其在病灶检测、分割和总体肿瘤负荷估计方面的性能	模型在肿瘤负荷估计上表现出显著变异性，总体肿瘤负荷被高估28.3%，患者个体水平肿瘤负荷被低估且一致性较差（ICC=0.28），骨病灶检测精度较低（32.9%）	评估基于[18F]-FDG-PET/CT的深度学习模型在转移性黑色素瘤患者免疫治疗中用于肿瘤负荷估计的准确性和临床应用潜力	165名IV期黑色素瘤患者	数字病理学	黑色素瘤	[18F]-FDG-PET/CT成像	深度学习模型	PET/CT图像	165名患者	NA	PARS（PET-Assisted Reporting System）	召回率（敏感性）、精确度、病灶体积一致性、肿瘤负荷估计准确性、组内相关系数（ICC）、中位数相对百分比差异（MRPD）、中位数绝对相对百分比差异（MARPD）	NA