深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 2949 篇文献，本页显示第 721 - 740 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 721 | 2026-06-28 |
Analysis of artificial intelligence errors in practical medicine and rehabilitation
2026, Wiadomosci lekarskie (Warsaw, Poland : 1960)
DOI:10.36740/WLek/220842
PMID:42359872
|
综述论文 | 分析人工智能在医疗和康复实践中出现的错误类型及其影响，总结最小化错误和提升效能的方法 | 系统性地结构化了AI在医疗诊断、治疗和康复中的错误类型，并评估其对诊断准确性和治疗决策的影响 | 未提供统一解决方案，AI在诊断和预测过程中仍存在大量错误，伦理问题未解决，医疗数据收集和处理缺乏统一标准 | 探索医疗和康复中AI错误的结构化分类，评估其对诊断和治疗的影响，寻找减少错误和提高AI效能的方法 | PubMed、MEDLINE、Web of Science数据库中2021年1月至2025年12月发表的与AI医疗错误相关的出版物 | 机器学习 | NA | NA | 机器学习、深度学习、联邦学习 | 医学文献 | 57篇文章（初始），38篇因资格标准排除，2篇重复，最终17篇纳入 | NA | NA | NA | NA |
| 722 | 2026-06-26 |
Integrative Deep Learning from H&E Images Reveals Prognostically Distinct Pathology-Based Subtypes in Bladder Cancer
2026, Current cancer drug targets
IF:2.3Q3
|
研究论文 | 利用H&E染色全切片图像的深度学习特征，开发膀胱癌病理分型并验证其预后意义 | 首次基于常规H&E染色全切片图像深度学习特征构建膀胱癌病理分型，替代传统RNA分子分型，具有成本低、可推广的特点 | 未在文中明确说明局限性，可能包括依赖特定切片质量、外部验证队列规模有限等 | 开发基于深度学习的膀胱癌病理分型方法，为个性化治疗和患者分层提供经济可行的替代方案 | 膀胱癌患者的H&E染色全切片图像及转录组数据 | 数字病理学, 计算机视觉, 机器学习 | 膀胱癌 | H&E染色, RNA转录组测序 | 卷积神经网络（ResNet50） | 图像（全切片组织病理图像） | 四个独立中心的全切片图像外部队列及IMvigor210和GSE32894转录组数据集 | NA | ResNet50 | 肿瘤-正常区域区分准确率、一致性指标 | NA |
| 723 | 2026-06-25 |
A hybrid BiLSTM-transformer-GCN architecture with API fusion for adaptive transportation resource analytics
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349787
PMID:42213697
|
研究论文 | 提出一种融合BiLSTM、Transformer编码器、图卷积网络和API上下文特征融合的混合深度学习框架，用于自适应交通资源发现与分类 | 首次将BiLSTM、Transformer和GCN三者结合，并引入API融合机制和联合多目标学习策略，同时优化监督分类和无监督异常发现 | 未提及在极端交通条件下或大规模分布式系统中的性能表现 | 实现智能交通系统中交通资源的自适应发现、分类和管理 | 智能交通系统中的异构时空数据，包括连接车辆、道路基础设施和外部上下文服务数据 | 机器学习 | NA | NA | BiLSTM, Transformer, GCN | 时空数据 | 使用了巴塞罗那事故数据集和地铁州际交通流量数据集，具体样本数量未提及 | PyTorch | BiLSTM, Transformer编码器, GCN | 准确率, F1分数, AUC, AUROC, AUPRC, 重建误差 | NA |
| 724 | 2026-06-25 |
Retraction: Multi-modal deep learning methods for classification of chest diseases using different medical imaging and cough sounds
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351197
PMID:42335102
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 725 | 2026-06-25 |
Retraction: Evaluation of influencing factors of China university teaching quality based on fuzzy logic and deep learning technology
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351269
PMID:42335152
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 726 | 2026-06-25 |
Bayesian Uncertainty-aware Deep Learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0352191
PMID:42335163
|
研究论文 | 提出一种贝叶斯不确定性感知深度学习算法，用于处理脑电图癫痫发作检测中的标签噪声问题 | 通过将领域知识融入贝叶斯框架，推导出基于KL散度的新型损失函数，利用不确定性学习癫痫特征，且无需向现有架构添加任何参数 | 未明确提及局限性，但可能依赖模拟数据及特定数据集验证，通用性需进一步研究 | 解决头皮脑电图标注模糊性导致的标签噪声问题，增强癫痫发作检测系统的鲁棒性 | 癫痫发作检测及发作起始区定位任务 | 机器学习 | 癫痫 | NA | 深度学习模型（通用） | 脑电图信号 | 使用一个模拟数据集和两个公开数据集（天普大学医院TUH、波士顿儿童医院CHB-MIT）及跨站点验证西耶纳脑电图数据集 | PyTorch | CNN, LSTM, 或其他基础模型（文中提及三种基础模型） | 鲁棒性指标、噪声识别能力、发作起始区定位准确性 | NA |
| 727 | 2026-06-25 |
A lightweight hybrid deep learning approach for fashion mnist classification with explainable attention visualization
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351671
PMID:42335173
|
研究论文 | 提出一种轻量级混合深度学习架构，用于时尚图像分类任务，并结合可解释性注意力可视化技术 | 提出TinyCNN结合线性自注意力的轻量级混合架构，参数量少于50万，可在CPU上训练，并集成了多种XAI技术增强模型透明度 | 未提及在更多真实场景或更复杂数据集上的验证，可能未充分讨论模型泛化能力 | 解决深度模型在资源受限和边缘设备上的适用性问题，实现高效准确的时尚图像分类 | 时尚MNIST数据集中的灰度服装图像 | 计算机视觉 | NA | NA | CNN与Transformer混合模型 | 图像 | Fashion-MNIST数据集（包含70,000张灰度图像） | NA | TinyCNN, Linear Self-Attention | 准确率 | CPU |
| 728 | 2026-06-25 |
Dual chaotic encryption method for wireless communication privacy data based on deep learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341253
PMID:42335192
|
研究论文 | 提出一种基于深度学习的双重混沌加密方法，用于无线通信隐私数据保护，通过BiLSTM预测密钥更新时机，并结合AES算法实现数据加密 | 将一维Logistic映射与二维Henon映射结合生成双重混沌密钥以扩展密钥空间，并使用BiLSTM网络预测密钥更新时机以增强抗攻击能力 | 实验未提及在真实复杂无线环境下的验证情况，且可能依赖充足的历史数据来训练BiLSTM模型 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 729 | 2026-06-25 |
Lightweight deep learning for medical imaging using MobileNetV2-based brain pathology classification with Grad-CAM interpretability
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1810860
PMID:42338932
|
研究论文 | 提出一种基于MobileNetV2的轻量级深度学习框架，用于脑CT图像分类，并结合Grad-CAM实现可解释性 | 采用四种预训练模型（MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16）进行特征提取与集成预测，对比评估了轻量模型在临床部署中的效率优势，并首次将Grad-CAM用于脑CT异常检测的可视化解释 | 研究仅使用了单一数据集，未探讨模型在不同医院、不同扫描设备上的泛化能力；ResNet50和EfficientNetB0在该任务中表现差，可能受限于数据预处理或模型适配不足 | 提高脑CT异常检测的准确性与可解释性，同时探索轻量模型在临床部署中的实用性 | 脑CT扫描图像中的异常（肿瘤、癌症、动脉瘤等） | 计算机视觉、数字病理 | 脑部疾病（肿瘤、癌症、动脉瘤） | CT成像 | 卷积神经网络 | 图像 | 脑CT扫描数据集，具体样本数未提及 | TensorFlow、Keras | MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16 | 准确率、宏AUC | 训练时间89秒，测试时间38.16秒，未提及具体GPU型号 |
| 730 | 2026-06-25 |
A multi-task deep learning framework for simultaneous prediction of microsatellite instability and tumor mutational burden in gastric cancer from histopathological images
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1755232
PMID:42339119
|
研究论文 | 本文提出了一种多任务深度学习框架，用于从组织病理图像中同时预测胃癌患者的微卫星不稳定性和肿瘤突变负荷 | 创新性地将多任务学习、注意力机制与多模态紧致双线性池化层结合，实现从全切片图像和临床数据中同时预测MSI和TMB，并通过注意力热图提供模型可解释性 | 外部验证集因域偏移导致性能适度下降，模型泛化性在不同扫描仪下存在挑战 | 开发一种经济有效的工具，利用常规组织病理图像和临床数据同时预测胃癌免疫治疗生物标志物MSI和TMB | 胃癌患者的组织病理全切片图像和结构化临床数据（性别、年龄、T/N/M分期） | 数字病理学 | 胃癌 | 全切片成像 | CNN | 图像和结构化数据 | 训练集312名患者（TCGA），外部验证集121名患者（中国医学科学院肿瘤医院） | PyTorch | ResNet50 | AUC | NA |
| 731 | 2026-06-25 |
Double-stage insect recognition model based on synergistic localization of key parts
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1854371
PMID:42339385
|
研究论文 | 提出一种基于关键部位协同定位的两阶段昆虫识别模型，用于准确识别形态相似的蚂蚁物种 | 提出双阶段识别架构，结合目标检测网络定位关键部位、全局上下文增强模块和自适应协同机制融合多部位特征，提升形态相似昆虫的分类准确率 | 未在文章中明确说明局限性 | 解决形态相似小昆虫（如入侵火蚁）的准确识别问题，推动昆虫识别与生态监测应用 | 形态相似的蚂蚁物种（红火蚁等） | 计算机视觉 | NA | NA | 目标检测网络与分类网络结合 | 图像 | 构建了Ant7C数据集（具体样本数量未提及） | NA | 目标检测网络+分类网络+全局上下文增强模块 | 准确率 | NA |
| 732 | 2026-06-24 |
Enhanced rice leaf disease classification via contour-driven segmentation and optimized deep transfer learning architectures
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0348290
PMID:42096457
|
研究论文 | 采用轮廓驱动分割和优化深度迁移学习架构提升水稻叶片病害分类性能 | 结合GrabCut分割与轮廓检测作为后处理可视化技术，增强CNN预测结果的可解释性，并系统比较五种深度迁移学习架构的性能 | GrabCut和轮廓检测仅用于可视化，不参与分类训练，因此可能无法完全挖掘分割对分类性能的潜在提升 | 开发可靠的自动化水稻叶片病害分类系统，实现高效病害检测 | 水稻叶片病害图像 | 计算机视觉 | 水稻叶片病害 | 深度迁移学习 | 卷积神经网络 | 图像 | 1914张图像样本 | TensorFlow | InceptionV3, DenseNet201, ResNet152V2, EfficientNetV2L, MobileNetV2 | 训练准确率, 验证准确率, 测试准确率 | GPU |
| 733 | 2026-06-24 |
Robust disease prognosis via diagnostic knowledge preservation: A sequential learning approach
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0344600
PMID:42090385
|
研究论文 | 提出一种基于经验回放的顺序学习策略，利用诊断数据集预训练模型，在保持诊断能力的同时提升疾病预后预测性能 | 首次提出通过经验回放的顺序学习策略解决预后微调中的灾难性遗忘问题，在保持诊断准确性的同时提升预后模型性能 | NA | 探索利用大规模诊断数据集预训练深度学习模型进行疾病预后预测，并解决微调过程中的灾难性遗忘问题 | 膝骨关节炎、阿尔茨海默病和乳腺癌的疾病进展预测 | 机器学习 | 膝骨关节炎, 阿尔茨海默病, 乳腺癌 | 诊断预训练、顺序学习、经验回放 | 深度学习模型 | 影像数据（膝关节X光片、脑部MRI、数字乳腺X光片） | 包含膝骨关节炎、阿尔茨海默病和乳腺癌三个队列的数据集 | NA | NA | AUROC, AUPRC, 平衡准确率 | NA |
| 734 | 2026-06-24 |
Predicting corporate management performance using AI: Incorporating CEO strategy insights from sustainable management reports
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347140
PMID:42090426
|
研究论文 | 提出一种结合财务数据与CEO策略信息的AI模型，用于预测企业管理绩效 | 将CEO消息中的战略信息通过文本挖掘和可持续平衡计分卡框架分类，与财务数据结合，显著提升预测准确性 | NA | 通过融合财务和非财务战略信息，利用AI模型预测企业管理绩效，提供投资决策支持 | 韩国KOSPI和KOSDAQ市场2016-2023年间的1271家上市公司 | 机器学习 | NA | 文本挖掘 | KNN, SVM, GBM, CatBoost, GAN, RNN, LSTM, Transformer | 文本和数值数据 | 1271家上市公司（2016-2023年） | NA | Transformer, LSTM, RNN | 准确率, AUC, F1分数 | NA |
| 735 | 2026-06-24 |
Application of few-shot learning and transfer learning based on YOLOv6 in the recognition of bacteria in sputum M-ROSE
2026, Frontiers in cellular and infection microbiology
IF:4.6Q1
DOI:10.3389/fcimb.2026.1791986
PMID:42100663
|
研究论文 | 基于YOLOv6的少样本学习和迁移学习在痰液M-ROSE细菌识别中的应用 | 引入了旋转切割和图像融合两种定制化数据增强策略，用于检测极小细菌目标；在标注数据有限条件下利用YOLOv6结合迁移学习和少样本学习实现高效细菌识别 | 仅涉及三种细菌类型，样本量较小（161张图像），且标注图像仅30张，可能影响模型的泛化能力 | 开发和评估一种基于深度学习的框架，用于在标注数据有限的条件下识别痰液M-ROSE涂片中的细菌 | 痰液M-ROSE图像中的鲍曼不动杆菌、肺炎克雷伯菌和铜绿假单胞菌 | 计算机视觉 | 肺部感染 | NA | YOLOv6 | 图像 | 共161张革兰染色痰液M-ROSE图像，其中30张用于构建数据集N（训练集24张，验证集6张），131张作为独立测试集 | NA | YOLOv6 | 召回率、精确率、F1分数、平均精度均值（mAP）、准确率以及诊断时间 | NA |
| 736 | 2026-06-23 |
TinyAct: A framework for real-time action recognition in the cloud through distillation learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347245
PMID:42008450
|
研究论文 | 提出一个名为TinyAct的轻量级框架，通过知识蒸馏实现边缘计算与云端协同的实时人体动作识别 | 结合3D视频自编码器提取紧凑时空特征与经典机器学习分类器，采用AIoT架构在边缘设备提取特征、云端进行分类，并通过知识蒸馏将ViT教师模型的时间知识迁移至紧凑学生架构 | 未说明具体局限性 | 实现在资源受限设备上的高效实时人体动作识别 | 人体动作视频数据中的时空特征与动作类别 | 计算机视觉 | NA | 知识蒸馏、3D视频自编码器 | 3D自编码器、随机森林、SVM、XGBoost、ILA-ViT-B/16 | 视频 | Kinetics-400数据集（具体样本数未提及） | NA | 3D自编码器、随机森林、SVM、XGBoost、ILA-ViT-B/16 | 准确率 | 边缘设备与云端协同（具体GPU类型未提及） |
| 737 | 2026-06-23 |
A cross-dataset harmonized intrusion detection framework with statistically validated multi-model learning
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0346982
PMID:42008467
|
研究论文 | 提出一种跨数据集协调的入侵检测框架，通过特征统一、多模型评估和统计验证实现可复现和透明的系统评估 | 提出基于SHA-256哈希链的加密日志机制实现实验可追溯性，并整合特征协调、多模型基准测试和统计验证的统一框架 | 基于手动特征对齐，在高异质性数据集中效果可能受限 | 构建统一且透明的入侵检测系统评估框架，解决数据集依赖性强、可复现性差和评估不透明的问题 | 网络入侵检测数据集（NSL-KDD和CICIDS2017）及多种学习模型（监督、无监督、深度学习和集成模型） | 机器学习 | NA | NA | 随机森林、监督模型、无监督模型、深度学习模型、集成模型 | 表格数据（网络流量特征） | 两个网络入侵数据集：NSL-KDD和CICIDS2017 | NA | 随机森林、其它未指定架构 | 准确率、F1分数、Wilcoxon符号秩检验、McNemar检验、DeLong检验 | NA |
| 738 | 2026-06-23 |
Predicting student mental health through entropy-based features and interpretable cross-attention transformer networks
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347294
PMID:42013061
|
研究论文 | 开发了一种基于熵特征和可解释交叉注意力Transformer网络的模型，用于预测学生心理健康风险 | 提出了一种结合FT-Transformer和LSTM的集成深度学习模型，并引入交叉注意力归因层（CAAL），通过融合特征注意力和时间注意力实现内在可解释性；基于熵和不确定性模式的特征工程增强了对细微风险信号的检测能力 | 未提及模型在不同数据集上的泛化能力验证，也未讨论计算资源需求或实际部署中的实时性能 | 开发一个可解释的深度学习模型，用于准确预测学生心理健康风险，支持教育环境中的心理健康监测 | 大学生的心理健康风险（焦虑、抑郁、压力等） | 机器学习 | 心理健康疾病 | NA | FT-Transformer, LSTM | 数值数据 | NA | PyTorch | FT-Transformer, LSTM, 交叉注意力归因层 | 准确率 | NA |
| 739 | 2026-06-23 |
Dual-temporal inflow-outflow dependency modeling for short-term metro outflow prediction
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347131
PMID:42013086
|
research paper | 提出一种双时间尺度流入-流出依赖模型用于短期地铁客流预测 | 采用非对称特征提取方案区分流入与流出序列、通过双分支交叉注意力机制隐式学习空间相关性、引入样本级OD矩阵作为注意力偏置以嵌入先验站点关系 | 未提及模型在极端天气或突发事件下的鲁棒性测试 | 改进短期地铁客流预测中流出对流入依赖的建模不足问题 | 短期地铁客流预测中的站点间流入与流出动态依赖关系 | machine learning | NA | NA | 深度学习模型（DTIOD） | 数值型时间序列数据（地铁客流数据） | 杭州地铁数据集（具体样本量未提供） | PyTorch | 双分支交叉注意力机制、全连接层 | RMSE, MAE, WMAPE | 70秒内完成训练（具体GPU型号未说明） |
| 740 | 2026-06-23 |
Cognitive load and pedagogical tension in multi-platform online learning: Evidence from Chinese higher education
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347566
PMID:42013118
|
研究论文 | 调查多平台在线学习环境对学生体验的矛盾影响 | 通过序贯中介模型揭示平台多样性增加外在认知负荷，进而导致工具疲劳，最终影响学习体验的机制 | 未提及具体限制 | 探究中国高等教育中多平台在线学习环境下学生体验的矛盾效应 | 中国高等教育学生 | 机器学习 | NA | NA | 序贯中介模型 | 横断面调查数据 | 8616名大学生 | NA | 序贯中介模型 | NA | NA |