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
781	2026-04-18	A multimodal deep learning-based model for posture asymmetry recognition and sports injury risk prediction in adolescent table tennis athletes 2026, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2026.1800522 PMID:41994050	研究论文	本研究开发了一个多模态深度学习框架，用于自动识别青少年乒乓球运动员的姿态不对称模式并评估其生物力学损伤风险水平	提出了一个集成视频RGB序列、骨骼关键点轨迹和运动学参数的多模态深度学习框架，通过跨模态注意力机制、加权图卷积网络和时间卷积网络实现姿态不对称识别和损伤风险预测	研究基于专家评估的姿态偏差标准进行生物力学风险分层，用于筛查目的，而非经过纵向验证的损伤发生预测	开发智能评估系统，用于青少年乒乓球运动员的训练监测和损伤预防	青少年乒乓球运动员	计算机视觉	运动损伤	视频分析, 运动捕捉	深度学习	视频, 骨骼关键点, 运动学参数	TTStroke-21数据集	NA	加权图卷积网络, 时间卷积网络	NA	NA
782	2026-04-18	Protein design, generative AI and biological security 2026, Frontiers in microbiology IF:4.0Q2 DOI:10.3389/fmicb.2026.1817535 PMID:41994287	综述	本文回顾了生成式人工智能在蛋白质设计领域的当前发展，评估了其双重用途影响，并讨论了平衡科学进步与生物安全的相称缓解策略	深入探讨了AI驱动的蛋白质设计在生物安全方面带来的新机遇（如检测生物制剂、开发病毒表面蛋白结合剂）与新风险（如设计出功能等效但序列相似性低的毒素），并提出了分层的缓解策略	文章为综述性质，未进行具体的实验验证或模型开发，主要基于现有文献和趋势进行分析，因此可能未涵盖所有新兴风险或技术细节	评估生成式人工智能在蛋白质设计中的双重用途影响，并探讨如何平衡科学创新与生物安全风险	AI驱动的蛋白质设计技术及其在生物安全领域的应用与潜在风险	机器学习	NA	深度学习	生成模型	蛋白质序列与结构数据	NA	NA	NA	NA	NA
783	2026-04-18	Artificial intelligence in the diagnosis of thyroid diseases: applications and challenges 2026, Frontiers in radiology DOI:10.3389/fradi.2026.1740915 PMID:41994322	综述	本文综述了人工智能在甲状腺疾病诊断中的最新应用，并深入分析了其面临的挑战	通过整合跨模态研究，揭示了AI在不同成像模态中的应用，并强调了其在特征提取和风险分层中的潜在价值	面临数据异质性（跨机构和设备数据差异导致模型性能下降）和可解释性不足（深度学习模型作为“黑箱”，难以提供透明决策依据）等关键挑战	探讨人工智能在甲状腺疾病诊断中的应用及其挑战	甲状腺疾病	数字病理学	甲状腺疾病	NA	机器学习, 深度学习	图像	NA	NA	NA	NA	NA
784	2026-04-18	Application of machine learning and deep learning in the diagnosis and treatment of inguinal hernia: a narrative review 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1743178 PMID:41994435	综述	本文综述了机器学习和深度学习在腹股沟疝诊断与治疗中的应用现状与前景	系统性地总结了AI在腹股沟疝诊疗中的最新进展，并指出了生成式AI等新兴技术的潜力与挑战	生成式AI的准确性和可靠性仍需进一步验证，且文章为叙述性综述，未进行定量分析	回顾并总结机器学习和深度学习在腹股沟疝诊疗领域的应用，为临床实践和技术创新提供参考	腹股沟疝的诊断与治疗	机器学习	腹股沟疝	NA	深度学习	图像, 视频, 非结构化数据	NA	NA	深度神经网络	NA	NA
785	2026-04-18	Few-shot deployment of pretrained MRI transformers in brain imaging tasks 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1771088 PMID:41994558	研究论文	本研究提出了一种用于在数据受限的临床环境中，对预训练的MRI Transformer模型进行少样本部署的实用框架	提出了一种融合预训练MAE全局嵌入与局部CNN特征的混合架构MAE-FUnet，用于医学图像分割；在少样本设置下，实现了高效的模型部署和卓越的性能	研究主要聚焦于脑部MRI成像任务，其通用性在其他医学影像模态或解剖区域中尚未验证；实验在受控的少样本设置下进行，真实世界数据分布复杂性可能带来挑战	开发一个实用的框架，以解决医学影像中标注数据稀缺的问题，实现预训练Transformer模型在多种脑部成像任务中的少样本高效部署	多队列脑部MRI数据集，包括NACC、ADNI、OASIS、NFBS、SynthStrip和MRBrainS18	医学影像分析	脑部疾病	掩码自编码器预训练策略	Transformer, CNN	MRI图像	超过3100万张2D切片的大规模多队列脑部MRI数据集	NA	Masked Autoencoder, MAE-FUnet	准确率, Dice系数, IoU分数	NA
786	2026-04-18	Advances in ultrasound for preoperative molecular subtyping of malignant breast tumors 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1774951 PMID:41994636	综述	本文综述了超声技术在术前恶性乳腺肿瘤分子分型（如luminal A、luminal B、HER2富集和三阴性）中的最新进展，涵盖传统超声特征分析、弹性成像、超声造影、微血管成像、影像组学和深度学习等方法	系统整合了多种超声技术（包括超声造影、微血管成像、弹性成像及多参数机器学习模型）在术前分子分型中的应用，并强调了方法学严谨性、可解释性和临床转化路径	研究存在参考标准异质性、单中心回顾性设计、类别不平衡和外部验证有限等主要障碍	支持术前乳腺肿瘤分子分型推断和生物标志物相关风险分层，以指导系统治疗选择和预后评估	恶性乳腺肿瘤	数字病理学	乳腺癌	超声技术（包括B型超声、弹性成像、超声造影、微血管成像）	深度学习, 机器学习	超声图像	NA	NA	NA	NA	NA
787	2026-04-14	Depression detection using deep learning and large language models from multimodalities 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1759857 PMID:41878374	综述	本文综述了基于深度学习和大语言模型的多模态抑郁症检测方法的最新进展	探讨了多模态架构（融合语音、面部表情和EEG特征）和基于Transformer的融合机制，以及大语言模型（LLMs）在跨模态对齐、上下文推理和数据高效适应方面的应用，标志着向可扩展、可解释且临床可部署的AI系统发展的新方向	数据集多样性不足、标准化缺乏、可解释性有限以及临床验证不充分	评估客观抑郁症检测的自动化、数据驱动方法	抑郁症患者	自然语言处理, 机器学习	抑郁症	脑电图（EEG）	Transformer, 大语言模型（LLMs）	多模态数据（EEG、语音、面部表情）	NA	NA	Transformer	准确率, F1分数	NA
788	2026-04-14	Exploring the relationship between urban visual density and responsible tourism behavior: a multimodal study of Macao 2026, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2026.1783451 PMID:41969867	研究论文	本研究通过结合调查建模和街景视觉分析，探索了澳门城市视觉密度与负责任旅游行为之间的关系	采用多模态设计，首次将游客心理评估与客观测量的城市视觉环境指标（如绿视指数、天空视域因子）相结合，以理解高密度城市旅游目的地的负责任旅游行为	研究结果应解释为情境对齐，而非独立环境效应或跨区域因果推断的证据，限制了因果关系的明确性	探索城市视觉密度与负责任旅游行为之间的关系，以促进可持续旅游发展	519名非本地游客的调研数据及澳门街景视觉指标	计算机视觉	NA	基于深度学习的语义分割	NA	调查数据、街景图像	519名非本地游客	NA	NA	NA	NA
789	2026-04-14	Alzheimer's disease detection using a quantum deep neural network with Haralick feature extraction and simulated annealing optimization 2026, PeerJ. Computer science DOI:10.7717/peerj-cs.3387 PMID:41970019	研究论文	本文提出了一种结合量子计算、深度神经网络、Haralick特征提取和模拟退火优化的新方法，用于从MRI图像中检测阿尔茨海默病	提出了一种量子深度神经网络（QDNN）框架，并引入了新的特征特定模拟退火方法（FSSA）来优化Haralick特征和模型参数，结合了量子计算的优势与深度学习的特征学习能力	未提及模型的计算复杂度、泛化能力测试或在其他独立数据集上的验证情况	开发一种高效、准确的阿尔茨海默病早期检测方法	阿尔茨海默病患者的轴向MRI图像	机器学习	阿尔茨海默病	MRI成像	量子深度神经网络	图像	11,519张轴向MRI图像（分为四个平衡类别，每类2,560张）	NA	量子深度神经网络	准确率, 精确率, 灵敏度, 特异性	NA
790	2026-04-14	Artificial Intelligence in Traditional Chinese Medicine: Unraveling Herbal Medicine's Mechanisms 2026, Research (Washington, D.C.) DOI:10.34133/research.1224 PMID:41970029	综述	本文系统阐述了人工智能如何结合网络药理学，解析传统中药“多成分、多靶点、多通路”的作用机制，并推动其现代化与国际化	提出了将网络药理学作为基础框架，并利用AI（特别是机器学习和深度学习）来克服其局限性，构建“计算预测-实验验证”的整合工作流，以解析中医证候和方剂配伍的底层生物学逻辑	当前大多数AI在中医药领域的应用仍局限于疾病分类、结果预测或草药-靶点关联挖掘，重构中医证候和方剂配伍的底层生物学逻辑的能力有限	探讨人工智能在解析传统中医药复杂作用机制、质量控制、多组学整合以及推动其现代化和国际化方面的应用与前景	传统中医药，特别是其“多成分、多靶点、多通路”的草药治疗模型	自然语言处理, 机器学习, 数字病理学	肿瘤, 代谢性疾病, 传染性疾病	网络药理学, 多组学数据整合, 光谱数据分析	机器学习, 深度学习, 生成式AI, 大语言模型	网络数据, 光谱数据, 多组学数据, 文本数据（古籍）	NA	NA	NA	NA	NA
791	2026-04-14	Explainable AI-SERS approach for highly accurate discrimination of Escherichia coli pathotypes and Shigella species 2026, Current research in microbial sciences IF:4.8Q1 DOI:10.1016/j.crmicr.2026.100588 PMID:41970215	研究论文	本研究提出了一种结合可解释人工智能（XAI）与表面增强拉曼光谱（SERS）的平台，用于快速准确区分大肠杆菌致病型和志贺氏菌物种	首次将XAI与SERS结合，通过深度学习模型实现高精度分类，并利用SHAP分析提供生化可解释性，揭示了分类的特定特征和分子成分	研究仅基于294株菌株的SERS光谱，样本多样性可能有限，且未在更广泛的临床环境中验证	开发一种快速、准确且可解释的方法，以区分大肠杆菌致病型和志贺氏菌物种，解决传统方法难以区分的挑战	大肠杆菌的五个致病型和志贺氏菌物种	机器学习	腹泻病	表面增强拉曼光谱（SERS）	CNN, 多层感知机	光谱数据	294株菌株，生成7819个SERS光谱	NA	一维卷积神经网络（1D-CNN）, 多层感知机	准确率	NA
792	2026-04-14	NeuralVisionNet: a probabilistic neural process model for continuous visual anticipation 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1781080 PMID:41970471	研究论文	本文提出了一种名为NeuralVisionNet的概率神经网络过程模型，用于实现连续的视觉预测，通过结合分层视频Swin Transformer和注意力神经过程，模拟生物视觉的预测编码机制	提出了一种新颖的概率框架，将视觉预测建模为连续生成过程，并引入了类似网格的编码方案和变分全局潜在变量来确保长期语义一致性	NA	开发一个能够连续预测未来视觉事件的生物启发式模型，解决深度学习模型在长期一致性方面的挑战	视觉预测任务，特别是在视频序列中连续生成未来帧	计算机视觉	NA	NA	Transformer, 注意力神经过程	视频	NA	NA	视频Swin Transformer, 注意力神经过程	FVD, SSIM	NA
793	2026-04-14	Correction: Depression detection using deep learning and large language models from multimodalities 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1827697 PMID:41970524	correction	本文是对先前发表文章（DOI: 10.3389/fdgth.2026.1759857）的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
794	2026-04-14	ReHeartNet: Reconstruct Electrocardiogram From Photoplethysmography by Using Dense Connected Deep Learning Model 2026, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2026.3670010 PMID:41970650	研究论文	本研究提出了一种名为ReHeartNet的深度学习模型，用于从光电容积脉搏波信号中重建心电图信号，以实现舒适、非侵入式的心律监测	提出了一种新颖的密集连接双向长短期记忆网络架构，通过多尺度时序和频率关系建模以及层次特征融合，实现了从PPG到ECG的高保真重建	NA	从光电容积脉搏波信号中重建心电图信号，以简化心脏监测过程并提高舒适度	健康个体以及患有循环系统疾病和心律失常的患者	机器学习	心血管疾病	NA	深度学习模型	时序信号数据	使用了四个公开数据集：MIMIC-III, BIDMC, TBME-RR, 和 CBIC-Heart	NA	密集连接双向长短期记忆网络	NA	NA
795	2026-04-14	Leveraging Vision Transformers for High-Precision Classification of Cancer Cell Cultures: A Comparative Study on MDA-MB-231 and PC3 Datasets 2026, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2026.3666980 PMID:41970653	研究论文	本研究利用视觉变换器（ViT）和注意力增强的CNN模型，对MDA-MB-231和PC3癌细胞培养图像进行高精度分类，并比较了不同模型的性能	首次将视觉变换器（ViT）应用于癌细胞培养图像分类，并与注意力增强的CNN模型进行对比，展示了ViT在建模长距离依赖关系方面的优势	研究仅针对MDA-MB-231和PC3两种癌细胞系，未扩展到更多类型的癌症细胞，且未详细讨论模型的计算复杂度	开发自动化深度学习方法来准确分类癌细胞培养图像，以替代传统主观的手动评估	MDA-MB-231（三阴性乳腺癌）和PC3（前列腺癌）细胞培养图像	计算机视觉	乳腺癌, 前列腺癌	Otsu阈值分割, 形态学滤波, 分水岭分割, 类别平衡增强	CNN, ViT	图像	MDA-MB-231和PC3细胞图像数据集，具体样本数量未明确	未明确指定	CNN-SE, CNN-CBAM, ViT	准确率, 泛化能力	未明确指定
796	2026-04-14	Render EEG-Based Brain-Computer Interfaces Calibration-Free: Trade Space for Time in EEG Decoding 2026, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2026.3667029 PMID:41970658	研究论文	本文提出了一种基于脑电图（EEG）的脑机接口（BCI）免校准解码策略，通过模型池选择机制替代传统的单一模型校准	提出了“以空间换时间”的免校准EEG解码策略，用包含通用模型和多个专用偏置模型的模型池替代单一模型，通过输入数据特征自动选择最合适的模型，实现即时适应而无需重新训练	在第三个数据集上的性能略低于受试者内解码（0.8804 vs 0.8888），且模型选择机制的泛化能力在不同EEG范式下需进一步验证	解决EEG脑机接口中受试者特异性校准导致的部署效率低下问题，实现免校准的实时EEG解码	基于EEG的脑机接口系统	机器学习	NA	脑电图（EEG）信号采集与解码	深度学习模型	脑电图（EEG）时间序列数据	多个公开EEG数据集（具体数量未说明）	NA	紧凑型深度学习架构（具体架构未说明）	解码性能比较（具体指标未说明，以数值对比呈现）	NA
797	2026-04-14	Gyrosphygmogram-Based Blood Pressure Estimation: A Comparative Study of Pulse Transit Time and CNN-LSTM Methods 2026, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2026.3667031 PMID:41970656	研究论文	本研究通过比较传统的脉搏波传导时间（PTT）方法与深度学习框架，评估了新型可穿戴信号——陀螺脉搏图（GSG）在无袖带血压监测中的潜力	首次将新型可穿戴信号陀螺脉搏图（GSG）引入无袖带血压估计，并开发了融合多模态信号（ECG、PPG、GSG）的深度学习网络，显著提升了传统PTT方法的性能	研究样本量较小（仅20名健康成年人），且未在患者群体或不同生理条件下进行验证	评估陀螺脉搏图（GSG）信号在无袖带血压监测中的有效性，并比较传统PTT方法与深度学习方法的性能	健康成年人的心电信号（ECG）、光电容积脉搏波（PPG）和手腕陀螺脉搏图（GSG）信号	机器学习	心血管疾病	多模态信号采集（ECG、PPG、GSG）	CNN-LSTM	时间序列信号	20名健康成年人	未明确说明	多模态深度学习网络（融合CNN和LSTM）	平均绝对误差（MAE）	未明确说明
798	2026-04-14	When Kids Radiate: Low-Resolution Thermography for Total Energy Expenditure Estimation in Pediatric Patients - A Proof of Concept 2026, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2026.3667036 PMID:41970657	研究论文	本研究提出了一种基于深度学习的框架，利用低分辨率热成像技术估计儿科患者的总能量消耗	首次将低分辨率热成像与深度学习结合用于儿科患者能量消耗估计，在视觉噪声和遮挡情况下仍能分割解剖相关区域	研究样本量有限（116例），未与其他能量消耗测量方法进行直接比较，在数据受限环境中的普适性需进一步验证	开发非侵入式、可扩展的儿科代谢监测方法	儿科重症监护病房（PICU）的患者	计算机视觉	儿科疾病	热成像技术	深度学习	热成像图像	116名儿科患者	未明确说明	UNet	平均绝对误差（279 kcal/m²/天）	NA
799	2026-04-14	Accurate and Generalizable Protein-Ligand Binding Affinity Prediction With Geometric Deep Learning 2026, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2026.3667030 PMID:41970654	研究论文	提出了一种基于几何深度学习的蛋白质-配体结合亲和力预测方法IPBind，通过利用复合物结合与未结合状态间的原子间势能，实现准确且可泛化的预测	利用几何深度学习结合原子间势能，在新型未见蛋白质配体结合场景中保持稳健性能，提供原子级预测洞察	未明确说明方法在极端结构变异或罕见蛋白质家族中的泛化能力限制	开发能够准确预测蛋白质-配体结合亲和力并具有强泛化能力的计算方法	蛋白质-配体结合复合物	机器学习	NA	几何深度学习	几何深度学习模型	蛋白质-配体复合物的三维结构数据	NA	NA	IPBind	结合亲和力预测准确性	NA
800	2026-04-14	Early-warning prediction of visceral leishmaniasis mortality using a multivariate STL-deep learning hybrid approach on 20 years of monthly time series 2026, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2026.1754966 PMID:41971279	研究论文	本研究提出了一种结合季节性趋势分解与多种机器学习模型的混合预测框架，用于预测苏丹Gedaref州气候驱动的内脏利什曼病死亡率	首次将STL分解与GPR、LSTM、TPA-LSTM和LightGBM等模型结合，专注于内脏利什曼病死亡率预测，填补了该领域的研究空白	深度学习模型未能充分捕捉非线性、长期依赖和季节性变化，预测性能有待提升	开发早期预警系统以预测内脏利什曼病死亡率，支持公共卫生干预	苏丹Gedaref州的内脏利什曼病死亡率时间序列数据	机器学习	内脏利什曼病	时间序列分析，季节性趋势分解	GPR, LSTM, TPA-LSTM, LightGBM	时间序列数据	2002年至2022年共20年的月度数据	NA	STL-LightGBM, STL-GPR, STL-LSTM, STL-TPA-LSTM	MAE, RMSE, MAPE, R², Willmott Index, PBIAS	NA