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
941	2026-06-06	Integrative multimodal hybrid data fusion for mortality prediction 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36296-6 PMID:41559273	研究论文	提出一种整合表格数据、心电图和医疗文本的新型多模态机器学习方法用于死亡率预测	提出混合融合策略（早期、晚期、混合）比较，并利用注意力机制增强多模态数据交互	训练数据中存在死亡率类别不平衡问题，且复杂深度学习模型的可解释性有待提升以利于临床采纳	通过多模态数据融合实现患者健康状况的全面评估，从而改善临床决策和预后	MIMIC-IV、MIMIC-ECG、MIMIC-IV-Note数据集中的患者数据	机器学习	死亡率预测	多模态机器学习	深度神经网络	表格数据、心电图、文本	未明确说明，但基于MIMIC系列数据集	NA	注意力机制	AUC-ROC、精确率、召回率、F分数	NA
942	2026-06-06	Exploring students' emotion recognition and teachers' teaching feedback in college foreign language classroom based on AFCNN model 2026-Jan-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36747-0 PMID:41549127	研究论文	基于AFCNN模型探索大学外语课堂中学生情绪识别与教师教学反馈	引入注意力特征卷积神经网络（AFCNN）模型进行大学外语课堂情感识别，实时捕捉学生情绪变化并为教师提供教学反馈，提出融合心理情感分析的外语教师专业发展路径	模型在有遮挡情况下识别精度下降，仅在两种情绪（高兴和中性）上表现较好	研究大学外语课堂中学生情绪识别与教师教学反馈，支持教师专业发展	大学外语课堂中的学生和外语教师	计算机视觉	NA	NA	卷积神经网络（CNN）	图像	NA	NA	AFCNN, VGG16, ResNet18	识别准确率, 鲁棒性	NA
943	2026-06-06	Predicting aquatic toxicity of organic compounds using the ML-DL-ens model: An integrated approach of machine learning and deep learning 2026-Jan-15, Ecotoxicology and environmental safety IF:6.2Q1 DOI:10.1016/j.ecoenv.2026.119803 PMID:41610586	research paper	提出一种整合机器学习和深度学习的ML-DL-ens模型，用于预测有机化合物的水生毒性	将四种机器学习算法与AttentiveFP图神经网络集成，并采用粒子群优化算法优化权重，实现了优于单一模型和其他集成方法的预测性能，同时通过SHAP值分析提供可解释性	NA	提高有机化合物水生毒性预测的准确性和可解释性，克服传统机器学习方法的局限性	有机化合物的水生毒性数据，包括96小时LC50、40小时IGC50、48小时LC50-DM及综合数据集	machine learning	NA	计算毒理学	集成模型	化学分子结构数据	多个数据集，具体数量未在摘要中说明	NA	AttentiveFP, K-Nearest Neighbors, Support Vector Machines, Extreme Gradient Boosting, Random Forests	AUC-ROC	NA
944	2026-06-06	Harnessing artificial intelligence for the assessment of liver fibrosis and steatosis via multiparametric ultrasound 2026-Jan-14, World journal of gastroenterology IF:4.3Q1 DOI:10.3748/wjg.v32.i2.113059 PMID:41551823	综述	探讨人工智能在多参数超声评估肝纤维化和脂肪变性中的应用现状与未来潜力	系统综述了AI与多参数超声结合在肝病评估中的技术进展，强调了诊断精确性、可重复性提升及减少操作者依赖等优势	需要大规模数据集、算法透明性和临床验证，当前仍面临挑战	探索AI在多参数超声评估肝纤维化和脂肪变性中的临床应用及未来发展方向	肝纤维化和脂肪变性患者	机器学习	肝病	多参数超声，包括弹性成像和多普勒成像	NA	超声影像	NA	NA	NA	诊断灵敏度	NA
945	2026-06-06	AI-Based Prediction of Gene Expression in Single-Cell and Multiscale Genomics and Transcriptomics 2026-Jan-13, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27020801 PMID:41596454	综述	本文综述了基于人工智能的方法在单细胞和多尺度基因组学与转录组学中预测基因表达的最新进展	结合深度学习与量子计算方法，用于多组学数据分析和基因表达预测，以提升预测效率与可靠性	未提及具体实验验证或模型比较，属于综述性质，缺乏实证数据支撑	探讨AI框架在单细胞和多组学基因表达预测中的应用潜力，推动个性化医疗发展	基因表达、单细胞测序数据、多组学数据（基因组学、转录组学、表观组学）	机器学习	NA	单细胞测序、DNA测序、RNA-seq、表观遗传学分析	深度学习网络、量子机器学习模型	基因序列、转录组数据、表观遗传数据	NA	NA	NA	NA	量子计算
946	2026-06-06	Pose-Based Static Sign Language Recognition with Deep Learning for Turkish, Arabic, and American Sign Languages 2026-Jan-13, Sensors (Basel, Switzerland) DOI:10.3390/s26020524 PMID:41600322	研究论文	提出一种基于姿态的跨语言手语识别框架，适用于土耳其、阿拉伯和美国手语	在相同特征集上对ConvNeXt、Swin Transformer和Vision Mamba三种先进深度学习架构进行综合比较，并评估模型在三种不同手语上的泛化能力	NA	开发一种稳健的跨语言手语识别系统，并比较不同深度学习模型的表现	三种手语（土耳其、美国英语、阿拉伯）的静态手语识别	计算机视觉	听力障碍	MediaPipe手部关键点提取	CNN、Transformer、状态空间模型	图像	从九个公开数据集（四个阿拉伯、三个美国、两个土耳其）精心构建的图像数据集，覆盖不同角度和距离	NA	ConvNeXt, Swin Transformer, Vision Mamba	NA	NA
947	2026-06-06	Comparative Study of Different Algorithms for Human Motion Direction Prediction Based on Multimodal Data 2026-Jan-12, Sensors (Basel, Switzerland) DOI:10.3390/s26020501 PMID:41600297	研究论文	基于足底压力和惯性传感器数据，开发了一种融合CNN和BiLSTM的混合深度学习模型，用于预测人体运动方向	系统对比了四种深度学习模型（CNN、BiLSTM、CNN-LSTM和CNN-BiLSTM）在运动方向预测中的表现，并证明了CNN-BiLSTM在捕捉局部空间特征和双向时间依赖方面的优越性	未说明具体局限性	优化和比较用于时空特征提取的深度学习算法，为实时人体运动预测提供可靠框架	人体运动方向预测	机器学习	NA	多模态数据融合（足底压力和惯性传感器）	CNN, BiLSTM	多模态传感器数据（足底压力和惯性）	NA	NA	CNN-BiLSTM, CNN, BiLSTM, CNN-LSTM	RMSE, MAE, R	NA
948	2026-06-06	MS-TSEFNet: Multi-Scale Spatiotemporal Efficient Feature Fusion Network 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020437 PMID:41600232	研究论文	提出一种多尺度时空高效特征融合网络（MS-TSEFNet），用于脑电信号中的运动想象信号解码	通过多尺度卷积模块学习不同时间尺度的动态变化，结合空间注意力机制捕获电极空间相关性，并采用高效特征融合策略深度融合不同层级特征	未明确说明	提升运动想象信号解码的准确性和鲁棒性	脑电信号中的运动想象模式	机器学习	NA	EEG	CNN	脑电信号	BCIC-IV2a、BCIC-IV2b和ECUST三个公共数据集	PyTorch	多尺度卷积模块、空间注意力机制、特征融合模块	平均分类准确率	NA
949	2026-06-06	Emerging Trends in Artificial Intelligence-Assisted Colorimetric Biosensors for Pathogen Diagnostics 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020439 PMID:41600240	综述	本文综述了人工智能辅助比色生物传感器在病原体诊断中的新兴趋势，总结了主要病原体的类型、毒性和感染相关死亡率，并讨论了近五年机器学习与深度学习算法在临床样本中的应用	系统比较了传统光学传感器与新兴AI辅助比色方法的差距，提出了开发鲁棒、可解释且兼容智能手机的AI辅助检测方法的前景	未详细说明具体模型性能指标或大规模临床试验验证，且对AI模型的局限性（如预训练适应性不足）分析较泛	为临床和健康应用提供快速、准确且用户友好的病原体检测方法选择指导	细菌和病毒病原体及其引起的感染性疾病	机器学习	感染性疾病	比色传感器	机器学习，深度学习	颜色变化数据	NA	NA	NA	诊断准确性	NA
950	2026-06-06	An AI-Based Radiomics Model Using MRI ADC Maps for Accurate Prediction of Advanced Prostate Cancer Progression 2026-Jan-08, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol33010035 PMID:41590356	research paper	利用MRI ADC图像的深度学习放射组学模型预测晚期前列腺癌进展	首次使用治疗前的MR表观扩散系数（ADC）图构建深度学习放射组学模型，预测晚期前列腺癌进展时间，并比较AI自动分割与手动专家分割的效果	仅纳入182例患者，样本量较小；单中心研究；未评估不同治疗方案的差异	开发并验证基于MRI ADC图的深度学习放射组学模型，预测晚期前列腺癌治疗后进展风险并实现风险分层	182例经超声引导系统前列腺活检确诊的晚期前列腺癌患者	machine learning	prostate cancer	MRI ADC成像	CNN	image	182例晚期前列腺癌患者	NA	NA	AUC	NA
951	2026-06-06	Artificial intelligence and machine learning-driven advancements in gastrointestinal cancer: Paving the way for precision medicine 2026-Jan-07, World journal of gastroenterology IF:4.3Q1 DOI:10.3748/wjg.v32.i1.111428 PMID:41551523	综述	综述了人工智能与机器学习在胃肠道癌症检测、诊断和预后中的应用进展	系统评估了AI在胃肠癌多模态检测（内镜、影像组学、病理学）中的性能，并探讨了多模态方法在精准肿瘤学中的潜力	缺乏大规模临床验证，伦理、法律和社会影响考虑不足，AI与临床工作流整合仍有限	概述AI在胃肠道癌症精准医学中的最新进展与未来方向	胃肠道癌种（如结直肠癌、胃癌等）相关的AI诊断与预测模型	机器学习	消化道癌症	NA	深度学习、大型语言模型、影像组学模型	图像（内镜、放射影像）、病理数据、临床数据	NA	NA	深度学习网络（用于息肉检测与分割）、影像组学模型、大语言模型	准确率(85%-97%)、曲线下面积(≤0.92)、诊断准确性(78.9%-80.0%)	NA
952	2026-06-06	Predicting lymph node metastasis in colorectal cancer using case-level multiple instance learning 2026-Jan-07, World journal of gastroenterology IF:4.3Q1 DOI:10.3748/wjg.v32.i1.112090 PMID:41551528	研究论文	开发并验证了一种病例级多实例学习框架，用于预测结直肠癌淋巴结转移	首次提出模拟病理医生全面阅片流程的病例级MIL框架，将同一患者所有原发肿瘤切片特征整合，显著优于传统切片级训练方法	需要进一步外部验证	提高局部进展期结直肠癌淋巴结转移预测的准确性	130名T3/T4期结直肠癌患者的全切片图像和临床数据	数字病理学	结直肠癌	全切片成像	多实例学习	图像	130名患者	PyTorch	CONCH v1.5, UNI2-h	AUC	NA
953	2026-06-06	Super-Resolution Deep Learning Reconstruction Improves Image Quality of Dynamic Myocardial Computed Tomography Perfusion Imaging 2026-Jan-07, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12010007 PMID:41591139	研究论文	评估超分辨率深度学习重建在动态心肌CT灌注成像中对图像质量和灌注参数的影响	首次评估超分辨率深度学习重建在动态心肌CT灌注成像中的应用效果	NA	评估超分辨率深度学习重建在动态心肌CT灌注成像中的图像质量和灌注参数影响	35名接受动态心肌CT灌注成像的冠状动脉疾病患者	计算机视觉	冠状动脉疾病	超分辨率深度学习重建，混合迭代重建	超分辨率深度学习网络	CT图像	35名患者	NA	超分辨率深度学习重建	图像噪声、信噪比、对比度噪声比、边缘上升率	NA
954	2026-06-06	Deep Learning Prediction of Childhood Myopia Progression Using Fundus Image and Refraction Data 2026-Jan-02, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2025.53543 PMID:41587032	研究论文	基于眼底图像和基线屈光数据，利用深度学习预测儿童近视进展轨迹及高度近视风险	结合卷积神经网络（34层残差网络）和循环神经网络（长短期记忆网络）构建新型深度学习模型，仅用眼底图像和基线数据即可预测近视进展，并在跨种族队列中验证了模型性能的稳健性	NA（但可能包括：样本年龄范围较窄（6-9岁），仅使用两个外部验证队列，模型对更广泛人群的适用性有待进一步验证）	开发和验证基于深度学习的定量方法，用于预测学龄儿童近视进展轨迹和高度近视风险	学龄儿童（6-9岁）的眼底图像和基线屈光数据	机器学习	近视（儿童近视）	眼底成像	CNN + RNN（34层残差网络和长短期记忆网络）	图像（眼底图像）和数值（屈光数据）	训练集：3048名儿童（平均年龄7.1岁）；外部验证集：北京队列130名儿童，拉萨队列1039名儿童	PyTorch	ResNet-34（卷积神经网络部分）+ LSTM（循环神经网络部分）	AUC（曲线下面积），MAE（平均绝对误差）	NA
955	2026-06-06	Multimodal deep learning for breast tumor classification: Integrating mammography and ultrasound for enhanced diagnostic accuracy 2026-Jan, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70464 PMID:41549611	研究论文	开发并验证一种结合钼靶和超声成像的多模态深度学习方法，用于改善乳腺肿瘤分类和临床决策	提出模态特异性注意力机制（超声使用ECA-Net，钼靶使用CBAM）和堆叠集成模块（逻辑回归、支持向量机、随机森林、Extra-Trees作为基学习器，多层感知机作为元学习器）的多模态融合框架	未提及具体局限，但为回顾性研究且样本量有限（663例）	开发结合钼靶和超声的多模态深度学习模型，提高乳腺肿瘤良恶性分类的准确性	2018至2021年间663例女性乳腺病变患者（384例良性，279例恶性）	计算机视觉	乳腺肿瘤	NA	CNN, ECA-Net, CBAM, LR, SVM, RF, ET, MLP	图像（钼靶和超声）	663例女性患者（384例良性，279例恶性），训练集464例、验证集133例、测试集66例	PyTorch	ECA-Net, CBAM, ResNet	AUC	NA
956	2026-06-06	A generic registration-assisted framework for dynamic magnetic resonance imaging super-resolution with misaligned training data 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70277 PMID:41549627	研究论文	提出一种通用注册辅助框架RegSR，利用未对齐的低分辨率和高分辨率动态MRI图像对进行监督超分辨率重建	提出协同利用超分辨率输出改进注册精度、引入多尺度递归注册网络MRReg和双坐标训练方案实现任务解耦	NA	实现动态磁共振成像中未对齐训练数据下的超分辨率重建	动态磁共振图像（腹部四维MRI和心脏电影MRI数据集）	机器学习，计算机视觉	NA	NA	超分辨率网络，递归神经网络	图像（动态MRI）	腹部数据集：20例训练，6例验证；心脏电影数据集：100例训练，50例验证	NA	MRReg（多尺度递归注册网络）	MAE（平均绝对误差）， SSIM（结构相似性指数）， PSNR（峰值信噪比）， LPIPS（学习感知图像块相似度）， NIQE（自然图像质量评估器）	NA
957	2026-06-06	Prototype bank-driven test-time adaptation for medical ultrasound image segmentation 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70280 PMID:41549639	研究论文	提出一种基于原型库驱动的测试时自适应框架，用于解决医学超声图像分割中的领域偏移问题	首次在测试时自适应中结合动态统计融合模块和原型库引导语义适应模块，且无需反向传播更新模型参数	未涉及多种超声设备或更复杂临床场景的验证	解决超声图像分割中领域偏移导致的性能下降，提升模型鲁棒性	乳腺肿瘤和甲状腺肿瘤超声图像分割任务	数字病理	乳腺癌，甲状腺癌	超声成像	CNN (动态统计融合+原型库引导语义适应)	图像	NA	PyTorch	U-Net (基于原型分类器和参数分类器的双分类器结构)	Dice系数	NA
958	2026-06-06	Deep learning detection and classification of fungal and non-fungal calcifications on paranasal sinus CT imaging 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340832 PMID:41557658	研究论文	开发和评估利用深度学习算法在鼻旁窦CT图像上检测和分类真菌性与非真菌性钙化的方法	首次结合3D U-Net和YOLO v5及CNN对鼻旁窦钙化进行精准分割、检测和分类，区分真菌性与非真菌性鼻窦炎	研究样本量有限且来自单一机构，外部验证集时间跨度和地理分布有限	开发和验证深度学习算法用于检测和分类鼻旁窦CT图像上窦内钙化，以诊断真菌性鼻窦炎并区分其与非真菌性鼻窦炎	鼻旁窦CT图像中的窦内钙化	计算机视觉, 数字病理学	真菌性鼻窦炎, 非真菌性鼻窦炎	CT成像	3D U-Net, YOLO v5, 卷积神经网络	图像	277例鼻旁窦CT病例，来自韩国高丽大学九老医院	PyTorch	3D U-Net, YOLO v5, 卷积神经网络	Dice相似系数, 精确率, 召回率, F1分数, 准确率	未提及
959	2026-06-06	Improving micromorphological analysis with CNN-based segmentation of flint/obsidian, bone and charcoal 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340353 PMID:41557713	研究论文	开发了一种基于CNN的深度学习工具，用于自动分割考古微形态学薄片中常见的骨骼、木炭和燧石/黑曜石材料	首次将U-Net与InceptionV4编码器结合应用于考古微形态学材料分割，实现了高精度自动识别	仅针对三种材料（骨骼、木炭、燧石/黑曜石），可能不适用于其他考古材料或复杂基质	通过深度学习提高考古微形态学中成分量化与识别的客观性、准确性和可重复性	旧石器时代考古薄片中的骨骼、木炭和燧石/黑曜石细粒碎屑	数字病理学	NA	高分辨率显微摄影	卷积神经网络	图像	57个薄片的高分辨率显微照片	PyTorch	U-Net, InceptionV4	平均交并比, 平衡准确率	NA
960	2026-06-06	A deep learning-based model for automatic identification of mesopelagic organisms from in-trawl cameras 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340640 PMID:41563986	研究论文	利用深度学习模型自动识别拖网相机中的中层海洋生物	首次将最新的YOLO11s深度学习目标检测模型应用于拖网相机图像中七种中层海洋生物群落的自动识别，红光和白光条件下均有较好表现，并实现快速分层数据提取	部分生物类别（如浮游虾、磷虾）的平均精度低于0.80，需提高图像分辨率和扩充训练数据集来改善性能	探索深度学习模型在拖网相机图像中自动识别中层海洋生物的能力，以增强声学数据的验证效率	北大西洋常见的七种中层海洋生物群落（灯笼鱼、银光鱼、梭鱼、磷虾、浮游虾、胶质浮游动物、鱿鱼）及大型远洋鱼类	计算机视觉	NA	深度学习目标检测	目标检测模型	图像	在白光和红光（两种增益设置）条件下采集的拖网相机图像	NA	YOLO11s	加权平均精度	NA