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
161	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
162	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
163	2026-06-24	Rationale and design of a multicenter, prospective, diagnostic clinical study: A study protocol for evaluating the diagnostic validation of deep learning-based noninvasive CT-FFR for in-stent restenosis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346723 PMID:42090388	研究方案	本研究为一项多中心前瞻性诊断性临床试验，旨在评估基于深度学习的非侵入性CT-FFR在诊断支架内再狭窄中的有效性	将深度学习模型DEEPVESSEL应用于支架内再狭窄（ISR）的评估，这是此前仅在初发冠状动脉病变中验证过的技术	CT-FFR的计算复杂性和处理时间可能限制其临床应用；论文尚未报告最终研究结果，仅描述了研究设计	建立基于深度学习的CT-FFR模型，用于准确评估支架内再狭窄，并以有创FFR作为参考标准验证其诊断性能	支架植入术后患者	深度学习	冠状动脉疾病	冠状动脉CT血管成像（CCTA）、CT衍生血流储备分数（CT-FFR）	CNN（基于DEEPVESSEL模型）	医学图像（CT影像）	计划前瞻性纳入331例支架植入术后患者（其中250例用于模型适配和扩展，81例用于外部验证）	NA	DEEPVESSEL	敏感性、特异性、准确性、阳性预测值、阴性预测值、AUC	NA
164	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
165	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
166	2026-06-23	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	提出一个用于多模态情感感知对话代理的深度学习框架，该框架整合文本、音频和视觉特征以生成情感响应	首次提出自我和跨模态注意力机制，结合预训练嵌入（如GloVe）和序列到序列模型与Transformer架构，实现多模态情感嵌入的融合	仅基于两个基准数据集进行验证，模型在真实应用场景下的泛化能力需进一步测试；情感识别准确率仍有提升空间（最高76.27%）	开发能够从多模态输入中准确理解用户情感并生成上下文适当响应的对话代理	用户的多模态对话数据（文本、音频、视频）及其情感状态	自然语言处理	NA	NGS	Transformer, 序列到序列模型	文本, 音频, 视频	IEMOCAP和MELD两个数据集	NA	Transformer, GloVe	准确率, 困惑度, BLEU分数, ROUGE-L分数	NA
167	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）
168	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
169	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
170	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）
171	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
172	2026-06-23	Toward leveraging intrinsic point cloud features in 3D adversarial attacks 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0344574 PMID:42013122	研究论文	本文探索利用点云内在特征进行3D对抗攻击，提出一种基于特征预测的攻击方法，并验证其跨模型泛化能力	将对抗攻击的焦点从模型特定漏洞转向点云的内在特征，提出数据驱动的特征预测方法，无需反复反向传播即可生成攻击	攻击成功率略低于模型特定攻击方法	理解3D对抗攻击中关键点云特征的重要性，并设计基于内在特征的攻击方法	3D点云中的对抗点预测及生成攻击	计算机视觉	NA	NA	随机森林回归、多元线性回归；点云模型：PointNet、PointNet++、DGCNN、PointConv	3D点云	未明确说明	NA	PointNet, PointNet++, DGCNN, PointConv	成功率（Drop100和Drop200设置）	NA
173	2026-06-23	Controlled comparative study of YOLOv8-Pose, YOLOv11-Pose, and Detectron2 for vertebrae detection and keypoint estimation 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347290 PMID:42013146	研究论文	系统比较YOLOv8-Pose、YOLOv11-Pose和Detectron2在椎骨检测与关键点估计中的性能表现	首次在相同训练条件下对三种姿态估计深度学习模型进行可控、任务驱动的对比研究，重点关注临床可用性相关的检测完整性和重复检测问题	未明确说明	评估不同姿态估计模型在椎骨检测与关键点定位任务上的准确性、检测精度、推理速度和临床适用性	包含单类别椎骨边界框标注和每椎骨4个解剖关键点的医学影像数据集	计算机视觉	脊柱疾病	NA	姿态估计模型	医学图像	单类别椎骨数据集	PyTorch, Detectron2	YOLOv8n-Pose, YOLOv11n-Pose, Keypoint R-CNN with ResNet-50, Keypoint R-CNN with ResNet-101, YOLOv8l-Pose	关键点定位准确率, 检测精度, 推理速度, 检测完整性, 重复检测率	NA
174	2026-06-23	Siamese Capsule Network (SNNCap): Cognitive Analysis for Alzheimer's Disease Classification From MRI Data 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3683547 PMID:42009326	研究论文	提出一种基于暹罗胶囊网络的阿尔茨海默病MRI图像分类方法，模拟认知推理过程	将暹罗网络与胶囊网络结合，利用胶囊层保留空间和部分-整体关系，并通过参考样本对比模拟认知推理，提升泛化能力	未提及模型在外部数据集上的验证、计算资源需求及与现有方法的全面比较	有效分类阿尔茨海默病MRI图像为正常、极轻度、轻度和中度痴呆四类	阿尔茨海默病患者的脑部MRI图像	计算机视觉	阿尔茨海默病	MRI	暹罗胶囊网络	图像	未明确提及具体样本数量	PyTorch	ResNet-18, 胶囊网络	分类报告, 混淆矩阵	NA
175	2026-06-23	A hybrid CNN-XLSTM-GRU deep learning model with autoencoder-based feature selection for hypothyroidism diagnosis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347203 PMID:42013160	研究论文	提出一种融合CNN、eXtended LSTM和GRU的混合深度学习模型FusionNet-CXG，用于甲状腺功能减退症的诊断	首次将CNN、eXtended LSTM和GRU三种组件融合构建混合深度学习模型FusionNet-CXG，并通过自编码器进行特征选择，结合SMOTE-NC处理类别不平衡问题	仅在单一公开数据集上验证，缺乏外部真实世界队列的验证，未纳入时间序列临床数据	开发一种高准确率的混合深度学习模型用于甲状腺功能减退症的预测诊断	甲状腺功能减退症的诊断预测	机器学习	甲状腺功能减退症	NA	混合深度学习模型（CNN、eXtended LSTM、GRU）	表格数据	3772条记录，30个特征	Scikit-learn	CNN、eXtended LSTM、GRU	准确率、F1分数、AUC-ROC	NA
176	2026-06-22	Enhancing Early Diagnosis: Multimodal AI Approaches for Neurodegenerative Diseases 2026, Journal of biotechnology and biomedicine DOI:10.26502/jbb.2642-91280211 PMID:41948713	综述	评估多模态人工智能方法在神经退行性疾病早期诊断中的应用	提出多模态融合架构能更好地捕捉神经退行性疾病的生物学复杂性，并强调从静态诊断向连续时间建模的转变	数据异质性、深度学习“黑箱”特性以及数据集表示需要全球公平性	探讨利用 AI 驱动的生物标志物（来自神经影像、电生理学和数字表型）实现神经退行性疾病的早期诊断	神经退行性疾病（如阿尔茨海默病和帕金森病）中的 MRI、PET 和 EEG 数据集	机器学习	神经退行性疾病	NA	多模态融合架构	神经影像（MRI、PET）、电生理学（EEG）和数字表型数据	NA	NA	多模态融合架构	预测时间线	NA
177	2026-04-10	Retraction: TGEL-transformer: Fusing educational theories with deep learning for interpretable student performance prediction 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346214 PMID:41950193	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
178	2026-04-10	Retraction: Signal processing for enhancing railway communication by integrating deep learning and adaptive equalization techniques 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0345999 PMID:41950215	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
179	2026-06-22	Deep learning on protein language model embeddings unlocks accurate prediction of protein solubility 2026, Frontiers in microbiology IF:4.0Q2 DOI:10.3389/fmicb.2026.1716930 PMID:41953440	研究论文	提出DeepSolNet深度学习模型，利用蛋白质语言模型嵌入准确预测蛋白质溶解性	首次将ESM蛋白质语言模型嵌入与双向长短期记忆网络、卷积神经网络和注意力机制相结合，构建多模块架构预测蛋白质溶解性	NA	开发能够准确预测蛋白质溶解性的深度学习方法，以支持合成生物学和蛋白质工程中的大规模蛋白设计与表达优化	蛋白质溶解性预测，特别针对原核表达系统中蛋白质错误折叠问题	机器学习	NA	蛋白质语言模型嵌入	深度学习	蛋白质序列	包含γ-抗体、转谷氨酰胺酶和醛脱氢酶序列的独立构建测试集	PyTorch	ESM、双向LSTM、CNN、注意力机制	准确率、马修斯相关系数	NA
180	2026-06-21	CSVSUF: A Deep Unfolding Framework for Compressive Spectral Video Sensing 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3700920 PMID:42275332	研究论文	提出了一种基于深度展开框架的压缩光谱视频传感方法，结合物理引导建模与深度先验学习以提升重建精度	首次设计时空-频谱先验学习Transformer（STS-PLT）捕获多维相关性，并将传统模型驱动优化与深度学习展开框架整合于压缩光谱视频重建中	未提及具体局限性，但可能受限于CASSI系统的硬件约束及对复杂动态场景的泛化能力	开发高效且准确的光谱视频重建方法，克服现有模型驱动与深度学习方法的不足	动态场景下的光谱视频数据	计算机视觉	不适用	压缩光谱视频传感（CSVS）、编码孔径快照光谱成像（CASSI）	Transformer	光谱视频数据	不适用	PyTorch	时空-频谱先验学习Transformer（STS-PLT）	重建准确度、视觉质量	不适用