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
1261	2026-03-30	Semi-Supervised Vertebra Segmentation and Identification in CT Images 2026-Mar-03, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12030033 PMID:41893829	研究论文	本文提出了一种基于双分支3D U-Net的半监督方法，用于CT图像中椎骨的分割与识别，通过教师-学生一致性利用未标记数据提升性能	在双分支3D U-Net中插入Mamba模块以建模颅尾轴长程依赖，结合3D-CBAM增强类别区分能力，并采用基于置信度过滤和类频率重加权的统一半监督目标	方法依赖于未标记数据的可用性，且在复杂形态变异下可能仍存在挑战	开发一种半监督方法以提升CT图像中椎骨自动分割与识别的准确性和鲁棒性	脊柱CT图像中的椎骨	计算机视觉	脊柱疾病	CT成像	CNN	3D图像	VerSe 2019和2020数据集，其中VerSe 2020扫描作为未标记训练数据	PyTorch	3D U-Net, Mamba, 3D-CBAM	Dice系数, 识别准确率	NA
1262	2026-03-03	Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test 2026-Mar-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34491-5 PMID:41765904	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1263	2026-03-30	Transformer-Based Deep Learning Approaches for Speech-Based Dementia Detection: A Systematic Review 2026-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3595781 PMID:40768460	系统综述	本文系统综述了基于语音的深度学习在痴呆症检测中的应用，重点分析了Transformer模型的效果	首次系统性地比较了Transformer架构在语音痴呆检测中的表现，并明确了语言特征优于声学特征的结论	数据集多样性不足、痴呆严重程度分类标准不一致、样本量和性能指标报告方式存在差异	识别未来数据驱动的痴呆症研究的最佳实践，以开发临床诊断决策支持系统	基于语音的痴呆症检测研究	自然语言处理	老年疾病	语音分析	Transformer	语音	80项研究	NA	Transformer	准确率, 灵敏度, 特异性	NA
1264	2026-03-30	Rapid Identification of Trace Pharmacodynamic Substances in Traditional Chinese Medicine via SERS and Deep Learning 2026-Feb-27, Biosensors DOI:10.3390/bios16030139 PMID:41892032	研究论文	本研究结合表面增强拉曼散射（SERS）和深度学习算法，开发了一种快速、高灵敏度的中药药效物质痕量检测方法	利用蛾翅鳞片作为模板制备Ag/MW SERS基底，并集成PCA与多种深度学习算法（MLP、Transformer、ResNet、DNN）进行快速识别，创新性地提高了检测灵敏度和准确性	研究目前仅针对纯标准溶液中的三种典型中药药效物质进行检测，尚未在复杂实际样品矩阵中验证，且样本规模有限	开发一种快速、有效、灵敏且可靠的分析方法，以解决中药现代化中痕量药效物质检测灵敏度不足的问题，促进中药质量评估与标准化	三种典型中药药效物质：苍术酮、升麻素和知母皂苷A-III	机器学习	NA	表面增强拉曼散射（SERS）、磁控溅射	MLP, Transformer, ResNet, DNN	拉曼光谱数据	NA	NA	MLP, Transformer, ResNet, DNN	准确率	NA
1265	2026-03-30	Prediction of Three-Dimensional Ground Reaction Forces in the Golf Swing Using Wearable Inertial Measurement Units and Biomimetic Deep Learning Models 2026-Feb-27, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics11030159 PMID:41892082	研究论文	本研究利用可穿戴惯性测量单元和仿生深度学习模型预测高尔夫挥杆中的三维地面反作用力	首次探索使用耦合的下肢运动学数据通过仿生深度学习模型预测复杂高速运动（如高尔夫挥杆）中的三维地面反作用力，并评估了多种传感器配置	研究未明确说明样本量大小，且可能局限于特定运动环境（高尔夫挥杆），未涉及其他运动或日常活动	开发一种基于可穿戴传感器和深度学习的方法，用于在动态运动环境中估计地面反作用力，以替代传统的实验室力板测量	高尔夫挥杆过程中的三维地面反作用力及双侧髋、膝、踝关节角度	机器学习	NA	可穿戴惯性测量单元	深度学习	时间序列数据	NA	NA	TCN-BiGRU	相关系数, 平均相对误差, 归一化均方根误差	NA
1266	2026-03-30	Restoration of Non-Uniform Motion-Blurred Star Images Based on Dynamic Strip Attention 2026-Feb-27, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030103 PMID:41892905	研究论文	本文提出了一种基于动态条带注意力机制的星图恢复网络，用于恢复长曝光模式下因相对运动导致的非均匀运动模糊星图	设计了多尺度动态条带池化模块，通过动态调整条带卷积自适应提取不同长度和方向的模糊特征，并引入多尺度特征融合模块以减少图像细节损失	NA	恢复因相对运动导致的非均匀运动模糊星图，提升图像质量和星点定位精度	长曝光模式下捕获的星图，包含星点和空间物体	计算机视觉	NA	NA	CNN	图像	NA	NA	NA	PSNR, SSIM, 星点识别准确率	NA
1267	2026-03-30	Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32737-w PMID:41741481	研究论文	本研究提出了一种基于深度卷积神经网络的自动化方法，用于检测和量化胃活检组织病理学图像中的肠上皮化生，并与三位病理学家的视觉评估进行了比较分析	首次开发了基于深度学习的自动化系统来检测和量化肠上皮化生，并引入了适应的OLGIM分期，以替代传统易出错的主观视觉评估	未评估萎缩，因为病理学家间的一致性有限；模型与病理学家间的一致性范围较宽（0.12-0.35），表明仍需改进	开发一种自动化、可靠的深度学习方法，用于检测和量化胃活检中的肠上皮化生，以改善胃癌风险分层	胃黏膜组织病理学图像，来自哥伦比亚高胃癌流行区的149名无症状志愿者和一家三级医院的56名患者	数字病理学	胃癌	组织病理学成像	CNN	图像	205个样本（149名无症状志愿者和56名患者）	NA	深度卷积神经网络	F1分数, AUC	NA
1268	2026-03-30	A novel hybrid model for species distribution prediction of soil-transmitted helminthiasis (STH) under soil temperature conditions using Random Forest and Particle Swarm Optimization Algorithm 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31604-y PMID:41748615	研究论文	本文提出了一种结合随机森林和粒子群优化算法的混合模型，用于预测土壤温度条件下土壤传播蠕虫病的物种分布	提出了一种新颖的混合模型，将随机森林算法与粒子群优化算法相结合，用于特征选择和超参数优化，以提高物种分布预测的准确性	未明确说明模型在其他地理区域或不同环境因素下的泛化能力	研究生态因素（特别是土壤温度）对尼日利亚土壤传播蠕虫病分布的影响，并提高物种分布预测的准确性	尼日利亚地区的土壤传播蠕虫病	机器学习	土壤传播蠕虫病	物种分布建模	随机森林, 人工神经网络, 粒子群优化	环境数据（土壤温度）, 流行病学数据	基于ESPEN的尼日利亚地理区域数据集	未明确说明	随机森林, 人工神经网络	准确率	NA
1269	2026-03-30	Deep Learning-Derived Pathomic Features Predict NCIT Efficacy in Resectable Locally Advanced ESCC: Clinical Utility and Mechanistic Insights 2026-Feb-26, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol33030136 PMID:41892164	研究论文	本研究开发了一种基于深度学习的病理组学模型，用于预测可切除局部晚期食管鳞状细胞癌患者对新辅助化疗免疫疗法的反应，并探索其生物学机制	首次利用深度学习从H&E染色全切片图像中提取空间加权的病理组学特征，构建了ECiT评分，并结合临床变量开发了集成预测模型，同时揭示了EIF2S3介导的内质网应激-UPR轴作为潜在的耐药机制和治疗靶点	研究样本量相对有限（198名患者），且为回顾性研究，需要前瞻性多中心验证来确认模型的泛化能力和临床实用性	开发并验证一个AI驱动的病理组学模型，以预测可切除局部晚期食管鳞状细胞癌患者对新辅助化疗免疫疗法的反应，并探索其潜在的生物学机制	198名食管鳞状细胞癌患者的269张H&E染色全切片图像，以及来自TCGA-ESCA和GSE160269数据集的分子数据	数字病理学	食管鳞状细胞癌	H&E染色，全切片图像分析，RNA测序	CNN	图像，临床数据，基因表达数据	198名患者（104名来自同济医院，94名来自TCGA），共计269张全切片图像	PyTorch	ResNet152	AUC	NA
1270	2026-03-30	A Two-Stage Framework for Early Detection and Subtype Identification of Alzheimer's Disease Through Multimodal Biomarker Extraction and Improved GCN 2026-Feb-25, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16030255 PMID:41892599	研究论文	本研究提出了一种基于多模态生物标志物提取和改进图卷积网络的两阶段框架，用于阿尔茨海默病的早期检测和亚型识别	提出了一种结合多模态关联分析和自注意力自表达图卷积网络的两阶段方法，有效整合结构MRI、PET和转录组数据，识别关键生物标志物并提高分类准确性，同时通过无监督聚类探索MCI亚型异质性	AD样本量有限，存在极端的类别不平衡问题	早期检测阿尔茨海默病并识别不同进展风险的轻度认知障碍亚型	阿尔茨海默病患者和轻度认知障碍患者	数字病理学	阿尔茨海默病	多模态磁共振成像, PET, 转录组学	GCN	图像, 转录组数据	未明确指定具体样本数量，但提及AD样本量有限	未明确指定	MFEAA-GCNSASE	AUC	NA
1271	2026-03-30	A Deep Learning-Based Correction for Scanning Radius Errors in Circular-Scan Photoacoustic Tomography 2026-Feb-25, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030097 PMID:41892899	研究论文	提出一种基于深度学习的框架（SD-ResNet），用于校正由扫描半径误差引起的圆形扫描光声层析成像重建图像退化	提出了一种名为平滑反卷积ResNet（SD-ResNet）的新型深度学习框架，该框架结合了ImageNet预训练的ResNet-50编码器和一个轻量级的反卷积解码器，并引入了额外的平滑卷积层来抑制棋盘伪影并恢复精细结构细节	研究主要基于模拟数据和体模实验，尚未在大量真实临床数据上进行验证	开发一种对扫描半径误差具有鲁棒性的光声层析成像重建校正方法	圆形扫描光声层析成像的重建图像	医学影像处理	NA	光声层析成像，k-Wave模拟	深度学习	图像	使用人体胸部CT切片驱动的k-Wave模拟生成的配对训练数据集	NA	ResNet-50, SD-ResNet	图像质量恢复效果	NA
1272	2026-03-30	Towards Lightweight and Multi-Scale Scene Classification: A Lie Group-Guided Deep Learning Network with Collaborative Attention 2026-Feb-24, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030094 PMID:41892896	研究论文	本文提出了一种轻量级多尺度网络LGLMNet，用于遥感场景分类，通过整合李群协方差特征和双分支架构提升性能	提出LGLMNet网络，结合李群机器学习提取浅层特征与深度学习分支提取高层语义，并引入并行深度可分离卷积块和多尺度感知及空间通道协同注意力机制，实现高效全局-局部建模	未明确提及具体局限性，但可能涉及计算成本或泛化能力方面的挑战	解决遥感场景分类中现有方法忽略浅层细节和计算成本高的问题，提升分类准确性和效率	遥感图像场景	计算机视觉	NA	深度学习	CNN, 注意力机制	图像	UCM-21、AID和NWPU-45数据集	NA	LGLMNet, PDSCB, SCCA, CLFFB	准确率	NA
1273	2026-03-30	Hybrid MICO-LAC Segmentation with Panoptic Tumor Instance Analysis for Dense Breast Mammograms 2026-Feb-24, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030095 PMID:41892897	研究论文	提出一种用于乳腺X线图像中致密乳腺组织分析的临床驱动混合分割框架，整合了偏置场校正、粗分割、局部细化及全景式肿瘤实例分割	结合了MICO_2D偏置场校正、距离正则化多相Vese-Chan水平集模型、局部活动轮廓与局部图像拟合能量，并引入全景式肿瘤实例分割以分解相连肿瘤区域	未明确说明框架在更大或更多样化数据集上的泛化能力，以及计算效率方面的具体限制	开发一种用于致密乳腺X线图像中肿瘤分割和分析的混合框架，以解决强度不均匀性、低对比度和复杂肿瘤形态的挑战	乳腺X线图像中的致密乳腺组织和肿瘤	数字病理学	乳腺癌	乳腺X线成像	水平集模型, 活动轮廓模型	图像	MIAS和INBreast乳腺X线数据集	NA	U-Net, 多尺度网络, 多视图网络	Dice相似系数, 交并比	NA
1274	2026-03-30	Automated Multi-Modal MRI Segmentation of Stroke Lesions and Corticospinal Tract Integrity for Functional Outcome Prediction 2026-Feb-24, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12030029 PMID:41893824	研究论文	本研究提出了一种基于常规多模态MRI的自动化卒中病灶分割与皮质脊髓束完整性评估流程，用于预测患者出院时的功能结局	利用常规临床MRI序列，结合自动化病灶分割与解剖学信息生物标志物，进行可解释的卒中结局建模，提高了临床可行性	研究为探索性分析，未来需要大规模验证；零样本外部评估的Dice分数较低（0.57），表明模型泛化能力有待提升	预测卒中患者出院时的功能结局（如改良Rankin量表评分），以指导治疗和康复	卒中患者的脑部MRI影像及相关的功能结局数据	数字病理学	卒中	多模态MRI，包括常规MRI序列和单壳扩散加权成像	深度学习模型集成，机器学习模型	MRI图像	ISLES 2022数据集（250个训练案例，150个测试案例），ISLES 2024数据集（149个案例用于零样本外部评估）	NA	SEALS, NVAUTO, FACTORIZER, TractSeg	Dice分数，准确率，F1分数，ROC-AUC	NA
1275	2026-03-30	Mass Balance Implications for Sediment Restoration Initiatives in the Detroit River, USA 2026-Feb-20, Bulletin of environmental contamination and toxicology IF:2.7Q3 DOI:10.1007/s00128-026-04198-y PMID:41718904	研究论文	本研究评估了美国底特律河区域沉积物修复行动对污染物质量库存和底栖无脊椎动物毒性的潜在影响	利用深度学习人工神经网络空间插值生成高分辨率沉积物污染地图，以评估化学物质平衡的预期变化和超过可能效应浓度区域的减少	NA	评估沉积物修复行动对污染物质量库存和底栖无脊椎动物毒性的影响	底特律河区域的沉积物	环境科学	NA	深度学习人工神经网络空间插值	人工神经网络	空间数据	NA	NA	NA	NA	NA
1276	2026-03-30	Dielectrocapillarity for exquisite control of fluids 2026-Feb-12, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-69482-1 PMID:41680166	研究论文	本文通过整合液体状态理论和深度学习，揭示了电场梯度如何调控流体结构和毛细现象，并提出了“介电毛细作用”作为控制纳米孔中流体行为的新机制	首次建立了严格的电场梯度调控流体行为的微观第一性原理理论，并展示了其在相变、毛细凝结和多孔介质流体吸收中的可调控制	NA	研究电场梯度对极性流体结构和毛细现象的控制机制	极性流体、纳米孔材料、液体-气相变、毛细凝结	机器学习	NA	深度学习	NA	NA	NA	NA	NA	NA	NA
1277	2026-03-30	Global daily 9 km remotely sensed soil moisture (2015-2025) with microwave radiative transfer-guided learning 2026-Feb-12, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06721-6 PMID:41680217	研究论文	本研究开发了一个过程引导机器学习框架，结合微波辐射传输模型理论和深度学习，以生成2015年至2025年全球每日9公里分辨率的地表土壤水分数据	通过整合辐射传输模型理论和深度学习，设计基于Kling-Gupta效率的损失函数，并利用模型模拟进行预训练和现场测量进行微调，克服了传统SMAP土壤水分产品在密集植被和复杂地表区域的精度限制	未明确说明模型在极端气候条件或特定地理区域（如永久冻土或高纬度地区）的适用性和潜在偏差	提高全球地表土壤水分的估计精度，以支持水资源和生态系统管理	全球陆地生态系统的地表土壤水分	机器学习	NA	微波辐射传输模型，深度学习	深度学习模型	遥感数据，现场测量数据	覆盖全球每日9公里分辨率数据（2015年4月至2025年6月），并使用独立现场测量进行验证	未明确指定，但涉及深度学习框架	过程引导机器学习框架	相关系数R，无偏均方根误差	NA
1278	2026-03-30	EfficientNetB7-Based Deep Learning Framework for Enhanced Classification of Lung and Colon Cancer Histopathological Images 2026-02-06, Journal of visualized experiments : JoVE DOI:10.3791/68812 PMID:41729802	研究论文	本研究提出了一种基于预训练EfficientNetB7的深度学习框架，用于增强肺和结肠癌组织病理学图像的分类，准确率达到96%	结合高级预处理、微调和特定领域数据增强技术优化模型性能，有效解决了类别不平衡和细微组织学变异问题，并通过多种数据增强和早停策略防止过拟合	未明确说明模型在其他癌症类型或更大数据集上的泛化能力，且未详细讨论计算资源需求	开发一个高效的深度学习模型，用于肺和结肠癌组织病理学图像的早期准确分类，以辅助临床诊断	肺和结肠组织病理学图像	数字病理学	肺癌, 结肠癌	组织病理学成像	CNN	图像	NA	NA	EfficientNetB7	准确率	NA
1279	2026-03-30	Solar Power Forecasting Using Hybrid Deep Learning: Performance Enhancement with Random Forest-BiLSTM and Ensemble Modeling 2026-02-03, Journal of visualized experiments : JoVE DOI:10.3791/69743 PMID:41729804	研究论文	本研究提出了一种混合深度学习集成方法，用于通过捕捉辐照度数据中的复杂时间依赖性来预测太阳能发电量	提出了一种集成前三名架构的逆MAE加权平均集成模型，与最佳个体模型相比，预测误差降低了6.2%，有效平衡了模型优势并增强了预测鲁棒性	NA	提高太阳能发电预测的准确性，以支持电网集成和可再生能源系统的运行稳定性	太阳能发电预测	机器学习	NA	NA	RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU, CNN-Transformer	历史时间序列数据	NA	NA	RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU, CNN-Transformer	R², MAE, MSE	NA
1280	2026-03-30	AUTOENCODIX: a generalized and versatile framework to train and evaluate autoencoders for biological representation learning and beyond 2026-01, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00916-4 PMID:41366150	研究论文	本文介绍了一个名为AUTOENCODIX的开源框架，用于标准化和灵活地预处理、训练和评估自编码器架构，以促进生物表示学习	提出了一个标准化、多功能且可推广的自编码器训练与评估框架，克服了现有实现缺乏标准化、可比较性和通用性的问题	未明确提及具体局限性，但可能涉及框架在不同数据模态或应用场景中的泛化能力验证	开发一个通用框架，以标准化和优化自编码器在生物表示学习中的训练与评估过程	自编码器架构，包括基于本体和跨模态的自编码器	机器学习	泛癌研究	单细胞测序，成像技术	自编码器	多模态数据，包括基因组数据和成像数据	NA	NA	基于本体的自编码器，跨模态自编码器	输入数据重建能力，嵌入质量，基于本体的嵌入可解释性可靠性	NA