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
1321	2026-04-12	Hybrid feature selection for IoMT based intrusion detection system for integrating mutual information filtering with deep learning based accelerated metaheuristic optimization 2026-Apr-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47264-5 PMID:41963437	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1322	2026-04-05	Hybrid deep learning techniques for adaptive routing and congestion control in urban VANET for wireless mobile networking 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33193-2 PMID:41932949	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1323	2026-05-26	Predicting repurchase behavior and optimizing marketing for e-commerce users with genetic algorithms and deep learning 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45903-5 PMID:41933056	研究论文	提出一种结合深度学习与遗传算法的框架，用于预测电商用户复购行为并优化精准营销	将动态遗传算法与增强型朴素记忆网络结合，同时实现复购预测与营销干预优化	未讨论模型在跨平台或长周期数据上的泛化能力，且对营销优化效果缺乏长期追踪验证	提升电商用户复购预测精度并优化个性化营销策略	电商平台用户及其实时购买行为数据	机器学习	NA	NA	深度学习、遗传算法	结构化行为数据	真实世界电商数据集（未明确样本量）	Python	增强型朴素记忆网络（EVMN）、动态遗传算法（DGA）	F1分数、AUC-ROC、召回率、精确率、准确率	未明确
1324	2026-05-26	A unified GRU model for cryptocurrency price prediction and harsh price movement detection using enhanced sentiment analysis 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46271-w PMID:41933101	研究论文	提出一种统一的GRU模型，通过增强情感分析预测加密货币价格并检测剧烈价格波动	重点研究情感信号构建、聚合和与价格动态对齐的方式，提出基于PCA的聚合、衰减加权方案和K-means聚类标签方法，显著提升了极端价格变动类别的预测性能	未明确提及，但可能包括模型仅基于短期数据（2021年4月至8月）以及情感数据噪声的局限性	研究情感表示和价格变动标签对短期比特币价格波动分类的影响，构建稳健的情感驱动金融模型	比特币短期价格波动分类	机器学习, 自然语言处理	NA	情感分析, PCA分析, K-means聚类	GRU, TCN, LightGBM, 多项逻辑回归	文本（推文数据）	超过110万条比特币相关推文（2021年4月至8月）	NA	RoBERTa, GRU, TCN	准确率、精确率、召回率、F1分数	NA
1325	2026-05-26	Multimodal deep learning for international investment arbitration outcome prediction and bilateral investment agreement negotiation strategy optimization 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47149-7 PMID:41933170	研究论文	提出一种多模态深度学习框架，融合文本、数值和视觉数据预测国际投资仲裁结果	采用注意力融合架构，通过专用编码器捕捉法律文件、宏观经济指标和视觉证据之间的复杂跨模态依赖关系，显著优于单模态和传统机器学习方法	未明确讨论预测模型在实际应用中可能引发的公平性、透明度和可及性等规范性问题	开发稳健的仲裁结果预测工具，为投资者、东道国和法律顾问提供战略决策依据	国际投资仲裁案件中的投资者与国家争端解决机制	机器学习	NA	多模态深度学习的注意力融合架构	注意力机制融合的多模态深度学习模型	文本（法律文件）、数值（宏观经济指标）、视觉（证据图像）	1,247个仲裁案例，来自主要国际仲裁机构	NA	注意力融合架构、专用编码器	准确率	NA
1326	2026-05-26	Identifying ovarian cancer with AI analysis of abdominal CT scans 2026-04, Gynecologic oncology IF:4.5Q1 DOI:10.1016/j.ygyno.2026.01.774 PMID:42000373	研究论文	利用人工智能分析腹部CT扫描识别卵巢癌	首次将深度学习应用于腹部-盆腔CT扫描来预测上皮性卵巢癌，并比较了多种深度学习架构（CNN和ViT）及放射组学模型的性能	样本量相对较小（355例病例和213例对照），且为病例对照研究设计，需要进一步的研究来验证早期检测的准确性	构建、开发和验证基于深度学习的预测模型，用于识别上皮性卵巢癌	上皮性卵巢癌患者和良性附件包块患者	计算机视觉, 数字病理学	卵巢癌	CT扫描	CNN, ViT	图像（CT扫描）	355例上皮性卵巢癌患者和213例良性附件包块患者	PyRadiomics	CNN, ViT	AUC, 准确率, 精确率	未提及
1327	2026-05-26	The Evolving Role of Artificial Intelligence in Fracture Diagnosis and Surgical Planning in Orthopaedics: Current Insights and Future Directions 2026-Apr, Cureus DOI:10.7759/cureus.107470 PMID:42181443	综述	综述了人工智能和机器学习在骨科骨折诊断和手术规划中的应用现状与未来方向	系统梳理了2016至2026年间AI/ML在骨折检测和术前规划中的证据，涵盖了CNN和Vision Transformer模型的最新进展	多数研究为回顾性分析、数据集缺乏多样性、缺乏前瞻性多中心验证、以及AI/ML在医学影像中应用监管框架的不完善	总结AI/ML技术在骨科骨折诊断和手术规划中的临床发现并讨论临床转化挑战	针对骨折检测和手术规划的AI/ML相关研究文献	机器学习	骨科骨折	深度学习	卷积神经网络（CNN）和视觉Transformer（ViT）	放射影像和计算机断层扫描（CT）图像	24篇同行评审出版物	NA	CNN和Vision Transformer（ViT）	受试者工作特征曲线下面积（AUROC）	NA
1328	2026-05-26	A prospective multicenter trial of deep learning auto-segmentation for organs at risk in thoracic radiotherapy 2026-Mar-31, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-70863-9 PMID:41917034	研究论文	一项前瞻性多中心试验评估深度学习模型iCurveE在胸部和乳腺癌放疗中辅助勾画危及器官的临床性能	首次通过前瞻性多中心试验验证AI辅助勾画在临床放疗中的实际效果，并展示了其在减少勾画变异性和提高医疗公平性方面的优势	当前无摘要中明确提及的限制信息	评估AI辅助勾画在胸部放疗中危及器官勾画的临床性能，包括准确性和时间效率	500例胸部和乳腺癌患者的CT图像，涉及11个胸部危及器官	计算机视觉	肺癌, 乳腺癌	CT影像	深度学习模型	CT图像	500例患者，2483个危及器官集（27043个器官）	NA	iCurveE	体积Dice相似系数（vDSC），95%豪斯多夫距离（HD95），勾画时间	NA
1329	2026-05-26	Enhanced corn leaf disease detection using sharpness-aware minimization optimized CNNs 2026-Mar-31, Plant methods IF:4.7Q1 DOI:10.1186/s13007-026-01514-9 PMID:41917950	研究论文	提出使用锐度感知最小化（SAM）优化卷积神经网络，用于增强玉米叶片疾病检测	首次将锐度感知最小化优化方法应用于玉米叶片疾病检测CNN，通过同时最小化训练损失和损失景观锐度，使模型收敛到更平坦的最小值，显著提高泛化能力	未提及在不同作物或更复杂疾病类别上的泛化能力验证，且仅基于单一数据集进行评价	解决现有深度学习解决方案因尖锐损失景观导致的泛化能力差问题，推动精准农业中疾病管理的自动化	玉米叶片图像（四类：健康及三种疾病类别）	计算机视觉	玉米叶片疾病	图像分类	CNN	图像	60,000张玉米叶片图像样本（增强后四类各15,000张平衡样本）	NA	CNN	准确率，精确率，F1分数，均方误差，分类错误率	树莓派4
1330	2026-05-26	A unified deep learning framework for cross-platform harmonization of multi-tracer PET quantification in neurodegenerative disease 2026-Mar-30, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02570-0 PMID:41912831	研究论文	提出一个统一的深度学习框架，用于跨平台和多示踪剂的PET定量分析在神经退行性疾病中的标准化	首次开发统一的、解剖引导的深度学习框架，能够在多种示踪剂和扫描仪制造商之间将PET-MRI定量标准化为PET-CT标准，零样本泛化到未见示踪剂	将淀粉样蛋白Centiloid差异从23.6降至4.1，虽接近但略高于PET-CT重测变异，表明仍有改进空间	解决PET-MRI和PET-CT之间的系统偏差，实现跨平台诊断阈值和纵向监测的一致性	神经退行性疾病患者的PET扫描数据	机器学习	神经退行性疾病	PET	视觉Transformer自编码器	图像	70例同日配对扫描（F-FDG、F-florbetaben、F-florzolotau）；420例多中心验证（3个站点，4个供应商）	PyTorch	视觉Transformer自编码器，注意力引导残差校正	偏差降低（>80%），淀粉样蛋白Centiloid差异，tau SUVR阈值	NA
1331	2026-05-26	A Deep Learning Model for Absolute Risk Prediction of Alcohol Use Disorder in Adolescents and Young Adults 2026-03, Drug and alcohol review IF:3.0Q2 DOI:10.1111/dar.70131 PMID:41748155	研究论文	开发了一种深度学习模型，用于预测青少年和年轻人酒精使用障碍的绝对风险	首次提出用于酒精使用障碍绝对风险预测的深度学习模型	NA	构建个性化绝对风险预测模型，早期识别高风险青少年和年轻酒精使用者	美国青少年至成人健康纵向研究（Add Health）中的青少年和年轻人	机器学习	酒精使用障碍	NA	深度学习模型	表格数据（纵向调查数据）	NA	NA	NA	AUC, E/O比率	NA
1332	2026-05-26	Benchmarking foundation models for splice site and exon annotation 2026-Feb-23, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.22.707219 PMID:42124697	研究论文	基准测试基础模型在剪接位点和外显子注释中的表现	系统性评估多种基础模型（包括Transformer和CNN架构）在不同类型外显子（如编码与非编码、组成性与选择性剪接、转座子衍生外显子）上的注释性能，并引入新微调模型STEP2h	模型对训练数据中代表性不足的外显子类别（如非编码内部外显子、末端外显子、选择性剪接外显子及LINE-1衍生外显子）性能显著下降	评估基础模型在基因结构注释中的泛化能力，并识别其在不同外显子类别上的性能差异	基因和剪接位点注释模型	机器学习	NA	NA	CNN, Transformer	基因组序列	NA	NA	SegmentNT, Enformer, Borzoi, SpliceAI, AlphaGenome, STEP2h	NA	NA
1333	2026-05-26	Few-shot learning for highly accelerated 3D time-of-flight MRA reconstruction 2026-02, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70072 PMID:40931540	研究论文	提出一种基于少样本学习的3D时间飞跃法磁共振血管成像重建方法，以极少的实验获取数据实现高质量重建	提出了专为3D TOF-MRA设计的3D变分网络，利用模拟多线圈K空间数据进行预训练，仅用两个单层实验数据集进行微调，解决了高分辨率全脑血管成像数据获取耗时的难题	未明确提及局限性，但训练数据仅限于模拟和少量实验数据，可能影响极端临床场景的泛化性	开发一种深度学习重建方法，实现高度加速的3D TOF-MRA成像，在极有限原始数据下保持高质量重建和鲁棒泛化	3D时间飞跃法磁共振血管成像（TOF-MRA）数据	计算机视觉	脑血管疾病	磁共振血管成像（MRA）、K空间模拟	变分网络	复数多线圈K空间数据、幅度图像	5名健康志愿者的回顾性欠采样in vivo数据、2名额外受试者的前瞻性欠采样数据	PyTorch	3D变分网络	重建质量评估（保留细血管、最小伪影）、加速倍数（8倍）	NA
1334	2026-05-26	Deep Learning-Based Supervised and Semisupervised Segmentation of Confocal and SEM Micrographs for Microstructural Characterization of Plant Protein Gels 2026-01-02, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada IF:2.9Q1 DOI:10.1093/mam/ozaf129 PMID:41524148	研究论文	开发了一种半监督学习框架，仅用10%标注数据实现植物蛋白凝胶共聚焦和扫描电镜图像的微结构分割	提出基于伪标签的半监督学习框架，在仅使用10%标注数据的条件下达到与全监督学习相当的图像分割精度，并结合尺度不变结构描述符实现跨成像条件的可靠比较	尚未纳入尺寸相关特征，仅依赖尺度不变描述符	为植物蛋白凝胶的微结构表征提供高通量、少标注的图像分割解决方案	植物蛋白凝胶的共聚焦显微镜和扫描电子显微镜图像	计算机视觉, 数字病理学	NA	共聚焦显微镜, 扫描电子显微镜	卷积神经网络（基于半监督学习）	图像（显微图像）	NA（具体样本数量未提供）	NA	U-Net（推测的常见分割架构，需原文确认）	IoU, Dice系数, 分形维数, 蛋白质聚集面积	NA
1335	2026-05-26	A Deep Learning Model to Identify Mitral Valve Prolapse From the Echocardiogram 2026-Jan, JACC. Cardiovascular imaging DOI:10.1016/j.jcmg.2025.08.011 PMID:41031982	研究论文	开发了一个名为DROID-MVP的深度学习模型，用于从超声心动图视频中识别二尖瓣脱垂	首次利用深度学习模型从数字超声心动图视频中自动分类二尖瓣脱垂，并验证了模型预测与临床终点（如二尖瓣反流和未来二尖瓣修复或置换）的关联	模型依赖于外部验证的样本量有限，且可能受到超声心动图质量差异的影响	开发一个深度学习模型来自动识别二尖瓣脱垂，简化诊断过程并生成临床显著性数字标记	MGH（马萨诸塞总医院）的16,902名心脏病患者和外部验证中的BWH（布莱根妇女医院）初级保健患者	计算机视觉	心血管疾病	超声心动图视频分析	深度学习模型	视频	内部验证：1,043,893个超声心动图视频（48,829次研究）来自16,902名患者；外部验证：MGH 8,888名初级保健患者和BWH 257名初级保健患者	NA	DROID-MVP（深度学习方法，具体架构未明确）	AUROC (受试者工作特征曲线下面积), AP (平均精确度)	未明确提及
1336	2026-05-26	TDD-YOLO: A novel model for precise detection of tomato diseases 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334989 PMID:42172292	研究论文	提出了一种基于YOLOv11改进的TDD-YOLO模型，用于在复杂农业环境中精确检测番茄病害	添加特征增强模块提升主干网络提取病害斑点纹理的能力；引入联合注意力机制显式建模跨维度依赖以抑制背景干扰；增加特征融合模块保留多尺度病害信息并降低计算成本	未明确提及局限性	解决现有深度学习模型在提取细微病害特征、抑制复杂背景干扰及处理多尺度病害表示方面的不足	番茄叶片上的六种病害	计算机视觉	番茄病害	NA	YOLOv11	图像	Tomato-Village数据集（含田间采集的番茄叶片图像，六种病害，复杂背景和光照变化）；Tomato-Disease数据集（更多样化的番茄病害类型及健康叶片样本）	PyTorch	TDD-YOLO（基于YOLOv11改进）	mAP@50, mAP@50:95	NA
1337	2026-05-26	Enhancing precision harvesting in smart orchards: a light-weight neural network for apple maturity detection 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1820164 PMID:42179477	研究论文	提出轻量化神经网络HRLN-YOLO用于智能果园中苹果成熟度检测，在保证精度的同时大幅减少网络参数量与计算量	设计了轻量化骨干网络HGBackbone以增强特征提取和加速推理；构建增强型颈部模块RCF_Neck提升遮挡下的多尺度特征融合；开发轻量化检测头LADH-Head以减少任务冲突并降低计算成本；引入NWD-Loss提高小目标定位稳定性	未明确讨论模型在不同天气条件、品种或更大规模数据集上的泛化能力，也未提及部署后的实时能耗或硬件兼容性测试	实现资源受限边缘设备上的高精度、轻量化苹果成熟度检测，支持智能果园自动化采摘	果园环境中的苹果成熟度检测任务	计算机视觉	NA	深度学习	YOLO	图像	Orchard Apple Maturity Dataset（具体数量未给出）	NA	HRLN-YOLO (HGBackbone, RCF_Neck, LADH-Head)	平均精度均值 (mAP@0.5), 参数数量, 计算复杂度（FLOPs）	NA
1338	2026-05-26	Bridging scales: integrated multi-omics and deep phenotyping for climate resilience in crop plants 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1777294 PMID:42179484	综述	该文综述了深度表型分析与多组学数据相结合，以推动气候适应性作物育种革命的潜力	系统性地讨论了深度表型分析与多组学数据整合如何利用关联作图和机器学习框架来识别优良等位基因和调控中枢，从而打通基因型到表型通路，实现从分子到田间性能的预测育种	面临数据维度高、基础设施成本高以及需要标准化流程等挑战	评估将深度表型与多组学数据结合，开发高通量作物改良策略以应对气候变化和保障粮食安全	农作物（多种作物）	机器学习	NA	下一代测序, 多组学, 深度表型分析, 非侵入性成像	监督学习, 无监督学习, 深度学习	多组学数据（基因组、转录组等）, 图像（表型成像）	NA	NA	NA	NA	NA
1339	2026-05-26	Detection and classification of lung cancer using sequential hybridization of CNN and RNN type architectures 2026, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2026.1786859 PMID:42179777	研究论文	提出一种融合CNN和RNN的深度学习框架用于CT图像肺癌多分类	采用DenseNet201提取特征后串联双向门控循环单元（BiGRU）进行序列表示学习，并通过CLAHE增强、形态学分割和结节聚焦掩码优化预处理	需在更大规模多中心数据集和临床测试中验证	开发自动化可靠的CT图像肺癌分类框架，区分良性、恶性和正常肺组织	1,600张CT扫描图像	计算机视觉	肺癌	CT成像	CNN-RNN混合模型	图像	1,600张CT图像（约70%训练，30%验证）	TensorFlow	DenseNet201, 双向门控循环单元（BiGRU）	准确率, 精确率, 召回率, F1分数	NA
1340	2026-05-26	A patient-aware benchmarking of CNN and transformer architectures for breast cancer histopathology classification 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1752938 PMID:42179815	研究论文	在乳腺癌组织病理学分类任务中，对CNN和Transformer架构进行患者感知的基准测试	采用严格的无数据泄露患者感知交叉验证协议，系统比较了九种深度学习架构在乳腺癌组织病理学分类中的性能，并发现不同架构间的性能差异无统计学显著性	仅使用BreaKHis单一数据集，且高倍率（400×）图像因上下文信息不足导致性能下降	建立无数据泄露的基准测试框架，评估不同深度学习架构在乳腺癌组织病理学分类中的可靠性	BreaKHis数据集中82名患者的7909张乳腺癌组织病理学图像	数字病理学	乳腺癌	组织病理学成像	CNN和Transformer	图像	82名患者的7909张图像	PyTorch	ResNet50, MobileNetV2, VGG16, DenseNet121, Xception, EfficientNetB0, ConvNeXt, Swin-Small, Swin-Base	准确率, 精确率, 召回率, F1分数, 配对t检验, 威尔科克森符号秩检验, 邦费罗尼校正	未指定（NA）