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
1401	2026-09-18	Twelve quick tips for applying deep learning to animal sounds 2026-08, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014604 PMID:42585243	综述	本文为将深度学习应用于动物声音研究的研究者提供十二条实用建议，涵盖从问题定义到部署和伦理考量的完整生物声学机器学习生命周期	提出了一个迭代框架而非线性清单，强调基于现实错误代价的模型评估、迁移学习和开源工具的利用，以及应对野外条件下领域偏移的策略	作为指南性文章，未提供具体的实验验证或定量性能对比，可能缺乏针对特定应用场景的深度技术细节	为缺乏计算背景的生物学家、生态学家、行为科学家和保护工作者提供低门槛、可复现的动物声音深度学习应用指导	动物声音（生物声学录音数据）	机器学习	NA	NA	NA	音频	NA	NA	NA	NA	NA
1402	2026-09-18	Structure-aware deep learning enhances m6A prediction and reveals cell type-associated RNA structural signatures 2026-08, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014649 PMID:42599984	研究论文	该文提出SMART-m6A深度学习框架，通过整合序列与RNA结构信息提升m6A位点预测性能并揭示细胞类型相关的RNA结构特征	首次将序列衍生的RNA结构特征与序列信息通过并行卷积特征提取和结构引导注意力机制进行多特征融合，用于m6A位点预测，并在序列模糊候选位点上展现出明显优势	摘要中未明确提及研究的局限性	提升m6A位点计算预测的准确性，并探索RNA结构信息在表观转录组学预测中的互补价值	m6A RNA修饰位点及其序列与结构特征	机器学习	NA	m6A测序，RNA结构探测	Transformer，CNN	序列，结构	NA	NA	Transformer，CNN	NA	NA
1403	2026-09-18	Neuroscience-guided bilateral thalamic MRI deep learning for obstructive sleep apnea diagnosis: a dual-center translational study 2026-Jul-31, BMC psychiatry IF:3.4Q2 DOI:10.1186/s12888-026-08472-5 PMID:42717319	研究论文	该研究通过小鼠间歇性缺氧实验发现丘脑激活，特别是中央外侧丘脑核（CL），并基于此开发了一种双侧丘脑MRI深度学习模型，用于阻塞性睡眠呼吸暂停（OSA）的辅助诊断，在双中心数据中进行了验证	首次将神经科学实验发现（间歇性缺氧诱导的丘脑激活，CL亚区响应最强）与深度学习相结合，指导双侧丘脑ROI选择，并采用双分支3D CNN与Transformer特征融合架构，在外部测试集上验证了模型的泛化能力	摘要中未明确提及研究局限性	开发一种神经科学引导的MRI深度学习模型，用于阻塞性睡眠呼吸暂停（OSA）的辅助诊断	雄性C57BL/6J小鼠（间歇性缺氧模型）和来自两个中心的760名成人临床脑MRI及多导睡眠图（PSG）数据	数字病理学, 医学影像分析	阻塞性睡眠呼吸暂停	免疫荧光染色, 体内钙成像, 脑MRI, 多导睡眠图（PSG）	深度学习	图像, 临床数据	小鼠：6只（每组）；人类：760名成人（来自两个中心）	NA	双分支3D CNN, Transformer	AUC	NA
1404	2026-09-18	A hybrid generative and transformer-based framework for anomaly detection in industrial sensor time-series for predictive maintenance 2026-Jul-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-62330-8 PMID:42736324	研究论文	本文提出了一种结合改进TransGAN、Transformer时序建模和统计验证的混合异常检测框架，用于工业传感器时间序列的预测性维护	结合改进TransGAN架构、基于Transformer的时序序列建模和统计验证，实现无监督和有监督的工业异常检测，并提出加权融合和跨模型一致性方法提高检测可靠性	未明确讨论框架的计算复杂度和实时性，故障数据集较小且分布不平衡可能影响模型泛化能力	解决工业4.0中多元时间序列传感器数据的异常检测问题，用于预测性维护	工业传感器多元时间序列数据，包括Machine Failure数据集、SWaT数据集和起重机电流数据集	机器学习	NA	生成对抗网络，Transformer，时序序列建模，统计验证，双向LSTM-GRU	TransGAN，Transformer，Bidirectional LSTM-GRU	时间序列	两个基准数据集（Machine Failure和SWaT）和一个真实世界未标注起重机电流数据集	NA	TransGAN，Transformer，Bidirectional LSTM，GRU，卷积神经网络	准确率，精确率，召回率，F1分数	NA
1405	2026-09-18	Predicting weekly instability in depressive symptoms among individuals diagnosed with Major Depressive Disorder using deep learning and passively-collected movement data 2026-Jul, Journal of affective disorders reports DOI:10.1016/j.jadr.2026.101102 PMID:42746325	研究论文	本研究利用深度学习模型和被动采集的加速度计数据，预测重度抑郁症患者抑郁症状的每周不稳定性。	采用预注册研究设计，使用被动采集的加速度计数据预测重度抑郁症患者短期抑郁症状波动，并评估其预测性能。	模型预测性能低于随机截距基线模型，预测个体内不稳定性变异性低于随机水平，临床实用性有限，需纳入更多被动感知模态。	检验深度学习模型能否预测重度抑郁症患者短期抑郁症状波动。	临床诊断为重度抑郁症的个体。	机器学习	重度抑郁症	加速度计被动传感	深度学习	加速度计时间序列数据、EMA问卷数据	179名临床抑郁症患者，每人平均214.49份EMA问卷，中位数237，最少77，最多270，标准差54.27	NA	NA	AUC, 敏感度, 特异度	NA
1406	2026-09-18	Hourly ozone prediction using ensemble forecasting to accurately capture peak concentration: a case study of Tehran, Iran 2026-Jul, Environmental science and pollution research international DOI:10.1007/s11356-026-38197-7 PMID:42681216	研究论文	本文提出了一种残差感知元集成（RAME）混合深度学习框架，用于每小时臭氧浓度预测，特别关注峰值浓度事件和监管超标情况，并以伊朗德黑兰为案例进行了验证	提出了残差感知元集成（RAME）框架，将双向循环单元与膨胀卷积相结合，并引入残差校正机制，通过元学习器补偿加权集成预测与实际浓度之间的差异，从而显著提升对光化学峰值时段臭氧浓度的预测能力	未明确提及	实现高分辨率的每小时地表臭氧浓度预测，准确捕捉峰值浓度事件和监管超标情况，以支持城市空气质量管理、公共卫生保护和监管合规	德黑兰八个监测站点的地表臭氧浓度数据、24小时历史污染物数据和实时气象参数	机器学习	呼吸系统疾病	NA	CNN, RNN, 集成学习, 元学习	时间序列	德黑兰八个监测站点的观测数据	NA	双向循环单元, 膨胀卷积, 元学习器	R², RMSE, MAE	NA
1407	2026-09-18	Dynamic models of occupational fatigue: a systematic review for risk management advancement 2026-Jun-29, BMC public health IF:3.5Q1 DOI:10.1186/s12889-026-28156-9 PMID:42374307	系统综述	本文系统综述了2019至2025年间关于职业疲劳动态模型的研究，评估其在疲劳管理与风险控制中的应用价值	系统梳理了四种动态疲劳建模方法（生理信息动态仿真、机器学习与深度学习实时监测、动态贝叶斯网络等概率动态模型、症状网络或贝叶斯图方法），并强调多模态输入与可操作输出对疲劳管理的重要性	纳入研究样本量小，缺乏充分的现场验证，证据分散于不同建模范式与行业，难以明确最适合实施的建模方法	综合近期关于职业疲劳动态模型的证据，评估其对疲劳管理与风险控制的相关性和适用性	2019至2025年发表的职业疲劳动态模型相关同行评审研究	机器学习	职业疲劳	NA	动态仿真模型, 机器学习, 深度学习, 动态贝叶斯网络, 贝叶斯图模型	NA	从180条记录中筛选出12项符合纳入标准的同行评审研究	NA	NA	NA	NA
1408	2026-09-18	Identifying the ideal deep learning algorithm to quantify the threshold effect of parental smoking on child nutritional status in South Asia 2026-Jun-27, Archives of public health = Archives belges de sante publique DOI:10.1186/s13690-026-01998-w PMID:42365358	研究论文	本研究利用深度学习算法分析南亚五国219,168名五岁以下儿童的DHS数据，评估父母吸烟对儿童营养状况的阈值效应，并识别最优预测模型	首次系统性地对16种深度学习模型进行基准测试以识别最优模型（贝叶斯神经网络BNN），并创新性地将深度学习应用于量化父母吸烟对儿童营养不良的阈值效应，发现了每日10支香烟的阈值及超过阈值后每增加一支香烟营养不良风险增加3.2倍的新证据	研究为二次分析公开的去标识化DHS数据，非前瞻性干预研究；仅覆盖南亚五国，结论的泛化性有待验证；未提及具体计算资源信息	准确识别南亚地区儿童营养不良的可改变风险因素，利用深度学习算法评估儿童营养状况与室内父母吸烟污染的阈值关系	南亚五国（孟加拉国、印度、马尔代夫、尼泊尔、巴基斯坦）219,168名五岁以下儿童及其父母的吸烟行为与儿童营养状况数据	机器学习	儿童营养不良	NA	贝叶斯神经网络BNN	表格数据	219,168名五岁以下儿童（来自2016-2022年南亚五国DHS调查数据）	NA	贝叶斯神经网络BNN	NA	NA
1409	2026-09-18	Application of transformer attention mechanism-based multimodal deep learning model in the diagnosis of papillary thyroid carcinoma 2026-Jun-27, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02530-w PMID:42374243	研究论文	该研究开发了一种基于Transformer的多模态深度学习模型，用于提高甲状腺乳头状癌（PTC）和良性结节的超声诊断准确性	提出了Efficientnetv2scbamTrans融合模型，结合CBAM注意力机制和Transformer，通过多模态融合（影像、临床特征）显著提升诊断性能，并利用SHAP和Grad-CAM进行可解释性分析	未明确提及	开发并评估基于Transformer注意力机制的多模态深度学习模型在甲状腺乳头状癌诊断中的应用价值	甲状腺结节患者	医学图像分析	甲状腺癌	超声成像	Transformer, CNN	图像, 临床特征	491例甲状腺结节患者（来自两个中心），其中苏州第九人民医院406例（训练集284例，验证集122例），江苏盛泽医院85例外测集	NA	EfficientNetV2, CBAM, Transformer, DenseNet201	AUC, 敏感性, 特异性, 空间IoU, 能量集中度, 峰值中心距离	NA
1410	2026-09-18	Multimodal deep learning for papillary thyroid carcinoma diagnosis using ultrasound and cytology 2026-Jun-27, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02526-6 PMID:42374268	研究论文	本文使用超声和细胞学数据的多模态深度学习模型对甲状腺乳头状癌进行诊断，并在更严格的评估协议下重新检验了先前研究的结果	提出了一个结合ConvNeXt-Tiny超声编码器、领域预训练的CTransPath细胞学编码器、门控注意力多实例学习和双向交叉注意力融合的多模态深度学习模型，并分析了校准方法在交叉验证集成中的适用性	超声分支在整图像裁剪上操作，没有明确的病灶定位；与v1基线相比的改进在统计上不显著；由于公共数据集未发布病灶掩膜，经典比较器使用了全图像特征而非基于ROI的特征	在更严格的评估协议下重新审视先前研究结果，并贡献一个用于PTC诊断的校准多模态深度学习模型	来自Pang队列的384名患者（220名PTC，164名良性）	医学图像分析	甲状腺癌	多模态深度学习，使用超声和细胞学数据，结合放射组学和深度学习	多模态深度学习模型	图像	384名患者（220 PTC，164良性），其中20%的保留集（n=77），开发集（n=307）	PyTorch	ConvNeXt-Tiny, CTransPath, 门控注意力多实例学习, 双向交叉注意力融合, 自注意力基线	AUROC, Brier score, 灵敏度, 特异性, 校准误差, MCC	NA
1411	2026-09-18	Haplotype-aware long-read error correction 2026-Jun-27, Algorithms for molecular biology : AMB IF:1.5Q3 DOI:10.1186/s13015-026-00302-3 PMID:42374584	研究论文	本文提出了一种基于单倍型感知的长读长错误校正方法，通过形式化最小错误校正框架并引入实用启发式算法，在保持单倍型变异的同时提高校正准确性	提出了一个严谨的问题形式化，基于最小错误校正框架，证明了在de novo背景下该问题的NP难解性，并引入了实用启发式算法以扩展到大。规模数据集	未明确说明计算资源的使用情况，可能在大规模数据集上仍有计算效率的挑战	解决长读长测序数据在单倍型感知错误校正中的问题，保持单倍型特异性变异	长读长测序数据，特别是来自人类和植物基因组的PacBio HiFi测序数据集	基因组学	NA	PacBio HiFi测序	NA	序列数据	人类和植物基因组的PacBio HiFi测序数据集	NA	NA	准确性	NA
1412	2026-09-18	CancerSubtyper: a deep learning framework for cancer subtyping through DNA methylation data 2026-Jun-27, Epigenetics & chromatin IF:4.2Q1 DOI:10.1186/s13072-026-00682-1 PMID:42374575	研究论文	本文提出了CancerSubtyper，一个基于深度学习的DNA甲基化数据癌症分型端到端计算框架，通过用户友好的网络界面实现自动化的预处理、特征选择、批次校正和癌症分型	开发了集成了半监督分类器和混合监督-无监督框架的深度学习工具，能够自动处理高维DNA甲基化数据并进行癌症分型，同时提供交互式网络界面降低使用门槛	摘要中未明确提及研究的局限性	解决DNA甲基化数据在癌症分型应用中面临的高维度、批次效应和缺乏自动化分析工具的问题，提供精准肿瘤学的分子分型解决方案	癌症肿瘤样本的DNA甲基化数据	机器学习	癌症	DNA甲基化测序	深度学习模型	DNA甲基化数据	NA	NA	半监督分类器, 混合监督-无监督学习框架	NA	NA
1413	2026-09-18	Self-supervised cross frame-rate event-frame depth learning without ground truth 2026-Jun-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55770-9 PMID:42336889	研究论文	提出一种自监督事件-帧自注意力Transformer（EF-SAT）框架，在无真实深度监督下实现跨帧率的事件与帧深度估计	无需真实深度监督的自监督学习范式；跨帧率自注意力机制捕捉异构数据率的时空依赖；基于双线性插值的自采样、时间尺度一致的强度解码以及基于ATE和RPE约束的自我运动优化	仅在DAVIS-240C数据集上验证，缺乏更广泛数据集的泛化性评估；未详细报告计算资源与实时部署性能	在无真实深度标注条件下，实现事件相机与强度帧的跨帧率、时间稳定且精确的深度估计	事件相机事件流与强度帧数据（DAVIS-240C事件-帧数据集）	计算机视觉	NA	事件相机（event-based camera）视觉、自监督深度估计	Transformer	图像（事件流与强度帧）	DAVIS-240C事件-帧数据集	NA	Vision Transformer, Self-Attention Transformer (EF-SAT)	Absolute Relative Error, RMSE, ATE, RPE	NA
1414	2026-09-18	A deep learning-based multi-modal fusion framework for football foul recognition and referee decision assistance 2026-Jun-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58030-y PMID:42336911	研究论文	本文提出了一个基于深度学习的多模态融合框架FoulMFNet，用于足球犯规识别和裁判决策辅助	提出了一个多模态融合架构，联合处理外观特征、运动动态和骨骼表示，并通过动态加权集成；采用基于注意力的时间聚焦机制识别关键时刻；引入置信度校准模块产生良好校准的概率估计	未明确提及	开发自动犯规识别系统以辅助裁判判罚	足球比赛视频片段	计算机视觉	NA	深度学习	多模态融合网络	视频	12,463个事件片段	PyTorch	FoulMFNet	准确率, Cohen's kappa, 延迟	NA
1415	2026-09-18	GCMR-IMA: graph-based cross-modal retrieval with incomplete modality awareness 2026-Jun-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58071-3 PMID:42336925	研究论文	本文提出了一种基于图的不完整模态感知跨模态检索方法（GCMR-IMA），用于解决图像-文本跨模态检索中的模态异质性、缺失数据和噪声问题	四项关键创新：(1) 双层语义架构与图像-文本双嵌入，用于全局语义图学习和长程语义捕获；(2) 稀疏化模态邻接图，建模潜在模态间关系；(3) 图引导的缺失模态感知方法，利用全局语义图的稀疏邻接矩阵为缺失模态提供语义一致的引导；(4) 自适应损失函数，优化模态投影以实现上下文感知的缺失模态检测	未明确提及	提升跨模态检索系统在缺失模态情况下的鲁棒性和有效性，支持实际应用中的更好决策	图像-文本对	计算机视觉，自然语言处理	NA	NA	图神经网络	图像，文本	NA	NA	NA	NA	NA
1416	2026-09-18	An F1-score-weighted ensemble of deep learning models for enhanced cloud detection in remote sensing imagery 2026-Jun-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58959-0 PMID:42337007	研究论文	本文提出了一种基于F1分数加权的深度学习模型集成框架，用于遥感影像中的云检测，通过融合CD-SLCNN、SRMF-CD和CNN-TransNet三个模型的互补优势，提高了检测性能	提出了一种基于F1分数加权的融合策略，系统性地整合多个深度学习模型的互补优势，并减轻其个体弱点，以解决亮表面误分类和薄云遗漏等问题	未明确提及	增强遥感影像中的云检测性能，解决单一模型在异质地表上性能不稳定的问题	Landsat-8遥感影像	计算机视觉	NA	深度学习	CNN, Transformer	图像	未明确提及，但使用了Landsat-8影像数据集	未明确提及	CD-SLCNN, SRMF-CD, CNN-TransNet	F1-score	未明确提及
1417	2026-09-18	Gastrointestinal endoscopic image classification using a hybrid modified inception network and a customized vision transformer with tree growth feature selection 2026-Jun-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55235-z PMID:42337277	研究论文	该文章提出了一种结合改进Inception网络和定制Vision Transformer的混合模型，并通过树生长算法进行特征选择，用于胃肠道内窥镜图像分类	提出了一种混合改进Inception网络和定制Vision Transformer（ViT-3）的架构，使用加权融合策略融合深度特征，并采用树生长算法（TGA）进行特征选择以减少冗余特征	未明确提及	开发基于深度学习的自动化方法，对胃肠道疾病内窥镜图像进行准确分类，以实现早期诊断	胃肠道内窥镜图像	计算机视觉	胃肠道疾病，包括癌症	内窥镜成像	CNN, Transformer	图像	Kvasir v1数据集4000张图像，Kvasir v2数据集8000张图像，涵盖8种胃肠道疾病类别	NA	改进Inception, Vision Transformer (ViT-3)	准确率, 灵敏度, 精确率, F1分数	NA
1418	2026-09-18	Prediction of college student psychological state based on deep learning framework combining the improved Whale Optimization Algorithm and LSTM 2026-Jun-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58725-2 PMID:42337345	研究论文	本文提出了一种结合改进鲸鱼优化算法（CNWOA）和LSTM的CNWOA-LSTM框架，用于预测大学生心理状态，并在Kaggle公开数据集上验证了其有效性	引入混沌初始化增强种群多样性和全局搜索能力，添加小生境算子缓解早熟收敛；使用改进的WOA优化LSTM的关键超参数（隐藏单元数、学习率、dropout率、批大小）	未明确提及	准确预测大学生心理状态，以提升教学质量和心理健康干预效果	大学生心理状态	机器学习	心理疾病	NA	LSTM	表格数据	Kaggle公开数据集，包含大学生行为特征、学习交互数据和心理评估指标	NA	LSTM	准确率	NA
1419	2026-09-18	Deep learning-based identification, classification and segmentation of infraosseous periodontal defects using a YOLOv8 neural network 2026-06-23, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-08919-x PMID:42337754	研究论文	本研究开发了一种基于YOLOv8神经网络的深度学习模型，用于识别、分类和分割骨内牙周缺损	首次将YOLOv8神经网络应用于骨内牙周缺损的识别、分类和分割，并实现了对缺损壁数的分类	数据集规模较小（329张根尖片），分类和分割性能中等，需要更大规模的数据集来进一步提升模型性能	开发YOLOv8模型以识别、分类和分割牙周缺损	骨内牙周缺损	计算机视觉	牙周疾病	根尖X线摄影	CNN	图像	329张根尖X线片	NA	YOLOv8	AUC-ROC, macro-average F1-score, IoU, Dice similarity coefficient (DSC)	NA
1420	2026-09-18	Hybrid-domain attention learning for lightweight underwater image enhancement and real-time vision deployment 2026-Jun-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58278-4 PMID:42331950	研究论文	本文提出一种轻量级混合域注意力网络，用于水下图像增强，并实现实时视觉部署	联合建模频率与空间信息，集成频率-空间注意力、通道注意力和多形状卷积，平衡性能与效率	未明确提及	解决水下图像颜色失真、低对比度和细节丢失问题，同时降低计算成本，实现实时部署	水下图像	计算机视觉	不适用	不适用	卷积神经网络	图像	未明确提及	未明确提及	未明确提及	PSNR, SSIM	未明确提及