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
1381	2026-01-14	Specific Emitter Identification by Edge Pattern Detection and Incremental Open-World Learning 2026-Feb, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3615797 PMID:41021937	研究论文	本文提出了一种用于特定发射器识别的增量开放世界学习框架，通过边缘模式检测和伪未知数据集生成来提升开放集识别能力	提出结合边缘模式检测与对抗样本生成的伪未知数据集构建方法，并设计了混合类增量学习机制以保持历史识别能力	未明确说明实际部署场景中的计算效率与实时性表现	解决开放世界场景下无线设备特定发射器的增量识别问题	无线设备发射的时域信号	机器学习	NA	边缘模式检测，对抗样本生成	深度学习模型	时域信号	真实采集数据集（未明确具体数量）	NA	NA	NA	NA
1382	2026-01-14	TransFace++: Rethinking the Face Recognition Paradigm With a Focus on Accuracy, Efficiency, and Security 2026-Feb, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3616149 PMID:41026835	研究论文	本文提出TransFace和TransFace++两种新颖的人脸识别框架，分别探索了ViTs和图像字节在人脸识别任务中的可行性，以解决现有CNN框架在全局特征捕捉、推理效率和隐私保护方面的不足	首次将ViTs和图像字节应用于人脸识别任务，提出了针对ViTs的DPAP数据增强和EHSM难样本挖掘策略，以及针对图像字节的TIBC压缩和SICA交叉注意力模块	未明确说明模型在极端光照、遮挡或跨域场景下的性能表现，也未讨论模型在移动设备上的部署可行性	提升人脸识别系统的准确性、效率和安全性	人脸图像数据	计算机视觉	NA	深度学习	Transformer, CNN	图像	未明确说明具体样本数量，但提到在流行的人脸基准数据集上进行实验	NA	Vision Transformer (ViT)	NA	NA
1383	2026-01-14	ID-Guard: A Universal Framework for Combating Facial Manipulation via Breaking Identification 2026-Feb, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3616232 PMID:41032538	研究论文	提出一个名为ID-Guard的通用框架，通过破坏身份识别特征来对抗基于深度学习的面部操纵	引入身份破坏模块（IDM）来抑制被操纵面部中的可识别特征，并采用动态加权策略优化跨模型性能	未明确说明框架在极端光照或遮挡条件下的鲁棒性，也未讨论对非面部图像或视频的适用性	开发一种主动防御方法，防止深度学习面部操纵技术的滥用	面部图像及其在深度学习模型中的操纵过程	计算机视觉	NA	对抗性扰动生成	编码器-解码器网络	图像	NA	NA	编码器-解码器网络	NA	NA
1384	2026-01-14	Performance Assessment of a Deep Learning-based Algorithm for Ovarian Cancer Histotyping in an Independent Data Set 2026-Feb-01, The American journal of surgical pathology DOI:10.1097/PAS.0000000000002481 PMID:41251420	研究论文	本研究评估了基于对抗性傅里叶域适应（AIDA）的深度学习算法在独立数据集上对卵巢癌组织亚型分类的性能	开发并验证了AIDA模型以应对跨机构病理切片变异性带来的领域偏移问题，通过多数投票和额外切片重训练策略提升了分类准确性	模型对子宫内膜样癌（EC）的分类准确性较低（62.4%），常见误分类包括黏液性癌误判为EC以及EC误判为高级别浆液性癌或低级别浆液性癌	评估深度学习算法在独立队列中分类五种主要卵巢癌亚型的性能，以提升临床诊断准确性	经手术治疗的卵巢癌患者，包括透明细胞癌、子宫内膜样癌、高级别浆液性癌、低级别浆液性癌和黏液性癌亚型	数字病理学	卵巢癌	深度学习，对抗性傅里叶域适应	深度学习模型	病理切片图像	来自阿姆斯特丹大学医学中心（1985-2022年）的独立患者队列，具体样本数量未在摘要中明确说明	未明确说明，但涉及深度学习框架	AIDA（对抗性傅里叶域适应模型）	平衡准确率	未在摘要中明确说明
1385	2026-01-14	Deep Neural Network Parameter Selection via Dataset Similarity Under Meta-Learning Framework 2026-Feb, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3618991 PMID:41056167	研究论文	本文提出了一种基于元学习的框架，通过数据集相似性联合推荐超参数和初始权重，以优化深度神经网络的性能	引入了一种新颖的元学习框架，首次联合考虑超参数和权重初始化，并利用浅层和深层元特征捕捉数据集多样性，通过数据集相似性进行参数推荐	未明确说明框架在非图像数据集上的泛化能力，且依赖于历史数据集的覆盖范围	优化深度神经网络在图像分类任务中的性能，通过数据集驱动的参数推荐减少调优负担	105个真实世界图像分类数据集，包括75个历史数据集和30个查询数据集	机器学习	NA	元学习，图像特征提取	Vision Transformer, CNN	图像	105个图像数据集	NA	Vision Transformer, 卷积神经网络	NA	NA
1386	2026-01-14	Synergistic integration of multidimensional differential spectroscopy and deep learning for robust phenol monitoring in complex industrial effluents 2026-Feb-01, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2025.344989 PMID:41526095	研究论文	本研究提出了一种结合化学选择性、多维光学传感和定制并行关联神经网络（PSNN）的新策略，用于复杂工业废水中苯酚的稳健监测	通过苯酚特异性溴化消除其光谱特征，构建双通道可变光程系统生成三维差分光谱矩阵，并开发了新型并行关联神经网络（PSNN），显著提升了监测精度和鲁棒性	实验室条件与现场测试存在性能差异，现场测试的MAE（172.9 μg/L）高于实验室条件（72.09 μg/L），且方法在复杂环境中的普适性需进一步验证	开发一种高选择性、高灵敏度的智能系统，用于复杂工业废水中苯酚的准确、实时在线监测	工业废水中的苯酚污染物，特别是来自焦化和炼油等过程的废水	机器学习	NA	紫外-可见光谱法，高效液相色谱法（HPLC）作为基准	CNN, PSNN	光谱数据（三维差分光谱矩阵）	NA	NA	并行关联神经网络（PSNN）	平均绝对误差（MAE）	NA
1387	2026-01-13	Prognostic Utility of a Deep Learning Radiomics Nomogram Integrating Ultrasound and Multi-Sequence MRI in Triple-Negative Breast Cancer Treated With Neoadjuvant Chemotherapy 2026-Feb, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine IF:2.1Q2 DOI:10.1002/jum.70054 PMID:40920176	研究论文	本研究评估了整合超声和多序列MRI的深度学习放射组学列线图在预测接受新辅助化疗的三阴性乳腺癌患者生存、复发和转移方面的预后性能	开发了一种整合临床参数、超声和多序列MRI的深度学习放射组学列线图模型，用于三阴性乳腺癌患者的预后预测，并进行了多中心验证	回顾性研究设计，样本量相对较小（103例患者），且仅针对三阴性乳腺癌这一特定亚型	评估整合超声和多序列MRI的深度学习放射组学列线图在预测三阴性乳腺癌患者预后方面的性能	接受新辅助化疗的三阴性乳腺癌患者	数字病理学	乳腺癌	超声成像, 多序列磁共振成像	深度学习放射组学模型	二维超声图像, 三维MRI图像	103例患者（训练组72例，验证组31例）	NA	深度学习放射组学列线图	一致性指数	NA
1388	2026-01-13	Artificial Intelligence Deep Learning Ultrasound Discrimination of Cosmetic Fillers: A Multicenter Study 2026-Feb, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine IF:2.1Q2 DOI:10.1002/jum.70079 PMID:41024593	研究论文	本研究利用基于YOLO架构的深度学习人工智能技术，通过超声图像对常见美容填充剂进行可靠鉴别	首次将人工智能深度学习应用于超声图像中美容填充剂的鉴别，填补了该领域的研究空白	对钙羟基磷灰石和聚甲基丙烯酸甲酯填充剂的识别性能较低且不一致，需要进一步优化	开发人工智能深度学习模型以在真实条件下通过超声图像准确鉴别不同类型的美容填充剂	超声图像中的美容填充剂，包括透明质酸、聚甲基丙烯酸甲酯、钙羟基磷灰石和硅油	计算机视觉	NA	超声成像	深度学习	图像	1432张来自6个国家14位医生收集的超声图像	NA	YOLO, YOLOv11	准确率, F1分数, 精确率, 召回率	NA
1389	2026-01-12	Hybrid TCN-BiGRU model for accurate air quality index prediction 2026-Feb-15, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.127577 PMID:41443548	研究论文	提出一种结合TCN和BiGRU的混合深度学习模型，用于准确预测空气质量指数	通过级联架构与残差连接整合TCN和BiGRU，利用TCN提取多尺度时间特征，BiGRU双向处理特征以捕获上下文依赖	跨年度验证显示性能下降8.3%，跨城市迁移学习仅能达到完全本地训练性能的74.2-82.7%	空气质量指数预测，用于污染控制和公共健康保护	北京、广州、上海等城市的空气质量数据	机器学习	NA	深度学习	TCN, BiGRU	时间序列数据	北京（2022年和2023年）、广州（2023年）、上海（2023年）的数据集，涵盖16个季节-区域场景	NA	TCN-BiGRU混合架构	RMSE, R值	NA
1390	2026-01-12	Possibilities and limitations of artificial intelligence in food-derived peptides 2026-Feb, Journal of the science of food and agriculture IF:3.3Q2 DOI:10.1002/jsfa.70099 PMID:40751946	综述	本文综述了人工智能在食品源肽研究中的应用、挑战与未来前景	深入探讨了AI与食品源肽研究的深度融合，提出了标准化多维数据库、计算可视化框架及跨学科策略等创新方向	面临数据集完整性不足、模型架构优化困难、可解释性受限、实验验证需求高以及蛋白质结构预测中的维度诅咒和局部最优等挑战	评估人工智能在食品源肽研究中的传统方法应用、当前局限性与未来发展机遇	食品源肽	机器学习	NA	NA	随机森林, 卷积神经网络	NA	NA	NA	NA	NA	NA
1391	2026-01-12	Detection of kochia [Bassia scoparia (L.) A.J. Scott] and waterhemp [Amaranthus tuberculatus (Moq.) J.D. Sauer] in sugarbeet field using hyperspectral imaging and deep learning technologies 2026-Feb, Pest management science IF:3.8Q1 DOI:10.1002/ps.70319 PMID:41147806	研究论文	本研究开发了一种基于高光谱成像和深度学习技术的模型，用于在田间条件下区分甜菜田中的杂草科氏藜和水苋菜	提出了一种结合光谱和空间特征的注意力增强卷积神经网络（AE-CNN），在杂草早期识别中实现了高达99.99%的分类准确率	研究仅针对两种特定杂草（科氏藜和水苋菜）与甜菜作物，未涉及其他杂草或作物种类，且模型性能依赖于高光谱成像数据，可能受田间环境条件影响	开发并评估一种能够准确区分甜菜田中入侵杂草与作物的高光谱成像深度学习模型，以支持精准农业中的定点杂草管理	甜菜田中的杂草科氏藜和水苋菜，以及甜菜作物本身	计算机视觉	NA	高光谱成像	CNN, SVM	图像	NA	NA	注意力增强卷积神经网络（AE-CNN）	准确率, 精确率, 召回率, F1分数	NA
1392	2026-01-12	Synthetic imaging in dentistry: A narrative review of deep learning techniques and applications 2026-Feb, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2025.106274 PMID:41338365	综述	本文是一篇关于深度学习在牙科成像中合成数据应用及挑战的叙述性综述	聚焦于使用合成数据作为解决牙科成像中数据隐私、类别不平衡和数据稀缺性挑战的潜在方案，并涵盖了技术、临床和伦理/监管多方面	牙科图像合成的研究仍然稀缺，缺乏关于使用合成图像进行数据增强影响的全面证据，关键挑战包括确保解剖学保真度和最小化伪影	探讨合成数据在牙科人工智能中克服数据稀缺和类别不平衡的潜力，以开发更稳健和可泛化的AI模型	牙科成像领域，特别是完全合成图像生成的研究	计算机视觉	NA	合成图像生成	GAN, VAE, DDPM	图像	NA	NA	生成对抗网络, 变分自编码器, 去噪扩散概率模型	NA	NA
1393	2026-01-12	Factors associated with rapid spinal radiographic progression in patients with axial spondyloarthritis: A hospital-based retrospective cohort study with mSASSS scoring using deep learning model 2026-Feb, Seminars in arthritis and rheumatism IF:4.6Q1 DOI:10.1016/j.semarthrit.2025.152888 PMID:41418417	研究论文	本研究利用深度学习模型辅助mSASSS评分，通过回顾性队列分析，识别了中轴型脊柱关节炎患者脊柱影像快速进展的相关因素和保护因素	首次将深度学习模型应用于mSASSS评分，以自动化、客观的方式评估脊柱影像进展，并结合时间依赖性广义估计方程分析相关因素	研究为单中心回顾性队列设计，样本量有限（242名患者），可能存在选择偏倚，且深度学习模型的泛化能力未在外部数据集中验证	识别中轴型脊柱关节炎患者脊柱影像快速进展的相关和保护因素	中轴型脊柱关节炎患者	数字病理学	中轴型脊柱关节炎	脊柱侧位X光摄影，深度学习模型	深度学习模型	影像（脊柱X光片）	242名患者，共379个观察间隔	NA	NA	调整后比值比，95%置信区间	NA
1394	2026-01-12	Deep transfer learning for comprehensive diagnosis of cotton leaf pathologies 2026-Feb, Microbial pathogenesis IF:3.3Q2 DOI:10.1016/j.micpath.2025.108257 PMID:41422871	研究论文	本研究通过深度学习和图像处理技术，建立了一种自动诊断棉花叶部病害的方法	结合多种深度学习架构（如CNN、InceptionV3、ResNet50、VGG16、VGG19、Xception）进行棉花叶部病害诊断，并探索了ResNet50、RegNet、EfficientNetB和Vision Transformers等先进技术以提升模型性能	未明确提及具体局限性，但后续研究旨在通过集成更先进技术进一步提高模型的精度和效率	开发一种可靠且精确的自动化工具，用于预测和诊断棉花叶部病害，以支持精准农业	棉花叶部病害，特别是叶枯病，以及健康叶片	计算机视觉	棉花叶部病害	图像处理	CNN	图像	超过4200张图像，包括约3000张棉花叶枯病图像和1200张健康叶片图像	NA	Convolutional Neural Network, InceptionV3, ResNet50, VGG16, VGG19, Xception	验证准确率	NA
1395	2025-11-05	Decoding the regulatory genome with large-scale deep learning 2026-Feb, Nature reviews. Genetics DOI:10.1038/s41576-025-00914-2 PMID:41184593	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1396	2026-01-11	Artificial intelligence for personalized management of vestibular schwannoma: a multidisciplinary clinical implementation study 2026-Feb, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooaf163 PMID:41502533	研究论文	本研究介绍并评估了一种用于前庭神经鞘瘤多学科团队会议的新型计算机辅助报告工具，旨在支持临床决策	利用深度学习自动分割肿瘤并提取体积和线性测量，为个性化管理提供自动化报告工具	自动化报告在28%的病例中需要人工修订，且初始准备时间略有增加	评估计算机辅助报告工具在前庭神经鞘瘤多学科团队会议中对决策效率和个性化管理的支持作用	前庭神经鞘瘤患者	数字病理学	前庭神经鞘瘤	MRI（对比增强T1和T2序列）	深度学习	医学影像	50名患者	NA	NA	Dice系数	NA
1397	2026-01-10	Iterative Modeling via Structural Diffusion (IMSD): Exploring Fold-Switching Pathways in Metamorphic Proteins Using AlphaFold2-Based Generative Diffusion Model UFConf 2026-Feb, Proteins IF:3.2Q2 DOI:10.1002/prot.70050 PMID:40990820	研究论文	本文提出了一种基于AlphaFold2的生成扩散模型UFConf的新算法IMSD，用于探索变形蛋白的折叠切换路径	开发了基于UFConf的迭代建模算法IMSD，首次利用生成扩散模型模拟变形蛋白从一种构象状态到另一种的完整折叠切换路径	NA	预测蛋白质折叠切换潜力并建模其重折叠路径	变形蛋白GA98、SA1 V90T和RfaH的C端结构域	机器学习	NA	生成扩散模型	扩散模型	蛋白质结构数据	NA	AlphaFold2	UFConf	NA	NA
1398	2026-01-10	A Novel Multimodal Deep Image Analysis Model for Predicting Extraction/Non-Extraction Decision 2026-Feb, Orthodontics & craniofacial research IF:2.4Q2 DOI:10.1111/ocr.70057 PMID:41195767	研究论文	本研究开发了一种基于深度学习模型的多模态图像分析模型，用于预测正畸治疗中的拔牙/非拔牙决策	提出了一种结合侧位头影测量片和口内扫描数据的多模态深度学习模型，并引入了新颖的牙齿空间特征提取方法	研究样本量相对有限（617例患者），且仅基于单一机构的数据，可能影响模型的泛化能力	开发一个辅助正畸医生决策的深度学习模型，用于预测拔牙/非拔牙的二元分类	617名正畸患者（平均年龄18.2岁，63.5%为女性）的侧位头影测量片和口内扫描数据	计算机视觉	口腔正畸	头影测量分析，口内扫描，特征提取	深度学习分类器	图像（侧位头影测量片和口内扫描数据）	617名患者（192例拔牙组，425例非拔牙组）	NA	CephNet，卷积自编码器	准确率，灵敏度，特异性，阳性预测值，阴性预测值，阳性似然比，阴性似然比，F1分数	NA
1399	2026-01-10	Small data, big challenges: Machine- and deep-learning strategies for data-limited drug discovery 2026-Feb, Advanced drug delivery reviews IF:15.2Q1 DOI:10.1016/j.addr.2025.115762 PMID:41421504	综述	本文综述了在数据有限的药物发现中，机器学习和深度学习面临的挑战及应对策略	针对药物发现流程中普遍存在的小数据问题，系统整合了传统机器学习方法和先进的深度学习策略，填补了现有综述的空白	NA	探讨在数据有限的药物发现中，如何应用和调整机器学习和深度学习模型	药物发现与开发流程中的关键任务	机器学习	NA	NA	CNN, LSTM, GAN	NA	NA	TensorFlow, PyTorch, Keras, Scikit-learn	ResNet, VGG, Transformer, U-Net, DenseNet, EfficientNet	准确率, 精确率, 召回率, F1分数, AUC, Dice系数	GPU类型（如NVIDIA RTX 3090, V100, A100）, 云平台（如AWS, Google Cloud, Azure）, 分布式计算
1400	2026-01-10	Artificial Intelligence and Machine (Deep) Learning in Otorhinolaryngology: A Bibliometric Analysis Based on VOSviewer and CiteSpace 2026-Feb, Ear, nose, & throat journal DOI:10.1177/01455613231185074 PMID:37515527	综述	本文通过文献计量分析可视化人工智能和深度学习在耳鼻喉科疾病中的研究热点与趋势	首次系统性地利用VOSviewer和CiteSpace软件对耳鼻喉科中AI和DL领域进行文献计量分析，揭示时间维度上的热点演变	仅基于Web of Science核心合集的232篇文章，可能未涵盖所有相关文献，且分析依赖于特定软件工具	通过文献计量分析帮助研究者理解人工智能和深度学习在耳鼻喉科疾病基础与临床研究的未来发展方向	耳鼻喉科疾病，包括耳硬化症、中耳炎、鼻息肉、鼻窦炎等	机器学习	耳鼻喉科疾病	文献计量分析	NA	文献数据	232篇文章和综述	VOSviewer, CiteSpace	NA	NA	NA