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
101	2026-06-29	Automated kidney stone segmentation from flexible ureteroscopy videos using a U-net model: A preliminary feasibility study 2026-Mar-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45143-7 PMID:41866407	研究论文	使用U-Net模型从柔性输尿管镜视频中自动分割肾结石的初步可行性研究	首次探索从真实柔性输尿管镜视频中直接分割肾结石，利用半自动标注管道和深度学习模型实现实时分割	数据集规模小、单中心数据、缺乏临床整合，分割性能在出血、密集碎屑和严重运动模糊等挑战性条件下下降	评估基于深度学习的肾结石分割从柔性输尿管镜视频中的可行性，为术中引导提供实时辅助	肾结石	计算机视觉	肾结石病	柔性输尿管镜视频	U-Net	视频帧	12名患者的12段柔性输尿管镜视频（约11小时视频）	PyTorch	U-Net, DenseNet-121	像素准确率, Dice系数	NVIDIA T4 GPU
102	2026-06-29	Artificial intelligence-based prediction of fetal hypoxia: a multicenter model development and nationwide AI-human comparison 2026-03-21, BMC medicine IF:7.0Q1 DOI:10.1186/s12916-026-04794-z PMID:41864912	研究论文	基于人工智能的胎儿缺氧预测模型开发及全国性人机对比研究	提出多种深度学习架构（CAP）用于CTG解读，并在全国性人机对比中证明其优于人类专家，同时通过Grad-CAM增强模型可解释性	未明确提及，但可能包括模型在真实临床环境中的泛化性及外部验证数据集（CTU-UHB）的性能略低于内部测试	开发并验证人工智能模型用于预测分娩期胎儿缺氧，并与人类专家进行对比	来自三家三级医院的CTG追踪数据，共20,780条用于模型开发，467例用于人机对比	机器学习	胎儿缺氧	CTG（胎心监护）	CNN, Transformer, LSTM, CfC	时间序列数据（CTG追踪）	20,780条CTG追踪用于开发，467例用于人机对比，10,571份专家应答	NA	CNN, Transformer, LSTM, CfC	AUROC（受试者工作特征曲线下面积）	NA
103	2026-06-29	Hybrid tuned deep learning model for breast cancer diagnosis using genetic data 2026-Mar-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41643-8 PMID:41865006	研究论文	提出一种混合调优深度学习模型，利用遗传数据对乳腺癌进行诊断与预后预测	将随机森林排名与关联规则挖掘相结合的多阶段特征选择过程，以及卷积神经网络与双向长短期记忆网络融合的混合深度学习模型，并采用贝叶斯方法进行迭代优化	未明确提及，但数据增强（SMOTE和高斯噪声）表明对噪声和类别不平衡的处理可能存在局限	通过开发一种稳健的混合计算预测方法，提升乳腺癌早期诊断和预后能力	乳腺癌患者的多组学数据，包括基因组和临床特征	机器学习	乳腺癌	全基因组测序、临床特征分析	CNN、BiLSTM	遗传数据、临床数据	两个数据集：TCGA（17,814基因）和METABRIC（503临床/基因组特征）	NA	CNN、BiLSTM	准确率、AUC、召回率	NA
104	2026-06-29	Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection 2026-Mar-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44545-x PMID:41865087	研究论文	提出基于U-Net架构的深度学习框架，有效去除皮肤镜图像中的毛发和伪影，提升皮肤癌检测性能	设计混合损失函数（Dice与二元交叉熵）及全面数据增强策略，在保留病灶精细特征的同时实现毛发伪影的高效移除，并在分类任务中验证预处理对诊断准确率的显著提升	NA	通过深度学习去除皮肤镜图像中的毛发和伪影，改善图像质量并提高自动化皮肤癌诊断的可靠性	皮肤镜图像中因毛发、反光及照明伪影导致的病灶特征模糊问题	计算机视觉, 数字病理学	皮肤癌	皮肤镜成像	U-Net	图像	HAM10000数据集（10,015张图像）和ISIC 2018数据集	NA	U-Net	峰值信噪比, 结构相似性指数, 交并比, 准确率, F1分数	NA
105	2026-06-29	Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning 2026-Mar-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44368-w PMID:41862532	研究论文	利用惯性测量单元采集老年人步态信号，通过可解释深度学习方法分类跌倒者和非跌倒者，并揭示步态相位异常与跌倒风险的关系	首次将可解释人工智能LIME应用于基于IMU的步态深度学习分类模型，量化了站立相异常对跌倒史分类的贡献度	样本量有限（163人），缺乏独立纵向验证，且分类任务基于回顾性跌倒史而非前瞻性预测	开发基于IMU步态数据的深度学习模型，准确分类老年人跌倒史，并解释关键步态模式	70-98岁老年人的步态加速度和角速度信号	机器学习	老年性疾病	IMU	LSTM, CNN	时间序列	163名70-98岁老年人	NA	LSTM, CNN	准确率	NA
106	2026-06-29	Advances in Imaging-Based Fracture Risk Assessment for Unlocking Latent Skeletal Fragility 2026-Mar-21, Current osteoporosis reports IF:4.2Q1 DOI:10.1007/s11914-026-00961-6 PMID:41862661	综述	综述利用常规临床图像进行基于成像的骨折风险评估的最新进展	总结利用深度学习技术从常规临床图像中捕获骨骼脆弱的额外因素，超越传统骨密度测量方法	需要进一步研究以增强稳健性并促进临床整合	综述基于成像的骨折风险评估方法的最新进展	常规临床图像（CT、X光片、DXA、MRI）	计算机视觉	骨折	NA	深度学习	图像	NA	NA	NA	NA	NA
107	2026-06-29	Deep learning-based seed germination prediction using morphological traits and RGB images 2026-Mar-19, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-026-08599-3 PMID:41851627	研究论文	提出一种基于深度学习的方法，利用RGB图像和形态特征自动预测种子萌发能力	结合RGB图像自动提取的形态特征与深度学习模型，实现种子萌发能力的自动化预测，并针对三种不同种子类型和三种不同成像来源进行了验证	仅评估了三种种子类型（秋葵、茄子、番茄），未来需在更多种子类型上验证模型的泛化能力	实现种子萌发能力的自动化预测，以简化农业种子筛选过程	秋葵、茄子和番茄种子的RGB图像及其对应萌发状态	计算机视觉	NA	RGB成像	深度学习模型	图像	共3,645张图像，来自三种种子类型，每种种子405张图像，从三种成像源（数字显微镜、相机、扫描仪）获取	NA	所提模型及VGG19、ResNet50、EfficientNetB5	加权F1分数	NA
108	2026-06-29	Mke-resnet: a lightweight and interpretable deep learning framework for efficient RNA m6A site identification 2026-Mar-19, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06416-0 PMID:41857714	研究论文	提出MKE-ResNet，一种轻量级且可解释的深度学习框架，用于高效识别RNA m6A修饰位点	创新性地将深度残差网络与多核高效通道注意力模块结合，实现超轻量级端到端框架，在保持竞争性能的同时大幅降低计算复杂度	未提及明显的局限性	开发一种计算高效且具有生物学可解释性的RNA m6A位点识别方法	RNA N6-甲基腺苷（m6A）修饰位点	机器学习	NA	RNA-seq	残差网络	序列数据	22个数据集	PyTorch	ResNet, MKE-ECA	AUROC	NA
109	2026-06-29	A secure and explainable multimodal biometric system using trust adaptive fusion for face and fingerprint 2026-Mar-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43252-x PMID:41857140	研究论文	提出一种结合深度学习、信任自适应融合和加密域匹配的安全且可解释的多模态生物特征系统，用于人脸和指纹识别	创新性地将MobileNet特征提取、信任自适应融合（TAF）策略和CKKS同态加密相结合，并利用Grad-CAM增强模型的可解释性，在保护隐私的同时提高了系统的鲁棒性和安全性	仅在CASIA-FaceV5和CASIA-FingerprintV5特定数据集上评估，未见在更大规模或更复杂数据集上的验证，且系统计算复杂度可能较高	开发一种安全、可解释、保护隐私的多模态生物特征认证框架，以解决传统多模态系统的复杂性、特征融合不充分和黑箱模型缺乏透明度的问题	人脸和指纹生物特征认证系统	生物特征识别，深度学习	NA	MobileNet特征提取，CKKS同态加密，Grad-CAM可视化	CNN	图像	使用CASIA-FaceV5和CASIA-FingerprintV5数据集	NA	MobileNet	错误率	NA
110	2026-06-29	Prediction of coronary artery disease using retinal optical coherence tomography angiography imaging and electronic health records: a multimodal machine learning approach 2026-Mar-19, BMC cardiovascular disorders IF:2.0Q3 DOI:10.1186/s12872-026-05660-9 PMID:41857509	研究论文	开发并验证了一种通过整合视网膜OCTA影像与电子健康记录数据来预测冠状动脉疾病的多模态机器学习方法	首次将基于Transformer的多尺度风格学习算法应用于OCTA图像，联合分割中心凹无血管区和视网膜血管，并量化98个视网膜血管成像生物标志物，结合电子健康记录数据构建多模态预测模型，显著提升了冠心病预测性能	未在摘要中明确提及，但可能包括回顾性研究设计、单中心数据、样本量相对有限（542例）及模型外部验证缺失	开发一种非侵入性、基于AI的冠心病预测模型，通过整合视网膜OCTA影像特征与电子健康记录数据，验证视网膜-冠状动脉轴在临床筛查中的可行性	542名同时接受OCTA和侵入性冠状动脉造影的患者，时间跨度为2022年7月至2023年10月	计算机视觉, 机器学习	冠状动脉疾病	光学相干断层扫描血管成像(OCTA)	Transformer, XGBoost	图像, 文本	542名患者（均为接受OCTA和冠状动脉造影的受试者）	PyTorch	Transformer, XGBoost, 基线深度学习网络模型（如CNN、LSTM等未具体点名）	AUC, 灵敏度, 特异度, 校准曲线, 决策曲线分析	NA
111	2026-06-29	FloraSyntropy-net: scalable deep learning with novel FloraSyntropy archive for large-scale plant disease diagnosis 2026-Mar-17, Plant methods IF:4.7Q1 DOI:10.1186/s13007-026-01519-4 PMID:41845427	研究论文	提出了FloraSyntropy-net，一个结合新型FloraSyntropy档案的深度学习框架，用于大规模植物病害诊断	首次引入包含178,922张图像、涵盖35种植物和97种病害类别的大规模数据集FloraSyntropy Archive，并提出FloraSyntropy-Net框架，该框架融合了模因算法（MAO）进行最优基模型选择（DenseNet201）、新型深度块增强特征表示，以及客户端克隆策略实现可扩展的隐私保护训练，在不相关的多类害虫数据集上展现了卓越的泛化能力（99.84%准确率）	摘要未明确提及限制	开发一个具有高度泛化能力的大规模植物病害诊断AI框架，克服现有模型在真实农业多样性场景中的局限性	35种植物物种的178,922张图像，涵盖97种不同的病害类别	计算机视觉	植物病害	深度学习	联邦学习（FL）、模因算法（MAO）、DenseNet201、深度块	图像	178,922张图像，涵盖35种植物物种和97种病害类别	NA	DenseNet201	准确率	NA
112	2026-06-29	A lightweight deep learning architecture for automatic shrimp disease classification 2026-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44195-z PMID:41845002	研究论文	提出了一种用于虾类疾病自动分类的轻量级深度学习架构FeatherNetX	提出轻量级架构FeatherNetX，兼具高准确率（93%）、小模型尺寸（0.739 M参数）和低计算成本（0.48 GFLOPs），并集成Grad-CAM++提升可解释性	未明确提及局限，但数据集为公开图像，可能缺乏多样性或实际养殖环境的复杂噪声	开发适用于资源受限场景的虾类疾病自动分类系统	虾类疾病（黑鳃病、白斑综合征病毒、黄头病毒）与健康虾的图像	计算机视觉	虾类疾病	图像分类	CNN	图像	公开虾类疾病图像数据集，采用5折交叉验证	NA	FeatherNetX	准确率, 模型参数量, 模型大小, 计算成本（GFLOPs）, 推理时间	资源受限环境，具体GPU未提及
113	2026-06-29	An attention-based multimodal deep learning framework integrating EEG and ECG for enhanced stress detection 2026-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44499-0 PMID:41844761	研究论文	提出一种结合EEG和ECG数据的注意力机制多模态深度学习框架，用于提高压力检测准确性	创新性地采用三种预训练神经网络骨干（VGG16、EfficientNetB0和ResNeXt50）统一处理多模态数据，并通过注意力融合层智能整合EEG和ECG信息	未提及具体局限性	客观测量个体压力水平，克服主观评估和单一生理参数测量的局限性	心理压力检测	机器学习	压力相关疾病	EEG脑电图, ECG心电图, 小波变换	CNN（卷积神经网络）	时间序列数据, 时频图	WESAD和CASE数据集，各35名受试者	PyTorch, TensorFlow	VGG16, EfficientNetB0, ResNeXt50	准确率	NA
114	2026-06-29	A hybrid deep learning approach integrating CNN and transformer for lung cancer classification using CT scans 2026-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41161-7 PMID:41844829	研究论文	提出一种结合CNN和Transformer的混合深度学习模型C-Swin，用于CT扫描图像中的肺癌分类	融合CNN与改进Swin Transformer，设计混合移位窗口注意力机制，同时捕捉局部和全局特征，提升肺癌分类准确率	未提及模型在真实临床环境中的泛化能力验证，以及数据集的规模限制可能影响模型鲁棒性	提高肺癌CT图像分类的准确性，降低假阴性率	肺癌患者的CT扫描图像	计算机视觉	肺癌	CT成像	CNN、Transformer	图像	IQ-OTH/NCCD公共数据集（三类分类）	NA	CNN、改进Swin Transformer	准确率、精确率、召回率、F1分数	NA
115	2026-06-29	From structure to design: experimental and AI-driven approaches in receptor-binding protein engineering for reprogramming phage host range 2026-Mar-17, Archives of microbiology IF:2.3Q3 DOI:10.1007/s00203-026-04830-9 PMID:41843138	综述	本文综述了实验和人工智能驱动方法在受体结合蛋白工程中用于重编程噬菌体宿主范围的研究进展	系统总结了RBP的结构特征和工程策略，并全面评估了人工智能方法（如AlphaFold结构预测、深度学习宿主范围预测）在RBP工程中的应用	当前面临数据稀缺、模型可解释性差、高通量实验验证瓶颈以及生物安全和伦理问题等挑战	探讨如何通过实验和AI方法整合来设计具有定制宿主特异性的下一代噬菌体疗法	噬菌体受体结合蛋白（RBP）及其工程化改造方法	机器学习	细菌感染（多重耐药菌感染）	结构预测、定向进化、深度学习	深度学习模型	蛋白质结构数据、序列数据	NA	NA	AlphaFold	NA	NA
116	2026-06-29	Integrated approaches for lameness control in free-stall dairy systems under heat stress and water scarcity 2026-Mar-17, Tropical animal health and production IF:1.7Q2 DOI:10.1007/s11250-026-04948-4 PMID:41843196	综述	综述了热应激和水资源短缺条件下自由式牛舍系统跛行控制的综合方法，包括传感器技术和机器学习模型的应用	首次综合分析了热应激和水资源短缺对奶牛跛行风险的协同影响，并提出整合传感器技术与机器学习模型的多应激源监测框架	区域气候差异和基础设施障碍仍阻碍技术采纳，需要本地化阈值、农民培训和可持续实施策略	探索在热应激和水资源短缺条件下整合传感器技术和机器学习模型，实现跛行的早期预警和精准畜牧业管理	自由式牛舍系统中的奶牛跛行控制	机器学习	奶牛跛行	传感器技术、机器学习	随机森林、梯度提升决策树、支持向量机、深度学习姿态评估	NA	NA	NA	随机森林、梯度提升决策树、支持向量机、深度学习姿态评估	NA	NA
117	2026-06-29	Evaluating the feasibility of intraoral scanning technology for removable partial dentures: ai-assisted measurement analysis and clinical investigation 2026-Mar-17, Clinical oral investigations IF:3.1Q1 DOI:10.1007/s00784-026-06820-z PMID:41843229	研究论文	评估口内扫描技术用于可摘局部义齿数字化设计与制造的可行性，并比较不同肯尼迪分类下的口内扫描模型与传统终印模的3D偏差	首次将基于PointNet++的深度学习模型自动化分割与对齐用于口内扫描模型与传统印模的3D偏差分析，并结合肯尼迪分类、患者因素和解剖区域进行亚组分析	未明确提及具体局限性，但自由端延伸式可摘局部义齿需谨慎选择病例并调整后处理	评估口内扫描在不同肯尼迪分类中用于可摘局部义齿数字化设计与制造的可行性，并验证AI辅助分析作为传统逆向工程补充的可靠性	50名部分缺牙患者的口内扫描模型与传统终印模模型	数字病理学	牙缺失	口内扫描、逆向工程	PointNet++	3D点云数据	50名部分缺牙患者	NA	PointNet++	3D偏差值（均方根误差等）、ANOVA统计分析	NA
118	2026-06-29	Uncertainty-aware automated labeling of intracranial arteries using deep learning 2026-Mar-16, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02276-5 PMID:41840364	研究论文	提出一种融合不确定性量化的深度学习框架，用于颅内动脉的自动化标注	将测试时增强与创新性坐标引导策略相结合来建模置信度，减少推理过程中的插值误差，并首次将不确定性量化引入颅内动脉自动标注任务	所提方法仅在两种数据集上验证，样本量相对较小，可能限制其通用性	开发一种兼具准确性和不确定性感知的深度学习工具，用于颅内动脉的自动标注，以辅助脑血管诊断和血流动力学分析	颅内动脉的3D飞行时间磁共振血管成像分割数据	计算机视觉	脑血管疾病	3D飞行时间磁共振血管成像	卷积神经网络（CNN）	3D图像	内部数据集35例，外部公共数据集TubeTK ToF-MRA 20例	PyTorch	UNet（残差编码块）、CS-Net（注意力增强型UNet）、nnUNet	Dice系数、clDice、平均表面距离、95%豪斯多夫距离	NA
119	2026-06-29	Deep learning-based non-invasive prediction of axillary lymph node metastasis in breast cancer: performance of the YOLO-v11 object detection algorithm 2026-Mar-16, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02289-0 PMID:41840500	研究论文	提出基于YOLO-v11的深度学习系统，通过超声图像非侵入性预测乳腺癌腋窝淋巴结转移	首次将YOLO-v11单阶段目标检测算法应用于腋窝淋巴结的定位与良恶性分类，实现了高精度非侵入性预测	模型对恶性类别的置信度集中在0.82-0.87范围内，可能影响低置信度样本的可靠性；背景类别未作为语义类参与训练，可能影响假阳性与假阴性的处理	开发人工智能辅助的超声分析系统，为放射科医生和临床医生提供腋窝淋巴结转移的非侵入性决策支持	乳腺癌患者与对照组的腋窝淋巴结超声图像	计算机视觉	乳腺癌	超声成像	YOLO-v11（单阶段目标检测模型）	图像	471名患者（248名乳腺癌恶性病例，223名良性对照病例）	NA	YOLO-v11	mAP@0.5, F1分数, 精确率, 灵敏度	NA
120	2026-06-29	Explainable tabular deep learning models for antenatal cesarean delivery prediction in multiparous women 2026-Mar-16, BMC pregnancy and childbirth IF:2.8Q1 DOI:10.1186/s12884-026-08934-4 PMID:41840520	研究论文	系统评估可解释表格深度学习模型用于预测多产妇剖宫产	首次将混合Boruta-临床专家特征选择与SHAP和LIME可解释性方法相结合，系统比较多种表格深度学习模型在多产妇剖宫产预测中的性能	样本量有限（460例），数据集来自单一公开来源，模型泛化性需进一步验证	开发并评估用于多产妇产前剖宫产预测的可解释深度学习模型	460名多产妇的产科和产前变量数据（包含18个特征）	机器学习	产科疾病	NA	TabNet, TabPFN, CBAM-MLP, FT-Transformer, 多层感知机	表格数据	460名多产妇	NA	TabNet, TabPFN, CBAM-MLP, FT-Transformer, 多层感知机	ROC-AUC, PR-AUC	NA