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
341	2026-06-29	Mapping the landscape of AI in healthcare in Kazakhstan: a scoping review of readiness, development, and adoption 2026-Apr-04, BMC health services research IF:2.7Q2 DOI:10.1186/s12913-026-14484-4 PMID:41935295	综述	本研究系统梳理了哈萨克斯坦医疗领域人工智能与机器学习技术的准备程度、发展现状及实际应用情况	首次通过范围综述整合哈萨克斯坦医疗AI的准备度、发展和实施三个维度的证据，填补了该地区AI医疗应用系统性综述的空白	仅纳入10项研究，样本文献量有限；缺乏真实临床环境下的验证评估；不同研究间异质性较大	评估哈萨克斯坦医疗系统在人工智能和机器学习技术方面的准备度、发展水平及临床应用现状	哈萨克斯坦医疗AI相关学术文献（2020-2025年发表）	机器学习	NA	深度学习	NA	医学影像	10篇研究文献	NA	NA	NA	NA
342	2026-06-29	SoleFusion-Net: an explainable multimodal deep learning framework for diabetic foot syndrome classification in type II diabetes mellitus 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42207-6 PMID:41932959	研究论文	提出了一种可解释的多模态深度学习框架SoleFusion-Net，用于2型糖尿病中糖尿病足综合征的分类	提出了一种基于晚期融合双分支架构的多模态深度学习框架，并集成了多种可解释性技术（如Grad-CAM、SHAP、替代决策树和原型批评分析）以增强透明度和临床信任度	模型目前仅在504名患者的数据集上评估，需要外部验证以证明其泛化能力	通过整合足底压力图像和临床结构化数据，实现糖尿病神经病变的早期检测和严重程度分类	504名2型糖尿病患者，按神经病变严重程度（轻度、中度、重度）分层	计算机视觉, 机器学习	糖尿病, 糖尿病足综合征	NA	卷积神经网络（CNN），双分支多模态网络	图像, 结构化临床数据	504名患者	NA	双分支架构：图像分支采用卷积层，表格分支处理临床变量，晚期融合	准确率, AUC	NA
343	2026-06-29	MRI-based brain tumor prediction using convolutional neural network framework 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47044-1 PMID:41933029	研究论文	提出一种基于卷积神经网络的磁共振成像脑肿瘤预测模型，实现自动诊断	在资源受限的医疗环境下，通过轻量化CNN框架实现高精度脑肿瘤诊断，并采用超参数调优、早停和模型检查点技术优化泛化能力	未提及	为放射科医生提供辅助决策系统，用于早期脑肿瘤检测	脑肿瘤患者	计算机视觉	脑肿瘤	磁共振成像	卷积神经网络	图像	未提及	未提及	CNN	准确率、灵敏度、特异度、精确率、F1分数	未提及
344	2026-06-29	Multi-class classification of brain tumor using a ResNet101 backbone integrated with multi-scale deformable attention module and advanced data augmentations 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45675-y PMID:41933058	研究论文	提出一种基于ResNet101骨干网络结合多尺度可变形注意力模块和高级数据增强的脑肿瘤多分类方法	采用多尺度可变形注意力模块（MS-DAM）结合ResNet101骨干网络，通过混合增强策略和mixup正则化提升泛化能力，并利用Grad-CAM和SHAP实现模型可解释性	信息不足	提高脑肿瘤MRI图像的多分类准确性和可解释性，解决肿瘤形态多变和类别间细微差异带来的挑战	Kaggle 14类脑肿瘤MRI数据集	计算机视觉	脑肿瘤	MRI扫描	卷积神经网络（CNN），注意力机制	图像	Kaggle 14类脑肿瘤MRI数据集（具体数量未提及）	NA	ResNet101，多尺度可变形注意力模块（MS-DAM）	准确率	NA
345	2026-06-29	Deep learning detection of ectopic canines and molars in mixed dentition 2026-Apr-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45912-4 PMID:41927690	研究论文	开发深度学习模型自动检测混合牙列期全景X光片上的异位尖牙和磨牙	首次使用深度学习模型针对混合牙列期的异位尖牙和磨牙进行自动检测，并利用角度和位置标准定义异位萌出	对异位磨牙的检测性能不如尖牙一致，召回率较低	开发并验证深度学习模型在混合牙列期全景X光片上自动检测异位尖牙和磨牙的诊断能力	混合牙列期儿科患者的全景X光片	计算机视觉	牙科异常	NA	深度学习	图像	回顾性研究中使用混合牙列期儿科患者全景X光片数据集，未明确具体数量	NA	NA	精确率、召回率、F1分数、Dice系数、平均精度均值	NA
346	2026-06-29	A hybrid deep learning model for robust and efficient plant leaf disease detection using ResNet50, PCA, and SVM 2026-Apr-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46085-w PMID:41927866	研究论文	提出一种结合ResNet50、PCA和SVM的混合深度学习模型，用于植物叶片病害的稳健高效检测	通过集成预训练ResNet50作为特征提取器、PCA降维和SVM分类器，在保持高分类精度的同时显著降低计算复杂度，实现了深度学习与机器学习的高效融合	仅使用受控数据集PlantVillage进行评估，缺乏真实田间复杂环境下的验证	在确保分类准确性的前提下，提升植物叶片病害检测模型的计算效率与部署可行性	植物叶片病害图像	计算机视觉	植物病害	NA	混合模型（ResNet50 + PCA + SVM）	图像	PlantVillage公开数据集，包含38类正常与病变叶片样本	Scikit-learn	ResNet50	准确率	NA
347	2026-06-29	DSPONVNet: a multimodal deep learning model integrating intraoperative monitoring and clinical features for predicting postoperative nausea and vomiting risk 2026-Apr-02, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-026-02845-w PMID:41928118	研究论文	提出一种整合术中监测数据与临床特征的多模态深度学习模型DSPONVNet，用于术后恶心呕吐风险预测	首次将术中动态生理信号（如心率波动）与传统静态临床特征融合，利用自注意力机制实现多模态特征融合，显著提升预测性能	NA	开发一种融合术中监测数据与结构化临床变量的稳健预测模型，提升术后恶心呕吐风险评估的准确性	接受全身麻醉的患者	机器学习	术后恶心呕吐	NA	多层感知机、长短期记忆网络、自注意力机制	结构化临床特征、动态术中监测信号	53,250例接受全身麻醉患者	NA	MLP、LSTM、自注意力融合机制	ROC-AUC, F1分数	NA
348	2026-06-29	Predicting positive airway pressure appointment attendance using machine learning and deep learning: the role of clinical and oximetric indicators 2026-Apr-02, Sleep & breathing = Schlaf & Atmung DOI:10.1007/s11325-026-03660-9 PMID:41925778	研究论文	利用机器学习和深度学习技术预测阻塞性睡眠呼吸暂停综合征患者是否出席首次气道正压通气治疗	区别于多数关注长期依从性的研究，本文聚焦于PAP治疗的初始参与，并比较多种机器学习与深度学习模型的预测能力	NA	识别影响患者出席首次PAP治疗预约的临床、生理和行为因素，并开发和比较多种预测模型	阻塞性睡眠呼吸暂停综合征患者	机器学习	睡眠呼吸障碍	NA	逻辑回归、决策树、随机森林、支持向量机、深度神经网络	临床指标、血氧指标	369名OSAS患者	NA	逻辑回归、决策树、随机森林、支持向量机、深度神经网络	相关性分析	NA
349	2026-06-29	Modelling of hybrid deep ensemble learning based skin lesion detection using FCNN denoising and inception-dilated ResNetV2 2026-Apr-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47053-0 PMID:41927887	研究论文	提出了一种混合深度集成学习方法，使用FCNN去噪和Inception-扩张ResNetV2进行皮肤病变检测	将FCNN去噪、Inception-扩张ResNetV2特征提取与Bi-LSTM、DBN、SNN三种深度学习模型集成，实现了高精度的皮肤病变分类	文中未明确提及具体局限性	提高皮肤病变分类的准确性，实现黑色素瘤的自动分析	皮肤病变图像，特别是黑色素瘤	计算机视觉	皮肤癌	皮肤镜成像	FCNN, Inception-扩张ResNetV2, Bi-LSTM, DBN, SNN	图像	ISIC皮肤癌数据集（未明确具体样本数量）	NA	FCNN, Inception-扩张ResNetV2, Bi-LSTM, DBN, SNN	准确率, AUC	NA
350	2026-06-29	Adaptive enhancement of chest X-ray images using tissue attenuation and local and global fusion 2026-Apr-02, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06429-9 PMID:41928064	研究论文	提出一种自适应增强方法，用于提升胸部X光图像的对比度、清晰度和解剖结构可见性	整合组织衰减可见性增强、线性变换对比度调整和感知融合模块，实现区域特定的结构感知增强，无需大量训练且可解释	未明确讨论方法的计算复杂度和泛化能力限制	解决胸部X光图像低对比度、噪声和局部细节丢失问题，提升骨骼和软组织识别准确性	胸部X光图像中的骨骼、软组织和解剖结构	计算机视觉	NA	NA	NA	图像	NA	NA	NA	对比度、清晰度、解剖结构可见性	NA
351	2026-06-29	Comparison of deep learning reconstruction and adaptive statistical iterative reconstruction for head CT in acute stroke 2026-Apr, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-025-03898-2 PMID:41549105	研究论文	比较深度学习重建与自适应统计迭代重建在急性卒中患者头部CT中的应用效果	首次在急性卒中患者中比较不同降噪强度的DLR与ASIR-V，发现中等降噪强度（DLR-M）在伪影减少与纹理偏好间达到最佳平衡	单中心回顾性研究，样本量有限，未评估DLR对诊断准确性的临床影响	评估DLR在急性卒中非增强头部CT中的图像质量优势	102名急性卒中症状成人患者的头部CT非增强扫描数据	医学影像	急性卒中	CT	深度学习重建	图像	102名患者（平均年龄68.65岁）	NA	NA	信噪比、对比噪声比、后颅窝伪影指数、颅骨下伪影指数、阿尔伯塔卒中项目早期CT评分	NA
352	2026-06-29	Deep learning framework for predicting EGFR mutation status from H&E whole slide images in lung adenocarcinoma 2026-Apr-01, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-026-15957-9 PMID:41923035	研究论文	开发并验证一种基于深度学习与机器学习的病理模型，用于从H&E染色全切片图像预测肺腺癌EGFR突变状态	将注意力机制的多实例学习框架与多种深度学习骨干网络结合，实现从常规病理切片中直接预测EGFR突变，并引入Lasso特征选择与机器学习分类器优化性能	研究为单中心回顾性设计，样本量有限，且需在更大规模多中心队列中验证以确认临床实用性	建立一种可扩展的、基于病理图像的EGFR突变预测模型，作为分子检测的辅助手段	268例经病理确诊的肺腺癌病例的H&E染色全切片图像	数字病理学	肺腺癌	H&E染色全切片成像	深度学习、机器学习	病理图像	268例肺腺癌病例	PyTorch	DenseNet201, ResNet50, MobileNetV3, VGG, Vision Transformer	AUC, 准确率, 灵敏度, 特异度	NA
353	2026-06-29	Cross-domain multimodal learning for stress-level prediction: a hybrid deep learning framework integrating independent EEG and facial expression datasets 2026-Apr-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41250-7 PMID:41922398	研究论文	提出一种跨域多模态学习框架，整合独立的脑电和面部表情数据集来预测压力水平	首次提出跨域多模态融合框架，利用独立的不同步采集的数据集实现压力水平预测，无需同步数据收集	未明确说明研究局限性，但跨域数据集可能存在特征对齐和噪声差异等问题	实现基于神经生理和面部表情分析的可靠压力水平预测	独立基准数据集DEAP（脑电）和FER2013（面部表情）	机器学习	心理健康	脑电图（EEG），面部表情分析	LSTM，ViT-CNN	脑电信号，面部图像	DEAP数据集（32名受试者），FER2013数据集（35,887张面部图像）	PyTorch	长短期记忆网络，视觉变换器-卷积神经网络	准确率，精确率，召回率，F1分数	NA
354	2026-06-29	An explainable ensemble for diabetic retinopathy grading with a novel confidence quality factor and configurable heatmaps 2026-Apr, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03514-2 PMID:41639532	研究论文	引入一种基于并行集成的新型可解释系统，用于糖尿病视网膜病变的五类国际临床分级	提出可配置热图、概率排序诊断建议和置信质量因子，增强临床解释性和信任度	NA	开发可解释的集成系统，支持细粒度DR分级，提升临床诊断透明度和信任度	糖尿病视网膜病变（DR）的眼底图像	计算机视觉, 数字病理学	糖尿病视网膜病变	NA	EfficientNetV2, ConvNeXt	图像	公开数据集	NA	EfficientNetV2, ConvNeXt	准确率, AUC	NA
355	2026-06-29	AdjLeafGNN: a hybrid deep learning and graph neural network framework for probabilistic modeling of adjacent leaf disease spread in precision agriculture 2026-Apr-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45061-8 PMID:41922441	研究论文	提出了一种混合深度学习和图神经网络的框架AdjLeafGNN，用于精准农业中相邻叶片疾病传播的概率建模	首次将CNN与图神经网络结合，在单一流程中同时实现多类叶片疾病分类和相邻叶片间疾病传播的概率预测，利用了通道-空间注意力模块和空洞空间金字塔池化	仅使用PlantVillage数据集评估，未在真实田间复杂环境下验证；未说明模型泛化能力及对大规模数据的计算成本	解决现有CNN方法忽略叶片间关系、无法建模疾病传播的问题，实现精准农业中的实时监测与控制	植物叶片图像及其相邻关系中的疾病传播路径	计算机视觉	植物叶片疾病	NA	CNN, 图神经网络	图像	PlantVillage数据集（具体样本数未提及）	NA	LDDNet, Atrous Spatial Pyramid Pooling (ASPP), Channel-Spatial Attention Module (CSAM), GNN	准确率, F1分数, AUC-ROC, MCC	NA
356	2026-06-29	A feasibility study of deep learning-based segmentation of the inferior alveolar nerve on magnetic resonance neurography 2026-Apr-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45392-6 PMID:41922607	研究论文	本研究探讨基于深度学习的磁共振神经成像中下牙槽神经自动分割的可行性	首次利用磁共振神经成像（MRN）图像实现下牙槽神经（IAN）的半自动分割，与以往基于CT或CBCT的骨性边界研究不同	分割的Dice相似系数标准差较大（0.254），表明模型在某些病例上可能存在不稳定性	验证基于MRN的IAN分割的可行性和潜在临床应用价值	下牙槽神经（IAN）	医学影像分析	NA	磁共振神经成像（MRN）	深度学习模型	磁共振图像	6027张冠状MRN图像	NA	NA	Dice相似系数（DSC）	NA
357	2026-06-29	Lightweight vision transformer and ResNet-9 models for real-time plant disease detection and pest classification with SHAP explainability 2026-Apr-01, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-026-08667-8 PMID:41922963	研究论文	开发基于轻量级Vision Transformer和ResNet-9的实时植物病害检测与害虫分类模型，并利用SHAP进行可解释性分析	提出结合ViT和CNN的轻量级混合架构，在保持高精度的同时实现实时推理，并首次综合评估模型的可解释性、定位质量和能效	基于注意力的模型在提升精度的同时降低了分类速度，且研究仅在公开数据集上验证，实际田间部署效果有待进一步测试	开发自动化的实时植物病害分类框架，支持农民和农艺师早期决策，促进可持续农业	植物叶片病害和害虫的图像分类	计算机视觉	植物病害	深度学习	Vision Transformer与CNN混合模型	图像	四个公开数据集：土耳其植物害虫与病害数据集（15类）、纳米比亚玉米图像数据集（3类）、香蕉图像数据集（3类）、坦桑尼亚玉米数据集（3类）	NA	Vision Transformer, ResNet-9, 混合ViT-CNN	准确率, 精确率, 召回率, F1分数, Cohen's Kappa, 指向准确率, 定位IoU, 质心定位误差, 归因稀疏度, 插入AUC, 删除AUC, 每张图像解释时间, 每张图像能耗, 内存占用	NA
358	2026-06-16	Deep learning-based citrus plant disease classification using a computationally efficient CNN model 2026-Apr-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50684-y PMID:42045534	研究论文	开发了一种计算高效的CNN模型用于柑橘植物病害分类，性能与预训练InceptionV3模型相当	提出自定义五层CNN模型AgriVision-L5，在保持高准确率的同时将训练时间减少50%，实现高效计算	NA	实现柑橘植物病害的自动分类，支持可持续农业和植物病害管理	柑橘植物叶片图像，分为健康和患病两类	计算机视觉	柑橘植物病害	NA	CNN	图像	从印度北部柑橘园采集的图像，以及来自GitHub和Kaggle数据库的图像	NA	AgriVision-L5, InceptionV3	准确率	NA
359	2026-06-16	Deep learning-assisted ultrathin broadband vanadium dioxide-based polarization-insensitive terahertz metamaterial absorber 2026-Apr-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50729-2 PMID:42036474	研究论文	提出一种基于二氧化钒的超薄宽带太赫兹超材料吸收器，并引入深度学习技术优化吸收性能	首次将多层感知机（MLP）、残差MLP和深度与交叉网络（DCN）等深度学习模型应用于优化二氧化钒基超宽带太赫兹超材料吸收器的吸收性能，实现偏振不敏感和大角度吸收	NA	设计并优化一种基于二氧化钒的超薄宽带偏振不敏感太赫兹超材料吸收器，并通过深度学习提升吸收性能	基于VO2互补加号的超薄宽带太赫兹超材料吸收器结构	机器学习	NA	太赫兹超材料设计	多层感知机（MLP）、残差MLP、深度与交叉网络（DCN）	模拟数据	NA	NA	多层感知机（MLP）、残差MLP、深度与交叉网络（DCN）	R²、误差指标	NA
360	2026-06-23	A coarse-to-fine restoration framework integrating deep semantic inpainting and texture-aware refinement for Jinling school landscapes 2026-Apr-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-49966-2 PMID:42036419	研究论文	提出一种从粗到细的修复框架，整合深度语义修复和纹理感知优化，专门针对金陵画派山水画进行虚拟修复	模仿金陵画派“骨法用笔，墨法渲染”的传统作画逻辑，将结构恢复与纹理沉积解耦，降低大规模生成模型中的“语义幻觉”风险	仅针对金陵画派山水画，可能不适用于其他传统绘画类型或高度破损的样本	实现高精度且历史保真度高的数字修复，平衡视觉合理性与历史严谨性	金陵画派山水画中的折痕、模糊等物理降解区域	计算机视觉	NA	深度生成模型	GAN（生成对抗网络）	图像	小样本艺术作品（具体数量未提及）	PyTorch	深度卷积网络、纹理感知优化模块	平均梯度、边缘密度	NA