深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 1155 篇文献，本页显示第 461 - 480 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2026-06-16 |
Sharing a whole-/total-body [18F]FDG-PET/CT dataset with CT-derived segmentations: an ENHANCE.PET initiative
2026-Apr-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07218-y
PMID:41980990
|
研究论文 | 提供一个大型全身/全动态[18F]FDG-PET/CT数据集，包含CT-derived分割，用于深度学习训练和多模态图像分析 | 首次公开大规模全身和全动态[18F]FDG-PET/CT双模态数据集，包含1683例PET/CT图像及130个目标区域的CT-derived分割，填补了在临床管理中使用PET/CT数据的重要资源空白 | 个别分割可能由受训医师验证校正，存在主观差异；数据集主要为静止状态图像，缺乏动态或纵向数据 | 为深度学习训练、验证或多模态图像分析提供公开可用的大规模PET/CT数据集，推进PET/CT在临床管理中的应用 | 健康个体及恶性肿瘤和炎症疾病患者的PET/CT图像（包括关节炎、淋巴瘤、黑色素瘤、肺癌、头颈癌、泌尿生殖道癌等） | 数字病理学、医学图像分析 | 肿瘤疾病（肺癌、淋巴瘤、黑色素瘤、头颈癌、泌尿生殖道癌）及炎症性疾病（关节炎） | PET/CT成像 | NA | 图像（PET/CT） | 1683例PET/CT图像 | NA | NA | NA | NA |
| 462 | 2026-06-16 |
CRM-TI: an enhanced pipeline for computationally assigning the target genes of cis-regulatory modules by considering comprehensive long-range regulation mechanisms
2026-Apr-14, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00555-z
PMID:41981661
|
研究论文 | 提出CRM-TI流程，通过整合染色质相互作用和非编码RNA转录相关调控机制，利用深度学习准确预测顺式调控模块的靶基因 | 首次综合考虑染色质相互作用和CRM转录的非编码RNA相关调控，采用染色体分区方案避免过拟合，性能显著优于现有方法 | NA | 开发一种能够准确计算顺式调控模块靶基因的增强流程，解决现有方法忽略长距离作用和替代调控机制的问题 | 顺式调控模块及其靶基因的分配关系 | 机器学习 | NA | 深度学习 | 深度学习 | 基因组数据 | NA | PyTorch | NA | auROC | NA |
| 463 | 2026-06-16 |
SleepPACNet: new convolutional neural network considering phase-amplitude coupling for automatic sleep stage classification using single-channel electroencephalogram
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48881-w
PMID:41974873
|
研究论文 | 提出了一种名为SleepPACNet的新型卷积神经网络，利用单通道脑电图中的相位-幅度耦合特征进行自动睡眠阶段分类 | 首次将相位-幅度耦合（PAC）特征提取模块集成到卷积神经网络中，通过Hilbert变换提取低频相位信息与高频幅度信息，显著改善了快速眼动睡眠阶段的分类性能 | 仅基于单通道脑电图数据在Dreem数据集上验证，未在多通道或其他临床数据集上进行测试 | 提升单通道脑电图自动睡眠阶段分类系统的性能，特别是通过引入领域特定的PAC特征增强分类准确性 | 睡眠阶段的自动分类，重点是快速眼动睡眠检测 | 机器学习 | NA | 脑电图（EEG） | CNN | 单通道脑电图信号 | 使用Dreem数据集中的单通道（Fp1–Fp2）睡眠脑电图数据 | NA | SleepPACNet，包含PAC特征提取模块的CNN | 分类准确率（75.7%），以及与传统CNN模型（如SleepCNN）的对比 | NA |
| 464 | 2026-06-16 |
Soft multiclass feature augmented deep learning to predict tumor origins using cytology or histology whole slide images
2026-Apr-13, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02604-7
PMID:41974822
|
研究论文 | 提出首个基于深度学习的快速低成本癌症筛查方法，利用细胞学或组织学全切片图像预测肿瘤起源 | 首次提出数据高效的软多类特征增强深度学习框架，直接通过全切片图像识别恶性细胞的原发部位，克服了未知原发癌诊断难题 | NA | 开发一种快速、低成本的深度学习工具，通过全切片图像预测肿瘤原发部位，以指导个体化癌症治疗 | 来源于细胞学涂片、细胞块或组织病理切片的恶性细胞全切片图像 | 数字病理学 | 癌症 | 全切片成像 | 深度学习 | 图像 | 多中心组织学数据集（69个部位，1196张WSI）、CS数据集（260张WSI）和CB数据集（129张WSI） | NA | NA | 准确率 | NA |
| 465 | 2026-06-16 |
Combining structural modeling and deep learning to calculate the E. coli protein interactome and functional networks
2026-Apr-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71166-9
PMID:41965370
|
研究论文 | 整合三种方法在蛋白质组规模上预测蛋白质是否形成二元复合体，包括PrePPI、Topsy-Turvy和ZEPPI，并利用AF3Complex算法预测结构，通过聚类大肠杆菌互作组获得功能子网络 | 首次将基于三维结构信息的PrePPI、基于蛋白质语言模型的Topsy-Turvy和基于进化信息的ZEPPI三种方法整合，提升预测性能，并发现更多高置信度相互作用 | 未明确提及，但可能局限于大肠杆菌蛋白质组，且高置信度相互作用的验证依赖于HINT数据库质量 | 通过整合结构建模和深度学习方法计算大肠杆菌蛋白质互作组和功能网络 | 大肠杆菌蛋白质组中的二元蛋白质相互作用 | 自然语言处理、机器学习 | NA | 蛋白质语言模型、三维结构建模、进化信息评估 | 蛋白质语言模型（Topsy-Turvy）、结构预测模型（PrePPI、ZEPPI、AF3Complex） | 蛋白质序列和结构数据 | 374个蛋白质相互作用对用于结构预测，整个大肠杆菌蛋白质组用于互作组聚类 | NA | PrePPI、Topsy-Turvy、ZEPPI、AF3Complex | HINT数据库上的性能比较，高置信度相互作用识别数量 | NA |
| 466 | 2026-06-16 |
SeqHIVE: a Python package to convert the biological sequences to informative vectors for sequence property predictions
2026-Apr-11, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00534-4
PMID:41964095
|
研究论文 | 介绍了一个将生物序列转换为信息向量的Python包SeqHIVE，用于序列性质预测 | SeqHIVE提供了一个图形用户界面驱动的平台，整合了19种生物序列编码算法、5种特征选择算法和26种分类器，实现了序列到向量的自动转换与预测建模 | 未在文中明确提及本方法的局限性 | 开发一个全面的机器学习和深度学习平台，简化核酸和蛋白质序列预测管线的构建 | DNA、RNA和蛋白质序列的性质预测 | 机器学习, 数字病理学 | NA | 生物序列编码 | 机器学习分类器, 深度学习模型 | 序列数据 | NA | NA | NA | NA | NA |
| 467 | 2026-06-16 |
Improved tumor-only variant calling and mutation burden estimation with VarNet-T
2026-Apr-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71705-4
PMID:41957035
|
研究论文 | 提出VarNet-T，一个不需要匹配正常样本即可从肿瘤测序数据中准确识别体细胞突变的端到端弱监督深度学习框架 | 首次实现无需匹配正常样本的肿瘤-only体细胞突变检测，采用弱监督深度学习框架和端到端训练方式 | 该信息在标题和摘要中未明确说明 | 开发无需匹配正常样本的肿瘤-only体细胞突变检测方法，提高肿瘤突变负荷估计准确性 | 肿瘤测序数据中的体细胞突变和肿瘤突变负荷 | 机器学习 | 癌症 | NGS | 深度学习框架 | 基因组测序数据 | 1000个肿瘤样本，覆盖10种实体癌类型 | NA | VarNet-T | 准确率 | NA |
| 468 | 2026-06-16 |
MRI-based brain tumor detection through an explainable EfficientNetV2 and MLP-mixer attention architecture
2026-Apr-07, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-026-01728-0
PMID:41945251
|
研究论文 | 提出一种基于EfficientNetV2和注意力MLP-Mixer架构的深度学习模型，用于脑肿瘤MRI图像的分类，实现高精度与可解释性 | 首次将注意力机制MLP-Mixer与EfficientNetV2结合用于脑肿瘤分类，并利用Grad-CAM可视化增强模型决策的可解释性 | 仅使用公开的Figshare数据集（3064张T1加权对比增强MRI图像），可能无法全面代表不同扫描协议或肿瘤亚型的多样性 | 开发一种高精度且可解释的深度学习模型，用于脑肿瘤MRI图像的自动分类，以辅助临床诊断 | 脑肿瘤患者的T1加权对比增强MRI图像，包含三种肿瘤类型 | 计算机视觉 | 脑肿瘤 | MRI | EfficientNetV2、MLP-Mixer | 图像 | 3064张T1加权对比增强脑部MRI图像 | NA | EfficientNetV2、注意力MLP-Mixer | 准确率、精确率、召回率、F1分数 | NA |
| 469 | 2026-06-16 |
Benchmarking genomic foundation models for binary classification of gene fusion breakpoints from DNA sequences
2026-Apr-06, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00553-1
PMID:41943075
|
研究论文 | 对四种基于Transformer的基因组基础模型（NT、Evo2、HyenaDNA和DNABERT2）进行基因融合断点二分类性能的基准测试 | 首次系统性比较多种基因组基础模型在基因融合断点分类任务上的表现，发现NT和Evo2生成的嵌入向量显著优于专门设计的深度学习基线，且所需训练数据量大幅减少 | 未提及模型在不同突变类型（如点突变、插入缺失）上的泛化能力，以及在实际临床样本中的验证情况 | 评估基因组基础模型在DNA序列中基因融合断点分类任务上的数据效率和性能 | FusionAI数据集中的约52,000条10千碱基对DNA序列 | 机器学习 | 癌症（基因融合相关） | DNA测序数据，基因融合断点序列提取 | Transformer | DNA序列 | 约52,000条10千碱基对DNA序列 | PyTorch | Nucleotide Transformer, Evo2, HyenaDNA, DNABERT2 | 准确率, F1分数 | 未明确说明，但提及相对于基线模型（FusionAI）需要更少的计算时间 |
| 470 | 2026-06-16 |
Artificial intelligence-enabled histological analysis in pre-clinical respiratory disease models: a scoping review
2026-Apr, European respiratory review : an official journal of the European Respiratory Society
IF:9.0Q1
DOI:10.1183/16000617.0243-2025
PMID:42270117
|
综述 | 对人工智能在临床前呼吸系统疾病模型组织学分析中的应用进行范围综述，总结现有研究的特点、进展与不足 | 首次系统梳理AI在临床前呼吸系统模型组织学分析中的应用现状，识别了验证、透明性和标准化方面的关键差距 | 大部分研究使用‘黑箱’模型，缺乏可解释性技术；外部验证缺失，数据集和代码共享较少，影响可重复性 | 评估人工智能在临床前呼吸系统疾病模型组织学分析中的应用潜力与当前挑战 | 临床前呼吸系统疾病模型（主要使用小鼠模型）的组织学图像 | 数字病理学 | 肺癌、肺纤维化、结核病 | 组织学染色（苏木精-伊红、胶原或免疫标记物染色） | 卷积神经网络 | 图像 | 29篇符合纳入标准的原始研究（来自6271篇筛选文献） | NA | NA | 准确率（≥90%，7项研究）；其他指标因研究而异 | NA |
| 471 | 2026-06-15 |
Empirical evaluation of variability and multi-institutional generalizability of deep learning survival models: application to renal cancer CT scans
2026-Apr-15, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111603
PMID:41806695
|
研究论文 | 系统评估深度生存模型在肾癌CT影像中的变异性与多机构泛化能力 | 首次系统性分析数据划分、数据顺序、模型初始化和数据增强策略对CT影像深度生存模型泛化性能的影响 | 样本量有限（525名患者），仅针对肾癌CT影像，未探索其他癌症类型或影像模态 | 探究方法论选择如何影响深度生存模型在外部验证队列中的泛化能力 | 肾癌患者的CT影像数据及生存预测 | 计算机视觉,医学影像分析 | 肾癌 | CT扫描 | 3D ResNet-18 | CT影像 | 525名患者，来自9个机构（TCGA-KIRC、TCGA-KICH、TCGA-KIRP和KITS19公共数据集） | NA | 3D ResNet-18 | 一致性指数(C-index),风险比(HR) | NA |
| 472 | 2026-06-15 |
Machine learning-assisted HS-GC-IMS for discrimination and traceability of baby bottles based on volatile fingerprints
2026-Apr-12, Journal of chromatography. A
DOI:10.1016/j.chroma.2026.466833
PMID:41747496
|
研究论文 | 开发了结合顶空气相色谱-离子迁移谱与机器学习的分析方法，用于区分和追溯九种奶瓶的材料和品牌 | 首次将HS-GC-IMS与机器学习结合用于奶瓶的挥发性有机物指纹分析，并通过OPLS-DA的VIP评分与RF特征重要性整合确定关键判别标记，显著提升分类效率 | NA | 建立快速、可靠的奶瓶鉴别与追溯分析框架，用于食品接触材料的防伪与安全保障 | 九种不同材料和品牌的奶瓶 | 机器学习 | NA | HS-GC-IMS | CNN, Transformer, RF, SVM, DT, OPLS-DA, PCA, HCA | 挥发性有机物的质谱数据 | 九种奶瓶样品 | NA | CNN, Transformer, RF, SVM, DT, OPLS-DA | 分类效率（基于特征重要性优化） | NA |
| 473 | 2026-06-15 |
Deep Learning for Content-Based Medical Image Retrieval in Picture Archiving and Communication Systems for Brain Tumor Detection: Algorithm Development and Validation
2026-Apr-06, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/78300
PMID:41941563
|
研究论文 | 开发并验证基于深度学习的脑肿瘤图像检索系统，集成到影像存档与通信系统中 | 将深度学习特征提取算法与开源项目相结合，成功将基于内容的医学图像检索系统嵌入到标准临床PACS环境中，并针对7种脑肿瘤类型进行优化 | 数据集来自单中心且不公开，可能影响泛化性；系统旨在提高检索效率而非直接提升诊断准确性 | 开发一个集成于PACS的基于内容的医学图像检索系统，辅助放射科医生检索相关历史医学图像，提供定量决策支持 | 脑磁共振图像中的7种不同脑肿瘤类型 | 数字病理学 | 脑肿瘤 | MRI成像 | 深度学习模型 | 图像 | 658名参与者，共15873张图像 | NA | GoogLeNet | 平均精度均值, Precision@10 | NA |
| 474 | 2026-06-15 |
Domain adversarial gated bilinear attention networks for cross domain drug target interaction prediction
2026-Apr-02, Biochemical and biophysical research communications
IF:2.5Q3
DOI:10.1016/j.bbrc.2026.153448
PMID:41687302
|
研究论文 | 提出一种结合门控双线性注意力和域自适应的深度学习框架GBAN-DA，用于跨域药物-靶点相互作用预测 | 首次将门控双线性注意力机制与条件域对抗网络结合，实现亚结构级相互作用建模和跨域特征分布对齐 | 未提及具体计算资源消耗，且仅在两个公开数据集上验证，未见多中心或临床数据验证 | 提高药物-靶点相互作用预测在分布偏移数据上的泛化能力和准确性 | 药物分子和蛋白质靶点之间的相互作用 | 自然语言处理， 机器学习 | NA | 深度学习， 图卷积网络， CNN-Transformer混合模型 | GBAN-DA：门控双线性注意力网络结合条件域对抗网络 | 药物分子结构数据和蛋白质序列数据 | BindingDB和BioSNAP两个数据集 | PyTorch | 图卷积网络， CNN-Transformer， 门控双线性注意力模块， 条件域对抗网络 | AUROC， AUPRC | NA |
| 475 | 2026-06-15 |
Monitoring systemic ventriculoarterial coupling after cardiac surgery using continuous transoesophageal echocardiography and deep learning
2026-04, Journal of clinical monitoring and computing
IF:2.0Q2
DOI:10.1007/s10877-025-01328-5
PMID:40676456
|
研究论文 | 开发了一种结合经食管超声心动图和深度学习的新工具autoMAPSE，用于连续监测心脏手术后患者的室内动脉耦合和左心室功能 | 首次将深度学习的autoMAPSE与经食管超声心动图结合，实现对术后室内动脉耦合的连续无创监测，并能关联术后心脏生物标志物变化 | 样本量较小（50例患者），监测时间仅为手术后120分钟，且未提供深度学习的详细模型架构和计算资源信息 | 评估autoMAPSE在心脏手术后监测系统性室内动脉耦合及检测术后心脏生物标志物变化的可行性 | 心脏手术后的患者 | 机器学习、数字病理（超声影像分析） | 心血管疾病（心脏手术后心脏功能监测） | 经食管超声心动图 | 深度学习模型（具体未明确） | 超声图像、血压测量数据、生物标志物数据 | 50例心脏手术后患者，每5分钟监测一次，持续120分钟 | NA | NA | 相关性系数（rho）、P值 | NA |
| 476 | 2026-06-15 |
Horizontal nystagmus identification with joint SAM segmentation and time series classification
2026-Apr, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-025-09950-4
PMID:41663530
|
研究论文 | 提出一种结合SAM分割和时间序列分类的水平眼震检测模型 | 首次将SAM分割与多尺度一维时间序列卷积分类器结合，用于水平眼震检测，有效提取瞳孔运动轨迹并提高检测精度 | 瞳孔定位准确率（79.53%）仍有限，可能受视频质量或干扰帧影响 | 提高水平眼震的检测效率，辅助前庭疾病的早期筛查和干预 | 水平眼震患者的眼动视频 | 计算机视觉， 时间序列分析 | 前庭疾病， 水平眼震 | 视频眼动记录 | CNN， SAM（Segment Anything Model）， 多尺度卷积分类器 | 视频 | 临床收集的水平眼震视频数据集（具体数量未提及） | PyTorch（推测） | SAM， CNN， 多尺度一维时间卷积网络 | 准确率， 精确率 | NA |
| 477 | 2026-06-15 |
De novo engineering of protein interactions: Retrospective and current advances
2026-Apr, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2026.103240
PMID:41759349
|
综述 | 回顾从头设计蛋白质相互作用的研究进展，重点讨论基于深度学习的计算方法及其在蛋白结合体设计中的应用 | 总结了AlphaFold等新型结构预测模型及深度生成模型在蛋白质结合体设计中的创新应用，实现了高实验成功率的全新蛋白质折叠设计 | 未明确提及当前方法的局限性 | 探讨蛋白质结合体设计方法的发展历程，重点关注前沿技术及其应用与新的挑战 | 蛋白质结合体设计方法与深度学习方法 | 机器学习 | NA | 蛋白结合体设计 | 结构预测模型、深度生成模型 | 蛋白质序列与结构数据 | NA | NA | AlphaFold | 实验成功率 | NA |
| 478 | 2026-06-15 |
Unsupervised segmentation of dynamic pulmonary MRI using cross-modality adaptation with annotated CT images
2026-Apr, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-026-03584-5
PMID:41784882
|
研究论文 | 提出一种利用标注CT数据实现无监督肺动态MRI分割的跨模态自适应方法 | 首次利用掩码自编码器学习模态不变特征，结合时间一致性损失和选择-精炼流程生成高质量伪标签，消除对MRI标注的依赖 | 仅使用31个无标签4D MRI和30个标注CT训练，测试集来自两个中心，泛化性可能受限 | 实现肺实质在动态MRI中的准确无监督分割，辅助临床诊断和治疗规划 | 肺实质分割 | 计算机视觉, 医学影像分析 | 肺部疾病 | 动态肺MRI, CT成像 | 掩码自编码器, 分割网络 | 4D MRI图像, CT图像 | 31个无标签4D MRI, 30个标注CT, 20和12个4D MRI测试图像 | PyTorch | 掩码自编码器, U-Net | Dice系数, 平均表面距离 | NA |
| 479 | 2026-06-15 |
Influence of deep learning image reconstruction and adaptive statistical iterative reconstruction-V on automated Alberta stroke program early CT score- evaluation
2026-Apr, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03938-5
PMID:41706087
|
研究论文 | 研究深度学习图像重建与自适应统计迭代重建V对自动Alberta卒中项目早期CT评分的影响 | 首次系统比较了DLIR和ASIR-V两种重建技术对自动ASPECTS评分的影响，并发现DLIR-M在重新分类和专家共识一致性方面表现最佳 | 单中心回顾性研究，样本量有限，且未评估重建技术对临床结局的影响 | 评估深度学习图像重建和自适应统计迭代重建V对自动ASPECTS评分的影响 | 疑似大脑中动脉梗死患者的非对比CT图像 | 计算机视觉 | 脑血管疾病 | CT | NA | 图像 | 173名患者（中位年龄79岁，39%女性） | NA | NA | Bland-Altman分析、Cohen's κ系数 | NA |
| 480 | 2026-06-13 |
An educational machine learning demonstration framework for plastic surgeons using open datasets
2026-Apr, Journal of plastic, reconstructive & aesthetic surgery : JPRAS
DOI:10.1016/j.bjps.2026.02.010
PMID:41762764
|
研究论文 | 提出一个用于整形外科医生的教育性机器学习演示框架，利用公开数据集开展黑色素瘤分类教学案例 | 为整形外科医生构建了基于开放数据、可复现的深度学习模型训练与部署的教育框架，并将轻量级MobileNetV3-Small模型转换为TensorFlow.js实现浏览器端部署，便于智能手机上实时推理 | 仅使用单一公开数据集（SIIM-ISIC 2020），未在真实临床环境中验证；模型性能需额外比较更多皮肤科医生基准；教育框架的普适性需通过更广泛的应用场景评估 | 演示整形外科医生如何利用开放数据集构建透明、可部署的AI工具，通过黑色素瘤分类案例促进数据科学教育 | SIIM-ISIC 2020黑色素瘤公开数据集中患者级分层后的皮肤镜图像 | 数字病理学, 机器学习 | 黑色素瘤 | 患者级分层, 图像缩放, 色彩平衡, 数据增强, 深度学习训练, TensorFlow.js转换 | 卷积神经网络 (CNN) | 图像 | SIIM-ISIC 2020数据集（具体样本量未明确说明，基于公开数据集规模较大） | TensorFlow, TensorFlow.js | EfficientNet-B3, MobileNetV3-Small | 准确率, 召回率, 特异性, AUC-ROC, F1分数 | 未具体描述GPU资源，但提及模型可部署至标准智能手机（推理时间<2秒） |