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
601	2026-05-31	Plant invasion reduces density-dependent pollination but not florivory 2026-Apr-16, Oecologia IF:2.3Q2 DOI:10.1007/s00442-026-05881-x PMID:41989621	研究论文	利用深度学习和无人机技术监测植物入侵对多营养级群落动态的影响	首次将消费级无人机与深度学习结合，用于量化入侵植物对传粉和草食作用的密度依赖性影响	未说明	评估植物入侵对传粉服务和草食作用的密度依赖性影响	狗绞杀藤（Vincetoxicum rossicum）入侵的草地中的新英格兰紫菀（Symphyotrichum novae-angliae）及其传粉者和专食性象鼻虫（Anthonomus rufipes）	计算机视觉	NA	无人机成像	深度学习模型（未具体说明）	图像	加拿大安大略省多伦多地区Rouge国家城市公园中入侵梯度上的草地样点	NA	NA	NA	消费级无人机
602	2026-05-31	Football cybersecurity threat severity prediction using multi-head transformer-based deep learning models 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44399-3 PMID:41965384	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
603	2026-05-31	A physic-guided YOLO framework for pavement deformation distress detection 2026-Apr-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45400-9 PMID:41942480	研究论文	开发了一种基于YOLO并结合物理引导的自动方法，用于检测路面变形病害如车辙和波浪形	将物理信息神经网络（PINN）整合入YOLO框架，通过在损失函数中引入物理信息惩罚项，提高了边界框精度并减少假阳性	研究中的波浪形（corrugation）实例有限，可能导致模型对该类别检测性能的泛化能力不足	实现路面变形病害（车辙和波浪形）的自动检测与评估	路面图像中的车辙和波浪形病害	计算机视觉	NA	深度学习	YOLO, PINN	图像	未知数量的道路图像数据集	PyTorch	YOLOv5, 物理信息神经网络（PINN）	平均精度均值（mAP）	NA
604	2026-05-31	Text guided cross attentive multimodal learning with visual feature modulation for automated skin lesion detection 2026-Apr-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47271-6 PMID:41942550	研究论文	提出一种文本引导的交叉注意力多模态学习框架TG-CAVNet，用于自动化皮肤病变检测	首次将临床文本与皮肤镜图像通过文本引导的通道特征调制和交叉注意力机制深度融合，提升诊断准确性和可解释性	未明确说明局限性（基于摘要内容推测可能存在对罕见皮肤病或小样本场景的泛化能力不足）	提高自动化皮肤病变检测的诊断准确性和语义可解释性	皮肤病变的皮肤镜图像与对应临床文本数据	计算机视觉，自然语言处理	皮肤病变	多模态深度学习	多模态交叉注意力网络	图像，文本	6194个对齐的图像-文本样本	PyTorch	Bio-ClinicalBERT，EfficientNet-B4	准确率，宏Jaccard得分	NA
605	2026-05-31	Scene classification in dance art using deep learning with squeeze and excitation networks and the Advanced Beluga Whale Optimization Algorithm 2026-Apr-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46705-5 PMID:41942693	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
606	2026-05-31	Blockchain and bio-inspired deep learning for energy-efficient EV-to-grid optimization 2026-Apr-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47136-y PMID:41942698	研究论文	提出一种基于生物启发式深度学习与区块链的电动汽车到电网（V2G）能量优化框架	将帝王蝶优化算法与门控循环单元网络结合，并嵌入基于以太坊的区块链层，实现充电调度、交易安全与电网协同的集成优化	研究结果基于仿真与协同仿真实验，未考虑实际部署中的通信延迟、硬件非理想性和监管因素	实现电动汽车到电网能量交换的高效、安全与实时优化	电动汽车充电与放电调度、电网负荷平衡、交易验证	机器学习, 区块链, 智能电网	NA	仿真实验	GRU网络, 帝王蝶优化算法	仿真数据	NA	MATLAB/Simulink, TensorFlow, Ethereum	GRU网络	充电成本降低率, 峰值负载削减效率, 预测准确率, 电网调节响应时间减少率, 电动汽车排队延迟减少率	NA
607	2026-05-31	NMR-Solver: automated structure elucidation via large-scale spectral matching and physics-guided fragment optimization 2026-Apr-02, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-71315-0 PMID:41927575	研究论文	提出NMR-Solver框架，通过大规模谱图匹配和物理引导的分子优化，实现从氢和碳核磁共振波谱自动解析有机小分子结构	整合大规模谱图匹配与基于原子级结构-谱关系的物理引导分子优化，首次将计算NMR分析、深度学习和可解释化学推理统一为自动化系统	未明确提及局限性	开发自动化、可解释且实用的分子结构解析方法，解决核磁共振波谱分析中的逆问题	有机小分子结构	机器学习	NA	NMR光谱	深度学习模型	NMR谱图	模拟基准数据集、文献中精心整理的实验数据及真实实验数据	NA	NA	泛化能力、鲁棒性、实用性	NA
608	2026-05-31	Multimodal AI model for early detection of hepatocellular carcinoma 2026-Apr-02, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-026-01393-2 PMID:41927783	研究论文	开发了一种多模态AI模型用于早期肝细胞癌检测，结合组织病理学和转录组学特征	首次提出两阶段多尺度深度学习模型TMC-net，结合H&E图像和转录组标记基因构建多模态分类模型，超越病理基础模型和传统特征	未明确讨论模型在不同人群中的泛化能力及潜在偏差	早期肝细胞癌与高级别异型增生结节的精准区分及辅助诊断	早期肝细胞癌和癌前病变组织样本	数字病理学, 机器学习	肝细胞癌	H&E染色，比较转录组分析	深度学习模型（TMC-net），多模态分类模型	组织病理图像，转录组数据	内部测试集和外部测试集样本，具体数量未提及	未提及	TMC-net（多尺度深度学习网络）	AUROC	未提及
609	2026-05-31	Analysing DCE-MRI scans using hybrid techniques for early detection of prostate cancer based on fusion features of handcrafted and deep learning features 2026-Apr, Journal of medical engineering & technology DOI:10.1080/03091902.2026.2627179 PMID:41700925	研究论文	提出一种融合人工特征与深度学习特征的混合框架，用于基于DCE-MRI扫描的前列腺癌早期检测	首次将广义量子伽马多项式特征、动力学信号强度特征与CNN深度特征融合，构建综合特征表示用于前列腺癌诊断	未提及具体的局限性	开发一种新型混合诊断框架，通过融合人工特征和深度学习特征提高前列腺癌早期检测的准确性	DCE-MRI扫描图像中的前列腺组织病变	数字病理学	前列腺癌	DCE-MRI, 广义量子伽马多项式特征提取, 动力学特征提取	CNN	图像	公共前列腺影像数据集中的样本	NA	CNN	准确率	NA
610	2026-05-30	Leveraging 3D Heart Visualisation and Data Balancing Techniques for ECG Classification 2026-Apr-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050525 PMID:42194282	研究论文	提出了一种结合数据平衡技术与3D心脏可视化框架的深度学习流程，用于心律失常的自动分类	引入了新颖的3D可视化框架，可交互式地呈现与心电图分类相关的精确解剖心脏区域，提供增强的诊断洞察	需要更严格的患者间交叉验证以充分确立泛化能力	实现心律失常的自动分类，并通过3D可视化提升诊断准确性	心电图信号	机器学习	心血管疾病	NA	深度学习模型	心电图信号	NA	NA	NA	NA	NA
611	2026-05-30	Artificial Intelligence Algorithm Based on Genetics to Predict Responses to Interferon-Beta Treatment in Multiple Sclerosis Patients 2026-Apr-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050523 PMID:42194280	研究论文	提出一种基于遗传算法的模糊系统人工智能算法，用于预测多发性硬化症患者对干扰素-β治疗的反应	结合模糊系统与遗传算法优化深度学习模型超参数，并利用遗传生物标志物进行预测，提高对干扰素-β反应不佳患者的识别准确率	仅使用了遗传生物标志物，未纳入其他可能影响治疗反应的临床或环境因素，样本量较小且来自单一中心，泛化能力有限	开发一种基于遗传算法的人工智能算法，以提高对多发性硬化症患者干扰素-β治疗反应的预测准确性	多发性硬化症患者及其对干扰素-β治疗的反应	机器学习	多发性硬化症	遗传测序（用于获取遗传生物标志物）	模糊系统、人工神经网络（ANN）、多层感知机（MLP）	遗传数据（遗传生物标志物）	未明确提及样本量	NA	模糊系统、遗传算法、人工神经网络（ANN）、多层感知机（MLP）	分类效率、准确率	NA
612	2026-05-30	Impact of Simulated Artifacts on the Classification Performance of Apical Views in Transthoracic Echocardiography Using Convolutional Neural Networks 2026-Apr-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050522 PMID:42194279	研究论文	评估模拟伪影（运动模糊、声影和散斑噪声）对基于卷积神经网络的经胸超声心动图心尖切面分类性能的影响	首次系统评估不同图像伪影（运动模糊、声影和散斑噪声）对深度学习模型在TTE切面分类中的影响，并揭示仅基于参考质量图像的评估无法完全反映模型鲁棒性	研究范围有限，仅涉及心尖切面，且伪影类型和强度为模拟生成，未覆盖真实临床中所有可能的图像退化情况	评估图像伪影对自动TTE切面分类性能的影响，并提出需在退化条件下进行结构化鲁棒性分析以补充标准模型评估	217个TTE视频片段（2170帧），覆盖心尖两腔、三腔、四腔和五腔切面	计算机视觉	NA	经胸超声心动图（TTE）	CNN	图像	217个TTE视频片段（2170帧）	PyTorch	ResNet-18, ResNet-34, EfficientNet-B0, ViT, HOG + SVM	准确率, 平衡准确率	NA
613	2026-05-30	An Explainable Plane-Wise ConvNet Approach for Detecting Femoral Head Osteonecrosis from Magnetic Resonance Images 2026-Apr-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050529 PMID:42194286	研究论文	提出一种基于可解释平面级深度学习的分类方法，利用磁共振图像将股骨头坏死分为早期和晚期	首次采用ConvNeXt Tiny作为分类骨干网络，对轴向和冠状位MR图像进行平面依赖性分析，并利用加权重损失和决策阈值优化减少类别不平衡影响，实现可解释的Grad-CAM可视化聚焦于股骨头负重区	数据集来自单一中心，缺乏外部多中心验证；未使用配对患者级轴向-冠状位图像进行联合分析	开发一种可靠且可解释的自动决策支持方法，用于根据Ficat-Arlet分期系统分类股骨头坏死的早期与晚期	股骨头坏死患者，使用来自Fırat大学医院骨科与创伤科的MR图像数据集	计算机视觉	股骨头坏死	磁共振成像	卷积神经网络	图像	未指定具体患者数量，数据集按80:20划分为训练集和测试集，并进行了10折交叉验证	NA	ConvNeXt Tiny	准确率、敏感度、特异度、F1分数、AUC	NA
614	2026-05-30	Single-Axis Rotational Inertial Navigation Systems for USVs: A Review of Key Technologies 2026-Apr-30, Micromachines IF:3.0Q2 DOI:10.3390/mi17050557 PMID:42195473	综述	本文系统综述了单轴旋转惯性导航系统在无人水面艇应用中的四项关键技术	首次系统性地将MEMS陀螺仪综合降噪与温度漂移补偿、高海况快速动基座对准、方位陀螺仪漂移快速在线校准以及自适应鲁棒GNSS/SINS组合导航架构四项技术整合为统一框架进行评述，并指出因子图优化与物理信息深度学习融合是未来极具前景的导航范式	受限于单轴机械结构和复杂海况扰动，系统仍无法有效调制随机误差和方位陀螺仪漂移，且高精度算法部署与USV有限机载计算能力之间存在工程矛盾	解决MEMS-SINS在GNSS失效期间定位精度下降的瓶颈，提升USV低成本、高可靠连续导航能力	无人水面艇（USV）及其单轴旋转惯性导航系统（SRINS）	机器学习	NA	MEMS惯性导航、GNSS、单轴旋转调制	因子图优化、物理信息深度学习	惯性传感器数据（陀螺仪、加速度计）、卫星导航信号	NA	NA	NA	定位精度、导航连续性、误差调制效果	USV机载计算平台（具体型号未说明）
615	2026-05-30	Privacy-Preserving Hybrid GA-LSTM Ensemble for Typhoid Detection Using Optimised Clinical Feature Selection 2026-Apr-29, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14051010 PMID:42193337	研究论文	提出一种结合遗传算法特征选择、CNN-LSTM深度学习分类器和联邦学习的混合框架，用于自动化伤寒检测并保护患者隐私	首次将遗传算法特征选择、CNN-LSTM集成模型与联邦学习相结合，在特征维度优化基础上实现隐私保护的分布式伤寒诊断框架	未说明联邦学习场景下的通信开销、数据异构性对模型收敛的影响，以及真实临床部署时的实际可行性	开发一种自动化、隐私保护的伤寒检测诊断框架，解决低资源环境下传统诊断方法的局限性	临床数据集中的伤寒检测特征及患者诊断数据	机器学习	伤寒	NA	CNN-LSTM	临床数据	NA	PyTorch	CNN-LSTM	准确率, F1值, 灵敏度	NA
616	2026-05-30	The Role of Artificial Intelligence in the Characterization and Outcome Prediction of Prostate Cancer: A Systematic Review 2026-Apr-28, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12050062 PMID:42188703	系统综述	评估人工智能在前列腺癌肿瘤表征和治疗后结局预测中的有效性	系统评估了机器学习和深度学习模型在临床工作流程中的表现差异，并发现多输入策略（如影像组学结合临床标志物）的模型通常优于单输入模型	需要进一步利用更大数据集和独立于样本种群的外部队列进行验证，以提高模型透明度和临床实用性	评估人工智能算法在前列腺癌肿瘤表征和预后预测中的有效性	2015年至2024年间发表的前瞻性和回顾性队列研究以及随机临床试验，涉及AI在前列腺癌中的应用	机器学习	前列腺癌	NA	机器学习，深度学习	影像数据	共19项研究	NA	NA	特异性、灵敏度、准确率、曲线下面积	NA
617	2026-05-30	Advancing Brain Tumor Diagnosis Using Deep Learning: A Systematic and Critical Review on Methodological Approaches to Glioma Segmentation and Classification Through Multiparametric MRI 2026-Apr-27, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16050468 PMID:42192781	综述	对深度学习在多参数MRI胶质瘤分割与分类中的应用进行系统性综述和批判性评估	聚焦2022年至2025年的最新研究，系统性评估了不同深度学习架构（包括经典U-Net和带有残差/注意力机制的模型）在胶质瘤分割与分类中的性能差异，并强调标准化验证和可解释性的重要性	各研究间肿瘤亚区域性能差异大、缺乏外部验证、依赖公开数据集、预处理流程不统一，以及可解释性方法的证据有限	系统评估深度学习方法在脑肿瘤分割与分类中的应用现状，识别方法学差异并指出临床转化的障碍	多参数MRI的脑肿瘤图像，特别是胶质瘤的分割与分类研究	计算机视觉, 数字病理学	脑肿瘤（胶质瘤）	多参数MRI	CNN（U-Net及其变体、带有残差或注意力机制的模型）	图像（多参数MRI）	31项研究（从310篇记录中筛选），其中8项同时涉及分割与分类	NA	U-Net, 残差网络, 注意力机制模型	Dice相似系数（DSC）、准确率、敏感度、特异度	NA
618	2026-05-30	Automatic Grade Classification in Prostate Histopathological Images Using EfficientNet and Ordinal Focal Loss 2026-Apr-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050503 PMID:42194261	研究论文	提出基于EfficientNet结合序数焦点损失的深度学习流程，用于前列腺组织病理图像中的ISUP分级自动分类	将序数回归与Focal Loss整合为混合损失函数，并采用基于熵的噪声过滤策略去除高不确定性样本	实验仅在PANDA数据集上验证，未在其他独立数据集上测试其泛化能力	提高前列腺癌ISUP分级自动分类的准确性，减少因类别相似、样本不平衡和标签噪声带来的误分类	前列腺组织病理图像中的ISUP分级组	数字病理学	前列腺癌	深度学习	EfficientNet卷积神经网络	组织病理图像	PANDA数据集	PyTorch	EfficientNet	Cohen's Kappa系数（κ）, 准确率（Accuracy）	NA
619	2026-05-30	Impact of Trait Measurement Error on Quantitative Genetic Analysis of Computer Vision-Derived Traits 2026-Apr-24, Genes IF:2.8Q2 DOI:10.3390/genes17050506 PMID:42194963	研究论文	探讨计算机视觉衍生性状测量误差对猪体重定量遗传分析的影响	首次系统评估图像衍生表型中测量误差的遗传性及其对遗传分析结果的潜在偏差	未提及具体局限性	研究动物表型测量误差对定量遗传分析结果的影响	猪的体重（BW）	计算机视觉	NA	计算机视觉算法	深度学习回归模型	图像	未明确提及样本数量	NA	NA	决定系数、拟合优度	NA
620	2026-05-30	Deep Learning-Guided Engineering of Bst DNA Polymerase Improves LAMP-Based Detection of Foodborne Pathogens 2026-Apr-23, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms14050954 PMID:42197341	研究论文	本研究结合深度学习与半理性设计策略，改造Bst DNA聚合酶，提升基于LAMP的食源性病原体检测性能	首次将深度学习引导的蛋白质工程与融合蛋白技术结合，开发出热稳定性增强、抑制剂耐受性提高的CL7-L105M突变体，显著提升LAMP检测的灵敏度和便携性	未提及在复杂真实食品基质中的验证，且仅针对单一病原体（大肠杆菌O157:H7）进行检测	开发高性能DNA聚合酶，用于快速、灵敏、现场部署的LAMP食源性病原体检测	Bst DNA聚合酶及其突变体（A0A150MFP3、L105M、CL7-突变体）	机器学习, 数字病理学（注：实际为生物技术，但根据选项选择"机器学习"）	食源性疾病（如大肠杆菌O157:H7感染）	LAMP（环介导等温扩增），高通量筛选，融合蛋白工程	深度学习模型（未具体说明架构，如CNN）	序列数据（蛋白质序列），实验数据（酶活性、热稳定性等）	未明确样本数量，仅涉及大肠杆菌O157:H7的纯化和粗提DNA检测	未明确提及，可能包括深度学习框架（如TensorFlow或PyTorch）	未明确指定深度学习模型架构	酶活性增加率（32.92%），Tt值，检测限（1×10^4 CFU/mL）	未提及