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 1102 篇文献，本页显示第 861 - 880 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 861 | 2026-04-12 |
Alzheimer's disease staging using enhanced inception-ResNet-V2 and improved XceptionNet models for 3D MRI classification and segmentation
2026-Apr-05, Journal of neuroscience methods
IF:2.7Q3
DOI:10.1016/j.jneumeth.2026.110767
PMID:41941947
|
研究论文 | 提出一种增强的混合深度学习框架，用于阿尔茨海默病的3D MRI分类和分割 | 结合增强的Inception-ResNet-V2进行多分类，改进的XceptionNet进行脑区分割，并采用并行卷积神经网络有效提取3D MRI空间特征 | 未提及模型在外部验证集或临床实际应用中的泛化能力 | 提高阿尔茨海默病的诊断准确性和疾病分期能力 | 阿尔茨海默病患者和正常对照的3D MRI脑部扫描图像 | 医学影像分析 | 阿尔茨海默病 | 3D MRI | CNN | 3D医学影像 | OASIS和ADNI数据集（具体数量未说明） | NA | Inception-ResNet-V2, XceptionNet, 并行卷积神经网络 | 准确率 | NA |
| 862 | 2026-04-12 |
Enhancing 7T MRI for deep brain stimulation with deep-learning based image reconstruction and dynamic parallel transmission
2026-Apr-04, NeuroImage. Clinical
DOI:10.1016/j.nicl.2026.103993
PMID:41962172
|
研究论文 | 本研究应用基于深度学习的图像重建和动态并行传输技术，优化了7T MRI用于深部脑刺激的成像协议，提高了图像质量并缩短了扫描时间 | 首次将深度学习图像重建与动态并行传输技术结合应用于7T MRI的深部脑刺激协议优化，显著提升了图像质量、目标结构显影和运动鲁棒性，同时大幅减少了扫描时间 | 研究样本量较小（共26例患者），且为单中心研究，需要更大规模的多中心验证来确认结果的普适性 | 优化7T MRI用于深部脑刺激的成像协议，解决其临床应用中存在的B1+发射不均匀性、扫描时间长和运动敏感性问题 | 接受深部脑刺激治疗的患者 | 医学影像分析 | 神经系统疾病（涉及深部脑刺激治疗） | 7T MRI, 动态并行传输, 深度学习图像重建 | 深度学习模型 | MRI图像 | 26例患者（13例使用传统协议，13例使用增强协议） | NA | NA | 图像质量评分, 运动伪影评分, 目标结构显影评分, 扫描时间减少百分比, 体素体积减少百分比, 优势比 | NA |
| 863 | 2026-04-12 |
Identification of nonconvulsive status epilepticus in the ictal-interictal continuum using artificial intelligence: a prospective observational cohort study
2026-Apr, Encephalitis (Seoul, Korea)
DOI:10.47936/encephalitis.2025.00157
PMID:41834605
|
研究论文 | 本研究旨在利用人工智能技术，基于脑电图功能连接性差异，区分非惊厥性癫痫持续状态与昏迷-发作间期连续状态的患者 | 首次结合图论功能连接性与深度学习模型，对发作间期连续状态中的非惊厥性癫痫持续状态与昏迷状态进行区分，并验证了机器学习方法在此类脑电图模式分类中的可行性 | 样本量相对较小（72例患者），且研究为单中心前瞻性观察性队列设计，需要更大规模的多中心研究进一步验证 | 探究非惊厥性癫痫持续状态与昏迷-发作间期连续状态患者在功能连接性上的差异，并评估基于这些差异的机器学习模型的分类性能 | 发作间期连续状态脑电图模式的患者，包括非惊厥性癫痫持续状态组和昏迷-发作间期连续状态组 | 机器学习 | 癫痫 | 脑电图，短时傅里叶变换 | 卷积神经网络 | 脑电图信号，时频图像 | 72例患者（53例非惊厥性癫痫持续状态，19例昏迷-发作间期连续状态） | NA | NA | 准确率 | NA |
| 864 | 2026-04-12 |
A Multichannel Flexible Interface for Environmental-Robust Laryngeal Signal Decoding
2026-Apr-01, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.6c01457
PMID:41919668
|
研究论文 | 本文提出了一种可穿戴、柔性、多通道的压阻接口，用于在复杂语音行为中解码喉部和下颌下运动，以实现嘈杂或受限环境下的鲁棒人机交互 | 开发了一种集成微金字塔PDMS传感层、导电PPy涂层和多通道电极阵列的柔性可穿戴接口，结合改进的音频频谱图Transformer与多通道融合机制，实现了端到端的语义识别 | 仅使用了14个核心英语词汇构建数据集，词汇量有限；未在更广泛的语音障碍人群或多种语言中进行验证 | 在嘈杂、受限或语音受损环境中实现鲁棒的人机交互 | 喉部和下颌下运动信号 | 机器学习 | NA | 多通道压阻传感，无线数据传输，实时设备端处理 | Transformer | 多通道运动信号数据 | 总计3,840个样本（来自麦克风和发声两个结构化数据集） | NA | 改进的音频频谱图Transformer | 分类准确率 | NA |
| 865 | 2026-04-12 |
Multimodal Assessment of Biological Age Following Radiation Therapy Among Patients With Early-Stage NSCLC
2026-Apr-01, JAMA network open
IF:10.5Q1
|
研究论文 | 本研究评估了基于照片的面部年龄和基于肺功能测试的肺年龄与早期非小细胞肺癌患者接受立体定向放疗后总生存期和早期死亡率的关系 | 首次将深度学习模型估计的面部年龄与肺功能衍生的肺年龄结合，作为非侵入性生物年龄指标，用于预测早期非小细胞肺癌患者的生存结局，并发现面部年龄是独立于实际年龄的生存预测生物标志物 | 研究为回顾性队列设计，面部年龄估计依赖于预处理照片的可用性，肺年龄数据仅来自部分患者子集，可能存在选择偏倚，且随访时间中位数为44个月，长期生存影响需进一步验证 | 评估非侵入性生物年龄指标（面部年龄和肺年龄）在预测早期非小细胞肺癌患者接受立体定向放疗后生存结局中的价值 | 年龄≥60岁、接受根治性立体定向放疗的早期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 深度学习模型, 肺功能测试 | 深度学习模型 | 图像, 临床数据 | 670名患者（中位年龄77岁，61%为女性），其中477名有肺功能测试数据 | NA | NA | 风险比, 置信区间, P值 | NA |
| 866 | 2026-04-11 |
Advanced deep learning framework for breast cancer detection using digital breast tomosynthesis images
2026-Apr-24, Biomedizinische Technik. Biomedical engineering
DOI:10.1515/bmt-2025-0011
PMID:41521204
|
研究论文 | 本研究提出了一种基于深度学习的鲁棒框架，用于利用数字乳腺断层合成图像进行乳腺癌检测 | 提出了一种结合单切片和多切片输入的混合深度学习模型，并应用了拉普拉斯金字塔增强、特征融合和穷举特征选择等先进方法以提升诊断性能 | 研究未使用多中心数据集进行验证，且尚未与临床决策支持系统集成 | 开发一种用于乳腺癌早期准确检测的深度学习框架 | 数字乳腺断层合成图像 | 计算机视觉 | 乳腺癌 | 数字乳腺断层合成成像 | CNN, 集成学习 | 图像 | 未明确说明 | TensorFlow, Keras, Scikit-learn, XGBoost | ResNet V2, MobileNet V3, Inception V3+ | 准确率, 灵敏度, 特异性, AUC | 未明确说明 |
| 867 | 2026-04-11 |
A simulation-based deep learning framework for spatially explicit malaria modeling of CRISPR suppression gene drive mosquitoes
2026-Apr-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2026.115221
PMID:41890961
|
研究论文 | 本研究开发了一个基于模拟的深度学习框架，用于空间显式建模CRISPR抑制基因驱动蚊子对疟疾的影响 | 结合个体建模与深度学习，高效分析多参数对基因驱动效果的影响，揭示了不完美驱动仍可能消除疟疾的潜力 | 未明确说明模型在真实世界数据上的验证情况，且计算需求可能仍较高 | 预测CRISPR基因驱动释放对疟疾传播的影响，优化蚊虫抑制策略 | CRISPR基因驱动蚊子及其对疟疾传播的调控 | 机器学习 | 疟疾 | CRISPR基因驱动技术，个体建模 | 深度学习模型 | 模拟数据 | NA | NA | NA | NA | NA |
| 868 | 2026-04-11 |
RaMoA: Raman Microspectroscopy and Deep Learning for the Classification of Antimicrobial Mechanism of Action
2026-Apr-10, ACS infectious diseases
IF:4.0Q1
DOI:10.1021/acsinfecdis.5c00917
PMID:41824399
|
研究论文 | 本文提出了一种结合拉曼显微光谱和深度学习的新技术，用于分类抗菌药物的作用机制并预测其新颖性 | 首次将拉曼显微光谱与深度学习结合，用于抗菌药物作用机制的分类和新颖性预测，实现了高精度分类和未知机制识别 | 研究仅基于大肠杆菌ATCC 25922野生型菌株，且处理时间固定为1小时，样本多样性和时间动态性有限 | 开发一种基于拉曼光谱和深度学习的技术，以快速分类抗菌药物的作用机制并评估其新颖性 | 大肠杆菌ATCC 25922野生型菌株，使用27种代表5类传统功能（细胞壁合成抑制剂、蛋白质合成抑制剂、DNA复制抑制剂、RNA合成抑制剂、细胞膜功能抑制剂）的抗生素处理 | 机器学习 | NA | 拉曼显微光谱 | CNN, 自编码器 | 拉曼光谱 | 27种抗生素处理的大肠杆菌样本，代表5类作用机制 | NA | 1D 卷积神经网络, 自编码器 | 准确率 | NA |
| 869 | 2026-04-11 |
The impact of data consistency on deep learning models for nasopharyngeal cancer organ auto-segmentation
2026-Apr-10, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae596e
PMID:41916328
|
研究论文 | 本研究探讨了标注一致性对基于深度学习的鼻咽癌放疗中危及器官自动勾画性能的影响 | 揭示了标注一致性比数据集规模对自动勾画性能更具决定性影响，并展示了通过医师特定微调可弥补领域适应差距 | 研究仅基于CT扫描数据，未考虑其他影像模态；样本来源和标注医师的多样性可能有限 | 研究标注一致性如何影响深度学习模型在鼻咽癌放疗中危及器官自动勾画的性能 | 鼻咽癌患者的CT扫描图像及对应的危及器官勾画 | 数字病理 | 鼻咽癌 | CT扫描 | CNN | 图像 | 1,301例鼻咽癌患者CT扫描，其中65例由医师A勾画，76例由医师B勾画，1,160例由多医师团队勾画 | NA | U-Net | Dice相似系数 | NA |
| 870 | 2026-04-11 |
Artificial intelligence augmented imaging of pancreatic fluid collections in acute pancreatitis
2026-Apr-10, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology
IF:2.0Q3
DOI:10.1007/s12664-026-01979-5
PMID:41957213
|
综述 | 本文综述了人工智能在增强急性胰腺炎中胰腺液体积聚成像方面的应用，包括分割、图像生成、预后预测和工作流优化 | 利用深度学习和放射组学技术，自动化分割胰腺及液体积聚，客观量化坏死碎片，并加速MRI采集时间，可能生成合成图像 | 临床整合面临挑战，如数据标准化、算法验证和实际工作流适应性问题 | 探讨人工智能如何改进胰腺液体积聚的成像诊断和管理，以克服传统成像方法的局限性 | 急性胰腺炎患者的胰腺液体积聚 | 数字病理学 | 胰腺炎 | 深度学习, 放射组学 | 深度学习模型 | 医学影像数据（如CT、MRI） | NA | NA | NA | NA | NA |
| 871 | 2026-04-11 |
Hyperspectral imaging-driven detection of neutraliser adulteration in milk using spatial-spectral features
2026-Apr-09, Food additives & contaminants. Part A, Chemistry, analysis, control, exposure & risk assessment
DOI:10.1080/19440049.2026.2653543
PMID:41955473
|
研究论文 | 本研究提出了一种结合新型光谱指数和空间导数特征的混合方法，利用高光谱成像和机器学习来检测牛奶中的中和剂掺假 | 提出了一种结合新型光谱指数（基于纯中和剂在650-975 nm范围的反射率曲线开发）和二阶空间导数特征的混合方法，以增强检测精度 | NA | 检测和分类牛奶中的中和剂（如碳酸钠和碳酸氢钠），以确保牛奶质量和消费者安全 | 新鲜牛奶和掺有不同浓度中和剂（每100 ml牛奶添加0.025 g、0.05 g和0.075 g）的牛奶样本 | 机器视觉 | NA | 高光谱成像 | XGBoost, Random Forest | 高光谱图像 | NA | NA | NA | 准确率 | NA |
| 872 | 2026-04-11 |
Predicting Osteoporosis Risk from Knee Radiographs and Clinical Features through Deep Learning: A Multimodal Approach
2026-Apr-09, Annals of African medicine
IF:0.6Q3
DOI:10.4103/aam.aam_857_25
PMID:41957558
|
研究论文 | 本研究开发了一种结合膝关节X光片和临床特征的多模态深度学习方法，用于预测骨质疏松风险 | 提出了一种双流方法，将CNN从X光片中提取的特征与临床参数结合，用于骨质疏松筛查，为资源有限地区提供了一种成本效益高的替代方案 | 样本量较小（仅239张图像），且仅使用了单一公共数据集，可能影响模型的泛化能力 | 探索利用深度学习和临床数据预测骨质疏松风险，以替代昂贵的DEXA扫描 | 膝关节X光图像及对应的临床数据 | 计算机视觉 | 骨质疏松症 | X射线成像，骨矿物质密度评估 | CNN | 图像，临床数据 | 239张膝关节X光图像及对应临床数据 | NA | AlexNet, Inception V3 | 召回率，准确率，AUC，灵敏度 | NA |
| 873 | 2026-04-11 |
Identification of Aspergillus at section and species levels by artificial intelligence-based microscopic morphology image recognition
2026-Apr-08, Journal of clinical microbiology
IF:6.1Q1
DOI:10.1128/jcm.00012-26
PMID:41757926
|
研究论文 | 本研究开发了一种名为FungalNet的深度学习模型，用于基于显微形态图像快速准确识别曲霉菌的节和种水平 | 提出了FungalNet模型，该模型整合了ResNet-50架构与Focal Loss算法，并采用了一种结合五折交叉验证和专家人工审查的新型质量控制方法 | 需要进一步优化和多中心验证才能集成到常规诊断流程中 | 通过人工智能显微形态图像识别，快速准确识别曲霉菌的节和种水平，以支持曲霉病的诊断和抗真菌治疗 | 临床分离的曲霉菌种，属于八个不同的节 | 计算机视觉 | 曲霉病 | 显微形态图像分析，乳酚棉蓝染色 | 深度学习，CNN | 图像 | 11,689张合格的高分辨率图像，来源于12,000张初始图像 | PyTorch, TensorFlow | ResNet-50, GoogLeNet, Xception | 准确率 | NA |
| 874 | 2026-04-11 |
A simulation-based study of 3D printing angle optimization by integrating deep learning and NSGA-III for prosthesis and retainer manufacturing
2026-Apr-08, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2026.03.015
PMID:41956844
|
研究论文 | 本研究开发了一个集成深度学习和NSGA-III算法的计算框架，用于优化牙科3D打印中牙冠和固位体的构建方向，以减少支撑面积和打印高度 | 首次将PointNet++、MeshSegNet和NSGA-III集成到一个自动化框架中，用于牙科3D打印的构建方向优化，避免了传统软件中手动调整和支撑物放置在功能区域的问题 | 研究为基于仿真的研究，需要进一步的实验验证才能应用于临床 | 开发并评估一个计算框架，以优化牙科3D打印中牙冠和固位体的构建方向，最小化支撑面积和打印高度 | 牙科牙冠和固位体的3D打印构建方向 | 计算机视觉 | NA | 3D打印 | 深度学习 | 3D网格数据 | 24个牙科模型 | NA | PointNet++, MeshSegNet | 支撑面积, 打印高度 | NA |
| 875 | 2026-04-11 |
Artificial Intelligence in Personalized Breast Cancer Drug Safety: From Preclinical Toxicology to Clinical Risk Management
2026-Apr-08, Clinical therapeutics
IF:3.2Q2
DOI:10.1016/j.clinthera.2026.03.002
PMID:41956883
|
综述 | 本文综述了人工智能在乳腺癌个性化药物安全中的应用，涵盖从临床前毒理学到临床风险管理的全过程 | 将人工智能技术整合到乳腺癌个性化药物安全的整个生命周期，包括临床前毒理学、临床试验设计和上市后监测，以预测治疗反应、优化剂量并最小化不良反应 | NA | 探讨人工智能如何提升乳腺癌个性化治疗的药物安全性和疗效 | 乳腺癌患者及其个性化治疗过程中的药物安全风险 | 机器学习 | 乳腺癌 | 机器学习算法、深度学习、预测分析 | NA | 临床试验数据、患者记录、真实世界证据 | NA | NA | NA | NA | NA |
| 876 | 2026-04-11 |
Machine and Deep Learning Reveal Sequence Determinants Encoding Bivalent Histone Modifications
2026-Apr-07, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09962-8
PMID:41946881
|
研究论文 | 本文通过机器学习和深度学习揭示了编码双价组蛋白修饰的序列决定因素 | 首次利用机器学习模型基于k-mer序列特征准确区分双价与单价染色质区域，并通过深度学习进一步提升了预测准确性，发现了与多能性转录因子相关的特定基序及其在双价峰边界的位置特异性 | 研究主要基于小鼠胚胎干细胞数据，可能不直接适用于其他物种或细胞类型；序列特征的因果机制尚未完全阐明 | 探究双价染色质区域的序列特征及其在发育基因调控中的作用 | 小鼠胚胎干细胞中的双价组蛋白修饰（H3K4me3、H3K27me3、H3K9me3）区域 | 机器学习 | NA | 全基因组组蛋白修饰分析 | 机器学习模型, 深度学习模型 | 基因组序列数据 | NA | NA | NA | 预测准确性 | NA |
| 877 | 2026-04-11 |
Multicenter deep learning for multi-abnormality screening on hip radiographs: development, external validation, and assisted reader study
2026-Apr-06, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2026.04.013
PMID:41951039
|
研究论文 | 本研究开发并验证了一个基于深度学习的模型，用于在髋部X光片上同时筛查多种异常，通过多中心数据集的训练和外部验证，展示了其在辅助诊断中的潜力 | 开发了一个能够同时筛查八种髋部异常（包括正常情况）的深度学习模型，结合了卷积块注意力模块、广义平均池化和类别平衡焦点损失等增强技术，并在多中心数据集上进行了外部验证和辅助读者研究 | 模型主要基于X光图像，可能无法检测所有类型的髋部异常；外部验证仅在一个医院进行，泛化能力需进一步验证；未涉及模型在实时临床环境中的长期影响评估 | 开发并验证一个深度学习模型，用于自动化筛查多种常见的髋部异常，以辅助临床诊断并提高筛查效率 | 髋部X光片（骨盆X光片） | 计算机视觉 | 髋部疾病 | X光成像 | CNN | 图像 | 训练和内部验证使用来自两家医院的25,908个髋部样本；外部验证使用来自第三家医院的4,600个髋部样本 | 未明确提及，可能为PyTorch或TensorFlow | ResNet-50 | 准确率, 宏AUC, 宏F1分数, 敏感性 | 未明确提及 |
| 878 | 2026-04-11 |
Challenges in translating AI-driven ASD/ADHD diagnosis: A methodological systematic review
2026-Apr-04, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2026.106417
PMID:41955914
|
系统综述 | 本文系统综述了利用深度学习驱动的计算机视觉进行生物医学信息学方法研究，以支持儿科神经发育障碍（如ASD和ADHD）的客观诊断决策 | 首次系统性地综合了多模态特征提取、深度学习架构、高性能策略及稳健数据集成挑战等生物医学信息学方法，并应用APPRAISE-AI框架评估方法学质量和偏倚 | 研究发现方法在可重复性（41.0%）和结果稳健性（45.1%）方面存在显著差距，且联邦学习和可解释AI技术应用不足 | 旨在为儿科神经发育障碍（NDDs）提供客观、数据驱动的诊断决策支持 | 专注于自闭症谱系障碍（ASD）和注意力缺陷/多动障碍（ADHD）等神经发育障碍 | 计算机视觉 | 神经发育障碍 | 深度学习驱动的计算机视觉 | 深度学习 | 多模态数据（如面部成像、EEG、fMRI） | 基于43项Q1/Q2研究，具体样本量未在摘要中明确 | NA | NA | 特异性、敏感性 | NA |
| 879 | 2026-04-11 |
Street-view-measured greenspace components and childhood myopia: A population-based cross-sectional and prospective cohort study
2026-Apr-04, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2026.110230
PMID:41955945
|
研究论文 | 本研究通过街景图像测量绿地组分，探讨其与儿童近视的关联 | 首次利用深度学习分割街景图像量化特定绿地组分（树木、草地、植物、田野），并构建时间加权“家-校”暴露指标，揭示了不同绿地组分与儿童近视的差异关联 | 研究为观察性设计，无法确定因果关系；绿地暴露测量基于静态街景图像，可能未完全捕捉动态变化；样本局限于香港地区，可能影响结果普适性 | 探究街景测量的绿地组分与儿童近视之间的关联 | 香港6至8岁儿童 | 计算机视觉 | 近视 | 深度学习分割 | 深度学习模型 | 街景图像 | 20,422名儿童（横断面研究），2,667名儿童（前瞻性队列研究） | NA | NA | 比值比（OR），风险比（HR），95%置信区间（CI） | NA |
| 880 | 2026-04-11 |
Imaging-derived biological age across multiple organs links to mortality and aging-related health outcomes
2026-Apr-03, npj aging
IF:4.1Q2
DOI:10.1038/s41514-026-00377-7
PMID:41932933
|
研究论文 | 本文提出了一种基于深度学习的成像驱动框架，用于估计多个器官系统的生物年龄，并探讨其与死亡率和健康结局的关联 | 引入了一种纯粹基于成像的深度学习框架，用于跨七个器官系统估计器官特异性生物年龄，无需手动特征选择，并利用不确定性感知的ResNet模型自主学习衰老相关特征 | 研究主要基于UK Biobank数据，可能受限于特定人群和成像技术，且未明确讨论模型在其他数据集或临床环境中的泛化能力 | 开发一种成像驱动的生物年龄估计方法，以更全面地评估个体衰老轨迹，并预测死亡率和健康结局 | 70,000名UK Biobank参与者的成像数据，涵盖七个器官系统 | 计算机视觉 | 老年疾病 | 成像数据（如MRI、CT等） | CNN | 图像 | 70,000名参与者 | NA | ResNet | NA | NA |