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
281	2026-03-16	Multivariate feature analysis of early-stage laryngeal cancer serum components using surface-enhanced Raman spectroscopy 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127625 PMID:41740394	研究论文	本研究系统探讨了表面增强拉曼光谱结合深度学习模型在早期喉癌血清筛查中的临床应用价值	首次将融合注意力机制的一维卷积神经网络应用于早期喉癌血清SERS光谱分析，并证实其优于传统机器学习模型	样本量相对有限，仅包含早期喉癌、声带息肉和健康对照三组，且为单中心研究	开发一种高效、准确的早期喉癌筛查方法	早期喉癌患者、声带息肉患者和健康对照者的血清样本	机器学习	喉癌	表面增强拉曼光谱	CNN	光谱数据	三组血清样本（早期喉癌、声带息肉、健康对照），具体数量未明确说明	NA	1D-CNN, CNN-attention, CNN-baseline	准确率	NA
282	2026-03-16	Three-dimensional fluorescence spectroscopy recognition and component analysis based on machine learning 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127633 PMID:41759433	研究论文	本研究提出了一种结合机器学习与三维荧光光谱的有效方法，用于实现样品污染检测与成分分析	提出了一种名为SE-UNet的改进U型网络架构，利用PARAFAC导出的光谱轮廓作为参考目标来训练模型，在复杂混合物场景下表现出比传统方法更稳定的性能和更强的泛化能力	研究在模拟污染环境中进行数据采集，实际环境复杂性可能影响模型性能；未明确说明模型在极端污染浓度下的表现	开发基于机器学习的三维荧光光谱识别与成分分析方法，提高污染检测的准确性和可靠性	荧光物质及其在污染环境中的识别与成分分析	机器学习	NA	三维激发-发射矩阵荧光光谱技术	KNN, RF, CNN, U-Net	光谱数据	NA	NA	CNN, VGG, U-Net, SE-UNet	RMSE, NRMSE, 余弦相似度, WMAE	NA
283	2026-03-16	A transformer and 3D CNN-based feature fusion network with interpretable ability for Raman spectra analysis: improving the diagnosis of thyroid cancer 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127623 PMID:41762798	研究论文	本文提出了一种结合Transformer和3D CNN的多模态深度学习框架，用于拉曼光谱分析，以提升甲状腺癌的诊断准确性	首次在基于拉曼光谱的甲状腺癌检测中，提出了一种协同整合一维光谱和二维时空特征的多模态深度学习框架，通过多头交叉注意力机制自适应融合特征，并增强了模型的可解释性	二维表示转换可能存在信息损失，其程度取决于所采用的编码策略	提高甲状腺良恶性病变的准确鉴别诊断	甲状腺病变组织	机器学习	甲状腺癌	拉曼光谱	Transformer, 3D-CNN	光谱数据	NA	NA	Transformer, 3D-CNN	准确率	NA
284	2026-03-16	Deep learning assisted cell electrical signal analysis in impedance cytometry 2026-Jun, Analytical biochemistry IF:2.6Q2 DOI:10.1016/j.ab.2026.116093 PMID:41763285	研究论文	本研究开发了基于一维CNN的BioFluxNet算法，用于阻抗细胞术中的原始电信号分析，以直接分类细胞类型并量化细胞计数	BioFluxNet算法通过深度学习自动化分析原始电信号，消除了传统信号处理中耗时的步骤，减少了人工干预和操作者主观性	NA	开发一种快速、自动化的深度学习框架，用于阻抗细胞术中的电信号分析，以分类细胞类型并计数	颗粒和细胞（包括血液细胞和肿瘤细胞）的原始信号流	机器学习	肿瘤	阻抗细胞术	CNN	电信号	NA	NA	一维CNN	NA	NA
285	2026-03-14	An optimized hierarchical attention assisted deep learning model for brain tissue classification 2026-Jun, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2026.110724 PMID:41740680	研究论文	本文提出了一种优化的分层注意力辅助深度学习模型，用于脑组织分类和异常检测	提出了一种新颖的混合分割方法ResFAU-net，结合了残差块、注意力门和融合累积桥模块，并引入了分层注意力改进的卷积级联胶囊网络（HAMC3）进行分类，同时使用Coati优化算法调整参数以降低模型复杂性	NA	开发一种有效的、优化的分层深度学习方法，用于检测脑组织异常	脑组织，特别是异常脑组织区域	数字病理学	脑部疾病	磁共振成像	CNN, Capsule Network	图像	使用BRATS2020数据集进行评估	NA	ResFAU-net, HAMC3	Dice分数, IoU, 准确率, 精确率, 灵敏度, 特异性, F1分数	NA
286	2026-03-14	Exploration of the mental attention mechanisms in motor imagery-based EEG decoding 2026-Jun, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2026.110721 PMID:41748031	研究论文	本研究定量探讨了心理注意力如何调节基于运动想象的脑电信号解码性能	从以用户为中心的视角出发，将心理注意力作为数据选择标准整合到解码框架中，而非仅关注算法创新	未明确说明实验参与者的具体数量与特征，且注意力监测方法的实时性可能面临实际应用挑战	探索心理注意力机制对基于运动想象的脑机接口解码性能的影响	基于运动想象的脑电信号	机器学习	NA	脑电图	NA	脑电信号	NA	NA	NA	准确率	NA
287	2026-03-13	Detecting cognitive impairment and psychological well-being among older adults 2026-Jun-30, Machine learning. Health DOI:10.1088/3049-477X/ae250c PMID:41573970	研究论文	本研究利用机器学习模型，通过远程视频对话提取面部、声学、语言和心血管特征，以监测老年人的认知衰退和心理社会健康状况	整合多模态特征（面部、声学、语言、心血管）从远程视频对话中量化认知状态和社会心理因素，并进行了特征重要性和偏差分析	样本量较小（39名老年人），模型在年龄、性别、疾病状况和教育水平上存在显著偏差，需要更大规模数据集以提高泛化能力	开发可扩展的方法来监测老年人的认知衰退并识别痴呆风险相关的社会心理因素	39名认知正常或轻度认知障碍的老年人	机器学习	老年疾病	远程视频对话分析	机器学习模型	视频、音频、语言文本、生理信号	39名老年人	NA	NA	AUC	NA
288	2026-03-13	MDD-thinker: A reasoning-enhanced large language model for diagnosis of major depressive disorder 2026-Jun-15, Journal of affective disorders IF:4.9Q1 DOI:10.1016/j.jad.2026.121405 PMID:41707724	研究论文	提出了一种基于大语言模型的增强推理诊断系统MDD-Thinker，用于重度抑郁症的诊断	结合监督微调和强化学习来增强大语言模型的推理能力和可解释性，并利用结构化推理样本进行训练	研究在评估设置下进行，临床适用性可能受到可解释性、幻觉问题和依赖合成数据等挑战的限制	开发一个可扩展且可解释的智能精神病学评估系统，用于重度抑郁症的诊断	重度抑郁症患者	自然语言处理	重度抑郁症	NA	大语言模型	文本	来自UK Biobank数据集的40,000个结构化推理样本，以及来自公开心理健康数据集的10,000条记录	NA	NA	准确率, F1分数	NA
289	2026-03-13	Probabilistic vehicle speed prediction and reliability-based design optimization of mountainous freeway renovation using Transformer and active learning surrogates 2026-Jun, Accident; analysis and prevention DOI:10.1016/j.aap.2026.108453 PMID:41702043	研究论文	本研究提出了一种基于可靠性的设计优化框架，结合概率性车辆速度预测和主动学习代理模型，用于山区高速公路改造的安全导向几何设计优化	开发了基于Transformer的架构来映射高速公路线形与车辆速度分布，并采用主动学习Kriging代理模型解决RBDO问题，提高了计算效率和准确性	研究仅针对典型山区高速公路进行数值实验，未涉及更广泛的道路类型或交通条件，且代理模型可能在某些极端情况下存在精度限制	优化山区高速公路改造的几何设计，以平衡驾驶安全可靠性和改造成本	山区高速公路的车辆速度分布和几何设计参数	机器学习	NA	NA	Transformer	NA	NA	NA	Transformer	NA	NA
290	2026-03-13	Letter to the editor: Re-examining the role of deep learning in cyber forensics: Practical gaps beyond conceptual frameworks 2026-Jun, Forensic science international. Synergy DOI:10.1016/j.fsisyn.2026.100669 PMID:41815526	评论	本文探讨了深度学习在数字取证中的实际应用限制，强调其作为专家判断辅助工具的角色	重新审视深度学习在数字取证中的作用，指出超越概念框架的实际差距，并呼吁从事件后审查推广到取证准备和实时监控	存在数据质量和偏见问题、缺乏取证级方法验证、模型输出可解释性低以及自动化比较可能损害证据完整性	研究深度学习在数字取证领域的适用性，探讨其实际限制	深度学习技术在数字取证中的应用	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
291	2026-03-09	Cross-omics interpretable neural network for discovery of molecular markers in prostate cancer 2026-Jun, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108879 PMID:41518989	研究论文	本文提出了一种跨组学可解释神经网络（CINN），用于预测前列腺癌状态并识别关键分子标志物	CINN创新性地利用通路或蛋白质-蛋白质相互作用网络的先验生物学知识，结合新颖的可训练掩码层，动态优化预定义生物学连接的强度，从而增强知识表示和模型可解释性	NA	发现前列腺癌中具有临床侵袭性表型的分子标志物	前列腺癌	机器学习	前列腺癌	多组学数据整合	神经网络	基因表达、体细胞突变、拷贝数变异	NA	NA	Cross-omics Interpretable Neural Network (CINN)	F1分数, 准确率, AUC	NA
292	2026-03-09	YOFOR : You only focus on object regions for tiny object detection in aerial images 2026-Jun, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108571 PMID:41538898	研究论文	提出了一种用于航拍图像中小目标检测的自适应局部感知增强网络YOFOR	设计了自适应局部感知模块、模糊增强模块和类别平衡模块，能够自适应定位密集目标区域、减弱背景干扰并缓解长尾类别问题	未明确说明计算复杂度或实时性表现，也未与其他最先进方法进行全面的速度比较	提升航拍图像中小目标检测的性能	航拍图像中的小目标	计算机视觉	NA	深度学习	CNN	图像	VisDrone、DOTA和AI-TOD数据集	未指定	YOFOR（自适应局部感知增强网络）	未明确说明	NA
293	2026-03-09	Point-Deeponet: Predicting nonlinear fields on non-Parametric geometries under variable load conditions 2026-Jun, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108560 PMID:41544498	研究论文	本文提出了一种名为Point-DeepONet的算子学习代理模型，用于预测非参数几何结构在可变载荷条件下的非线性物理响应场	将PointNet集成到DeepONet框架中，直接从原始点云学习几何表示，无需手动参数化，并实现了几何嵌入与载荷条件的协同融合	未明确提及模型在极端载荷或几何变形下的鲁棒性限制	开发一种能够快速准确预测复杂非参数三维几何结构在可变载荷下物理响应的深度学习代理模型	非线性结构分析中的三维位移和von Mises应力场	机器学习	NA	NA	PointNet, DeepONet	点云数据	大规模数据集（具体数量未明确说明）	NA	Point-DeepONet（PointNet与DeepONet的集成架构）	决定系数（R²）	NA
294	2026-03-09	GIN-transformer based pairwise graph contrastive learning framework 2026-Jun, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108621 PMID:41576557	研究论文	提出了一种基于GIN-Transformer的成对图对比学习框架，用于从静息态功能磁共振成像数据中自动诊断神经精神疾病	提出GITrans-PairCL框架，首次将图同构网络（GIN）与Transformer结合，通过无监督图对比学习解决标记数据稀缺问题，并设计了双模态对比学习模块进行多尺度特征提取	未明确说明模型在更广泛或更复杂临床数据集上的泛化能力，以及计算效率的具体分析	开发一种不依赖大量标记数据的深度学习框架，用于神经精神疾病的自动诊断	自闭症谱系障碍（ASD）和重度抑郁症（MDD）患者	医学图像分析	神经精神疾病	静息态功能磁共振成像（rs-fMRI）	GIN, Transformer	功能磁共振成像时间序列数据	基于两个公开数据集的单站点和跨站点评估（具体样本数未提供）	未明确指定	GIN-Transformer混合架构	未明确指定具体指标	NA
295	2026-03-09	Automatic cell type identification methods for single-cell RNA sequencing based on coordinate convolutional neural network 2026-Jun, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108923 PMID:41579556	研究论文	本文提出了一种基于坐标卷积神经网络的单细胞RNA测序数据自动细胞类型识别方法，旨在解决传统方法在处理大规模数据时的效率与准确性不足的问题	提出了一种名为BP-Coord的新方法，通过引入坐标信息作为额外通道并结合双三次插值上采样层，增强了卷积神经网络对空间位置信息的感知能力，从而有效应对单细胞RNA测序数据中的平移不变性问题	未明确讨论该方法在更广泛或更复杂的单细胞数据集上的泛化能力，也未详细分析计算资源需求或模型可解释性	开发一种高效且准确的自动细胞类型识别方法，以改进单细胞RNA测序数据分析	单细胞RNA测序数据中的细胞类型	机器学习	NA	单细胞RNA测序	CNN	基因表达数据	五个公共单细胞RNA测序基准数据集，包括大规模PBMC数据集	NA	CoordConv	准确率	NA
296	2026-03-09	Enhancing breast cancer diagnostics: Shape-aware angular feature learning for precision in breast cancer classification 2026-Jun, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108943 PMID:41702230	研究论文	本文提出了一种结合机器学习和深度学习的乳腺癌分类新方法SAAFL，用于提高超声图像中良恶性肿瘤的鉴别准确率	提出形状感知角度特征学习（SAAFL）方法，将深度学习辅助的分割与形状感知角度特征分析及监督机器学习相结合，提高了诊断准确性和可解释性	研究主要针对资源匮乏环境下的超声图像，可能未涵盖其他影像模态或更广泛的患者群体	提高乳腺癌诊断的准确性和效率，特别是在资源有限的临床环境中	乳腺癌超声图像中的良恶性肿瘤	计算机视觉	乳腺癌	超声成像，斑点减少各向异性扩散（SRAD）滤波	深度学习，机器学习	图像	1293张乳腺超声图像	未明确指定	RBBSAM-RSF（用于分割），支持向量机（SVM），反向传播人工神经网络（BPANN）	准确率	适用于低资源临床环境，无需专用硬件
297	2026-03-09	Pullulan-based semi-interpenetrating network hydrogel sensor for artificial intelligence-driven pressure recognition 2026-Jun, Journal of colloid and interface science IF:9.4Q1 DOI:10.1016/j.jcis.2026.140095 PMID:41707464	研究论文	本研究开发了一种基于普鲁兰多糖的半互穿网络水凝胶传感器，用于人工智能驱动的压力识别	首次采用“一锅法”构建了PVA和普鲁兰多糖组成的半互穿网络凝胶，并通过溶酮处理进行网络收缩以增强机械性能，结合MXene和KCl建立导电网络，实现了高灵敏度传感	NA	开发用于医疗康复和人工智能应用的高性能水凝胶传感器	基于普鲁兰多糖的半互穿网络水凝胶传感器	机器学习	NA	水凝胶制备技术，无线蓝牙技术	CNN	压力传感数据	NA	NA	卷积神经网络	灵敏度（GF），响应时间，断裂强度，压缩性能	NA
298	2026-03-06	PriBeL-Net: Extending betel leaf dataset with CNN-based image classification 2026-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2026.103828 PMID:41778255	研究论文	本研究通过比较四种深度学习框架在自定义数据集上的性能，评估了它们在受控和田间环境下的图像分类效果，并确定DenseNet121为最适合农业应用的模型	在自定义数据集上系统比较了四种深度学习框架在受控和田间环境下的性能，并针对农业应用场景提出了模型优化方向	EfficientNetB0在噪声真实数据集上表现不佳，表明轻量级模型在处理复杂农业环境时存在限制	评估深度学习模型在农业图像分类任务中的性能，并确定最适合田间应用的模型	槟榔叶图像数据集	计算机视觉	NA	图像分类	CNN	图像	自定义数据集（具体数量未说明）	TensorFlow, Keras	MobileNetV2, EfficientNetB0, ResNet50V2, DenseNet121	准确率, F1分数	NA
299	2026-03-06	AI-based prostate volume estimation from multi-planar MRI under variable acquisition protocols 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100738 PMID:41783490	研究论文	本研究开发了一种基于知识的深度学习分割模型，用于适应不同MRI采集协议（包括仅轴向的简化协议）的前列腺体积估计	提出了一种结合知识对比损失的深度学习模型，能够在训练和推理中仅使用轴向分割标注，同时整合未标注的正交视图，提高了模型在真实临床工作流程中的适应性	研究为回顾性设计，且仅基于单一机构的3-Tesla MRI数据，可能限制了模型的泛化能力	开发并评估一种能够适应不同MRI采集协议的前列腺体积估计深度学习模型	经活检确认的前列腺癌患者的MRI图像	数字病理学	前列腺癌	多参数3-Tesla MRI	深度学习	MRI图像	629例多参数3-Tesla前列腺MRI检查	nnU-Net	2D nnU-Net	Dice Score Coefficient, Relative Volume Difference, Bland-Altman分析, 组内相关系数	NA
300	2026-03-03	Deep-learning based adaptive fusion of CC and MLO views for improved mammographic cancer diagnosis 2026-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2026.103827 PMID:41768877	研究论文	本文提出了一种名为MammoFusion-Net的双分支深度学习框架，用于基于乳腺X线摄影的乳腺癌分类，通过自适应融合CC和MLO视图以提升诊断性能	引入了Gated Cross-View Fusion机制自适应整合多视图特征，并利用残差卷积流独立处理CC和MLO视图以保留视图特异性解剖信息	NA	改进基于乳腺X线摄影的乳腺癌分类性能，解决视图间特征不一致、诊断细节丢失和可解释性有限等挑战	乳腺X线摄影图像（CC和MLO视图）	计算机视觉	乳腺癌	乳腺X线摄影	CNN	图像	VinDr-Mammo数据集和INBreast数据集（具体样本数量未提供）	NA	ResNet	准确率	NA