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
21	2026-04-05	A computationally efficient hybrid Kolmogorov-Arnold network for hyperspectral classification of signatory pen inks 2026-Jun, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2026.112897 PMID:41775118	研究论文	本文提出了一种用于签名笔油墨高光谱分类的计算高效的混合CNN-KAN网络架构	首次将卷积神经网络（CNN）与Kolmogorov-Arnold网络（KAN）结合，形成混合CNN-KAN架构，以CNN前端提取特征并降维，KAN后端增强非线性拟合能力，有效区分高度相似的油墨类别	研究仅针对40个品牌和型号的签名笔油墨，未在其他更广泛或更复杂的数据集上进行验证	为法医文件检验领域提供一种基于高光谱成像技术的、高精度且计算高效的深度学习解决方案，用于无损、精确地区分签名笔油墨	签名笔油墨	计算机视觉	NA	高光谱成像（HSI）	CNN, KAN	高光谱图像	涉及40个品牌和型号的签名笔油墨	NA	CNN-KAN, VGG, AUNet	准确率	NA
22	2026-04-05	Spectral Representation of Neurochemicals With Phase, Frequency Offset, and Lineshape Invariance: Application to JPRESS for In Vivo Concentration and T2 Mapping by Deep Learning 2026-Jun, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70291 PMID:41654995	研究论文	本研究提出了一种基于深度学习的模型，用于从JPRESS数据中自动量化神经化学物质浓度和代谢物平均横向弛豫时间（T2）	模型设计具有相位偏移、频率偏移和线形变化的鲁棒性，能够直接从未知体内代谢物浓度分布的计算机合成数据中学习，并有效过滤背景信号和未注册代谢物	模型训练依赖于计算机合成数据，可能无法完全捕捉真实体内数据的复杂性；未明确说明模型在多样化临床数据集上的泛化能力	开发一种深度学习方法来量化体内神经化学物质的浓度和横向弛豫时间，提高磁共振波谱分析的自动化和准确性	神经化学物质，包括低浓度物质如γ-氨基丁酸（GABA）	机器学习	NA	JPRESS磁共振波谱技术	深度学习模型，结合WaveNet和门控循环单元（GRU）	时域JPRESS数据	NA	NA	WaveNet, GRU	NA	NA
23	2026-04-05	Analysis of passive bloodstain morphology across surface textures and drop heights using deep learning 2026-Jun, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2026.112890 PMID:41707408	研究论文	本研究利用深度学习分析被动血迹形态在不同表面纹理和滴落高度下的变化，验证了冲击角确定的一致性	首次将深度学习（特别是MobileNet模型）应用于血迹模式分析，以区分不同滴落高度产生的血迹，并强调了迁移学习在小型法医数据集中的价值	研究仅考虑垂直90°角滴落，未涵盖多角度冲击、运动相关效应或温度控制条件，未来需扩展以更真实模拟犯罪现场	探究基底类型和滴落高度对被动血迹形态的影响，以增强法医血迹模式分析（BPA）的准确性和适用性	被动血迹，在五种不同表面（弯曲杯、压碎图表纸、黄麻布、果冻石、混凝土）上从三个不同高度垂直滴落的血液样本	计算机视觉	NA	深度学习	CNN	图像	大型图像数据集，具体数量未明确说明	TensorFlow, PyTorch, Keras（基于MobileNet常用框架推断，但原文未明确指定）	MobileNet	准确率	NA
24	2026-04-04	Bridging AI advancements with risk assessment needs: A journey towards effective use and regulatory acceptance 2026-Jun, Toxicology IF:4.8Q1 DOI:10.1016/j.tox.2026.154439 PMID:41786018	综述	本文是一篇叙述性综述，探讨了人工智能（AI）在化学风险评估（CRA）和下一代风险评估（NGRA）中的应用现状与挑战	将AI进展与风险评估需求相结合，提出在证据管理和证据生成两个领域整合AI工具，以支持毒理学机制发现、生物标志物识别、AOP开发及毒代动力学/毒效动力学建模	需要超越技术验证，制定详细的监管接受标准，AI工具在CRA中的成功整合仍需进一步进展	促进AI工具在化学测试和评估中的有效整合，以支持新方法学（NAMs）和下一代风险评估（NGRA）	化学风险评估（CRA）和下一代风险评估（NGRA）相关的AI应用	机器学习	NA	NA	NA	大型复杂数据集	NA	NA	NA	NA	NA
25	2026-04-01	Machine learning models enhance detection of arrhythmogenic right ventricular cardiomyopathy 2026-Jun-30, Machine learning. Health DOI:10.1088/3049-477X/ae451a PMID:41884351	研究论文	本研究旨在通过机器学习模型提升致心律失常性右心室心肌病的检测能力，并探索其在诊断路径中的角色	首次系统比较了八种机器学习模型在ARVC检测中的性能，并提出了一个基于梯度提升树的分层诊断策略，包括仅使用心电图的早期分诊模型和多模态确认模型	研究基于单一机构的注册数据，可能存在选择偏倚，且需要在前瞻性外部临床环境中进一步验证	识别最优的机器学习策略以增强致心律失常性右心室心肌病的检测，并定义其在诊断路径中的作用	来自约翰霍普金斯ARVC注册库的688名患者	机器学习	心血管疾病	临床评估、心电图、影像学、遗传学变量分析	梯度提升树, 随机森林, 决策树, TabNet	结构化临床数据	688名患者	NA	梯度提升树, 随机森林, 决策树, TabNet	AUC, 准确率, 灵敏度, 特异性	NA
26	2026-04-01	Cross-validation strategies under data dependency: An example with anemia prediction in sheep using ocular conjunctiva images 2026-Jun, Preventive veterinary medicine IF:2.2Q1 DOI:10.1016/j.prevetmed.2026.106843 PMID:41797013	研究论文	本文评估了三种交叉验证策略在绵羊贫血预测任务中的表现，以探究数据依赖性对深度学习模型性能评估的影响	首次在畜牧业计算机视觉应用中系统比较了随机划分、基于动物个体划分和基于农场划分三种交叉验证策略对模型泛化能力评估的影响	研究仅基于三个农场的有限样本，且仅使用VGG19单一模型架构，可能无法完全代表所有畜牧业应用场景	评估不同交叉验证策略在数据依赖条件下对深度学习模型性能评估的影响，为畜牧业健康监测模型开发提供验证方法指导	绵羊贫血状态预测	计算机视觉	贫血	智能手机图像采集	CNN	图像	来自3个农场186只动物的1176张图像	NA	U-Net, VGG19	准确率, 精确率, 召回率, F1分数, 特异性	NA
27	2026-03-30	A benchmarking of genomic selection models for predicting grain-yield related traits using haplotype-based and genome-wide association study-based markers in rice 2026-Jun, The plant genome DOI:10.1002/tpg2.70226 PMID:41894430	研究论文	本研究通过基准测试比较了17种基因组选择模型在预测水稻粒长、粒宽和千粒重等产量相关性状中的表现，评估了基于单倍型和全基因组关联研究标记的预测准确性	首次在水稻中系统比较了基于单倍型标记和全基因组关联研究标记的基因组选择模型性能，并探讨了群体规模和标记数量对预测准确性的影响	研究仅基于688个水稻种质资源，可能无法完全代表更广泛的水稻遗传多样性	评估不同基因组选择模型在水稻产量相关性状预测中的性能，以加速育种进程	水稻（Oryza sativa）的688个种质资源，关注粒长、粒宽和千粒重性状	机器学习	NA	基因组选择，单倍型分析，全基因组关联研究	RRBLUP，机器学习模型，深度学习模型	基因型数据（单核苷酸多态性标记）	688个水稻种质资源，包含66,456个基于单倍型的单核苷酸多态性标记	NA	NA	预测准确性	NA
28	2026-03-24	Granular stockpile volume dataset 2026-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2026.112631 PMID:41869581	研究论文	本研究介绍了一个用于基于视觉的无人机系统（UAS）体积测量的标注数据集，旨在提高颗粒状料堆体积测量的准确性和自动化水平	首次提供了一个全面的UAS数据集，涵盖了不同天气条件、料堆尺寸、相机角度、飞行模式和图像重叠等参数，并包含标注的3D点云数据，支持3D深度学习模型开发	数据集为横断面设计，料堆未随时间单独追踪，且数据收集期间其中一个站点的料堆体积发生了变化	开发一个标注的UAS数据集，以促进基于视觉的无人机系统在颗粒状料堆体积测量中的应用，并研究视觉数据收集参数对测量结果的影响	颗粒状料堆（沙子和砾石材料），共47个料堆，体积范围从51 m³到3000 m³	计算机视觉	NA	无人机系统（UAS）数据采集，Pix4D摄影测量	3D深度学习模型	图像，3D点云	1521张图像，来自47个料堆，覆盖两个不同站点	NA	NA	NA	NA
29	2026-03-21	Early Implications for Solid Organ Transplantation With the Use of Artificial Intelligence From a Bibliometric Perspective 2026-Jun, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2026.100340 PMID:41853188	文献计量分析	本文通过文献计量学方法，分析了人工智能在实体器官移植领域（肾脏、肝脏、心脏、肺移植）的应用现状、科学影响及发展趋势	首次从文献计量学角度系统评估了人工智能在实体器官移植领域的全球研究趋势、技术应用热点及合作网络，识别了核心研究主题和领先机构	分析基于已发表的文献，许多人工智能模型仍处于验证阶段，实际临床整合和效果有待进一步证实；文献检索可能受数据库覆盖范围限制	评估人工智能在实体器官移植领域的科学影响、研究演变及全球趋势，以促进该领域的循证研究和跨学科合作	涉及肾脏、肝脏、心脏和肺移植的人工智能相关科学研究文献	机器学习	实体器官移植	机器学习，专家系统，深度学习	NA	临床数据，免疫学数据，组织学数据，影像数据	2384篇出版物（1989-2025年），其中815篇符合纳入标准	NA	NA	NA	NA
30	2026-03-18	Morphological classification of Schizochytrium and mutagenic selection of high-oil-producing strains based on deep learning 2026-Jun, Microbiological research IF:6.1Q1 DOI:10.1016/j.micres.2026.128464 PMID:41666518	研究论文	本研究开发了一种基于深度学习的裂殖壶菌形态分类系统，并利用该系统筛选出高产油突变菌株	提出了一个包含13种形态类型的新型分类系统，整合了细胞分裂特征和脂滴参数，并构建了一个定制的目标检测架构（增强型MLC-YOLO框架）	未明确提及研究的局限性	优化裂殖壶菌的发酵过程，筛选高产油菌株，以推动工业级omega-3产品的智能生物制造	裂殖壶菌	计算机视觉	NA	形态计量分析，发酵监测	目标检测模型	图像	NA	YOLO	MLC-YOLO, YOLOv8s	平均精度均值	NA
31	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
32	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
33	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
34	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
35	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
36	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
37	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
38	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
39	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
40	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