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
401	2026-08-13	Gsformer: a dual-architecture deep learning framework with CNN-self-attention and sparse-attention for genomic selection 2026-Jun-03, Genetics, selection, evolution : GSE DOI:10.1186/s12711-026-01055-8 PMID:42237097	研究论文	介绍了一种名为Gsformer的新型双架构深度学习框架，用于基因组选择，通过结合CNN自注意力与稀疏注意力机制预测表型	提出双架构设计，包括CSA（CNN与自注意力结合）和NSA（原生稀疏注意力），以高效捕获局部和长程基因组依赖	未明确提及，但暗示对某些性状预测精度略低于其他方法	开发一种灵活且强大的深度学习框架，用于动植物基因组选择的表型预测	猪、牛、鸡、小鼠、小麦和玉米的基因组数据	机器学习	不适用	基因组选择（GS）、单核苷酸多态性（SNPs）分析	深度学习模型（结合卷积神经网络和自注意力机制）	基因组数据（SNP标记）及相应表型数据	六个数据集，覆盖三个动物物种和两种植物物种（具体样本量未给出）	未明确指出	CNN、自注意力、稀疏注意力	预测准确度（具体指标未详细说明）	未明确指出，但提到了计算成本较低的特性
402	2026-08-13	Modeling the interpretable geometric-performance relationship of metamaterials on small datasets using Kolmogorov-Arnold operator informed network 2026-Jun-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55607-5 PMID:42230930	研究论文	提出了一种名为Kolmogorov-Arnold算子知情网络（KAOIN）的方法，用于在小样本条件下建模超材料的几何-性能关系，并构建了耦合框架以实现数据集构建、高保真分析和性能可视化	提出KAOIN方法，利用Kolmogorov-Arnold算子实现轻量级神经网络，在小样本条件下提高精度和收敛速度，同时具备可解释性和物理规律提取能力	仅在特定超材料（梯度三周期极小曲面）和特定性能（比能量吸收）上验证，可能不适用于其他类型超材料或性能	解决深度学习在超材料性能预测中缺乏可解释性和依赖大数据集的问题，实现小样本条件下准确且可解释的几何-性能关系建模	梯度三周期极小曲面超材料	机器学习	不适用	机器学习	Kolmogorov-Arnold网络	数值模拟数据（几何参数与性能数据）	50组数据	PyTorch	Kolmogorov-Arnold网络	准确率、收敛速度	未提及
403	2026-08-13	Predicting diffusion-FLAIR mismatch from B1000 and ADC without FLAIR: A deep learning-based approach 2026-Jun-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55388-x PMID:42230928	研究论文	本研究开发了一种基于深度学习的模型，仅使用B1000和表观扩散系数图像预测弥散-液体衰减反转恢复错配，无需FLAIR序列，并在多中心验证中表现优于人类专家	首次提出仅利用B1000和ADC图像预测DFM的深度学习方法，无需FLAIR序列，克服了急性临床环境中FLAIR获取受限的问题	未明确说明局限性	开发并评估仅使用B1000和ADC图像预测弥散-FLAIR错配的深度学习模型性能	多中心卒中登记队列中的急性卒中患者影像数据	深度学习	急性卒中	磁共振成像	深度学习模型	医学影像	推导队列2369例，外部验证队列679例	NA	NA	AUROC	NA
404	2026-08-13	Multiparametric MRI-Based Integrated Analysis of Clinical, Radiomics, Deep Learning, and Machine Learning for Predicting Tumor Proliferation and Prognosis in Locally Advanced Rectal Cancer 2026-Jun, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.03.033 PMID:41956924	研究论文	本研究旨在开发并验证一种整合临床、影像组学、深度学习及机器学习特征的多参数MRI预测模型，用于预测局部晚期直肠癌患者的肿瘤增殖状态和预后	首次将临床、影像组学、深度学习及机器学习特征整合到一个多参数MRI预测模型中，用于预测LARC患者的Ki-67表达和预后	未提及局限性的具体内容	开发和验证整合多参数MRI、临床、影像组学、深度学习和机器学习特征的预测模型，以预测LARC患者的肿瘤增殖状态和预后	局部晚期直肠癌（LARC）患者	医学影像分析	直肠癌	多参数MRI（T2WI、DWI、T1WI、增强T1WI）	机器学习算法（包括glmBoost、Stepglm等）	MRI影像数据及临床数据	来自三个中心的384名LARC患者	NA	NA	AUC、校准曲线、决策曲线分析（DCA）、Kaplan-Meier生存分析	NA
405	2026-08-13	A hybrid CNN-DNN model for battery remaining useful life RUL prediction 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54423-1 PMID:42225713	研究论文	提出一种结合卷积神经网络和深度神经网络的混合深度学习框架，用于锂电池剩余使用寿命预测，并通过二进制粒子群优化进行特征选择，以提高预测准确性。	集成CNN和DNN的混合模型，利用CNN自动提取特征，DNN建模非线性关系，并首次应用二进制粒子群优化进行特征选择，以提高预测性能。	未提及模型的实时性、泛化性验证以及在不同电池类型上的适用性，且数据集规模有限。	开发一种高精度、鲁棒的锂电池剩余使用寿命预测方法，以支持智能电池管理系统。	锂电池退化数据集，包含680个样本的电、热和健康相关参数。	机器学习	NA	NA	CNN-DNN混合模型	数值型时间序列数据	680个样本，来自锂电池退化数据集	NA	CNN, DNN	均方误差, 平均绝对百分比误差, 中位绝对误差, 平均绝对误差, 决定系数	NA
406	2026-08-13	Hybrid deep learning and ES-MDA for pressure transient inversion in radial composite reservoirs 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55349-4 PMID:42225747	研究论文	本研究提出了一种结合深度学习和ES-MDA的混合工作流，用于径向复合油藏的压力瞬态反演和渗透率估计。	将深度学习的预测结果作为ES-MDA历史拟合的初始输入，显著加快了收敛速度并降低了最终拟合误差。	研究依赖于合成的径向复合油藏数据，未在真实油田数据上验证。	提高径向复合油藏中渗透率估计的准确性和历史拟合的效率。	径向复合油藏中的渗透率分布，包括内区渗透率、流度比和复合半径。	机器学习, 数字油藏	不适用	压力瞬态测试模拟	CNN, 全连接网络	合成压力导数响应	十个集成实现	不适用	CNN, 全连接网络	预测准确率, 拟合误差	不适用
407	2026-08-13	ConvECA-Net: A lightweight convolutional neural network for fault diagnosis of tapered roller bearings 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54553-6 PMID:42225790	研究论文	提出了一种轻量级卷积神经网络ConvECA-Net，用于圆锥滚子轴承的故障诊断，并验证了其高精度和计算效率	结合高效通道注意力（ECA）、自适应核尺寸策略和Leaky ReLU激活的新架构，实现了高分类精度与低计算成本，并通过组件消融研究验证每个组件的贡献	未提及具体局限性	开发一种轻量级且鲁棒的深度学习模型，用于圆锥滚子轴承的故障分类，以支持工业状态监测和避免停机	圆锥滚子轴承的五种故障状态	机器学习	NA	NA	卷积神经网络（CNN）	振动信号（隐含）	未指定，但实验运行十次，使用分层5折交叉验证	NA	ConvECA-Net（基于ECA、自适应核尺寸和Leaky ReLU）	准确率、可训练参数数量、模型大小、FLOPs、推理延迟、均值±标准差	未指定GPU信息，但提及了192 MFLOPs和0.82 ms/样本的推理延迟
408	2026-08-13	Improving seismic fault detection through fault-balanced patch extraction and deep learning networks (UNet, Efficient-UNet, and VGG19-UNet) 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56041-3 PMID:42225901	研究论文	本研究评估了三种基于卷积神经网络的分割模型（标准UNet、Efficient-UNet和VGG19-UNet）在真实三维地震数据中的断层自动检测性能，并采用故障平衡补丁提取策略解决类别不平衡问题	提出了一种故障感知的数据集准备策略，包括从富断层区域提取训练样本、断层掩膜膨胀和数据增强，以解决断层解释中严重的类别不平衡问题	框架在研究所用数据集上表现良好，但更广泛的地质环境适用性仍是未来研究的重要方向	评估并比较标准UNet、Efficient-UNet和VGG19-UNet三种深度学习分割模型在自动地震断层检测中的性能，并强调数据集设计和架构选择的重要性	从真实三维地震体中提取的二维地震补丁，用于自动断层检测	计算机视觉	不适用	不适用	卷积神经网络	图像	未提供具体样本数量，但使用了从真实三维地震体中提取的二维地震补丁	不适用	标准UNet, Efficient-UNet, VGG19-UNet	Dice, IoU, F1分数	未提供具体计算资源信息
409	2026-08-13	Multi-modal data fusion and deep reinforcement learning for dynamic resource scheduling in intelligent manufacturing systems under variable market demand 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55756-7 PMID:42225920	研究论文	本研究提出了一种结合多模态数据融合与深度强化学习的方法，用于在需求变化场景下实现智能制造系统中的动态资源调度	创新性地融合了传感器、生产和市场等多模态数据，并采用LSTM注意力模型预测需求，结合Double Deep Q-Network控制调度决策	在高峰时段性能不佳，导致12.8%的交付延迟，且跨行业泛化能力有限，计算效率较低	解决智能制造系统在需求变化下的动态资源调度问题	智能制造系统中的资源调度决策	机器学习	NA	NA	LSTM, Double Deep Q-Network (DDQN)	传感器数据、生产数据、市场数据	模拟场景数据	NA	LSTM, DDQN	资源利用率、按时交付率、预测准确率	NA
410	2026-08-13	Deep learning-based neuroanatomical profiling reveals population-specific brain changes in multiple sclerosis: a large-scale Middle Eastern study 2026-06-01, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02481-2 PMID:42226149	研究论文	利用基于深度学习的神经解剖学分析，对中东人群（伊朗西北部）多发性硬化症患者与健康对照者的大脑结构变化进行大规模统计比较，并建立人群特异性参考范围	首次为中东人群建立MS神经影像生物标志物的初步人群特异性参考范围，并揭示以脑室周围为主的病变积累模式；使用深度学习自动化分割方法在大规模队列中进行分析	未明确提及限制，但可能限于单一地区（伊朗西北部）的回顾性观察设计，以及性别差异分析中缺乏显著差异可能受样本量影响	比较MS患者与健康对照组的大脑结构变化，建立中东人群的神经影像生物标志物参考范围	1,381名受试者（1,000名健康对照，381名MS患者）	深度学习, 医学影像分析	多发性硬化症	NA	CNN	MRI影像（FLAIR序列）	1,381名受试者（健康对照1,000名，MS患者381名）	NA	U-Net	Dice相似系数, 95%豪斯多夫距离, 归一化比值, t统计量, Cohen's d, Mann-Whitney U统计量, 秩双列相关系数, 皮尔逊相关系数	NA
411	2026-08-13	Deep learning-driven decoding of ubiquitination: from regulatory mechanisms to targeted protein degradation 2026-Jun-01, Biology direct IF:5.7Q1 DOI:10.1186/s13062-026-00848-7 PMID:42226266	综述	本文综述了深度学习在泛素化研究中的应用，涵盖从调控机制解析到靶向蛋白质降解的治疗应用。	全面总结了深度学习在泛素化研究中的多层面应用，包括预测泛素化位点、解析特异性机制以及促进靶向蛋白降解等转化应用。	未来需要开发更可解释的模型、整合生理背景并加强实验验证。	综述深度学习如何重塑泛素化研究，从描述性预测向机制理解和治疗应用推进。	泛素化系统，包括E3泛素连接酶、去泛素化酶、泛素链及相关调控网络。	机器学习, 生物信息学	癌症, 神经退行性疾病, 免疫功能障碍, 代谢性疾病	深度学习	卷积神经网络, 循环神经网络, Transformer, 蛋白质语言模型, 图神经网络, 生成模型, 强化学习	序列数据, 结构数据, 多模态数据	不适用	不适用	卷积神经网络, 循环神经网络, Transformer, 蛋白质语言模型, 图神经网络, 生成模型, 强化学习	预测准确性	不适用
412	2026-08-13	Fine-grained evaluation of neighborhood quality in China using street view images and big data technologies 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53650-w PMID:42230815	研究论文	本文利用街景图像和深度学习等大数据技术，以中国232个地级市的5829个主要社区（街道）为研究对象，设计并评估了包含软环境和硬环境维度的社区质量体系，揭示了社区质量的空间分布特征及其影响因素。	创新性地将社区质量评估从城市或国家尺度细化到街道级小尺度，结合街景图像和深度学习技术获取微观数据，构建了同时衡量城市软环境和硬环境的评估体系。	未明确说明局限性，但可能包括街景图像数据覆盖度和质量对评估结果的影响，以及评估体系可能未覆盖所有软环境维度。	评估中国城市社区质量，分析其空间分布和影响因素，为城市规划、城市更新和城市化政策优化提供理论支持。	中国232个地级市的5829个社区（街道）。	计算机视觉, 数字病理	不适用	街景图像分析, 深度学习	深度学习模型（具体类型未提及）	图像（街景图像）和统计数据	5829个社区（街道）	不适用	不适用	熵值法（评估指标）	不适用
413	2026-08-13	Deep Learning-Based OCT Segmentation for Stiffness Quantification in Evaluating Low-Level Laser Therapy for Wound Healing 2026-06, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.70291 PMID:42252133	研究论文	本研究评估了低水平激光疗法对伤口组织短期生物力学反应的影响，通过U-Net模型自动分割OCT图像来量化皮肤刚度变化	结合OCT成像与空气喷射压痕系统实现非接触式皮肤刚度测量，并采用U-Net深度学习模型自动分割OCT图像，以精确评估LLLT对伤口组织生物力学特性的影响	摘要未提供明确的局限性信息	评估低水平激光疗法对伤口组织短期生物力学反应的影响，特别是通过皮肤刚度变化来量化	伤口组织在不同肢体区域的皮肤刚度	数字病理学、深度学习	伤口愈合	光学相干断层扫描（OCT）、低水平激光疗法（LLLT）	U-Net	图像	未明确说明	未明确说明	U-Net	分割准确率	未明确说明
414	2026-08-12	SR-FSL: Sample reconstruction enhanced few-shot learning for real-time motor unit identification from surface electromyogram 2026-Jun-04, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-026-02026-2 PMID:42243970	研究论文	提出了一种基于样本重建增强的少样本学习方法，用于从表面肌电信号中实时识别运动单元，显著提升了识别性能。	创新性地引入样本重建策略生成生理可解释的合成样本，以少量实验数据实现模型微调，增强了对运动单元动作电位波形时空特征的刻画能力，优于传统深度学习方法。	方法依赖模拟数据预训练，可能影响真实场景泛化；实验仅涉及十名受试者，样本量有限。	解决深度学习在在线运动单元识别中对大量数据依赖的问题，实现高效实时的运动单元识别。	高密度表面肌电信号中的运动单元，具体实验数据来自十名受试者的拇短展肌。	机器学习	NA	表面肌电记录（HD-sEMG）	时空神经网络	信号	十名受试者，使用8×8电极阵列采集的高密度表面肌电信号	NA	时空卷积网络（推测，具体如CNN）	匹配率	NA
415	2026-08-12	Utility of deep learning for degree calculation of aortic arch calcification in chest-X ray 2026-06-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02370-8 PMID:42237240	研究论文	提出一种基于Transformer的多注意力模型用于胸片主动脉弓钙化等级分类，提高分类准确性并减少人工评估时间	集成多个注意力模块增强空间特征表示，并结合位置信息与主动脉弓的层级16块表示实现细粒度钙化分布分析	未提及具体限制，但可能包括样本量、外部验证或临床推广方面的不足	提高胸片主动脉弓钙化等级分类的准确性，并标准化临床评估流程	胸部X光片中的主动脉弓钙化	计算机视觉	主动脉弓钙化	胸部X光影像分析	Transformer	图像	未明确说明	未明确说明	Multi-Attention with Transformer Model (MATM)	准确率	未明确说明
416	2026-08-12	SSDA_AOA: Stacked Sparse Denoising Autoencoder With Archimedes Optimization Algorithm Based Oral Cancer Detection on Histopathological Images 2026-Jun, Oral diseases IF:2.9Q1 DOI:10.1111/odi.70210 PMID:41622690	研究论文	提出一种基于堆叠稀疏去噪自编码器和阿基米德优化算法的口腔癌组织病理图像检测框架	结合NASNet-Large特征提取与阿基米德优化算法进行降维和超参数调优，并采用堆叠稀疏去噪自编码器进行分类	未提及	提高口腔癌早期检测的准确性和患者预后	口腔癌组织病理图像	数字病理学	口腔癌	组织病理图像分析	堆叠稀疏去噪自编码器（SSDA）	图像	未提及	NA	NASNet-Large, 堆叠稀疏去噪自编码器	准确率, 精确率, 敏感性, 特异性, F1分数	NA
417	2026-08-12	Ultrasound Video-Based Deep Learning Model for Predicting Axillary Lymph Node Status and Nodal Burden in Breast Cancer 2026-Jun, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.02.014 PMID:41794631	研究论文	本研究开发并验证了一个基于乳腺超声视频的两阶段深度学习框架，用于预测乳腺癌患者的腋窝淋巴结状态和淋巴结负担。	首次提出基于时间移位模块的视频模型两阶段框架，利用术前超声视频预测腋窝淋巴结状态和负担，并结合多中心数据进行验证。	研究为回顾性设计，且外部测试集性能略低于内部测试集，可能存在选择偏倚。	开发并验证一种基于超声视频的深度学习模型，用于术前准确评估乳腺癌患者的腋窝淋巴结状态和淋巴结负担，以支持个体化管理。	864例经病理确诊的乳腺癌患者，分为训练集（495例）、内部测试集（213例）和两个外部测试集（120例和36例）。	计算机视觉	乳腺癌	超声成像	TSM-ResNet50和TSM-ResNet18	超声视频	864例乳腺癌患者	NA	TSM-ResNet50, TSM-ResNet18	AUC, 灵敏度, 特异度	NA
418	2026-08-12	Factors predicting MRI glioma segmentation accuracy in deep learning models: a systematic review and meta-analysis 2026-Jun, Journal of neuroradiology = Journal de neuroradiologie DOI:10.1016/j.neurad.2026.101562 PMID:42102794	系统综述与Meta分析	系统评价和Meta分析探究预测深度学习模型在MRI胶质瘤分割中的准确性因素	通过多变量元回归分析，首次综合识别影响深度学习MRI胶质瘤分割性能的因素，发现3D模型架构和multiparametric MRI输入是性能的最佳预测因子	研究中没有单一因素能完全解释跨研究性能变异，样本量有限且异质性高	识别影响深度学习模型在MRI胶质瘤分割中准确性的因素，以支持模型临床应用	深度学习模型在术前分割胶质瘤MRI图像的性能数据	医学影像分析、深度学习	胶质瘤	MRI	深度学习模型（含3D和2D架构）	MRI图像	88个模型，其中36个纳入定量分析	NA	3D卷积神经网络（CNN），可能包括其他变体	Dice相似系数（DSC）	NA
419	2026-08-12	Deep learning for automatic segmentation of the inferior alveolar nerve using a hybrid CNN-transformer framework 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55949-0 PMID:42219396	研究论文	提出一种基于混合CNN-Transformer框架的自动分割下牙槽神经的方法，用于锥形束CT图像。	引入阶段限制的置换自适应实例归一化和解码器上下文细化模块，增强外观不变性并保持薄管状神经结构的连续性。	相对于nnU-Net的改进幅度有限，需谨慎解读。	提高下牙槽神经在CBCT图像中的自动分割准确性和一致性。	下牙槽神经	深度学习	NA	锥形束CT成像	CNN-Transformer混合架构	图像	130个CBCT影像，来自两个机构	nnU-Net框架	nnU-Net	Dice系数，HD95，ASSD	未指定
420	2026-08-12	Attention-enhanced GNN model for fungal disease classification in spinach leaves using monospectral imaging 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54574-1 PMID:42225821	研究论文	本文提出了一种基于注意力增强图神经网络（AE-GNN）的方法，利用单光谱成像对菠菜叶片的真菌病害进行分类，并采用Grad-CAM进行可解释性分析	创新性地将叶片图像建模为图结构，通过注意力加权机制聚焦于疾病相关区域，并结合可解释性AI方法提升模型透明度	信息不足，未在标题和摘要中明确提及具体限制	旨在早期检测和分类植物叶片病害，以提高作物产量并减少农业损失，同时增强模型的可解释性和适用性	菠菜和咖喱叶片的图像，涵盖15种病害及其健康分类	计算机视觉	植物病害	单光谱成像	图神经网络（GNN）	图像	半菠菜和咖喱叶片的精选数据集，具体数量未说明	未明确指定，但可能涉及PyTorch或TensorFlow	AE-GNN，包含多层感知器分类器	分类准确率（具体指标未完全说明）	未明确指定