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
1	2026-01-06	Deep learning diagnosis model of spinal tuberculosis based on CT bone window gradient attention mechanism: multi-center study 2026-Dec, Computer assisted surgery (Abingdon, England) DOI:10.1080/24699322.2025.2599329 PMID:41459642	研究论文	本研究基于CT骨窗图像开发了一种深度学习模型，旨在提高脊柱结核的早期诊断准确性	结合CT骨窗梯度注意力机制，改进了ResNet50网络，构建了端到端的深度学习诊断模型，专注于提取骨小梁微骨折和钙化轮廓梯度等特征	NA	提高脊柱结核的早期诊断准确性	脊柱结核患者	计算机视觉	脊柱结核	CT成像	CNN	图像	1027例多中心回顾性数据	NA	U-Net, ResNet50	AUC, 准确率, 灵敏度	NA
2	2026-01-01	Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00412-z PMID:41458068	研究论文	本研究使用保形分析量化基于视觉Transformer（ViT）的基础模型在皮肤病变分类任务中，针对不同患者人口统计学特征（性别、年龄、种族）的预测不确定性，以评估模型公平性	首次将保形分析应用于基础AI模型（Google DermFoundation）的公平性评估，提供群体覆盖保证和个体不确定性评分，并提出基于动态F1分数的采样方法缓解类别不平衡	研究依赖于公开基准数据集，这些数据集存在严重的类别不平衡问题；保形分析虽然提供不确定性量化，但未完全解决基础模型嵌入不可解释的根本问题	评估基础AI模型在皮肤病变分类中的预测公平性和可信度	皮肤病变图像数据及对应的患者人口统计学信息（性别、年龄、种族）	计算机视觉	皮肤病变	保形分析（conformal analysis），自监督学习	Vision Transformer (ViT)	医学图像（皮肤病变图像）	多个公开基准数据集，包含数百万数据点	NA	Vision Transformer (ViT), Google DermFoundation	F1-score, 不确定性评分, 覆盖率保证	NA
3	2025-12-30	C2DGCN: cross-connected distributive learning-enabled graph convolutional network for human emotion recognition using electroencephalography signal 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10399-8 PMID:41458473	研究论文	提出了一种基于交叉连接分布式学习的图卷积网络（C2DGCN），用于从脑电图信号中有效识别人类情绪	引入了交叉连接分布式学习机制，实现了广泛的特征共享与整合，降低了计算复杂度并提高了准确性；应用统计时频信号描述符提取复杂特征，缓解了过拟合问题	NA	开发一种高效的人类情绪识别方法	人类情绪状态	机器学习	NA	脑电图信号分析	图卷积网络	脑电图信号	使用了SEED-IV和DEAP两个数据集，具体样本数量未在摘要中说明	NA	C2DGCN	准确率, 灵敏度, 特异性, 精确率	NA
4	2025-12-13	Interpretable large language models for early prediction of antimicrobial multidrug resistance 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00401-2 PMID:41383823	研究论文	本研究提出基于大语言模型的新架构，用于重症监护病房患者抗菌素耐药性的早期预测，利用电子健康记录作为不规则多变量时间序列数据	首次将大语言模型应用于不规则多变量时间序列的抗菌素耐药性分类任务，结合了高预测性能与模型可解释性	研究数据来源于单一医院（西班牙马德里富恩拉夫拉达大学医院），可能限制模型的泛化能力	开发早期预测抗菌素耐药性的模型，以支持重症监护病房的及时干预和有效治疗	重症监护病房患者的电子健康记录数据	自然语言处理	抗菌素耐药性	电子健康记录分析	LLM, GRU, LSTM, Transformer, Mamba, GCNN	不规则多变量时间序列	3502份匿名电子健康记录	NA	InstructTime-LLM, Blocks-LLM	ROC-AUC	NA
5	2025-12-10	Attention-guided deep learning-machine learning and statistical feature fusion for interpretable mental workload classification from EEG 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10392-1 PMID:41362309	研究论文	本文提出了一种新颖的混合深度学习与XGBoost堆叠集成框架，用于从脑电图信号中进行可靠且可解释的心理负荷分类	提出了一种结合CNN-BiLSTM-Attention深度学习分支与XGBoost机器学习分支的双分支混合堆叠集成框架，并利用逻辑回归进行预测融合，以同时提升分类性能和模型可解释性	未明确提及模型的计算复杂度、实时性评估或在更广泛数据集上的泛化能力限制	开发一种可靠且可解释的心理负荷分类方法，用于实时认知监测	脑电图信号	机器学习	NA	脑电图	CNN, BiLSTM, XGBoost	时间序列信号	STEW和EEGMAT两个公开数据集	NA	CNN-BiLSTM-Attention	分类准确率	NA
6	2025-12-10	Tremor estimation and filtering in robotic-assisted surgery 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10387-y PMID:41362307	研究论文	本文提出了一种基于深度学习的预测方法，用于估计和过滤机器人辅助手术中的手部震颤信号	提出了一种结合双向LSTM和时序卷积网络以提取震颤信号长短期特征的集成方法，并引入遗传算法优化时间步长和末端数据补偿策略	方法仅在虚拟手术环境中通过缝合实验进行评估，缺乏真实临床场景的验证	通过测量和建模震颤信号来抑制手术机器人操作中的手部震颤，提高手术精度	外科医生在手术过程中产生的自发手部震颤信号	机器学习	NA	传感器信号测量与建模	LSTM, TCN	时序信号数据	NA	NA	双向LSTM网络, 时序卷积网络	震颤信号估计误差	NA
7	2025-12-09	Magnetic resonance image enhancement and segmentation using conventional and deep learning denoising techniques for dynamic cerebral angiography 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00406-x PMID:41357951	研究论文	本研究评估了自动去噪流程，以增强动态脑血管造影图像质量，辅助视觉分析和自动化血管分割，从而通过血管特征提取改进量化	结合传统技术与基于深度学习的无监督技术进行图像去噪，并展示了在分割任务中使用去噪图像相比原始噪声图像的显著性能提升	图像采集受婴儿运动伪影、短采集时间导致的对比度变化以及扫描仪硬件限制影响，增加了噪声并降低了血管可见性，这对AI工具和专业分析诊断构成挑战	评估自动去噪流程以增强图像质量，辅助视觉分析和自动化血管分割，改进血管特征提取的量化	婴儿的动态脑血管造影（TRANCE-MRI）图像	计算机视觉	脑血管疾病	动态血管磁共振成像（TRANCE-MRI）	深度学习无监督模型	图像	NA	NA	Noise2Void, PPN2V GMM	Dice系数, Hausdorff距离	NA
8	2025-11-28	Novel contrastive representation learning of epileptic electroencephalogram for seizure detection 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10352-9 PMID:41306193	研究论文	提出了一种结合对比学习和周期动态检测的新型癫痫脑电图特征学习框架ContrLF，用于癫痫发作检测	首次将对比学习框架与Floss方法相结合，能够自动检测和学习脑电图信号中的主要周期性动态，更充分地捕捉癫痫发作的关键特征	NA	开发一种能够更好捕捉脑电图信号中周期性动态的癫痫发作自动检测方法	癫痫患者的头皮脑电图和颅内脑电图数据	机器学习	癫痫	脑电图信号处理	对比学习, SVM	脑电图时序信号	NA	NA	ContrLF框架（包含时间对比模块和上下文对比模块）	准确率, 敏感度, 特异性	NA
9	2025-11-26	A multimodal approach for cardiac signals classification using deep learning with explainable AI methods 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00402-1 PMID:41287804	研究论文	提出一种融合心电信号和心音信号的多模态深度学习框架，用于心脏病分类诊断	采用双分支CNN-BiLSTM-SE架构与跨模态注意力机制，结合可解释AI方法验证模型临床相关性	未明确说明模型在实时临床环境中的部署性能	开发准确、可解释的心脏病诊断决策支持系统	心电图和心音图信号	数字病理	心血管疾病	小波去噪,自适应滤波,标准化	CNN,BiLSTM	生理信号	总计4905名受试者（来自5个不同数据集）	未明确指定	双分支CNN-BiLSTM-SE,跨模态注意力机制	准确率,F1分数,AUC	NA
10	2025-11-19	Real-time driver activity detection using advanced deep learning models 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10376-1 PMID:41245998	研究论文	本文提出一种混合CNN-Transformer架构用于实时驾驶员活动检测	提出结合CNN局部特征提取、注意力机制和Transformer全局上下文建模的混合架构，并引入高效通道注意力机制	混淆矩阵分析显示存在少量误分类	开发实时驾驶员监控系统以减少交通事故	驾驶员行为活动	计算机视觉	NA	深度学习	CNN, Transformer	图像	NA	NA	MobileNetV2, DenseNet201, NASNetMobile, VGG19, Hybrid CNN-Transformer	准确率	NA