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
2581	2026-09-05	Screening for severe coronary stenosis in patients with apparently normal electrocardiograms based on deep learning 2024-11-22, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02764-0 PMID:39578851	研究论文	本研究旨在开发深度学习模型，以区分心电图表现正常的严重冠状动脉狭窄患者与无或轻度狭窄患者。	利用迁移学习技术，从现有心电图模型中提取深度特征，以较低计算成本有效识别严重冠状动脉狭窄。	样本量相对较小，且研究仅限于单中心数据，可能限制模型的普适性。	开发一个高效模型，用于在常规筛查或体检中检测心电图正常的严重冠状动脉狭窄患者。	392名心电图表现正常的患者，其中138名患有严重冠状动脉狭窄。	机器学习	冠心病	NA	深度学习（CNN）	心电图（ECG）数据、临床信息	392名患者（其中138名严重狭窄）	NA	卷积神经网络（CNN）	AUC、敏感性、特异性	NA
2582	2026-09-05	DAPNet: multi-view graph contrastive network incorporating disease clinical and molecular associations for disease progression prediction 2024-11-19, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02756-0 PMID:39563302	研究论文	提出了一种基于多视图图对比学习的疾病进展预测模型DAPNet，仅利用共病时长和疾病关联进行高性能预测	首次将多视图图对比学习应用于疾病进展预测任务，创新性地整合分子水平的疾病关联信息，并组合疾病共现和ICD10编码	未在摘要中明确说明局限	探索一种减少数据依赖并达到与现有研究相当的预测性能的新方法，用于疾病进展预测	严重肺炎和肾脏疾病患者的临床数据	机器学习	慢性疾病	NA	图神经网络	临床数据（包括共病时长和疾病关联）	2714名患者和10856次就诊（医疗索赔数据），以及606名患者（MIMIC-IV肾脏数据）	NA	多视图图对比学习网络（DAPNet）	F1分数	NA
2583	2026-09-05	Development of a cerebellar ataxia diagnosis model using conditional GAN-based synthetic data generation for visuomotor adaptation task 2024-11-12, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02720-y PMID:39529148	研究论文	本研究提出了一种利用条件生成对抗网络合成数据生成模型，基于视觉运动适应任务的轨迹数据建立小脑性共济失调患者分类框架。	创新性地结合条件对抗生成神经网络和重构网络，基于类别条件和随机噪声生成合成数据，用于增强小脑性共济失调患者分类模型的训练，提高分类精度。	未在摘要中明确提及局限性。	开发一种基于合成数据生成的小脑性共济失调早期诊断模型，以解决数字医疗领域中数据不足的问题。	小脑性共济失调患者、年龄匹配的正常个体和年轻健康受试者	机器学习	小脑性共济失调	条件生成对抗网络、重构网络	条件生成对抗网络（cGAN）	视觉运动适应任务的轨迹数据	未在摘要中明确提及样本数量	NA	条件对抗生成神经网络与重构网络组合	分类准确率、数据保真度、分布相似性	NA
2584	2026-09-05	Public health nurse perspectives on predicting nonattendance for cervical cancer screening through classification, ensemble, and deep learning models 2024 Jul-Aug, Public health nursing (Boston, Mass.) DOI:10.1111/phn.13334 PMID:38757647	研究论文	本研究旨在通过分类、集成和深度学习模型预测女性未参加宫颈癌筛查的情况，并比较不同模型的性能。	采用多种算法（包括分类、集成和深度学习）比较预测未参加宫颈癌筛查的性能，特别是软投票集成模型和LSTM等深度学习方法的应用。	未提及明确的局限性。	准确预测女性未参加宫颈癌筛查的主要障碍，以提高社区医疗服务中的筛查参与率。	来自初级卫生中心门诊部的1046名女性的数据，包括参加和未参加宫颈癌筛查的情况。	机器学习	宫颈癌	NA	分类模型、集成模型、深度学习模型（如朴素贝叶斯、逻辑回归、随机森林、神经网络、LSTM、MLP）	表格数据（临床记录）	1046名女性的数据	NA	随机森林、神经网络、LSTM、MLP等	准确率、特异性、敏感性、AUC	NA
2585	2026-09-05	Attention-based deep convolutional neural network for classification of generalized and focal epileptic seizures 2024-06, Epilepsy & behavior : E&B IF:2.3Q2 DOI:10.1016/j.yebeh.2024.109732 PMID:38636140	研究论文	提出一种基于注意力机制的深度卷积神经网络，用于脑电信号中广义和局灶性癫痫发作的自动多分类。	将多头自注意力机制与深度CNN结合，用于癫痫发作亚型的多分类，显著提高了分类性能。	未提及	开发一种自动化的癫痫发作分类模型，以提高诊断效率和准确性。	从Temple University Hospital Seizure Corpus中提取的脑电信号。	机器学习	癫痫	脑电图（EEG）	CNN	时间序列信号	未提及	NA	多头自注意力机制与深度CNN	加权准确率、加权F1分数	NA
2586	2026-09-05	Quantifying uncertainty: Air quality forecasting based on dynamic spatial-temporal denoising diffusion probabilistic model 2024-05-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2024.118438 PMID:38350546	研究论文	提出一种基于动态时空去噪扩散概率模型（DST-DDPM）的空气污染预测方法，旨在量化预测不确定性并捕捉监测站间的动态空间依赖。	首次引入去噪扩散模型于空气污染预测，通过动态上下文编码器生成动态邻接矩阵，同时保留静态空间信息，并在空间-时间去噪模型中联合学习时空依赖。	模型仅在单城市北京的数据集上验证，未考虑其他地区或天气极端情况的影响，计算资源未明确说明。	提高空气污染预测的准确性，明确量化预测中的不确定性，并建模动态空间-时间依赖。	空气污染时间序列数据，来自北京多个监测站的观测数据。	机器学习	NA	去噪扩散模型，时间序列预测	生成模型，去噪扩散概率模型	序列数据（传感器监测数据）	北京真实数据集，具体样本数未提供	NA	动态上下文编码器（重写为动态编码器），空间-时间去噪模块（U-Net风格），去噪扩散概率框架	单一指标用于比较，可能为均方误差或平均绝对百分比误差；文中提及'by 1.36% and 11.62%'，可能为相对改进百分比	NA
2587	2026-09-05	Deep learning approaches for seizure video analysis: A review 2024-05, Epilepsy & behavior : E&B IF:2.3Q2 DOI:10.1016/j.yebeh.2024.109735 PMID:38522192	综述	本文综述了深度学习在癫痫发作视频分析中的应用，重点关注过去7年内的研究进展，涵盖基础技术、半学检测与分析方法，并提出了集成系统框架	系统性地总结了深度学习在癫痫视频半学分析领域的应用，并提出了一个可定制和升级的集成系统架构，以连接现有技术	未提及具体局限性，但依赖已发表研究，可能受限于现有数据集和方法的多样性	探讨深度学习在癫痫发作视频分析中的应用，以改进癫痫检测和半学分析，支持临床决策	癫痫发作的视频记录及其半学特征分析	计算机视觉、深度学习	癫痫	NA	深度学习模型（具体未指定，如CNN等）	视频数据	NA	NA	NA	NA	NA
2588	2026-09-05	eDeeplepsy: An artificial neural framework to reveal different brain states in children with epileptic spasms 2024-05, Epilepsy & behavior : E&B IF:2.3Q2 DOI:10.1016/j.yebeh.2024.109744 PMID:38513569	研究论文	利用深度学习技术开发eDeeplepsy模型，用于区分儿童癫痫性痉挛中的不同脑状态	eDeeplepsy不仅能区分发作期和发作间期状态，还能识别出同一簇痉挛之间的脑活动与远离簇的活动，后者通常通过视觉检查无法区分	未明确提及局限性	开发人工智能系统以准确高效分类EEG并揭示癫痫中新的信息	患有癫痫性痉挛的儿童（超过婴儿期）的EEG数据	机器学习	癫痫	EEG	卷积神经网络（CNN）	图像（编码为图像的EEG）	来自同质儿科人群的长期视频-EEG记录，具体样本数量未在摘要中提供	NA	卷积神经网络（CNN）	准确率（86%-94%）	NA
2589	2026-09-05	Deep Learning Radiomics Nomogram Based on Multiphase Computed Tomography for Predicting Axillary Lymph Node Metastasis in Breast Cancer 2024-02, Molecular imaging and biology IF:3.0Q2 DOI:10.1007/s11307-023-01839-0 PMID:37563517	研究论文	本研究旨在开发和验证一种基于多期计算机断层扫描的深度学习放射组学列线图，用于预测乳腺癌患者的腋窝淋巴结转移。	将深度学习特征与放射组学特征结合，并利用多期CT数据构建列线图，以提高预测腋窝淋巴结转移的准确性。	样本量较小，且为单中心回顾性研究，可能限制模型的泛化能力。	开发和验证一种深度学习放射组学列线图，用于预测乳腺癌患者的腋窝淋巴结转移，以提供个体化治疗的信息。	196名经病理证实为非特异性浸润性乳腺癌的患者。	医学影像分析	乳腺癌	多期计算机断层扫描（CT）	支持向量机（SVM）	医学影像（CT图像）及临床数据	196例乳腺癌患者	NA	NA	受试者工作特征曲线下面积，校准曲线，决策曲线分析	NA
2590	2026-09-05	Image Denoising of Low-Dose PET Mouse Scans with Deep Learning: Validation Study for Preclinical Imaging Applicability 2024-02, Molecular imaging and biology IF:3.0Q2 DOI:10.1007/s11307-023-01866-x PMID:37875748	研究论文	本研究提出了一种基于深度学习的图像去噪框架，用于降低微型PET小鼠扫描中的低剂量图像噪声，并通过视觉和定量评估验证其性能	将深度学习U-Net应用于低剂量微型PET图像去噪，并在多种示踪剂和体模上验证了其泛化能力	未提及明确的局限性，但可能受限于样本数量和数据多样性	评估深度学习去噪框架在低剂量微型PET图像中的适用性，以提高图像质量同时减少放射性剂量或扫描时间	36只小鼠的[18F]FDG PET扫描，以及NEMA-NU4体模和不同示踪剂（[18F]PSMA、[18F]FAPI、[68Ga]FAPI）研究	医学影像分析，深度学习	NA	PET成像，深度学习	U-Net	医学图像（PET扫描）	36只小鼠的PET扫描，和NEMA-NU4体模以及多种示踪剂研究	未提及	U-Net	视觉和定量比较，标准化摄取值（SUV）	未提及
2591	2026-09-05	WilsonGenAI a deep learning approach to classify pathogenic variants in Wilson Disease 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303787 PMID:38758754	研究论文	本文采用深度学习方法对威尔逊病相关的ATP7B基因变异进行分类，区分致病性与良性	首次将TabNet和XGBoost算法应用于威尔逊病ATP7B基因变异的致病性分类，利用高置信度的ACMG-AMP注释数据集	未提及	开发一种能够快速准确分类威尔逊病相关基因变异的工具，辅助临床和研究	威尔逊病相关的ATP7B基因遗传变异	机器学习	威尔逊病	NGS	TabNet, XGBoost	基因变异数据	未提及样本数量，但使用了高置信度手动注释的ACMG-AMP分类变异数据集及独立验证集和患者功能验证变异	未提及	TabNet, XGBoost	未提及	未提及
2592	2026-09-05	The use of artificial intelligence in induced pluripotent stem cell-based technology over 10-year period: A systematic scoping review 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302537 PMID:38771829	综述	本系统综述探讨了人工智能在诱导多能干细胞技术中的应用，涵盖过去十年期间的研究进展。	首次系统性地概述了AI在iPSC技术中的应用，包括细胞分类、疾病表型评估和药物筛选，并强调了该领域研究的增长趋势。	综述可能受限于已发表研究的范围，未包括未发表或灰色文献，且主要依赖英文文献。	探索AI在iPSC研究发展中的作用，揭示其应用现状及未来潜力。	涉及iPSC技术中的AI应用，包括细胞分类、疾病建模、药物筛选及基因分析。	机器学习	疾病建模	NA	机器学习、深度学习	图像、文本	79项研究	NA	NA	NA	NA
2593	2026-09-05	ET-Network: A novel efficient transformer deep learning model for automated Urdu handwritten text recognition 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302590 PMID:38758731	研究论文	提出了一种名为ET-Network的基于Transformer的高效深度学习模型，用于乌尔都语手写文本的自动识别	将自注意力机制集成到EfficientNet中进行特征提取，并结合Transformer进行语言建模，以捕捉长距离依赖，提升识别性能	未明确说明，但可能受限于乌尔都语手写数据集的有限性和多样性	解决乌尔都语手写文本自动识别中的挑战，提高识别准确性	乌尔都语手写文本图像	计算机视觉, 自然语言处理	NA	NA	Transformer, EfficientNet	图像, 文本	使用了三个数据集：NUST-UHWR, UPTI2.0, 和 MMU-OCR-21	NA	EfficientNet, Transformer	字符错误率, 词错误率	NA
2594	2026-09-05	Predicting hotspots for disease-causing single nucleotide variants using sequences-based coevolution, network analysis, and machine learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302504 PMID:38743747	研究论文	开发了一个基于蛋白质残基接触网络的序列变异位点预测流程，结合共进化分析、网络分析和机器学习，以预测致病性单核苷酸变异的 hotspots。	整合多个基于深度学习的共进化分析工具构建残基接触网络，并利用机器学习融合多种网络中心性得分来预测疾病突变热点，区别于以往忽视了残基间相互作用或依赖已知结构的方法。	未明确提及，但可能受限于数据集规模（107种蛋白质）和依赖序列预测的准确性。	提高致病性突变热点预测的准确性和通量，以支持个性化医疗和药物设计。	疾病相关蛋白质的残基变异位点，尤其关注致病性单核苷酸变异。	机器学习, 生物信息学	遗传病	共进化分析（RaptorX, DeepMetaPSICOV, SPOT-Contact）, 机器学习	随机森林, 梯度提升, 极限梯度提升	蛋白质序列数据	107种富含疾病突变的蛋白质	NA	NA	NA	NA
2595	2026-09-05	Multi-strategy modified sparrow search algorithm for hyperparameter optimization in arbitrage prediction models 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303688 PMID:38748753	研究论文	本研究提出一种多策略改进的麻雀搜索算法（MSMSSA）用于优化LSTM网络超参数，构建套利价差预测模型，并在中国期货市场的实际数据上验证其高精度预测性能。	引入良好点集理论、比例自适应策略和改进的位置更新方法，增强麻雀搜索算法的空间探索能力，并将该算法应用于LSTM超参数优化，形成MSMSSA-LSTM模型，显著提高套利价差预测精度。	未明确提及局限，但可能包括模型复杂度和计算资源需求较高，以及对特定市场数据的适用性。	利用改进的麻雀搜索算法优化LSTM超参数，提升套利价差预测模型的准确性和稳定性，为投资者提供参考。	中国期货市场中螺纹钢和热轧卷板的期货套利价差数据。	机器学习	NA	启发式优化算法（麻雀搜索算法改进）、时间序列预测	LSTM	时间序列数据（期货价差数据）	NA（使用真实套利价差数据，具体样本数未在摘要中提供）	NA	LSTM	平均绝对百分比误差、均方根误差、平均绝对误差	NA
2596	2026-09-05	Attention pyramid pooling network for artificial diagnosis on pulmonary nodules 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302641 PMID:38753596	研究论文	提出一种基于注意力金字塔池化网络（APPN）的自动化工具，用于提高CT图像中肺结节分类的准确性	提出注意力主金字塔模块，结合注意力机制和金字塔池化，实现多尺度特征融合并聚焦重要特征，同时采用门控空间记忆技术解码特征，以提高肺结节分类性能	未在摘要中提及具体限制	开发自动工具以改进肺结节分类，降低肺癌死亡率	肺结节CT图像	计算机视觉	肺癌	NA	卷积神经网络	图像	LIDC-IDRI数据集	NA	VGG16、注意力金字塔池化网络	灵敏度、特异性、准确性、阳性预测值、阴性预测值、AUC	NA
2597	2026-09-05	MosquitoSong+: A noise-robust deep learning model for mosquito classification from wingbeat sounds 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310121 PMID:39475971	研究论文	本文提出了一种噪声鲁棒的深度学习模型MosquitoSong+，用于从翅膀声音中分类蚊子的种类和性别	通过调整1D-CNN架构并引入噪声增强和翅膀音量变化两种数据增强技术，提高模型对环境噪声和飞行音调相对体积的鲁棒性	未明确提及，但可能受限于特定数据集和背景噪声类型，需进一步验证在真实环境中的广泛适用性	开发一种实用的深度学习模型，以自动、准确地识别蚊子的种类和性别，从而支持蚊媒疾病风险评估和防控工作	蚊子个体，包括不同种类和性别的蚊子，基于其翅膀声音进行分类	机器学习	蚊媒疾病	翅膀声音分析	一维卷积神经网络（1D-CNN）	翅膀声音数据	多个翅膀声音数据集，具体数量未在摘要中提及	NA	1D-CNN	准确率	NA
2598	2026-09-05	Exploring the feasibility of FOCUS DWI with deep learning reconstruction for breast cancer diagnosis: A comparative study with conventional DWI 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313011 PMID:39480865	研究论文	本研究比较了基于深度学习重建的FOCUS DWI与传统DWI在乳腺癌诊断中的可行性，发现FOCUS-DLR DWI图像质量更优	首次将深度学习重建技术应用于FOCUS DWI进行乳腺成像，并与传统DWI进行系统性比较，证明DLR能提升图像质量	样本量较小（49例），且为单中心研究，可能影响结果的普适性	评估深度学习重建的FOCUS DWI相比传统DWI在乳腺癌诊断中的图像质量优势，以支持其临床应用	49例疑似乳腺癌的女性患者	医学影像	乳腺癌	扩散加权成像（DWI）、FOCUS DWI、深度学习重建（DLR）	深度学习重建模型（具体未提及）	MRI图像	49例患者	NA	NA	主观评分（图像质量、解剖细节、病灶可见性、伪影、畸变）以及客观指标：信噪比（SNR）、对比噪声比（CNR）、表观扩散系数（ADC）	NA
2599	2026-09-05	Improving traffic accident severity prediction using MobileNet transfer learning model and SHAP XAI technique 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0300640 PMID:38593130	研究论文	本研究旨在利用多种迁移学习技术构建交通事故严重程度预测模型，并通过SHAP可解释性技术分析各特征对预测结果的影响，以提高模型透明度。	首次将可解释性分析（如SHAP）应用于多种迁移学习模型（特别是MobileNet）以预测事故严重性，并强调模型解释的重要性。	未提及，论文可能未包含模型局限性讨论。	创建使用多种迁移学习技术的预测模型，并利用Shapley值提供最具影响力因素的见解，以提高事故预测的准确性和可信度。	高速公路交通事故及其严重程度（伤亡程度）。	机器学习	不适用	迁移学习	MLP、CNN、LSTM、ResNet、EfficientNetB4、InceptionV3、Xception、MobileNet	结构化交通数据（表格数据）	未明确提及样本数量	未指定	MobileNet、ResNet、EfficientNetB4、InceptionV3、Xception	准确率（accuracy）	未提及
2600	2026-09-05	An improved breast cancer classification with hybrid chaotic sand cat and Remora Optimization feature selection algorithm 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0300622 PMID:38603682	研究论文	本文提出了一种改进的乳腺癌分类方法，结合混合混沌沙猫与Remora优化特征选择算法，并在BreakHis数据集上实现了高精度分类	提出混合混沌沙猫优化与Remora优化算法相结合的特征选择方法，并使用条件变分自编码器进行分类	未在摘要中提及明显局限性	提高乳腺癌组织学图像分类的准确性和效率	乳腺癌组织学图像	计算机视觉、数字病理学	乳腺癌	图像处理技术（滤波、分割）	条件变分自编码器（Conditional Variational Autoencoder）	图像	使用BreakHis数据集（未明确样本数量）	NA	条件变分自编码器	准确率、精确率、召回率、F分数、特异性、FDR、FNR、FPR、MCC、NPV	NA