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
2761	2026-03-02	A Comparative Study of Machine Learning and Deep Learning Models for Long-Term Snow Depth Inversion 2026-Feb-13, Sensors (Basel, Switzerland) DOI:10.3390/s26041220 PMID:41755161	研究论文	本研究基于长期气象观测数据，系统比较了机器学习和深度学习模型在反演日积雪深度方面的性能	首次系统比较了多种机器学习和深度学习模型在长期积雪深度反演中的表现，并发现模型复杂度与预测性能并非简单正相关	ERA5-Land积雪物理参数的加入并未显著提升模型精度，研究仅基于中国黑龙江两个气象站的数据	比较机器学习和深度学习模型在长期积雪深度反演中的性能，为水文过程和气候变化研究提供有效解决方案	中国黑龙江漠河和密山两个气象站1961-2015水文年的日地面气象观测数据及ERA5-Land再分析数据中的积雪物理参数	机器学习	NA	气象观测, ERA5-Land再分析数据	机器学习模型, 深度学习模型	时间序列数据, 气象数据	1961-2015水文年的长期日观测数据（两个气象站）	NA	XGBoost, 1D CNN, LSTM, 1D CNN-LSTM	决定系数(R), 均方根误差(RMSE)	NA
2762	2026-03-02	Non-Intrusive Load Monitoring Model Based on SimCLR and Visualized Color V-I Trajectories 2026-Feb-13, Sensors (Basel, Switzerland) DOI:10.3390/s26041230 PMID:41755171	研究论文	本文提出了一种基于SimCLR和可视化彩色V-I轨迹的非侵入式负载监测模型，用于解决跨域负载识别问题	结合对比学习和对抗训练，利用彩色V-I轨迹实现跨域特征对齐，减少对大量标注数据的依赖	NA	提升非侵入式负载监测在跨域场景下的识别性能	电力负载数据	机器学习	NA	非侵入式负载监测	深度学习模型	图像（RGB彩色V-I轨迹）	使用PLAID（源域）和WHITED（目标域）数据集	NA	SimCLR	学习效率，识别鲁棒性	NA
2763	2026-03-02	Improving Normal/Abnormal and Benign/Malignant Classifications in Mammography with ROI-Stratified Deep Learning 2026-Feb-12, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020206 PMID:41749745	研究论文	本研究通过基于感兴趣区域（ROI）存在与否对乳腺X光图像进行分层，利用多种深度学习模型评估了该方法在正常/异常和良性/恶性分类中的准确性提升	提出了一种基于ROI存在与否的图像分层策略，并证明随着数据量的增加，该策略能有效提升乳腺X光图像的分类诊断准确性	未明确说明模型在特定数据集上的泛化能力或临床验证的细节，且未讨论分层策略的计算复杂度	提高乳腺X光图像在正常/异常和良性/恶性分类中的诊断准确性	乳腺X光图像	计算机视觉	乳腺癌	深度学习	CNN, Transformer	图像	使用了VinDr、CDD-CESM和DMID三个公开数据集，具体样本数量未明确说明	未明确说明，可能包括TensorFlow、PyTorch等	ResNet, EfficientNet, SwinTransformer, ConvNeXt, MobileNet	分类准确性	NA
2764	2026-03-02	Deep-Learning-Based Classification of Lung Adenocarcinoma and Squamous Cell Carcinoma Using DNA Methylation Profiles: A Multi-Cohort Validation Study 2026-Feb-12, Cancers IF:4.5Q1 DOI:10.3390/cancers18040607 PMID:41749859	研究论文	本研究提出了一种基于深度神经网络的方法，利用全基因组DNA甲基化数据对非小细胞肺癌进行肺腺癌和肺鳞状细胞癌的亚型分类，并在多队列中进行了验证	首次将深度神经网络应用于基于DNA甲基化数据的非小细胞肺癌亚型分类，并采用SHAP方法解释关键CpG生物标志物	研究依赖于特定平台（Illumina HumanMethylation450 BeadChip）的数据，可能限制了在其他甲基化数据上的泛化能力	开发一种可靠的深度学习方法，用于非小细胞肺癌的精确亚型分类，以辅助治疗决策和预后评估	非小细胞肺癌（NSCLC）患者，具体为肺腺癌（LUAD）和肺鳞状细胞癌（LUSC）亚型	机器学习	肺癌	DNA甲基化分析，使用Illumina HumanMethylation450 BeadChip平台	深度神经网络	DNA甲基化数据	使用TCGA数据集进行训练和验证，并在两个独立的GEO数据集（GSE39279和GSE56044）上进行外部验证，具体样本数量未明确说明	未明确说明，可能为TensorFlow或PyTorch	五层深度神经网络，包含批归一化和丢弃正则化	准确率，AUC-ROC	未明确说明
2765	2026-03-02	Lateral Cephalometric Radiography: Principles, Common Positioning Errors, and AI-Driven Quality Control 2026-Feb-12, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16040543 PMID:41750692	综述	本文对侧位头影测量X线摄影（LCR）的原理、常见定位误差及人工智能驱动的质量控制进行了当代综述	聚焦于人工智能（特别是深度学习模型）在LCR自动标志点检测和误差标记中的应用，以提升工作流程的一致性，并讨论了AI工具在泛化性方面的局限性及需要人工监督	当前的人工智能工具需要进一步验证，并且在泛化性方面存在局限性，需要人工监督	增强侧位头影测量X线摄影的诊断可靠性，并探讨技术整合（尤其是人工智能）对其的影响	侧位头影测量X线摄影（LCR）的成像技术、患者定位误差、以及与锥形束计算机断层扫描（CBCT）的比较	数字病理	NA	侧位头影测量X线摄影（LCR），锥形束计算机断层扫描（CBCT）	深度学习模型	X射线图像	NA	NA	NA	NA	NA
2766	2026-03-02	Deep Learning for Emergency Department Sustainability: Interpretable Prediction of Revisit 2026-Feb-12, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare14040464 PMID:41753977	研究论文	本研究开发了一种基于深度学习的可解释临床决策支持系统，用于预测急诊科患者的非计划再就诊风险	提出了一种多模态CNN模型，整合了结构化变量（生命体征、药物、实验室计数、ICD-10共病指标）和非结构化医师笔记，并通过SHAP分析实现模型可解释性	研究为单中心回顾性研究，样本可能受特定医院实践模式影响；模型性能需在更多外部数据集中验证	开发预测急诊科患者非计划再就诊风险的工具，以支持针对性出院规划和随访，缓解急诊科过度拥挤问题	急诊科患者的电子健康记录数据	医疗人工智能	急诊医学	电子健康记录分析，自然语言处理	CNN	多模态数据（结构化变量、非结构化文本）	184,653例急诊科就诊记录（2018年1月至2022年12月）	NA	多模态CNN	敏感性，准确率，AUROC	NA
2767	2026-03-02	Hybrid Deep Learning-Geostatistical Mapping of Forest Aboveground Biomass in Lishui, China 2026-Feb-12, Plants (Basel, Switzerland) DOI:10.3390/plants15040587 PMID:41754293	研究论文	本研究提出了一种结合CNN-Transformer模型与地统计学克里金插值的混合框架，用于改进中国丽水市森林地上生物量的区域制图	提出了一种混合深度学习-地统计学框架，首次将CNN-Transformer模型与残差的克里金插值结合，以同时捕捉空间自相关并提高森林地上生物量制图精度	研究仅基于398个森林样地，样本量相对有限，且模型在丽水市特定区域的适用性需进一步验证	改进区域森林地上生物量制图精度，支持森林管理和保护规划	中国浙江省丽水市的森林地上生物量	机器学习和遥感	NA	遥感影像分析（Sentinel-2、ALOS-2 PALSAR-2 SAR、ALOS DEM）	CNN-Transformer, Random Forest	多源遥感影像数据（光学、雷达、高程）	398个森林样地	NA	CNN-Transformer	R, RMSE	NA
2768	2026-03-02	HEOCP: Hybrid Energy-Optimized Clustering Protocol for WSNs Using Analytical Modeling and Deep Learning Integration 2026-Feb-12, Sensors (Basel, Switzerland) DOI:10.3390/s26041188 PMID:41755129	研究论文	本文提出了一种结合无线电能耗分析建模与深度学习辅助簇头选择的混合能量优化聚类协议（HEOCP），以延长无线传感器网络的寿命	首次将无线电能耗分析建模与深度学习（ResNet-50）相结合，用于簇头选择，并通过遗传算法优化配置，实现了实时预测，避免了重复的启发式优化	研究基于仿真验证，未在真实大规模物联网部署中进行实际测试	优化无线传感器网络的能量管理，延长网络寿命	无线传感器网络（WSNs）中的传感器节点	机器学习	NA	NA	深度学习	网络配置数据	多种网络规模下的仿真场景	TensorFlow, PyTorch	ResNet-50	网络寿命延长百分比，首节点死亡延迟，整体能量效率	未明确指定，但提及适用于大规模物联网部署
2769	2026-03-02	EEG-Based Emotion Estimation Model Integrating Structural and Time-Series Information Based on Deep Learning Architecture Optimization 2026-Feb-12, Sensors (Basel, Switzerland) DOI:10.3390/s26041210 PMID:41755151	研究论文	本文提出了一种基于深度学习的脑电图情绪识别模型，该模型通过集成结构信息和时间序列信息，并利用架构自动搜索技术来优化性能	首次将图卷积网络、长短期记忆网络、通道注意力机制和可微分架构搜索集成到脑电图情绪识别中，实现了对电极连接性和个体差异性的自适应建模	未在论文摘要中明确提及	开发一种能够自动优化架构、提高识别准确性和适应性的脑电图情绪识别模型	脑电图信号	机器学习	NA	脑电图	GCN, LSTM	时间序列信号	NA	NA	图卷积网络, 长短期记忆网络	准确率	NA
2770	2026-03-02	An educational machine learning demonstration framework for plastic surgeons using open datasets 2026-Feb-12, Journal of plastic, reconstructive & aesthetic surgery : JPRAS DOI:10.1016/j.bjps.2026.02.010 PMID:41762764	研究论文	本文介绍了一个名为DermAI-Melanoma的开放数据演示框架，旨在帮助整形外科医生通过公开数据集学习和实践机器学习，以黑色素瘤分类作为教学案例	开发了一个专门针对整形外科医生的教育性机器学习演示框架，利用公开数据集实现深度学习模型的透明化训练和部署，并优化了适用于智能手机的轻量级模型	研究仅基于单一公开数据集（SIIM-ISIC 2020），且主要作为演示框架，可能未涵盖临床实践中的所有复杂情况	通过教育性框架促进整形外科医生参与数据科学，利用开放数据集构建可部署的人工智能工具	整形外科医生及医学教育者，使用黑色素瘤图像数据进行机器学习模型训练	机器学习	黑色素瘤	深度学习	CNN	图像	基于SIIM-ISIC 2020黑色素瘤数据集，具体样本数量未在摘要中明确说明	TensorFlow.js	EfficientNet-B3, MobileNetV3-Small	准确率, AUC-ROC, F1分数	标准智能手机（用于MobileNetV3-Small模型部署），具体训练资源未在摘要中明确说明
2771	2026-03-02	Unveiling the Digital Phenotype of Physical Activity Behavior in Community-Dwelling Older Adults Using Machine Learning 2026-Feb-11, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020205 PMID:41749744	研究论文	本研究应用机器学习方法预测社区居住老年人的体力活动模式，并识别影响这些行为的关键因素	结合可穿戴传感器数据与机器学习和深度学习方法，揭示老年人体力活动的数字表型，并识别心理动机因素与历史步数数据在预测中的重要性	研究未明确提及样本的多样性或数据收集的地理范围限制，可能影响模型的泛化能力	预测老年人体力活动模式并识别关键影响因素	社区居住的老年人	机器学习	老年疾病	可穿戴传感器数据收集	线性回归, 逻辑回归, Elastic Net, LightGBM, GRU, LSTM	横断面数据, 纵向时间序列数据	NA	LightGBM, TensorFlow或PyTorch（基于GRU/LSTM使用推断）	LightGBM, GRU, LSTM	NA	NA
2772	2026-03-02	A Sophisticated Onscreen Smart Framework for Predicting Diabetes in Remote Healthcare 2026-Feb-11, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16040532 PMID:41750681	研究论文	本文提出了一种基于优化集成深度学习的自动化糖尿病预测框架（BOLD），用于远程医疗应用	结合了Brassy Pelican Optimization（BPO）进行特征选择、Deer Hunting Optimization（DHO）进行超参数优化，并采用Hunting Optimized RNN-LSTM进行分类，提高了预测的鲁棒性和精确性	未明确提及模型在更广泛或不同人群数据集上的泛化能力测试	设计并开发一种用于慢性病（糖尿病）诊断的自动化工具，以提高预测的准确性、可靠性和效率	糖尿病患者与非糖尿病患者	机器学习	糖尿病	深度学习，优化算法	RNN-LSTM	结构化医疗数据	使用了PIDD、印度尼西亚糖尿病数据库和肾脏疾病数据集，具体样本数量未明确说明	NA	RNN-LSTM	RMSE, Cohen's Kappa, 精确率, 召回率, 准确率, AUC	NA
2773	2026-03-02	Hybrid Ensemble Model for Knee Osteoarthritis Grading: Integrating CNNs with GLCM Features and XAI 2026-Feb-11, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16040539 PMID:41750687	研究论文	本研究提出了一种结合CNN深度特征与GLCM手工纹理特征的混合集成模型，用于膝关节X光片的骨关节炎严重程度自动分级	将微调的ResNet-101和EfficientNetB7提取的深度特征与手工GLCM纹理描述符相结合，并通过软投票集成进行最终预测，同时使用Grad-CAM提供模型可解释性	研究中仅使用了KL-0、KL-2、KL-3和KL-4四个等级进行分类，未包含所有KL分级；测试准确率为73%，仍有提升空间	开发自动分类膝关节骨关节炎严重程度的可靠且可解释的方法	膝关节前后位X光图像	计算机视觉	骨关节炎	X射线成像	CNN, 集成学习	图像	未明确说明	未明确说明	ResNet-101, EfficientNetB7	准确率, 宏F1分数, 加权F1分数	未明确说明
2774	2026-03-02	A Deep Learning-Based Method for Non-Destructive Estimation of Carbonate Carbon Storage in Biogenic Shells on Marine Engineering Materials 2026-Feb-11, Materials (Basel, Switzerland) DOI:10.3390/ma19040691 PMID:41753411	研究论文	本研究开发了一种基于深度学习的非破坏性框架，用于从原位图像中估计海洋工程材料上生物贝壳的碳酸盐碳储量	提出了一种结合改进Mask R-CNN和目标识别、异速生长关系及实测碳分数的非破坏性碳储量估计方法，避免了传统破坏性采样的限制	研究仅在特定近岸水域（六横岛）进行了五个月的监测，样本量有限（90张面板图像），且模型在复杂近岸条件下的性能仍有提升空间	开发一种非破坏性方法，用于长期监测海洋工程材料表面硬壳生物积累的碳酸盐碳储量	海洋工程材料表面附着的藤壶和双壳类生物	计算机视觉	NA	原位图像采集、异速生长关系分析、碳酸盐碳分数测量	CNN	图像	90张面板图像，采集自不同表面材料的面板，监测时间为5个月（6月至10月）	NA	改进的Mask R-CNN	召回率, 精确率, 相关系数R, 估计误差	NA
2775	2026-03-02	Rethinking Nature's Pharmacy: AI Era and Natural Product Drug Discovery 2026-Feb-11, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph19020301 PMID:41754841	综述	本文回顾了人工智能在天然产物药物发现领域的最新进展、挑战与潜力	探讨了人工智能（包括机器学习、深度学习和生成模型）如何变革传统天然产物药物发现流程，将成功率从低于1%提升至超过10%，并可能将发现时间缩短高达70%	数据集中天然产物仅占约5%的筛选化合物；“黑箱”模型的可解释性问题；以及在生物多样性地区进行生物勘探的伦理担忧	旨在通过人工智能技术加速和革新天然产物药物发现，以满足未满足的医疗需求并符合全球可持续发展目标	天然产物及其衍生的化学库、分子相互作用以及新型支架设计	机器学习	NA	虚拟筛选、分子相互作用预测、生成模型	机器学习, 深度学习, 生成模型	化学库数据、分子数据	NA	NA	NA	成功率、发现时间缩短比例	NA
2776	2026-03-02	Explainability of a Deep Learning Model for Mediastinal Lymph Node Station Classification in Endobronchial Ultrasound (EBUS) 2026-Feb-10, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020198 PMID:41749738	研究论文	本研究开发了一个用于分类胸部淋巴结分站的卷积神经网络，并评估了Grad-CAM激活图在EBUS图像中的解剖相关性	首次定量评估了深度学习模型在EBUS成像中的注意力是否与相关解剖结构对应，并提出了一个结构化注释框架	需要进一步优化和多中心验证	支持肺癌分期、治疗规划和预后评估中的淋巴结准确定位	胸部淋巴结分站	计算机视觉	肺癌	支气管内超声	CNN	图像	35,527张标记的EBUS图像	NA	卷积神经网络	准确率, F1分数	NA
2777	2026-03-02	Assessing Low Back Movement with Motion Tape Sensor Data Through Deep Learning 2026-Feb-10, Sensors (Basel, Switzerland) DOI:10.3390/s26041127 PMID:41755069	研究论文	本研究提出了一种基于深度学习的方法，利用Motion Tape传感器数据评估下背部运动，以辅助临床物理治疗	提出了Motion-Tape Augmentation Inference Model (MT-AIM)，通过条件生成模型生成合成数据并预测关节运动学作为额外特征，以解决小样本和噪声问题	Motion Tape数据集规模小且存在噪声，传感器稳定性具有新颖性和变异性	评估下背部运动以帮助临床医生制定合适的物理治疗方案	下背部运动	机器学习	背部疼痛	Motion Tape传感器数据采集	深度学习分类管道	传感器数据	小规模数据集	NA	条件生成模型	准确率	NA
2778	2026-03-02	From Point Clouds to Predictive Maintenance: A Review of Intelligent Railway Infrastructure Monitoring 2026-Feb-10, Sensors (Basel, Switzerland) DOI:10.3390/s26041131 PMID:41755072	综述	本文系统综述了点云技术在铁路基础设施智能监测与预测性维护中的应用、技术进展与未来方向	深入探讨了点云与计算力学结合构建高保真数字孪生体，用于实时模拟结构应力分布与损伤演化，并系统分析了技术瓶颈与未来研究轨迹	NA	为全球铁路系统的可持续智能化提供坚实的理论框架和技术路线图	铁路基础设施，包括轨道几何、隧道、桥梁等组件	计算机视觉	NA	点云技术	深度学习，人工智能	点云数据，多模态数据	NA	NA	NA	NA	NA
2779	2026-03-02	Recent Advances in Deep Learning for SAR Images: Overview of Methods, Challenges, and Future Directions 2026-Feb-10, Sensors (Basel, Switzerland) DOI:10.3390/s26041143 PMID:41755084	综述	本文全面回顾了深度学习在合成孔径雷达图像处理中的最新进展，包括去噪、分割、分类和检测等任务	评估了广泛采用的深度学习模型，并探讨了生成对抗网络和图神经网络等未充分利用模型的潜力，同时汇编了可用数据集	NA	指导合成孔径雷达图像分析的持续进展，总结关键挑战并提出未来研究方向	合成孔径雷达图像	计算机视觉	NA	NA	GAN, GNN	图像	NA	NA	NA	NA	NA
2780	2026-03-02	DeepGene-BC: Deep Learning-Based Breast Cancer Subtype Prediction via Somatic Point Mutation Profiles 2026-Feb-09, Cancers IF:4.5Q1 DOI:10.3390/cancers18040570 PMID:41749823	研究论文	本文提出了一种基于深度学习的乳腺癌亚型预测框架deepGene-BC，通过体细胞点突变谱进行分子分型	结合通路信息特征选择策略与针对稀疏二进制数据的混合神经网络，有效处理高维稀疏突变数据	NA	开发一种基于体细胞点突变谱的乳腺癌亚型预测方法，以克服转录组谱在稳健性和临床适用性上的限制	乳腺癌患者	机器学习	乳腺癌	体细胞点突变谱分析	深度学习	基因组突变数据	TCGA乳腺癌队列中的独立测试集（n=273）	NA	混合神经网络	准确率, 灵敏度, 宏平均AU-ROC	NA