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
2941	2026-08-28	Learning Explainable Imaging-Genetics Associations Related to a Neurological Disorder 2026, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-032-05141-7_34 PMID:41988634	研究论文	提出了NeuroPathX，一个可解释的深度学习框架，用于学习神经疾病中脑结构与遗传变异之间的关联	采用早期融合策略和交叉注意力机制，并引入稀疏性损失和通路相似性损失来增强可解释性和稳健性	摘要中未提及局限性	揭示神经疾病中脑结构与遗传变异之间的可解释关联	自闭症谱系障碍和阿尔茨海默病	医学影像和遗传学	自闭症谱系障碍，阿尔茨海默病	MRI，遗传数据	深度学习模型	影像和遗传数据	NA	NA	交叉注意力机制	NA	NA
2942	2026-08-28	EAC-Agent: A deep learning framework for multimodal emotion-aware conversational agent with contextual response generation 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346770 PMID:41996398	研究论文	提出了一种名为EAC-Agent的深度学习框架，用于多模态情感感知的对话代理，能够结合文本、音频和视觉特征生成上下文相关的响应	首次提出结合文本、音频和视觉的多模态情感感知对话代理框架，利用自注意力和跨模态注意力机制处理情感嵌入，提升情感识别和响应生成的准确性与上下文适当性	未提及具体的局限性，但可能存在对计算资源需求较高及多模态数据融合的复杂性	解决现有对话代理在情感识别和响应生成上的局限性，提升多模态情感感知能力	对话代理（聊天机器人）以及用于情感识别和响应生成的基准数据集（IEMOCAP和MELD）	自然语言处理	NA	NA	序列到序列模型（Seq2Seq），Transformer	文本、音频、视觉数据	使用了两个基准数据集：IEMOCAP和MELD，但未提供具体样本数量	NA	Transformer	准确率、困惑度、BLEU分数、ROUGE-L分数	NA
2943	2026-08-28	An explainable multi-head attention network for healthcare IoT threat detection based on the MedDefender-MHAN framework 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346677 PMID:41996403	研究论文	介绍了一种可解释多头注意力网络MedDefender-MHAN，用于医疗物联网威胁检测，在CICIDS2017和TON_IoT数据集上实现了高检测精度和实时解释能力	创新性地将可解释性直接嵌入多头注意力机制，采用卷积神经网络与Transformer编码器的双流架构，实现无需外部XAI管道的实时梯度加权解释生成	未提及具体局限性，但可能包括对大规模实际部署的评估不足或对多样化攻击类型的泛化能力有限	开发一种兼具高准确性和内在可解释性的医疗物联网入侵检测系统，以满足GDPR和FDA等监管要求	医疗物联网环境中的网络流量数据	网络安全、机器学习	NA	NA	多头注意力网络（结合卷积神经网络和Transformer）	网络流量数据	CICIDS2017和TON_IoT基准数据集（具体样本数量未提及）	未提及	卷积神经网络（CNN）和Transformer编码器的双流架构	检测准确率、推理延迟、吞吐量、解释对齐度、时间准确率	未提及具体GPU或云平台，但强调亚3毫秒推理延迟和高吞吐量
2944	2026-08-28	Deep learning-derived retinal biomarker associated with diabetes-related amputation in type 2 diabetes 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1866694 PMID:42460325	研究论文	本研究评估了深度学习衍生的视网膜生物标志物（Dr. Noon CVD）与2型糖尿病患者糖尿病足相关截肢的独立关联	首次将深度学习衍生的视网膜生物标志物与糖尿病足相关截肢风险联系起来，展示了其超越传统糖尿病变量的增量价值	研究为单中心回顾性设计，样本量相对较小，且未提供关于计算资源的详细信息	评估深度学习衍生的视网膜生物标志物与2型糖尿病患者糖尿病足相关截肢的关联	392名2型糖尿病患者，其中79例有糖尿病足相关截肢，313例无	深度学习	2型糖尿病	深度学习	深度学习模型	视网膜图像	392名患者	NA	NA	AUC, cNRI, IDI, 敏感性, 特异性, 阴性预测值, 阳性预测值	NA
2945	2026-08-28	Deep Learning for Scalp-Level Nonlinear Source Separation in Electroencephalogram: A Comparative Evaluation of Spatiotemporal Architectures 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3724828 PMID:42611648	研究论文	本研究评估了多种深度学习架构在脑电图中进行头皮级非线性源分离的性能，重点比较了时空建模方法的有效性	首次系统比较了多种深度学习架构（包括CNN、LSTM、Transformer及混合模型）在非线性混合ERP信号分离中的表现，并验证了集成时空建模的优越性	实验基于合成数据和特定非线性混合函数，可能未完全模拟真实脑电环境的复杂性；未涉及计算资源的具体量化分析	解决脑电数据中多源事件相关电位非线性混合分离的挑战，评估不同深度学习架构在此任务中的性能	合成和实验性脑电数据集中的事件相关电位信号	机器学习	不适用	脑电图（EEG）、事件相关电位记录	深度森林、卷积神经网络（CNN）、长短期记忆网络（LSTM）、Transformer、CNN-LSTM混合模型	脑电信号数据	合成数据集中包含已知真实源的多个模拟样本，具体数量未在摘要中提供	未明确指定框架，可能使用PyTorch或TensorFlow等通用框架	CNN、LSTM、Transformer、CNN-LSTM混合架构、深度森林	2D皮尔逊相关系数、源定位精度	未在摘要中提及
2946	2026-08-28	Biomechanics-Embedded Deep Learning for Joint Moment Estimation in Clinical Gait Analysis for Cerebral Palsy: A Learnable Hill-Type Pathway 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3725088 PMID:42623196	研究论文	提出一种生物力学嵌入的深度学习框架，用于脑瘫患儿临床步态分析中的下肢关节力矩估计，无需测力台。	将可学习的Hill型通路嵌入深度学习模型中，结合Transformer和图编码器处理关节角度与sEMG信号，实现无测力台的关节力矩估计。	数据侧策略（如健康到脑瘫迁移）未能提升性能，且样本量有限，跨域泛化能力仍需验证。	开发无需测力台的关节力矩估计方法，用于脑瘫儿童的临床步态分析。	脑瘫儿童的下肢关节力矩，涉及髋、膝、踝关节。	数字病理学	脑瘫	表面肌电信号（sEMG）	Transformer、图编码器、可学习Hill型通路	关节角度序列和肌电信号	23名受试者（根据留一法交叉验证推断）	PyTorch	Transformer、图神经网络、可学习Hill型通路	Pearson相关系数（PCC）、均方根误差（RMSE）	NA
2947	2026-08-28	Artificial Intelligence in Healthcare Practice: Validation, Fairness, and Regulatory Challenges: A Systematic Review 2026 Jan-Dec, Inquiry : a journal of medical care organization, provision and financing DOI:10.1177/00469580261478793 PMID:42634867	系统综述	本系统综述旨在检查2020年至2025年间人工智能在临床领域的应用，评估其诊断准确性和临床性能，识别实施障碍，并比较验证实践和方法学质量	遵循PRISMA 2020指南，系统搜索五个数据库，并重点关注前瞻性验证和/或外部验证的原创临床AI研究	由于研究设计、人群和结果指标的异质性，未进行正式的荟萃分析	检查AI在临床领域的应用，评估其性能，识别实施障碍，并比较验证实践	2020年至2025年间发表的临床AI研究，涉及放射学、肿瘤学和心脏病学等领域	机器学习	多种疾病	NA	深度学习、卷积神经网络、机器学习、自然语言处理	医学影像	20项研究	NA	卷积神经网络	AUC	NA
2948	2026-08-28	Correction: AI-driven diagnosis of mpox using deep learning models 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0357001 PMID:42640900	更正	本文是对一篇关于使用深度学习模型进行猴痘人工智能诊断的文章的更正。	NA	NA	更正先前发表文章中的错误。	NA	计算机视觉	猴痘	深度学习	深度学习模型	NA	NA	NA	NA	NA	NA
2949	2026-08-28	A multi-agent vision-language debate framework for zero-shot crop disease diagnosis 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1890016 PMID:42643398	研究论文	提出一种基于多智能体视觉-语言辩论框架的零样本作物疾病诊断方法	引入多智能体辩论机制和反谄媚机制，通过结构化多轮讨论提高零样本作物疾病诊断的准确性和语义一致性；提出三种语义评估指标（SLS、RS、IRC）捕捉部分正确性和推理质量	未明确提及局限性，但可能受限于零样本设置和模型多样性	提高零样本作物疾病诊断的泛化能力和准确性，通过多智能体协作推理克服单模型预测的不足	作物叶片图像，用于疾病诊断任务	计算机视觉，自然语言处理	作物疾病（未特指具体疾病类型）	视觉-语言模型（VLM）推理，零样本学习	多智能体视觉-语言模型（VLM）	图像（作物叶片图像）	CDDM基准，包含多个作物疾病图像样本，具体数量未提及	NA	多个异构VLM，包括GPT-5（作为独立评判者）及两个开源模型，具体架构未详细说明	准确率，语义标签相似度（SLS），推理特异性（RS），智能体间推理一致性（IRC）	NA
2950	2026-08-28	Predicting influenza in the post-COVID era: assessing LSTM, GRU, and transformer robustness to covariate shift 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1886896 PMID:42643413	研究论文	本文比较了LSTM、GRU和Transformer模型在利用多变量流行病学与环境数据预测流感传播方面的性能，重点关注后COVID时代非平稳性下的鲁棒性	将模型鲁棒性评估置于后COVID时代的协变量偏移背景下，诊断循环网络与Transformer架构的归纳偏好在机制转变中的失效模式	所有模型在后COVID非平稳性下均出现性能崩溃，且不能跨机制泛化，预测准确性受限	评估后COVID时代流感预测的挑战，并比较不同深度学习架构在协变量偏移下的鲁棒性	流感传播及温度数据，来自安大略省（2014-2025年）	机器学习	流感	NA	LSTM, GRU, Transformer	时序数据（流行病学与环境数据）	安大略省2014-2025年流感及温度数据，具体样本量未提供	NA	LSTM, GRU, Transformer	准确率、性能下降程度（具体指标未明确）	NA
2951	2026-08-28	An automated deep learning-based pipeline for 3D characterisation of the murine upper airway from micro-CT 2026, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2026.1823048 PMID:42643487	研究论文	开发了一种基于深度学习的自动化流水线，用于从微型CT图像中三维表征小鼠上呼吸道（气管、咽和鼻腔）	首次提出全自动的深度学习流水线，结合nnU-Net框架进行上呼吸道结构分割和表征，减少人工干预并提高测量一致性，且验证了跨实验条件和成像协议的泛化能力	研究基于小鼠模型，可能不直接适用于人类上呼吸道，且外部验证仅限于特定疾病（唐氏综合征）和实验条件	实现上呼吸道微型CT图像的自动化和标准化定量分析，支持机理和转化研究	小鼠上呼吸道，包括气管、咽和鼻腔，来自唐氏综合征研究的野生型和三体小鼠	计算机视觉, 数字病理学	唐氏综合征	微型CT成像	CNN（2D卷积神经网络）	图像（微型CT扫描）	106个扫描用于训练（内部验证），74个扫描用于外部验证	nnU-Net框架	nnU-Net（基于2D U-Net架构）	Dice相似系数（DSC）、相对绝对体积差（RAVD）、Pearson相关系数、Bland-Altman分析	未提供具体GPU信息，但使用了5折交叉验证，可能依赖标准深度学习硬件
2952	2026-08-28	Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors 2026, Research (Washington, D.C.) DOI:10.34133/research.1103 PMID:42643489	研究论文	提出了一种基于深度学习的方法，用于从二维晶体管的电学测量中自动提取物理参数并进行TCAD模型拟合	采用简单的数据增强和预训练方法，通过辅助神经网络近似物理器件模拟器，所需训练数据量减少40倍以上，且能使用物理上严格的TCAD模型	未明确提及局限性，但可能受限于生成数据的仿真模型准确性和训练数据的多样性	实现二维晶体管关键参数的自动提取和TCAD拟合，支持逆向设计	二维晶体管，包括单层WS晶体管和高电子迁移率晶体管	机器学习	NA	NA	神经网络	电学测量数据	约500个器件的仿真数据；使用实验性单层WS晶体管数据	NA	NA	决定系数（R²）	NA
2953	2026-08-28	Using deep learning to monitor children's nutritional status for child stunting identification 2026, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2026.1725474 PMID:42643516	研究论文	该研究提出了一种基于深度学习的框架，用于监测儿童营养状况并识别发育迟缓。	提出了一个紧凑的特征提取架构，结合特征融合和分层注意力机制，有效建模儿童属性间的交互，并在保持计算效率的同时实现最佳分类性能	未提及具体的局限性	开发一个数据驱动的儿童发育迟缓识别框架，以提高早期筛查的准确性	儿童，特别是发育迟缓的儿童	机器学习	儿童发育迟缓	NA	深度学习模型（如CNN、Transformer等）	结构化健康调查数据（年龄、性别、身高、体重、BMI）	两个公共卫生调查数据集：NHANES和NFHS 5	NA	紧凑特征提取架构，包含特征融合和分层注意力	分类性能指标（如准确率、精确率、召回率、F1分数、AUC等）	NA
2954	2026-08-28	Automated evaluation of dental cavity preparation quality using deep learning and anatomically informed geometric analysis 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1884843 PMID:42643536	研究论文	本研究开发了一个基于增强U-Net架构的深度学习管道，结合解剖学几何分析，利用标准二维图像或三维深度信息自动评估牙体预备质量，并生成透明可解释的窝洞质量评分（CQS）。	提出了一种结合深度学习与解剖学几何分析的混合可解释人工智能框架，首次实现从二维标准照片中自动评估牙体预备质量，并通过椭圆傅里叶描述符实现尺度、旋转和平移不变的形状比较。	需要进一步针对专家总结性评分进行验证，才能在临床教育等高风险场景中应用。	开发一种自动化、客观且临床可解释的框架，用于评估牙体预备质量，以替代传统主观评估方法。	牙齿窝洞预备质量，包括窝洞和牙尖区域的分割及量化指标。	计算机视觉	口腔疾病	二维摄影和三维STL成像	增强U-Net	二维图像和三维STL数据	内部验证数据：未明确指定样本数量；外部验证使用三位独立专家的测量结果	未明确指定	增强U-Net	Dice系数、Intersection-over-Union、平均绝对误差、相关系数	未明确指定
2955	2026-08-28	AI-assisted segmentation-based fusion model integrating deep learning, radiomics, and clinical parameters for identifying coronary heart disease risk in patients with MAFLD 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1908048 PMID:42643589	研究论文	开发并验证了一个基于AI辅助分割的融合模型，整合深度学习、影像组学和临床参数，用于识别代谢相关脂肪肝病（MAFLD）患者的冠心病风险	首次将AI辅助分割、深度学习特征、影像组学特征与临床参数相结合，构建融合模型用于MAFLD患者的冠心病风险识别	未提及明确的局限性	开发并验证一个AI辅助分割的深度学习影像组学临床（DLRC）模型，用于识别MAFLD患者的冠心病风险	代谢相关脂肪肝病（MAFLD）患者，共1515例，其中440例合并冠心病	医学图像分析	冠心病、代谢相关脂肪肝病	影像组学、深度学习	集成模型	医学影像数据	1515例MAFLD患者，包括440例合并冠心病	NA	DenseNet-121	AUC、校准曲线、DeLong检验、决策曲线分析（DCA）	NA
2956	2026-08-28	Deep learning segmentation of paediatric brain tumours using diffusion-weighted MRI: towards an early, in vivo classification pipeline 2026, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcag317 PMID:42643703	研究论文	本研究开发了一种基于深度学习的自动分割方法，利用扩散加权MRI对儿童脑肿瘤进行分割，以支持早期、体内分类。	这是首次仅使用DWI作为输入模态进行儿童脑肿瘤自动分割的研究，并采用了迁移学习和多模态集成策略。	分割准确性仍需提高，或需确定当前性能是否足以满足临床应用需求。	开发一种仅使用DWI的自动分割方法，以便在临床中快速提取定量生物标志物，辅助儿童脑肿瘤的管理。	儿童脑肿瘤患者，共107例。	数字病理学	儿童脑肿瘤	扩散加权MRI	三维卷积神经网络	医学影像	107例儿童脑肿瘤患者的数据	NA	DeepMedic	Dice分数	NA
2957	2026-08-28	A systematic literature review exploring the application of deep learning in electric vehicles from 2015 to 2025 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1826633 PMID:42643704	综述	本文对2015至2025年间电动汽车与深度学习交叉领域的研究进行系统性文献综述，识别当前进展并探讨未来扩展潜力	系统梳理了92篇文献，归纳为五个关键主题，并扩展至2025至2026年的前沿框架，评估深度学习在车辆级机械安全和车队级绩效物流中的双重足迹	未明确提及局限性	探索深度学习在电动汽车领域的应用现状与未来扩展潜力	2015至2025年间发表的92篇相关出版物	机器学习	NA	NA	深度学习	文献数据	92篇出版物	NA	神经网络	NA	NA
2958	2026-08-28	Digital twins in sports science: applications for performance enhancement, injury prevention, and rehabilitation through advanced big data analytics and deep learning methodologies - a comprehensive narrative review 2026-Jan, Biology of sport IF:4.2Q1 DOI:10.5114/biolsport.2026.161106 PMID:42643759	叙述性综述	本文综述了数字孪生技术在体育科学中的应用，重点探讨其结合大数据分析和深度学习方法在运动表现提升、损伤预防和康复中的作用	系统梳理了数字孪生在体育科学中三个核心领域（表现提升、损伤预防、康复优化）的应用，并整合了生成式AI与物联网的潜在增强效果	作为叙述性综述，缺乏定量元分析，且主要聚焦足球作为案例，可能限制其广泛适用性	评估数字孪生技术在体育科学中的应用现状，并强调其在运动表现、损伤预防和康复中的潜力	数字孪生技术在精英和业余体育中的应用，以足球为主要案例	数字病理学	运动损伤	大数据分析	深度神经网络	多模态传感器数据	不适用	不适用	卷积神经网络、循环神经网络	不适用	不适用
2959	2026-08-28	Artificial intelligence in thyroid ultrasound: clinical applications and perspectives 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1877780 PMID:42643768	综述	本综述总结了人工智能在甲状腺超声中的应用，包括图像预处理、结节分割、定量特征分析、良恶性鉴别、TIRADS优化和自动报告，并评估了现有研究的方法学质量、偏倚风险和外部验证情况	系统性地概述了AI在甲状腺超声全流程中的应用，并深入探讨了当前研究的局限性和未来发展方向，强调多模态融合、可解释AI和实时临床系统的潜力	现有AI工具大多处于早期转化阶段，缺乏大规模真实临床环境验证和标准化报告协议，存在数据偏倚、泛化性有限和可解释性差等问题	总结人工智能在甲状腺超声中的临床应用，评估其诊断效能，并讨论转化挑战和未来方向以促进临床落地	甲状腺结节及其超声影像数据	医学影像分析	甲状腺结节	深度学习、影像组学	深度学习模型	超声图像	未提及具体样本量	未提及具体框架	未提及具体架构	未提及具体指标	未提及计算资源
2960	2026-08-28	Dual Cross-Attention Network for Hierarchical Feature Fusion in Protein-Protein Interaction Prediction 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0200 PMID:42643879	研究论文	提出了一种基于双交叉注意网络的蛋白质-蛋白质相互作用预测框架，通过层级特征融合提升预测性能	创新性地引入了双交叉注意模块，分别处理蛋白质内部序列与结构特征以及蛋白质对之间的交互特征，实现层级特征融合	摘要中未提及局限性	开发高效的深度学习方法来准确预测蛋白质-蛋白质相互作用，克服实验方法的耗时和高成本问题	蛋白质-蛋白质相互作用	机器学习	不适用	深度学习	双交叉注意网络	蛋白质序列和结构数据	未提及	未提及	交叉注意模块	未在摘要中具体提及，但通常包括精确度、召回率、F1分数等	未提及