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
3201	2026-06-30	Perioperative hypoxaemia early warning based on high-frequency waveform fusion and deep learning 2026-05-19, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae669f PMID:42055016	研究论文	本研究利用高频波形数据和深度学习构建围手术期低氧血症早期预警模型，以提高预测准确性和鲁棒性	首次将Gramian Angular Summation Field和四象限矩阵方法应用于波形数据转换，构建图像数据集；证明单模态波形模型可满足临床预测需求，同时降低计算成本	未明确提及局限性，但可能包括数据来源单一（仅VitalDB数据库）、预测窗口范围有限（1-13分钟）等	构建基于高频波形数据和深度学习的低氧血症预测模型，克服传统结构参数模型的不足	围手术期患者	机器学习	低氧血症	波形数据提取（呼吸、血氧、心电图波形）	LSTM	波形数据（数值型与图像型）	NA	NA	LSTM	准确率（0.932）、AUC（0.953）、最大AUC方差（0.067）	NA
3202	2026-06-30	Deep learning based automated assessment of end-inspiratory pause maneuver reliability in invasive mechanical ventilation 2026-05-15, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae5e16 PMID:41962572	研究论文	该研究开发了一个基于深度学习的自动化框架，用于评估有创机械通气中吸气末暂停操作（EIPM）的可靠性	首次提出利用一维卷积神经网络（1DCNN）从压力、流量和容积波形中自动区分可靠EIPM、不可靠EIPM和非EIPM事件，并进一步基于保持时间进行精细分类	NA	开发自动化工具对机械通气中手动吸气末暂停操作的可靠性进行客观评估和质量控制	机械通气患者的压力、流量和容积波形数据	机器学习	NA	NA	一维卷积神经网络（1DCNN）	时间序列波形数据（压力、流量、容积）	NA	NA	1DCNN	F1分数	NA
3203	2026-06-30	A teacher-student deep learning framework for enhanced clinical screening of heart failure from 12-lead electrocardiograms 2026-05-13, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae6750 PMID:42061969	研究论文	提出一种基于教师-学生深度学习框架CTTSnet，用于从12导联心电图自动筛查心力衰竭	创新性地提出教师（Transformer）-学生（CNN）协同框架，融合全局上下文感知与局部特征提取	未提及模型在真实临床部署中的计算效率及对不同心电采集设备的鲁棒性限制	开发基于深度学习的临床决策支持系统，实现心力衰竭的自动化准确筛查	12导联心电图记录	深度学习	心力衰竭	心电图	教师-学生网络	图像	27,018份心电图（临床数据集）及两个外部公共验证集	NA	Transformer, CNN	AUROC, 准确率, 召回率, 特异性	NA
3204	2026-06-30	A multimodal fusion network for heart sound abnormality detection and classification 2026-05-07, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae6415 PMID:42025197	研究论文	本研究提出了一种端到端的多模态深度学习框架HS-MMNet，用于直接从原始心音录音中进行心脏异常检测与分类	创新点包括：端到端架构无需心脏周期分割和多通道要求；多假设交叉注意力模块实现跨模态有效融合；在PhysioNet/CinC Challenge 2016和Yaseen数据集上达到新的最优性能	NA	开发无需心脏周期分割的端到端深度学习框架，用于心音异常检测与分类	心音录音数据	机器学习	心血管疾病	心音信号处理	多模态深度学习	音频信号	PhysioNet/CinC Challenge 2016数据集和Yaseen五分类数据集（1000条录音）	PyTorch	卷积神经网络（含多空洞空间金字塔和通道-空间注意力）、Transformer	准确率、灵敏度、特异性、精确率、F1分数	NA
3205	2026-06-30	Hybrid Vi+ECNN framework for advanced ADHD diagnostic accuracy in medical imaging 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50791-w PMID:42069836	研究论文	开发了一个结合视觉Transformer和增强卷积神经网络的混合深度学习框架，用于提高儿童脑部MRI中ADHD的诊断准确性	首次将视觉Transformer与增强卷积神经网络集成到多流预处理策略中，结合原始MRI、相位谱变换和分位数直方图均衡化去噪表示，捕获互补的全局和局部神经解剖特征	NA	开发客观、自动化的ADHD诊断工具，提高基于脑部MRI的分类准确性	儿童脑部MRI图像中的ADHD相关神经解剖特征	计算机视觉, 数字病理学	注意缺陷多动障碍	MRI	视觉Transformer, 增强卷积神经网络	图像	分层儿童MRI数据集	PyTorch	视觉Transformer, 增强卷积神经网络	准确率, 精确率, 召回率, F1分数	NA
3206	2026-06-30	Leakage-Safe ITS1 Identification of Fasciola hepatica and Fasciola gigantica with Reverse-Complement-Invariant CNN Inference 2026-May-02, Acta parasitologica IF:1.2Q2 DOI:10.1007/s11686-026-01295-0 PMID:42068429	研究论文	开发了一种防泄漏的ITS1种类识别流程，用于准确区分肝片吸虫和巨大片吸虫	提出了ITSformer-RC，一种紧凑的反向互补不变的一维卷积神经网络，并结合轻量级集成方法，同时引入了簇感知的数据分割策略以防止相似性泄漏	仅在小型公共数据集上进行内部验证，需要跨地理区域、时间段和实验室的外部验证才能用于现场部署	开发可靠、防泄漏且面向决策的ITS1种类识别流程，用于区分肝片吸虫和巨大片吸虫	肝片吸虫和巨大片吸虫的ITS1序列	机器学习	片吸虫病	ITS1测序	一维卷积神经网络	DNA序列	527条GenBank ITS1序列，其中78条用于测试集	PyTorch	ITSformer-RC	准确率, ROC-AUC, 平均精度, 校准误差, 负对数似然, AURC	NA
3207	2026-06-30	Psychological resilience as a selective perceptual amplifier in post-crisis learning: a dual-pathway model of academic motivation, perceived school support, and cognitive engagement - a multi-country study based on PISA 2022 2026-May-01, BMC psychology IF:2.7Q1 DOI:10.1186/s40359-026-04665-5 PMID:42067959	research paper	本研究基于PISA 2022数据，探讨后疫情时代学生心理韧性作为选择性知觉放大器在学术动机、感知学校支持与认知投入关系中的作用	提出心理韧性作为“选择性知觉放大器”的双路径模型，揭示其仅强化动机-感知支持路径而非其他路径的独特机制	未报告具体限制信息，可能包括横截面设计无法推断因果关系、自我报告数据偏差等	阐明学术动机和感知学校支持如何转化为认知投入策略，并识别调节此转化过程的因素	来自80个国家/地区的574,514名PISA 2022参与者	machine learning	NA	NA	结构方程模型	调查问卷数据	574,514名学生	R, Mplus	结构方程模型	β系数、p值、95%置信区间	NA
3208	2026-06-30	Noisy probing dose facilitated dose prediction for pencil beam scanning proton therapy: Physics enhances generalizability 2026-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.70509 PMID:42192246	研究论文	提出一种含噪探测剂量方法，用于质子笔束扫描治疗中的剂量预测，通过融入物理信息提升泛化能力	将物理信息嵌入深度学习模型，通过快速生成低统计量探测剂量图，提高对罕见临床病例的泛化能力	未见明确局限性描述	设计一种物理感知且泛化能力强的人工智能质子笔束扫描剂量预测方法，以有效处理前瞻性临床病例	前列腺癌和肺癌患者的质子治疗计划	医学影像分析	前列腺癌, 肺癌	质子治疗剂量计算, 深度学习方法	卷积神经网络	CT图像, 结构集, 剂量分布	103例前列腺癌患者（93训练，10测试）和78例肺癌患者（68训练，10测试），另加12例异常病例测试	未指定	未指定	剂量体积直方图指标, 3D Gamma通过率, Dice系数	GPU支持，所有测试病例剂量预测时间在0.3秒内
3209	2026-06-30	Replication of the Association between Retinal Aging Clock Susceptibility Genes and Retinal Age Gap in an Asian Population: The Nagahama Study 2026-May, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2026.101131 PMID:41958711	研究论文	在亚洲人群中验证视网膜衰老时钟易感基因与视网膜年龄差的相关性	首次在东亚人群中验证视网膜衰老时钟遗传关联的跨种族一致性	仅测试了13个候选变异中的7个，样本量有限，需更大规模的跨种族荟萃分析与功能后续研究	验证视网膜衰老时钟相关遗传变异在东亚人群中的关联性	日本长滨研究参与者的彩色眼底照片与全基因组基因型数据	计算机视觉	视网膜衰老	眼底照相	深度学习	图像	长滨研究中参加两次访问且具有可分级眼底照片和全基因组基因型数据的个体	NA	预训练深度学习模型微调	平均绝对误差	NA
3210	2026-06-30	Automatic sleep staging from CPAP airflow using a dual fusion multi-period convolutional neural network 2026-04-29, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae60df PMID:41990791	研究论文	提出一种双融合多周期卷积神经网络（DFMP-CNN），用于从CPAP气流信号自动进行睡眠分期	利用多周期卷积核和双融合机制，编码CPAP-flow中已知的短程和长程时间依赖，克服传统固定尺度模型限制	未提及具体限制	实现基于CPAP设备的无创睡眠监测，用于治疗和纵向评估的双重目的	CPAP设备记录的气流信号（CPAP-flow）以及多周期时间依赖性	机器学习	阻塞性睡眠呼吸暂停低通气综合征	CPAP气流监测	卷积神经网络	时间序列信号	两个数据集：Yale数据集和Duke数据集，具体样本量未说明	PyTorch	DFMP-CNN	准确率，Cohen's kappa系数	NA
3211	2026-06-30	Artificial intelligence-assisted risk prediction of postoperative pulmonary complications in non-small cell lung cancer surgery 2026-Apr-29, Journal of cardiothoracic surgery IF:1.5Q3 DOI:10.1186/s13019-026-04249-9 PMID:42057157	研究论文	开发并评估人工智能模型以预测非小细胞肺癌手术患者术后肺部并发症的风险	利用全连接深度神经网络结合十折交叉验证，在包含临床、实验室、呼吸功能、肿瘤放射学、手术和病理参数的多样化输入变量基础上进行预测	NA	预测非小细胞肺癌手术后肺部并发症，以优化围手术期护理并降低发病率	2001年至2023年间接受肺切除术和纵隔淋巴结清扫的非小细胞肺癌患者	机器学习, 数字病理学	肺癌	NA	深度神经网络	结构化数据	953名患者	NA	全连接深度神经网络	特异性, 敏感性, 阴性预测值, 阳性预测值, 准确率, F1分数, AUC, 决策曲线分析	NA
3212	2026-06-30	From local textures to global attention: a hybrid feature fusion network for skin lesion classification 2026-Apr-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48260-5 PMID:42014488	research paper	提出一种混合特征融合网络，集成深度学习方法实现对皮肤镜病变图像的精确分类	将局部纹理特征提取与全局注意力机制相结合，通过VGG-16、ResNet-50和视觉Transformer（ViT）三种定制化深度学习架构进行特征级融合，并利用HDFNet进行最终分类	NA	解决皮肤病变分类中病变外观变异、皮肤类型差异和临床可解释性等挑战	皮肤镜图像中的皮肤病变	computer vision	皮肤癌	深度学习、图像预处理、特征融合	深度学习神经网络、视觉Transformer	RGB图像	四个公开数据集，包括ISIC 2019、ISIC 2020、PAD-UFES和DermQuest DERMIS	Keras, TensorFlow	VGG-16、ResNet-50、Vision Transformer、HDFNet	准确率、AUC-ROC	NA
3213	2026-06-30	Towards real-time sleep stage classification: a deep learning approach leveraging PPG and ECG 2026-04-15, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae5458 PMID:41849820	研究论文	该文提出一种端到端深度学习模型，利用可穿戴传感器中的光电容积脉搏波信号进行实时睡眠阶段分类	通过心电图数据预训练后微调至PPG信号，显著提升了多阶段睡眠分类准确率，最高达29%	模型尚未在真实睡眠障碍患者群体中验证，且依赖同步多导睡眠监测数据进行标注	开发基于可穿戴传感器的实时睡眠阶段分类方法，推动自适应消费睡眠技术的实现	13名无已知睡眠障碍的参与者（年龄22-71岁）	机器学习	睡眠相关疾病	穿戴式传感器信号采集（PPG、ECG）	深度学习模型（具体架构未说明）	时间序列生理信号（PPG、ECG及多导睡眠监测数据）	13名参与者（来自额外数据集）加大规模人群研究数据集（MESA）	NA	NA	多阶段分类准确率	NA
3214	2026-06-30	Towards fair and trustworthy heart rate estimation from wrist-worn photoplethysmography: a multi-wavelength dataset and uncertainty-aware deep learning approach evaluated across skin tones, sexes, and motion conditions 2026-04-08, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae56ae PMID:41875538	研究论文	提出一种基于多波长PPG数据与不确定性感知深度学习模型，实现肤色、性别和运动条件下公平可信的心率估计	首次结合多波长PPG数据集与量化偶然和认知不确定性的多分支融合CNN，并通过不确定性引导的后处理消除肤色和性别导致的误差差异	NA	提高腕戴式PPG心率估计在不同肤色和性别间的公平性及预测可靠性	腕戴式PPG心率估计中的肤色、性别和运动条件差异	机器学习	NA	PPG	卷积神经网络	时间序列信号	NA	NA	多分支融合卷积神经网络	平均绝对误差、校准误差面积	NA
3215	2026-06-30	Explainable artificial intelligence in electrocardiography: A systematic review 2026-Apr-01, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2025.109325 PMID:41953749	综述	系统评估心电图解释中的可解释人工智能技术	首次系统评估ECG特定可解释AI技术，发现扰动方法对时序信号次优，而透明显示模型对生理有意义区间（如P波、QRS波群、ST段）关注的方法表现更优	研究仍碎片化且临床验证不足，在稳定性、计算效率和监管准备方面存在显著挑战	系统评估ECG解释中的可解释AI技术以促进临床转化	45篇同行评审研究中使用的各种可解释性方法（包括扰动法、梯度法、内在可解释法、序列感知法和反事实法）	机器学习和自然语言处理	心血管疾病	NA	深度学习模型	心电图信号（时序数据）	45篇研究	NA	NA	定位准确性、保真度、鲁棒性	NA
3216	2026-06-30	Deep learning approach for stroke volume variation estimation: retrospective modeling and prospective deployment in real-world practice 2026-04-01, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae4cee PMID:41919381	研究论文	开发并验证了一个基于深度学习的每搏量变异估计模型SVVNet，并通过大规模回顾性建模和前瞻性实时部署评估其性能	首次将深度学习模型用于每搏量变异估计，并在真实临床手术环境中进行前瞻性实时部署验证，展示了优于传统脉搏波分析算法的噪声鲁棒性和更低的个体差异	未提及模型在不同人群或复杂病理条件下的泛化能力，以及前瞻性验证样本量相对较小	开发并验证一种基于深度学习的方法，准确估计每搏量变异，以替代传统监测系统	动脉血压波形数据	机器学习	心血管疾病	深度学习模型训练	SVVNet（深度学习模型）	动脉血压波形	回顾性：2849名全麻手术患者的前瞻性：67台手术	NA	SVVNet	平均绝对误差(MAE), Pearson相关系数	平板电脑（用于部署）
3217	2026-06-30	Bimodal iontronic skins powered by edge intelligence for real-time collaborative interaction 2026-Apr, National science review IF:16.3Q1 DOI:10.1093/nsr/nwag111 PMID:41959644	研究论文	本文提出了一种由边缘智能驱动的柔性双模态电子皮肤，实现大规模触觉信息的实时感知与协作交互	首次将边缘智能与频率编码读出架构结合，实现超过768个压力传感单元和75个温度传感单元的大面积覆盖，并支持实时自主决策	NA	解决现有机器人皮肤系统在高通量信号读出和智能推理方面的延迟问题，实现稳健的实时交互	双模态电子皮肤系统，包括压力与温度传感器、频率编码读出接口和轻量级深度学习框架	机器学习	NA	柔性电子皮肤、边缘计算、频率编码读出	轻量级深度学习模型	触觉信号数据（压力、温度）	超过768个压力传感单元和75个温度传感单元	NA	NA	NA	边缘设备
3218	2026-06-30	Condition-matched in silico prediction of drug transcriptional responses enables mechanism-guided screening and combination discovery 2026-Mar-31, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.27.714886 PMID:41958978	研究论文	提出DEPICT框架，基于深度学习和Transformer预测药物诱导的转录组响应，支持药物筛选和组合发现	利用Transformer架构实现条件匹配的药物转录响应预测，无需实验测量，在未知药物和细胞类型的泛化中超越现有方法	依赖LINCS L1000数据集质量，未提及对其他数据集的适用性及计算资源的具体限制	实现条件匹配的药物转录响应预测，推动药物重定位和组合发现	药物诱导的转录组响应，包括细胞状态、剂量和持续时间的影响	自然语言处理, 机器学习	非小细胞肺癌	转录组学	Transformer	基因表达数据	LINCS L1000数据集，包含多种药物、细胞类型和处理条件，具体样本量未说明	PyTorch	Transformer	差异表达预测准确率, 扰动表达预测误差	未提及
3219	2026-06-30	AI-powered ultrasound radiofrequency analysis for non-invasive pediatric liver fat quantification 2026-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37862-8 PMID:41844700	研究论文	利用人工智能分析超声射频数据，实现儿童肝脏脂肪含量的无创定量评估	首次将人工智能技术应用于超声射频数据分析，用于儿童肝脂肪无创定量，并通过多模态输入组合提升了性能	样本量较小（仅40名儿童），且未提及模型在不同人群或设备上的泛化能力	开发一种准确且可及的无创方法，用于儿童代谢功能障碍相关脂肪肝病的肝脂肪定量	40名疑似代谢功能障碍相关脂肪肝病的儿童患者	机器学习	代谢功能障碍相关脂肪肝病	超声射频数据分析	XGBoost、Mod-MHDNet	超声射频数据、临床参数	40名儿童患者	NA	XGBoost、Mod-MHDNet	R²、Bland-Altman分析	NA
3220	2026-06-30	Multi-stream deep learning framework integrating images and feature representations to predict mild cognitive impairment using the rey complex figure test 2026-Mar-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34491-5 PMID:41765904	研究论文	提出了一种多流深度学习框架，结合Rey复杂图形测试的图像和特征表示来预测轻度认知障碍	创新性地融合了多头部自注意力机制的空间流和基于RCFT评分的人口统计特征流，从而同时捕捉原始图像的精细视觉细节和结构化评分数据，增强了检测细微认知障碍的能力	该模型仍需在更大规模和多样化的临床环境中进一步验证，以确认其通用性和稳健性	开发一个可靠的、成本效益高的早期轻度认知障碍筛查工具	轻度认知障碍患者和健康对照者的Rey复杂图形测试图像及人口统计特征	计算机视觉, 机器学习	轻度认知障碍	NA	多流深度学习框架，包含多头部自注意力机制	图像（RCFT测试图）和结构化数据（RCFT评分及人口统计特征）	韩国队列1740名受试者，外部验证集222名受试者	PyTorch	多头部自注意力机制	AUC, 准确率	NA