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
3881	2026-02-17	eccDNA2Ca: an ensemble deep learning framework for interpretable prediction of cancer-associated extrachromosomal circular DNA 2026-Feb-12, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2026.02.014 PMID:41687774	研究论文	本研究开发了一个名为eccDNA2Ca的可解释集成深度学习框架，用于直接从原始序列预测与癌症相关的染色体外环状DNA	首次提出一个专门设计用于基于序列特征优先考虑癌症相关eccDNA的可解释、公开可用的计算框架，整合了XGBoost与深度神经网络（CNN和LSTM）	未明确提及具体局限性	预测与癌症相关的染色体外环状DNA（eccDNA），并评估其功能或临床意义	人类染色体外环状DNA（eccDNA）	机器学习	癌症	NA	XGBoost, CNN, LSTM	序列	来自21项研究的465个经实验验证的人类eccDNA，涵盖16种癌症类型	XGBoost, TensorFlow或PyTorch（未明确指定，但基于深度学习框架）	集成框架（XGBoost, CNN, LSTM）	AUC, AUPR	NA
3882	2026-02-17	Retinal Biomarkers for Cardiovascular Disease Prediction: A Review Focused on CHD AHD Valvular Disorders and Cardiomyopathies 2026-Feb-12, Current cardiology reviews IF:2.4Q2 DOI:10.2174/011573403X421729251114113706 PMID:41691690	综述	本文综述了利用视网膜眼底成像作为非侵入性生物标志物预测心血管疾病（特别是先天性心脏病、获得性心脏病、瓣膜病和心肌病）的研究进展	系统性地聚焦于视网膜眼底成像在结构性心脏病预测中的应用，并探讨了深度学习、机器学习模型（包括新兴的Transformer和SAM模型）在此领域的潜力	数据集不平衡、纵向验证有限、AI模型的黑箱性质以及不同研究间性能比较的挑战	评估视网膜成像作为心血管疾病预测工具的可行性与准确性	先天性心脏病、获得性心脏病、瓣膜病和心肌病患者	数字病理学	心血管疾病	视网膜眼底成像	深度学习, 机器学习	图像	NA	NA	卷积神经网络, Transformer, Segment Anything Model	AUC, 敏感性	NA
3883	2026-02-17	Integrative profiling of condensation-prone RNAs during early development 2026-Feb-11, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2025.101065 PMID:41265448	研究论文	本研究通过整合转录组学分析，识别了一类在早期发育中易于凝聚的RNA，并利用可解释深度学习框架揭示了其序列特征与相分离的关联	首次识别并命名了一类新型发育凝聚倾向RNA（smOOPs），并利用可解释深度学习框架系统揭示了其序列组成、折叠特性及RNA结合蛋白结合模式在相分离中的作用	研究主要关注早期发育阶段，其他发育阶段或病理条件下的适用性尚未验证；深度学习模型的可解释性虽被强调，但具体生物学机制仍需进一步实验验证	探究RNA特征如何影响生物分子凝聚体的形成，特别是在早期发育过程中的作用	早期发育过程中易于凝聚的RNA（smOOPs）及其编码的蛋白质	机器学习	NA	转录组学分析	深度学习	RNA序列数据	NA	NA	NA	NA	NA
3884	2026-02-17	L2G-Net: Local-to-global feature enhancement via cluster tokens for 3D place recognition 2026-Feb-10, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108700 PMID:41691827	研究论文	本文提出了一种名为L2G-Net的新型网络，用于通过聚类令牌增强局部到全局特征，以提升3D点云地点识别的性能	设计了Point Feature Enhancement模块以增强局部特征，并引入Cluster Tokens Mamba和Cluster Tokens Cross Attention模块，通过聚类令牌有效捕获点云上下文信息并将局部特征一致性传递到全局描述符	未明确提及具体局限性	提升在GPS缺失环境下的3D点云地点识别性能，以支持长期SLAM和自主定位	3D点云数据	计算机视觉	NA	深度学习	CNN	3D点云	多个公开3D点云地点识别数据集	NA	L2G-Net	地点识别性能	NA
3885	2026-02-17	Transforming tabular data into images for deep learning models 2026-Feb-10, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108715 PMID:41691829	研究论文	本研究提出了一种将数值表格数据转换为灰度图像表示的新方法，以促进卷积神经网络等深度学习模型在传统数值数据集上的应用	提出了一种将缺乏空间结构的数值表格数据转换为图像表示的新颖方法，从而能够利用为图像数据设计的深度学习架构（如CNN）来处理表格数据	未明确讨论转换方法对数据原始特征的潜在信息损失或扭曲，以及该方法在极高维表格数据上的可扩展性	探索如何将深度学习技术有效应用于数值表格数据分类任务	四个公开可用的数值表格数据集：Rice MSC Dataset (RMSCD)、Optical Recognition of Handwritten Digits (Optdigits)、TUNADROMD和Spambase	机器学习	NA	NA	CNN, DAG-Net	表格数据（转换后为图像）	四个公开数据集（具体样本数未在摘要中提供）	NA	ResNet-18, DAG-Net	准确率	NA
3886	2026-02-17	An efficient, scalable, and adaptable plug-and-play temporal attention module for motion-guided cardiac segmentation with sparse temporal labels 2026-Feb-09, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.103981 PMID:41691916	研究论文	本文提出了一种高效、可扩展且可适配的即插即用时序注意力模块（TAM），用于增强深度学习分割网络对心脏运动信息的建模能力，以提升心脏解剖结构分割的准确性	设计了一个小型多头跨时序注意力模块，能以即插即用方式集成到多种分割网络（CNN、Transformer或混合架构）中，无需大幅修改网络结构，且训练仅需稀疏时序标注	未明确说明模块在极端运动情况（如心律失常）下的鲁棒性，也未与其他最先进的运动建模方法（如光流或循环网络）进行全面比较	提升深度学习网络在心脏图像序列分割中对运动信息的建模能力，以更准确地进行心脏解剖结构分割	心脏图像序列，包括2D超声心动图、3D超声心动图和3D心脏MRI	数字病理学	心血管疾病	深度学习，时序注意力机制	CNN, Transformer, 混合模型	2D图像序列, 3D图像序列	多个公开数据集：CAMUS、EchoNet-Dynamic、MITEA、ACDC	PyTorch	UNet, FCN8s, UNetR, SwinUNetR, IUNet, DT-VNet, SAM, MedSAM	豪斯多夫距离	未明确说明，但强调模块具有计算高效性
3887	2026-02-17	Diagnostic Accuracy of Artificial Intelligence Models for Differentiation of Squamous Cell Carcinoma and Adenocarcinoma of Lung-A Systematic Review 2026-Feb-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16030500 PMID:41681818	系统综述	本文系统综述了基于机器学习的放射组学模型在肺鳞状细胞癌和腺癌鉴别诊断及总体生存分析中的性能	首次系统性地总结和评估了机器学习与深度学习模型在肺鳞癌和腺癌非侵入性分类中的诊断准确性，并强调了放射组学特征整合对提升诊断精度的潜力	纳入的研究数量有限（共11项），且研究质量可能受放射组学质量评分（RQS）工具评估的限制	总结和批判性评估基于机器学习的放射组学模型在肺鳞状细胞癌和腺癌的鉴别诊断及总体生存分析中的表现	肺鳞状细胞癌和腺癌	数字病理学	肺癌	放射组学	机器学习, 深度学习	影像数据	NA	NA	NA	准确率	NA
3888	2026-02-17	On the Suitability of Data Augmentation Techniques to Improve Parkinson's Disease Detection with Speech Recordings 2026-Feb-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16030498 PMID:41681817	研究论文	本研究提出了一种基于数据增强的方法，用于通过语音记录进行帕金森病检测，并评估了不同增强技术在波形和时频层面的效果	在语音记录中应用数据增强技术以改进帕金森病检测，并系统评估了增强技术对模型泛化能力的影响	数据增强技术虽然在单一数据集上提升了性能，但未能一致地改善模型在独立数据集上的泛化能力	提高基于语音记录的帕金森病自动检测模型的鲁棒性和泛化能力	帕金森病患者和健康对照者的语音记录	自然语言处理	帕金森病	语音分析	深度学习模型	语音记录	NA	NA	NA	准确率	NA
3889	2026-02-17	Advanced Deep Learning Models for Classifying Dental Diseases from Panoramic Radiographs 2026-Feb-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16030503 PMID:41681821	研究论文	本文研究使用先进的深度学习模型对全景X光片进行多类别牙科疾病分类，以解决数据集中的不一致性和类别不平衡问题	应用了包括类别合并、错误标注修正、冗余去除和数据增强在内的广泛预处理技术，将类别不平衡比例从2560:1显著降低至61:1，并评估了五种现代CNN架构在牙科疾病分类中的性能	研究未涉及数据集扩展、集成学习策略或可解释人工智能技术的应用，这些是未来进一步研究的方向	开发一种基于深度学习的自动化诊断系统，用于从全景X光片中准确分类多种牙科疾病，以提高口腔医疗的效率和临床实用性	牙科疾病	计算机视觉	牙科疾病	全景X光成像	CNN	图像	10,580张高质量全景X光片	NA	InceptionV3, EfficientNetV2, DenseNet121, ResNet50, VGG16	准确率, 平均精度均值, 精确率, 召回率, F1分数	NA
3890	2026-02-17	A Hybrid Millimeter-Wave Radar-Ultrasonic Fusion System for Robust Human Activity Recognition with Attention-Enhanced Deep Learning 2026-Feb-06, Sensors (Basel, Switzerland) DOI:10.3390/s26031057 PMID:41682572	研究论文	本文提出了一种融合毫米波雷达与超声波阵列的非接触式系统，用于鲁棒的人类活动识别	提出了一种新颖的多模态融合系统，结合了毫米波雷达的环境鲁棒性与超声波的高精度，并设计了注意力增强的深度学习架构（Attention-CNN-BiLSTM）来整合时空特征	实验仅包含四种基本行为（站立、坐下、行走、跌倒），未在更复杂或更多样的活动场景中进行验证	解决单传感器在人类行为识别中环境鲁棒性与细粒度精度之间的权衡问题	人类日常活动（站立、坐下、行走、跌倒）	计算机视觉, 机器学习	NA	毫米波雷达（77 GHz SIFT）, 超声波阵列（40 kHz）, 小波变换, 短时傅里叶变换（STFT）	CNN, BiLSTM, 注意力机制	多模态时序信号（雷达信号、超声波信号）	1600个同步序列	NA	Attention-CNN-BiLSTM	平均类别准确率	NA
3891	2026-02-17	Identification of Comorbidities in Obstructive Sleep Apnea Using Diverse Data and a One-Dimensional Convolutional Neural Network 2026-Feb-06, Sensors (Basel, Switzerland) DOI:10.3390/s26031056 PMID:41682571	研究论文	本研究开发并评估了一种多模态深度学习框架，用于利用生理时间序列信号和临床数据对阻塞性睡眠呼吸暂停患者的主要合并症进行稳健的多标签分类	提出了一种结合一维卷积神经网络处理生理时间序列信号与临床数据的融合模型，用于OSA患者合并症的多标签分类，相比传统机器学习方法表现出更优的预测性能	研究受限于数据集规模较小，未来需要扩展多中心数据集以提高模型可解释性和临床适用性	开发并评估一个用于识别阻塞性睡眠呼吸暂停患者合并症的多标签深度学习框架	阻塞性睡眠呼吸暂停患者	机器学习	阻塞性睡眠呼吸暂停	多导睡眠图，血氧饱和度监测	CNN	时间序列信号，临床数据	144名患者	Optuna	一维卷积神经网络	宏F1分数，微F1分数，AUC-ROC，AUC-PR，子集准确率，部分准确率，汉明损失，多标签混淆矩阵	NA
3892	2026-02-17	ACL-ECG: Anatomy-Aware Contrastive Learning for Multi-Lead Electrocardiograms 2026-Feb-06, Sensors (Basel, Switzerland) DOI:10.3390/s26031080 PMID:41682592	研究论文	本研究提出了一种结合心脏解剖关系的自监督对比学习方法（ACL-ECG），用于从多导联心电图中学习通用表征	提出了一种生理感知的数据增强策略（包括随机尺度裁剪、心动周期掩码和时间偏移）和基于解剖区域（前壁、下壁、间隔壁、侧壁）的对比学习目标，以增强表征质量	未明确说明模型在更广泛或更具挑战性的临床数据集上的泛化能力，以及计算资源需求的具体细节	开发一种自监督学习方法，以减少心电图分析中对大规模标注数据的依赖	多导联心电图数据	机器学习	心血管疾病	心电图分析	对比学习模型	心电图信号	NA	NA	NA	AUROC, AUPRC	NA
3893	2026-02-17	Artificial Intelligence and the Expanding Universe of Cardio-Oncology: Beyond Detection Toward Prediction and Prevention of Therapy-Related Cardiotoxicity-A Comprehensive Review 2026-Feb-05, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16030488 PMID:41681806	综述	本文全面回顾了人工智能在癌症治疗相关心脏毒性预测与预防中的应用	系统整合了从心电图、生物标志物到先进影像和放射剂量建模等多领域AI应用，并强调了从被动检测向主动预防的范式转变	大多数模型受限于小样本队列、方法学异质性和缺乏外部验证	探讨人工智能在改善癌症治疗相关心脏毒性风险分层、早期检测和治疗规划中的作用	癌症治疗（化疗和放疗）引起的心脏毒性	数字病理学	心血管疾病	心电图、生物标志物、蛋白质组学、细胞外囊泡、基因组学、先进影像（超声心动图、心脏磁共振、计算机断层扫描、核成像）、放射剂量建模	机器学习, 深度学习	多模态数据（包括图像、生物标志物、剂量图等）	NA	NA	NA	NA	NA
3894	2026-02-17	Integrating Artificial Intelligence into Ventilation on Demand: Current Practice and Future Promises 2026-Feb-05, Sensors (Basel, Switzerland) DOI:10.3390/s26031042 PMID:41682557	综述	本文全面回顾了人工智能在按需通风技术中的集成现状，涵盖传感预测模型、控制策略和优化框架	系统性地总结了AI在VOD中的应用现状，并指出了未来集成生成式AI、广义AI以及人-信息-物理系统设计的研究方向	现有研究依赖窄AI模型，长期预测能力有限，且验证多基于仿真而非实际现场部署	旨在通过AI增强按需通风系统的能源效率、安全性和整体性能，以应对深部采矿环境的挑战	地下金属采矿的按需通风系统	机器学习	NA	NA	CNN-LSTM, Bi-LSTM	实时操作与环境数据	NA	NA	CNN-LSTM, Bi-LSTM	NA	NA
3895	2026-02-17	Highly Efficient Deep Learning-Enabled Parameterization and 3D Reconstruction of Traditional Chinese Roof Structures 2026-Feb-05, Sensors (Basel, Switzerland) DOI:10.3390/s26031054 PMID:41682569	研究论文	本研究提出了一种基于深度学习的网络TCRSym-Net，用于从中国传统屋顶点云中识别对称性，并通过参数化建模实现高效三维重建	提出TCRSym-Net网络用于中国传统屋顶点云的对称性检测，结合参数化建模脚本实现快速几何模型生成	未明确说明网络在不同屋顶类型或复杂场景下的泛化能力及误差分析	实现中国传统屋顶结构的参数化提取与三维重建	中国传统屋顶的点云数据	计算机视觉	NA	无人机倾斜摄影测量、激光扫描技术	深度学习网络	点云数据	未明确说明具体样本数量，涉及五种不同类型的中国传统屋顶	未明确说明	TCRSym-Net	未明确说明具体评估指标，仅提及对称性检测有效性和方法可靠性	未明确说明
3896	2026-02-17	Hybrid Deep Learning Model for EI-MS Spectra Prediction 2026-Feb-05, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27031588 PMID:41684007	研究论文	本研究提出了一种混合深度学习模型，用于直接从分子结构预测电子电离质谱（EI-MS）谱图	结合图神经网络编码器与残差神经网络解码器，并采用交叉注意力、双向预测和基于化学知识的概率掩码进行细化	模型在泛化能力和谱图独特性方面仍存在挑战	开发数据驱动模型以补充现有EI-MS谱库，减少实验谱图获取的成本和努力	分子结构（≤500 Da）及其对应的EI-MS谱图	机器学习	NA	电子电离质谱（EI-MS）	GNN, ResNet	分子结构图, 质谱数据	基于NIST14 EI-MS数据库（≤500 Da）进行训练	NA	图神经网络编码器, 残差神经网络解码器	Recall@10, 谱图相似度	NA
3897	2026-02-17	A Comparative Study of RQA-Guided Attention Mechanisms with LSTM Autoencoder for Bearing Anomaly Detection 2026-Feb-04, Sensors (Basel, Switzerland) DOI:10.3390/s26031015 PMID:41682531	研究论文	本研究提出了一种基于递归量化分析引导注意力的LSTM自编码器框架，用于旋转机械在噪声条件下的无监督异常检测	将混沌理论描述符（如递归率、确定性等RQA指标）系统性地注入LSTM自编码器的注意力机制中，以显式结合非线性动力学特征	未明确说明模型在更广泛工业场景或不同机械类型中的泛化能力	提升旋转机械在噪声条件下的异常检测性能，特别是在早期故障检测中	轴承振动数据	机器学习	NA	递归量化分析	LSTM, 自编码器	振动信号	三个广泛使用的轴承振动数据集（IMS, CWRU, HUST）	NA	LSTM自编码器	F1分数, AUC	NA
3898	2026-02-17	I-GhostNetV3: A Lightweight Deep Learning Framework for Vision-Sensor-Based Rice Leaf Disease Detection in Smart Agriculture 2026-Feb-04, Sensors (Basel, Switzerland) DOI:10.3390/s26031025 PMID:41682541	研究论文	本文提出了一种名为I-GhostNetV3的轻量级深度学习框架，用于基于视觉传感器的水稻叶片病害检测	在GhostNetV3基础上引入了两个模块化增强：自适应并行注意力（APA）用于增强病变相关表征，以及融合坐标通道注意力（FCCA）用于高效抑制背景干扰	仅在RLBF数据集和PlantVillage-Corn数据集上进行了验证，未来需要对独立真实田间目标域进行进一步验证和端侧性能分析	开发适用于智能农业的轻量级水稻叶片病害检测模型	水稻叶片病害图像	计算机视觉	水稻病害	RGB图像分析	CNN	图像	RLBF数据集（具体数量未说明）	NA	I-GhostNetV3, GhostNetV3	Top-1准确率, 参数量, FLOPs	NA
3899	2026-02-17	MobileSteelNet: A Lightweight Steel Surface Defect Classification Network with Cross-Interactive Efficient Multi-Scale Attention 2026-Feb-04, Sensors (Basel, Switzerland) DOI:10.3390/s26031022 PMID:41682538	研究论文	本文提出了一种轻量级的深度学习框架MobileSteelNet，用于钢铁表面缺陷分类，以平衡准确性和实时部署效率	引入了两个新颖模块：多尺度特征融合（MSFF）和交叉交互高效多尺度注意力（CIEMA），结合了通道间交互、并行多尺度空间提取和分组高效计算	NA	开发一个轻量级深度学习框架，用于钢铁表面缺陷分类，以满足工业质量控制的实时部署需求	钢铁表面缺陷	计算机视觉	NA	NA	CNN	图像	基于NEU-DET数据集	NA	MobileSteelNet	平均准确率	NA
3900	2026-02-17	Multi-Center Prototype Feature Distribution Reconstruction for Class-Incremental SAR Target Recognition 2026-Feb-03, Sensors (Basel, Switzerland) DOI:10.3390/s26030979 PMID:41682495	研究论文	本文提出了一种用于合成孔径雷达自动目标识别的类增量学习方法，通过多中心原型特征分布重建来缓解灾难性遗忘问题	设计了多尺度混合注意力特征提取器，并采用多原型表示与参数化高斯扩散建模旧类特征分布，以保留历史知识	未明确提及方法在极端类别数量或数据稀缺情况下的性能限制	解决合成孔径雷达自动目标识别系统中的类增量学习问题，使系统能持续学习新目标类别而不遗忘旧知识	合成孔径雷达图像中的目标识别	计算机视觉	NA	合成孔径雷达成像，属性散射中心数据提取	深度学习	图像（SAR幅度图像），结构化数据（属性散射中心数据）	NA	NA	多尺度混合注意力特征提取器	NA	NA