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
3941	2026-02-17	Current role of artificial intelligence in the management of benign prostatic hyperplasia: a systematic review 2026-Feb, Minerva urology and nephrology IF:4.9Q1 DOI:10.23736/S2724-6051.25.06658-3 PMID:41697204	综述	本文系统回顾了人工智能在良性前列腺增生管理中的应用，涵盖诊断、治疗和患者教育	首次系统性地将人工智能在良性前列腺增生管理中的应用分为大型语言模型用于患者教育和临床AI应用两大类，并详细综述了其在生物标志物识别、功能评估、影像学、严重程度诊断及组织学检查等多个子领域的潜力	研究存在数据异质性、数据集规模小且多为机构特定、缺乏前瞻性验证研究、伦理和监管问题以及医生信任度等挑战	评估人工智能在良性前列腺增生管理中的当前作用与潜力	良性前列腺增生	数字病理学	前列腺癌	NA	机器学习, 深度学习, 大型语言模型	文本, 生物标志物数据, 功能评估数据, 影像数据, 组织学数据	23项研究	NA	ChatGPT-3.5, ChatGPT-4, New Bing Chat	准确率	NA
3942	2026-02-17	Contemporary Preoperative Detection of Extraprostatic Extension in Prostate Cancer 2026-Jan-30, Cancers IF:4.5Q1 DOI:10.3390/cancers18030456 PMID:41681930	综述	本文是一篇关于前列腺癌术前检测前列腺外侵犯（EPE）的当代策略的叙述性综述	综述了2015年至2025年间的研究，全面比较了临床参数、多参数MRI特征、列线图、影像组学、机器学习及深度学习模型等多种方法在EPE预测中的表现，并强调了侧别特异性和分级评估的临床相关性	许多深度学习模型缺乏外部验证，且对数据集异质性敏感	概述前列腺癌术前检测前列腺外侵犯（EPE）的当代策略	用于预测前列腺外侵犯（EPE）的临床参数、多参数MRI特征、列线图、影像组学、机器学习及深度学习模型	数字病理学	前列腺癌	多参数MRI	机器学习, 深度学习	影像	NA	NA	NA	AUC	NA
3943	2026-02-17	A Survey of AI-Enabled Predictive Maintenance for Railway Infrastructure: Models, Data Sources, and Research Challenges 2026-Jan-30, Sensors (Basel, Switzerland) DOI:10.3390/s26030906 PMID:41682422	综述	本文对人工智能技术在铁路基础设施预防性、预测性和规范性维护中的应用进行了全面且结构化的综述	系统性地比较了机器学习与深度学习方法在铁路维护中的应用，并指出了数据质量、跨网络泛化、模型鲁棒性等研究空白，同时探讨了数字孪生、边缘AI等新兴研究方向	NA	指导智能铁路维护生态系统的未来研究与标准化	铁路基础设施的维护	机器学习	NA	NA	神经网络, 支持向量机, 随机森林, 遗传算法, 端到端深度学习模型	轨道几何数据, 振动监测数据, 图像检查数据	NA	NA	NA	NA	NA
3944	2026-02-17	Driver Monitoring System Using Computer Vision for Real-Time Detection of Fatigue, Distraction and Emotion via Facial Landmarks and Deep Learning 2026-Jan-29, Sensors (Basel, Switzerland) DOI:10.3390/s26030889 PMID:41682402	研究论文	本研究提出了一种基于计算机视觉和深度学习的实时驾驶员监控系统，用于通过面部特征检测疲劳、分心和情绪	将MobileNetV2用于情绪识别与MediaPipe面部关键点检测相结合，实时计算眼部、嘴部纵横比、注视方向和头部姿态，并将情绪感知集成到驾驶员监控中以减少误报	系统在检测悲伤情绪时表现不佳，且未能检测到恐惧情绪，这可能是由于真实世界表情的微妙性以及训练数据集的局限性所致	开发一种实时驾驶员监控系统，以提高驾驶安全性	驾驶员的面部表情和行为	计算机视觉	NA	深度学习, 面部关键点检测	CNN	图像, 视频	27名参与者	MediaPipe	MobileNetV2	准确率	NA
3945	2026-02-17	Digital Technologies and Machine Learning in Environmental Hazard Monitoring: A Synthesis of Evidence for Floods, Air Pollution, Earthquakes, and Fires 2026-Jan-29, Sensors (Basel, Switzerland) DOI:10.3390/s26030893 PMID:41682407	综述	本文综述了数字技术（特别是机器学习、物联网和先进图像处理技术）在环境灾害监测中的集成应用现状	系统性地对2015年至2024年间发表的文献进行了基于灾害类型、技术应用、地理位置和研究方法的分类分析，并强调了多传感器数据融合、深度学习模型和物联网系统在实时监测与预警中的增长趋势	作为一篇综述文章，其局限性在于主要基于已有文献进行分析，未提出新的原创性模型或方法，且研究范围限定在特定数据库（Scopus）和特定时间段内	评估数字技术和机器学习在提升环境灾害监测准确性及效率方面的有效性，并探讨构建鲁棒、可扩展的灾害监测系统的关键挑战与未来方向	空气污染、地震、洪水和火灾这四类环境灾害	机器学习	NA	物联网（IoT）、先进图像处理技术、多传感器数据融合	深度学习模型	多传感器数据、图像数据	NA	NA	NA	准确性、效率	NA
3946	2026-02-17	A Lightweight Radar-Camera Fusion Deep Learning Model for Human Activity Recognition 2026-Jan-29, Sensors (Basel, Switzerland) DOI:10.3390/s26030894 PMID:41682408	研究论文	提出一种轻量级雷达-摄像头融合深度学习模型，用于在隐私敏感的室内环境中进行人体活动识别	集成调频连续波雷达的运动特征与超低分辨率摄像头的粗略空间线索，使用基于Transformer的编码器分别处理两种模态，并在保持高性能的同时实现低计算开销	未提及模型在更复杂或动态环境中的泛化能力，以及跨设备部署的潜在挑战	开发一种高效、隐私保护的人体活动识别方法，适用于嵌入式或边缘设备部署	人体活动	计算机视觉	NA	FMCW雷达，超低分辨率摄像头	Transformer，全连接网络	雷达数据（Range-Doppler-Time立方体），图像数据（超低分辨率摄像头帧）	包含15个活动类别的多模态数据集（同步雷达立方体和超低分辨率摄像头序列）	NA	Transformer编码器	分类准确率	嵌入式或边缘设备（模型仅需1100万浮点运算）
3947	2026-02-17	A Hybrid Deep Learning Framework for Automated Dental Disorder Diagnosis from X-Ray Images 2026-Jan-29, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15031076 PMID:41682758	研究论文	本文提出了一种用于从X射线图像自动诊断牙科疾病的混合深度学习框架	提出了一种混合特征融合框架，将手工设计的HOG特征与DenseNet-201和Swin Transformer模型的深度表示相结合，并利用LSTM分类器学习融合特征间的序列依赖关系	未明确提及研究的具体局限性	开发一个自动化、高精度的牙科疾病诊断系统，以改进传统诊断方法	牙科X射线图像（全景、根尖周、咬翼片）	计算机视觉	牙科疾病	X射线成像	CNN, Transformer, LSTM	图像	DRAD数据集（具体数量未提及）	NA	DenseNet-201, Swin Transformer, LSTM	准确率, 特异性, 精确率, 召回率, F1分数	NA
3948	2026-02-17	Mining the Hidden Pharmacopeia: Fungal Endophytes, Natural Products, and the Rise of AI-Driven Drug Discovery 2026-Jan-29, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27031365 PMID:41683797	综述	本文综述了真菌内生菌天然产物的化学与生物合成多样性，并探讨了人工智能在药物发现中的应用	将真菌内生菌的天然产物多样性与人工智能驱动的工具生态系统相结合，推动药物发现从经验筛选转向预测性、假设驱动的学科	NA	探讨人工智能如何加速天然产物发现，并应用于药物发现和合成生物学	真菌内生菌及其产生的天然产物	机器学习	NA	多组学整合	深度学习, 生成式AI, 扩散模型	多组学数据	NA	NA	NA	NA	NA
3949	2026-02-17	AI-Driven Multimodal Sensing for Early Detection of Health Disorders in Dairy Cows 2026-Jan-28, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani16030411 PMID:41681390	研究论文	本研究提出了一种多模态人工智能框架，通过整合生理、行为、生产和热成像数据，实现对奶牛健康状态的实时监测，以早期检测兽医确诊的乳房、腿部和蹄部感染	同时整合了来自自动挤奶系统、热成像相机和瘤胃内传感器三个独立来源的数据，并引入了一种结合U-Net、O-Net和ResNet核心组件的混合深度学习架构，以利用其互补优势分析奶牛健康状态	数据集仅包含88头泌乳奶牛，且所有感染被归为一个单一的'患病'标签，可能限制了模型对特定疾病类型的区分能力	开发一个用于奶牛早期健康障碍检测的多模态AI系统	泌乳奶牛，特别是针对兽医确诊的乳房、腿部和蹄部感染	数字病理学	NA	热成像，瘤胃内传感器监测，自动挤奶系统数据采集	深度学习，混合架构	多模态数据（生理、行为、生产、热成像）	88头泌乳奶牛	NA	U-Net, O-Net, ResNet	准确率, AUC	NA
3950	2026-02-17	Multi-Scale Feature Fusion and Attention-Enhanced R2U-Net for Dynamic Weight Monitoring of Chicken Carcasses 2026-Jan-28, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani16030410 PMID:41681391	研究论文	本文提出了一种基于深度学习图像分割和回归的肉鸡胴体重量检测模型，用于实现肉鸡重量的实时监测	提出了一种源自R2U-Net的新型分割网络AR2U-AtNet，并引入了卷积块注意力模块（CBAM）和选择性核注意力（SKAttention）来增强网络对目标区域的关注和处理不同体型图像的能力	NA	解决肉鸡重量监测中人工采集数据繁琐、低效的问题，实现快速准确的个体肉鸡胴体重量测定	太湖黄鸡的胴体图像	计算机视觉	NA	深度学习图像分割与回归	CNN	图像	301只太湖黄鸡的2709张图像	NA	R2U-Net, AR2U-AtNet	平均交并比（mIoU）, Dice系数, F1分数, R2值	NA
3951	2026-02-17	Enhanced Precision of Fluorescence In Situ Hybridization (FISH) Analysis Using Neural Network-Based Nuclear Segmentation for Digital Microscopy Samples 2026-Jan-28, Sensors (Basel, Switzerland) DOI:10.3390/s26030873 PMID:41682389	研究论文	本研究评估了基于AI的3D核分割方法在提高荧光原位杂交（FISH）分析精度和诊断可靠性方面的应用	首次系统比较了多种AI驱动的3D核分割算法（NucleAIzer、StarDist、Cellpose）与传统2D阈值分割方法在淋巴瘤FISH样本中的性能，证明了3D分割在解决密集或重叠细胞核问题上的优势	研究仅针对滤泡性淋巴瘤的BCL2基因重排样本，未在其他疾病类型或基因靶点上验证；AI模型对低强度信号的敏感性有限	提高数字病理学中FISH分析的自动化诊断准确性和可重复性	福尔马林固定的滤泡性淋巴瘤组织切片	数字病理学	淋巴瘤	荧光原位杂交（FISH）、多层Z-stack数字扫描	深度学习	3D显微镜图像	未明确说明样本数量，但使用滤泡性淋巴瘤切片	未明确说明	NucleAIzer, StarDist, Cellpose	灵敏度、方差（VP/VS）、基因点相关性（r）、平均基因点数量	NA
3952	2026-02-17	Intent classification for university administrative services using a bidirectional recurrent neural network modified by a developed Kepler optimization algorithm 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35504-7 PMID:41593141	研究论文	提出一种结合意图分类和命名实体识别的联合模型，使用改进的双向长短期记忆网络和新型开普勒优化算法，用于大学行政服务的多语言对话代理	开发了一种新的联合模型，将意图分类和命名实体识别任务结合，并采用新开发的开普勒优化算法对改进的双向长短期记忆网络进行联合优化，以应对多语言环境下的自然语言理解挑战	研究主要针对希腊语和英语两种语言，未涉及更广泛的多语言环境；模型在更复杂的对话场景或更大规模数据集上的泛化能力有待进一步验证	提高大学行政服务中对话代理的自然语言理解能力，特别是在多语言环境下	大学行政服务中的学生查询文本	自然语言处理	NA	自然语言理解	BiLSTM	文本	NA	NA	改进的双向长短期记忆网络	准确率, 精确率, 召回率	NA
3953	2026-02-17	Geometric Monitoring of Steel Structures Using Terrestrial Laser Scanning and Deep Learning 2026-Jan-27, Sensors (Basel, Switzerland) DOI:10.3390/s26030831 PMID:41682347	研究论文	本研究提出了一种结合地面激光扫描与深度学习的方法，用于自动检测工业钢结构在施工阶段的几何偏差	通过将3D点云投影为2D图像并应用YOLOv8分割模型，实现了对商业钢材截面的自动检测、分类与分割，即使在几何不完整或被部分遮挡的情况下也能有效工作	方法在真实装配中评估了94%的结构元素，但未明确说明未覆盖的6%元素类型或场景限制	开发一种自动化方法，用于监测钢结构的几何质量与稳定性，确保其符合EN 1090-2:2020装配标准	工业钢结构建筑物	计算机视觉	NA	地面激光扫描	深度学习	3D点云, 2D图像	两个现场工业钢结构装配应用	NA	YOLOv8	mAP@50-95	NA
3954	2026-02-17	A Novel Dataset for Gait Activity Recognition in Real-World Environments 2026-Jan-27, Sensors (Basel, Switzerland) DOI:10.3390/s26030833 PMID:41682349	研究论文	本研究提出了一个名为CAHAR的新型数据集，用于在真实环境中进行步态活动识别和地形分类	首次创建了同时标注活动和地形标签的数据集，覆盖室内外全范围地形及关联步态活动	数据仅来自20名健康参与者，可能无法代表所有人群或病理状态	推动可穿戴传感器在远程步态分析中的应用，解决高精度人类活动识别和地形分类问题	健康参与者的步态活动和地形数据	机器学习	老年疾病	惯性测量单元、力敏电阻鞋垫、颜色传感器、激光雷达	深度学习	传感器数据	20名健康参与者	NA	NA	NA	NA
3955	2026-01-28	Leveraging medical imaging and deep learning for diagnosis of breast cancer using histopathological images 2026-Jan-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37663-z PMID:41588052	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3956	2026-02-17	Trimester-aware yoga video recommendation using hybrid deep learning for pregnant woman 2026-Jan-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37149-y PMID:41588129	研究论文	本研究提出了一种新颖的基于混合深度学习的孕期瑜伽视频推荐框架，该框架整合了多模态文本-视频分析和生理安全推理	引入了两个关键创新：一是用于在特定孕期安全约束下自适应对齐用户和视频嵌入的孕期加权Wasserstein相似度机制；二是传播健康条件和孕期关系于推荐图中的安全感知有向图卷积关系神经网络	NA	为孕妇提供个性化的、基于孕期的安全瑜伽视频推荐	孕妇及其孕期瑜伽视频	自然语言处理, 计算机视觉	NA	混合深度学习	GCRNN	文本, 视频	NA	NA	GCRNN	准确率, 孕期特定安全合规率	NA
3957	2026-02-17	Automated weed segmentation with knowledge based labeling for machine learning applications 2026-Jan-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37475-1 PMID:41588159	研究论文	本研究开发并评估了一种基于eCognition的自动化特征标记工作流，用于无人机RGB影像中的杂草分割，以支持机器学习应用	提出了一种无需人工训练标签的自动化特征标记工作流，结合多种空间算法和植被指数，实现了高精度的杂草与作物分离	工作流在不同田间、日期和实验条件下的可转移性有待进一步改进	开发自动化杂草分割工作流，以加速机器学习应用的数据集创建	无人机RGB影像中的杂草（如地肤、野燕麦、野芥菜、假猪殃殃）和作物（小麦）	计算机视觉	NA	无人机RGB影像采集	NA	图像	约2000平方米的研究田块，包含高分辨率影像（0.088厘米）	eCognition	NA	总体准确率, Kappa系数	NA
3958	2026-02-17	Integrating Large Language Models with Deep Learning for Breast Cancer Treatment Decision Support 2026-Jan-26, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16030394 PMID:41681712	研究论文	本研究开发了一个集成大型语言模型（LLM）病理分析与深度学习治疗预测的临床决策支持系统（CDSS），用于辅助乳腺癌治疗决策	创新性地将LLM（Meta-Llama-3-8B-Instruct）用于自动提取病理报告中的TNM分期和肿瘤大小信息，并与EMR变量结合，通过多种机器学习模型进行多标签分类，以支持标准化的治疗决策	DNN和Transformer模型在结构化临床数据上表现相对较低，尤其是在使用完整特征集时，表明其对缺乏强上下文依赖性的数据适应性有限	开发一个集成的人工智能临床决策支持系统，以提高乳腺癌治疗决策的准确性和一致性	5015名被诊断为乳腺癌的患者队列的真实世界数据（RWD），包括病理报告和电子病历（EMR）变量	自然语言处理, 机器学习	乳腺癌	大型语言模型（LLM）分析，多标签分类	决策树, 随机森林, GBM, XGBoost, DNN, Transformer	文本（病理报告），结构化临床数据（EMR）	5015名乳腺癌患者	NA	Meta-Llama-3-8B-Instruct, DNN, Transformer	准确率, 宏平均/微平均精确率, 召回率, F1分数, AUC	NA
3959	2026-02-17	Quadra Sense: A Fusion of Deep Learning Classifiers for Mitosis Detection in Breast Cancer Histopathology 2026-Jan-26, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16030393 PMID:41681710	研究论文	本文提出了一种名为Quadra Sense的深度学习分类器融合方法，用于乳腺癌组织病理学中的有丝分裂检测，旨在提高检测的准确性和客观性	提出了一种融合深度学习分类器的方法，结合了改进的InceptionV4进行特征提取、自改进海鸥优化算法进行特征选择，以及Mito-Quartet分类器，实现了99.2%的高准确率	NA	提高乳腺癌组织病理学中有丝分裂检测的准确性和客观性	乳腺癌组织病理学图像	数字病理学	乳腺癌	组织病理学图像分析	深度学习分类器融合	图像	NA	NA	改进的全卷积网络, 改进的InceptionV4	准确率	NA
3960	2026-02-17	Quality Assessment and Prediction of Peanut Storage Life Based on Deep Learning 2026-Jan-26, Foods (Basel, Switzerland) DOI:10.3390/foods15030446 PMID:41683034	研究论文	本研究基于深度学习评估和预测花生在储存过程中的品质变化	采用深度聚类网络进行品质分级，并构建D-SCSformer时间序列预测模型，通过维度分段嵌入和统计特征融合显著提升预测性能	NA	为花生储存过程中的温湿度调控和货架期管理提供技术支持和决策依据	花生样品	机器学习	NA	NA	DCN, D-SCSformer	时间序列数据	在30周储存期间监测的花生样本	NA	Deep Clustering Network, D-SCSformer	MSE, MAE, RMSE, R	NA