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
4661	2026-02-08	Continuous Cuffless Blood Pressure Estimation via Effective and Efficient Broad Learning Model 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3604464 PMID:40889325	研究论文	本研究提出了一种基于宽度学习模型的无袖带连续血压估计方法，旨在提高计算效率并降低存储需求	采用宽度学习模型替代深度模型，通过增加网络宽度而非深度来降低计算复杂度，并探索增量学习模式以提升内存效率和灵活性	研究未明确讨论模型在多样化人群或不同生理状态下的泛化能力，也未详细分析实时部署中的硬件限制	开发一种高效、低计算成本的无袖带连续血压监测方法，以促进高血压的预防、检测和管理	使用可穿戴心血管信号进行无袖带血压估计	机器学习	心血管疾病	NA	宽度学习模型, LSTM, 1D-CNN	心血管信号	UCI数据库中的403.67小时数据	NA	标准宽度学习模型, 增量宽度学习模型	平均绝对误差, 平均误差, 标准差	NA
4662	2026-02-08	Toward Semantically Faithful Diffusion Representation for Generalizable Retinal Image Segmentation 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3605219 PMID:40892645	研究论文	本文提出了一种新颖的扩散模型表示方法，用于提升视网膜图像分割的泛化能力	提出了锚定反转策略以从确定性轨迹中获取语义忠实于源图像的扩散表示，并设计了时空频率感知聚合解释器（T&S-FreqAgg）来聚合多尺度、多时间步的扩散表示	未在摘要中明确说明	解决视网膜图像分割中因数据异质性和标注稀缺导致的深度学习模型泛化性差的问题	视网膜图像（特别是血管等结构）	计算机视觉	视网膜病变	扩散模型	扩散模型	图像	九个公共视网膜图像数据集	NA	DiffDGSSv2	NA	NA
4663	2026-02-08	Hard Sample Mining: A New Paradigm of Efficient and Robust Model Training 2026-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3610948 PMID:41052176	综述	本文对硬样本挖掘（HSM）方法进行了全面综述，旨在通过代表性样本选择来提高模型训练效率和鲁棒性	系统性地探索了HSM在实现高效和鲁棒模型训练中的关键作用，并提出了统一的硬样本定义和分类体系	NA	综述硬样本挖掘方法，以缓解深度学习训练中的效率低下和数据分布偏差问题	深度学习模型训练中的样本选择方法	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
4664	2026-02-08	Deep learning-assisted spectral technology monitoring the preservation effect of sodium octenyl succinate starch co-loaded with cinnamaldehyde and carvacrol microcapsules for pork 2026-Feb, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2026.150502 PMID:41581811	研究论文	本研究结合喷雾干燥制备的微胶囊与深度学习辅助的可见-近红外光谱技术，用于猪肉保鲜效果监测与品质快速检测	首次将辛烯基琥珀酸淀粉钠共负载肉桂醛和香芹酚的微胶囊用于猪肉保鲜，并结合深度学习与光谱技术构建了高精度的猪肉新鲜度预测模型	研究基于实验室获取的光谱数据，模型在实际工业场景中的泛化能力有待验证，且未详细说明深度学习模型的具体架构与训练细节	开发一种高效的猪肉保鲜方法并建立快速、无损的猪肉品质检测技术	猪肉样品	食品科学与技术	NA	喷雾干燥、可见-近红外光谱	深度学习	光谱数据	未明确说明	NA	NA	相关系数	NA
4665	2026-02-08	Deep Learning-Based Eye Rubbing Detection Using Wrist-Based Wearable Devices to Enable Rigorous Study of Risk Factors for Ectasia Progression 2026-Jan-29, Cornea IF:1.9Q2 DOI:10.1097/ICO.0000000000004113 PMID:41649853	研究论文	本研究开发并验证了一种基于人工智能的揉眼检测工具，利用腕戴式可穿戴设备收集的传感器数据	首次结合腕戴式可穿戴设备和深度学习技术，开发实时揉眼检测系统，用于研究角膜扩张症的风险因素	样本量较小（20名受试者），且未在更广泛人群中进行外部验证	开发一种可靠的揉眼检测工具，以支持眼科医生和研究人员研究揉眼行为与角膜扩张症发展及进展的关系	揉眼行为	机器学习	角膜扩张症	传感器数据采集	CNN, LSTM	时间序列数据, 图像数据	20名受试者，包含8640条时间序列记录和112,320张图像	NA	1D CNN-LSTM, 2D CNN-LSTM, 集成模型	F1分数, AUC	NA
4666	2026-02-08	Deep learning-based imaging model to predict early hematoma enlargement and hospital mortality in spontaneous intracerebral hemorrhage 2026-Jan-28, World journal of radiology IF:1.4Q3 DOI:10.4329/wjr.v18.i1.115504 PMID:41640706	研究论文	本研究开发了一种基于深度学习的成像模型，用于预测自发性脑出血患者的早期血肿扩大和院内死亡率	结合手工放射组学特征和深度学习提取的特征，通过临床-放射学整合模型，提高了对脑出血患者早期血肿扩大和院内死亡率的预测性能	研究为回顾性设计，样本量相对较小（322例患者），且仅针对基底节区脑出血患者，可能限制了结果的普适性	评估和验证基于非增强CT的放射组学和深度学习特征对自发性脑出血患者早期血肿扩大和院内死亡率的预测能力	自发性脑出血患者，特别是基底节区出血的患者	数字病理学	脑出血	非增强CT成像	CNN, SVM	医学图像	322例患者（训练集225例，测试集97例）	NA	预训练的卷积神经网络	AUC, 准确率, 敏感性, 特异性	NA
4667	2026-02-08	Magnetic resonance imaging-based deep-learning radiomics score for survival prediction and risk stratification in pediatric hepatoblastoma receiving surgical resection 2026-Jan-28, World journal of radiology IF:1.4Q3 DOI:10.4329/wjr.v18.i1.115503 PMID:41640707	研究论文	本研究开发了一种基于磁共振成像的深度学习放射组学评分，用于预测接受手术切除的儿童肝母细胞瘤患者的无事件生存期和风险分层	结合深度学习提取的放射组学特征与临床病理变量，构建了集成临床-深度学习列线图模型，首次在儿童肝母细胞瘤中应用深度学习放射组学评分进行生存预测和风险分层	研究为回顾性设计，样本量较小（106例患者），且仅来自两家医院，可能存在选择偏倚	预测早期肝母细胞瘤患者手术切除后的无事件生存期，并识别高风险患者以指导术前新辅助化疗	接受手术切除的儿童肝母细胞瘤患者	数字病理学	肝母细胞瘤	磁共振成像	深度学习	图像	106例患者（训练队列74例，测试队列32例）	NA	NA	预后能力, 校准能力, 预测误差	NA
4668	2026-01-21	Deep learning based prediction of RNA 5hmC modifications using composite feature representations and comparative benchmarking with transformer models 2026-Jan-19, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00517-x PMID:41555424	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4669	2026-02-08	A MultiRater MultiOrgan Abdominal CT Dataset for Calibration Analysis and Uncertainty Modeling in Segmentation 2026-Jan-09, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06473-9 PMID:41513702	研究论文	本文介绍了一个用于分割校准分析和不确定性建模的多标注者多器官腹部CT数据集，并基于此数据集进行了定量分析	提出了CURVAS挑战，首次联合评估不确定性、校准和分割质量，并考虑标注变异性以评估器官体积，促进临床相关性	数据集仅包含90个对比增强CT扫描，且胰腺分割仍具挑战性，标注一致性较低，需要改进标注协议和训练策略	解决医学影像中深度学习模型在分割模糊结构时的校准和不确定性量化问题，以提高临床决策的可靠性	腹部CT扫描中的胰腺、肝脏和肾脏分割	数字病理学	NA	对比增强CT扫描	NA	图像	90个对比增强CT扫描	NA	NA	NA	NA
4670	2026-02-08	Optimization-driven steganographic system based on fused maps and blowfish encryption 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35556-9 PMID:41513810	研究论文	提出一种基于融合映射和Blowfish加密的优化驱动隐写系统，用于在数字图像中隐藏信息	结合融合映射嵌入与进化优化，引入自适应图像隐写，通过PSO优化嵌入位置选择与顺序，并使用优先级引导的LSB替换	未明确提及系统在极端图像条件或大规模数据集上的泛化能力	开发一种平衡不可感知性、容量和鲁棒性的安全图像隐写系统	数字图像（封面图像和秘密图像）	计算机视觉	NA	图像隐写术、加密技术	NA	图像	使用BOSSbase数据集作为封面图像，USC-SIPI数据集作为秘密图像	NA	NA	峰值信噪比（PSNR）、结构相似性指数（SSIM）、曲线下面积（AUC）、RS统计量	NA
4671	2026-02-08	Improving malware detection performance using hybrid deep representation learning with heuristic search algorithms 2026-Jan-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35481-x PMID:41507326	研究论文	提出一种基于混合深度学习框架的恶意软件检测性能提升方法	结合卷积神经网络、双向长短期记忆网络和自注意力机制构建混合模型，并采用启发式搜索算法优化特征选择	仅基于Android恶意软件数据集进行验证，未涉及其他操作系统或更广泛的恶意软件类型	提升Android恶意软件检测的准确性和可扩展性	Android操作系统上的恶意软件应用	机器学习	NA	深度学习	CNN, BiLSTM, Self-Attention	恶意软件特征数据	Android恶意软件数据集（具体数量未明确）	NA	CBiLSTM-SA（卷积神经网络、双向长短期记忆网络、自注意力机制混合架构）	准确率	NA
4672	2026-02-08	Domain-adaptive faster R-CNN for non-PPE identification on construction sites from body-worn and general images 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35148-7 PMID:41501148	研究论文	本研究开发了一种基于域自适应的Faster R-CNN模型，用于在建筑工地上检测未佩戴个人防护装备的情况	提出了一种结合图像级和实例级对抗域分类器的域自适应Faster R-CNN框架，通过梯度反转层学习领域不变特征，利用通用上下文数据集缓解真实工地违规样本稀缺的问题	研究依赖于合成或替代的非PPE样本，真实工地违规实例仍然稀缺，模型性能可能受到领域差异的影响	提高建筑工地上个人防护装备合规性检测的准确性和鲁棒性	建筑工地工人未佩戴的五类个人防护装备：非头盔、非口罩、非手套、非背心、非安全鞋	计算机视觉	NA	深度学习，域自适应	Faster R-CNN	图像	使用完全标注的建筑工地数据集和通用上下文数据集，具体样本数量未明确说明	NA	ResNet-152, Faster R-CNN	平均精度均值	NA
4673	2026-02-08	A multi-scale dual-stream fusion network for high-accuracy sEMG-based gesture classification 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34909-0 PMID:41501380	研究论文	本文提出了一种用于高精度表面肌电信号手势分类的多尺度双流融合网络	提出了多尺度Mamba模块以提取多尺度时间特征并建模短期与长期依赖关系，以及双向注意力融合模块以动态融合时域和频域互补信息	NA	提升基于表面肌电信号的手势识别准确性和鲁棒性	表面肌电信号手势分类	机器学习	NA	表面肌电信号采集	深度学习框架	时间序列信号	NinaPro数据集（DB2、DB3、DB4子集）	NA	多尺度双流融合网络（MSDS-FusionNet），包含多尺度Mamba模块和双向注意力融合模块	准确率	NA
4674	2026-02-08	Understanding the impact of emotional engagement on learning outcomes in online education: an automated analysis approach 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34871-x PMID:41501519	研究论文	本研究开发了一种基于优化视觉Transformer和迁移学习的自动化方法，用于检测在线教育中的情感投入，并分析了情感投入对学习成果的影响	首次将优化的视觉Transformer模型与迁移学习相结合，用于自动化分析在线学习中的情感投入，并揭示了情感投入与学习成果之间的显著正相关关系	研究样本仅包括40名本科生，可能限制结果的普适性；仅使用面部数据进行情感投入分析，未考虑其他行为指标	探究情感投入对在线教育学习成果的影响，并开发自动化监测方法	在线教育中的学习者情感投入	计算机视觉	NA	面部数据采集与分析	Vision Transformer	图像	40名本科生，共71,185张标注图像	NA	Vision Transformer	分类准确率	NA
4675	2026-02-08	Social network analysis for crime prediction under social computing and deep learning technology 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34891-7 PMID:41491265	研究论文	提出一种基于账户关联的关键人物识别模型（KPI-AA），用于犯罪网络中的关键节点识别与行为预测	结合局部邻居相似性与全局边介数，并利用图神经网络对社交网络中的关键节点进行深度表征，以揭示复杂社会结构中的潜在组织核心和犯罪网络中的潜在扩散路径	NA	识别犯罪网络中的隐藏关键人物并预测犯罪行为，服务于社会安全治理与刑事侦查应用	犯罪网络、社交网络中的关键节点	社交计算、机器学习	NA	社交网络分析、图神经网络	GNN	网络图数据	Zachary网络、Harry Potter网络、Twitter数据集	NA	图神经网络	传播动力学（感染节点数）、网络鲁棒性（相对连通性）、排名一致性（Kendall's tau系数）、计算效率	NA
4676	2026-02-08	Knowledge graph-enhanced deep learning for pharmaceutical demand forecasting 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35113-4 PMID:41491846	研究论文	本文提出了一种结合知识图谱与深度学习的混合模型KG-GCN-LSTM，用于提高药品需求预测的准确性和鲁棒性	首次将药品知识图谱与深度学习技术结合，通过GCN提取相关药品特征，LSTM捕捉时序动态，以解决传统方法难以处理的非线性需求模式	未提及模型在更广泛数据集或不同医疗环境下的泛化能力，以及知识图谱构建的依赖性和可扩展性	提高药品需求预测的准确性，以优化医疗供应链管理	药品需求预测，基于药房销售数据和药品知识图谱	机器学习	NA	知识图谱构建，深度学习	GCN, LSTM	时序销售数据，知识图谱	未明确指定，但基于真实世界药房销售数据	未明确指定，可能为PyTorch或TensorFlow	GCN, LSTM	SMAPE	未明确指定
4677	2026-02-08	Multimodal graph, surface, and language-based model for protein protein interaction prediction 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34758-x PMID:41495146	研究论文	本文提出了一种名为GSMFormer-PPI的新型多模态框架，用于预测蛋白质-蛋白质相互作用，通过整合蛋白质分子表面特征、3D结构图和残基级序列嵌入来提高预测准确性	引入几何深度学习提取表面物理化学描述符，结合图卷积网络处理结构上下文，并采用带有线性投影器的Transformer编码器学习超越简单拼接的复杂跨模态交互	未明确说明模型在更大或更复杂数据集上的泛化能力，也未讨论计算效率或资源需求的具体限制	提高蛋白质-蛋白质相互作用预测的准确性，以理解生物过程和疾病机制	蛋白质-蛋白质相互作用	机器学习	NA	几何深度学习，图卷积网络，Transformer编码器	GCN, Transformer	蛋白质分子表面特征，3D结构图，残基级序列嵌入	基于策划的PINDER数据集进行评估，具体样本数量未明确	NA	MaSIF, GCN, Transformer	NA	NA
4678	2026-02-08	Innovative Learning in Anatomy Education: Assessing the Impact of Low-Cost 3D Deep Learning Anatomical Models in Museum-Based Instruction 2026-01, Journal of surgical education IF:2.6Q1 DOI:10.1016/j.jsurg.2025.103748 PMID:41187606	研究论文	本研究评估了基于低成本交互式3D模型和深度学习的虚拟解剖博物馆教学方法，在提升医学生临床推理和解剖学理解方面的有效性	将PointNeXt深度学习骨干网络与AnatoVision模块结合，构建了一个基于网络的虚拟解剖博物馆平台，为资源有限环境下的解剖学教育提供了一种低成本、可扩展的交互式补充方案	研究为非实验性观察性研究，样本量较小（40名本科生），且对照组与目标组的教学方法存在质性差异，无法进行直接比较；技术困难报告率为25%	评估虚拟解剖博物馆教学方法在提升医学生临床推理和解剖学熟练度方面的有效性	哈利德国王大学应用医学科学学士课程的40名本科医学生	数字病理	NA	虚拟解剖博物馆，交互式3D模型可视化	深度学习	3D模型，问卷数据	40名本科医学生（目标组20人，对照组20人）	NA	PointNeXt, AnatoVision Block	5点李克特量表评分，案例问卷评分（接受度、临床问题解决创造力、动机、知识获取、沟通技巧），p值	NA
4679	2026-02-08	Sequence to Location: Protein Subcellular Localization Driven by Deep Pretrained Language Model 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634612 PMID:41259184	研究论文	本研究提出了一种名为SubLoc的深度学习算法，用于预测蛋白质亚细胞定位，结合了蛋白质语言模型、图卷积网络和注意力机制	首次将深度预训练的蛋白质语言模型ProtT5与3D蛋白质结构图模型及双向门控循环单元结合，用于蛋白质亚细胞定位预测	仅针对10个亚细胞区室进行预测，未涵盖所有可能的细胞定位，且依赖于蛋白质序列和结构数据的可用性	开发一种高效、准确的蛋白质亚细胞定位预测方法，以替代传统耗时耗力的实验技术	蛋白质序列及其亚细胞定位	自然语言处理	NA	蛋白质语言模型，图卷积网络，注意力机制	ProtT5, 图卷积网络, 双向门控循环单元, 多头注意力机制	蛋白质序列，蛋白质结构图	NA	NA	ProtT5, 图卷积网络, 双向门控循环单元	精确度, 召回率, MCC平均值	NA
4680	2025-12-06	Deep Learning to Differentiate Parkinsonian Syndromes: From Proof of Concept to Clinical Trust 2026-Jan, Movement disorders : official journal of the Movement Disorder Society IF:7.4Q1 DOI:10.1002/mds.70139 PMID:41346225	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA