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
4921	2026-02-06	RETRACTED ARTICLE: Gesture recognition and response system for special education using computer vision and human-computer interaction technology 2025-Jul-08, Disability and rehabilitation. Assistive technology DOI:10.1080/17483107.2025.2527226 PMID:40625119	研究论文	本研究提出了一种用于特殊教育的综合手势识别与响应系统，利用先进的深度学习架构和机器学习算法，并通过遗传算法进行模型压缩以优化在资源受限设备上的部署	结合多种深度学习模型（AlexNet、VGG19、ResNet、MobileNet）与机器学习算法（SVM、随机森林），并引入遗传算法进行模型压缩，显著减小模型尺寸并提升推理速度	未明确说明数据集的具体规模和多样性细节，未来需扩展手势库并整合多模态输入	开发适用于特殊教育的手势识别与响应系统，作为残疾人士的辅助工具，促进包容性学习体验	手势识别系统及其在特殊教育环境中的应用	计算机视觉	NA	深度学习、机器学习、遗传算法	CNN	图像	多样化的手势数据集（具体数量未说明）	TensorFlow, PyTorch, Scikit-learn	AlexNet, VGG19, ResNet, MobileNet	准确率	移动和嵌入式平台（具体资源未说明）
4922	2026-02-06	Profiling electric signals of electrogenic probiotic bacteria using self-attention analysis 2025-Apr-22, Applied microbiology and biotechnology IF:3.9Q2 DOI:10.1007/s00253-025-13425-1 PMID:40263148	研究论文	本研究通过自组装电路检测两种产电益生菌在鸡胚绒毛尿囊膜和小鼠肠道内产生的电信号，并利用自注意力机制分析其电谱特征	首次将自注意力深度学习模块应用于益生菌电信号分析，揭示了两种细菌独特的电谱特征	研究主要基于体外和小鼠模型，尚未在人体中进行验证	开发基于电信号分析的益生菌疗效评估方法	产电益生菌（Leuconostoc mesenteroides 和 Lactococcus lactis）	生物医学工程	NA	自组装电路检测、铁嗪测定法	深度学习	电信号	两种益生菌在鸡胚绒毛尿囊膜和小鼠肠道中的实验	NA	自注意力机制	电压变化、电谱区分度	NA
4923	2026-02-06	An Explainable Unified Framework of Spatio-Temporal Coupling Learning With Application to Dynamic Brain Functional Connectivity Analysis 2025-02, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3467384 PMID:39320999	研究论文	本文提出了一种可解释的时空耦合学习统一框架，并应用于动态脑功能连接分析	该框架基于时空相关性构建深度学习网络，能有效整合节点表示与节点间连接的时间变化耦合关系，并探索每个时间步的时空演化，提高了分析结果的可解释性	NA	开发一个可解释的深度学习框架，用于挖掘时间序列数据中的时空耦合信息，以揭示生物机制	fMRI和MEG等时间序列数据，特别是大脑动态功能连接	机器学习	NA	fMRI, MEG	深度学习网络	时间序列数据	NA	NA	NA	NA	NA
4924	2026-02-06	RETRACTED: Enhanced E-commerce decision-making through sentiment analysis using machine learning-based approaches and IoT 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0326744 PMID:40587469	研究论文	本研究通过结合物联网（IoT）和机器学习技术，利用情感分析提升电子商务决策能力，旨在优化客户购物体验并改进企业运营策略	创新性地将IoT数据收集与多种机器学习算法（包括深度学习模型如GRU和LSTM）结合，用于电子商务决策支持，并发现AdaBoosting在多项性能指标上超越其他方法	未详细说明数据的具体来源、规模或隐私处理措施，且未讨论模型在不同电子商务场景中的泛化能力	提升电子商务决策水平，通过情感分析改善客户购物体验和企业销售策略	电子商务中的客户行为数据、偏好数据及产品需求数据	自然语言处理	NA	情感分析、机器学习算法	logistic regression, Naïve Bayes, SVM, Random Forest, AdaBoosting, GRU, LSTM	文本数据（来自IoT设备收集的客户行为和偏好数据）	NA	NA	GRU, LSTM	F1分数, 准确率, 精确率, 召回率	NA
4925	2026-02-06	Can machine learning help accelerate article screening for systematic reviews? Yes, when article separability in embedding space is high 2025-Jan, Research synthesis methods IF:5.0Q1 DOI:10.1017/rsm.2024.16 PMID:41626902	研究论文	本文全面测试了机器学习模型在加速教育领域系统综述文献筛选中的应用，并提出了基于嵌入空间聚类可分性的启发式方法来预测模型性能	发现嵌入空间中相关与不相关文献聚类的可分性（整体R²=0.81）能强预测机器学习筛选效果，提出了一种通用启发式方法	研究仅基于教育领域的系统综述数据集，未验证其他学科领域的普适性	评估机器学习模型加速系统综述文献筛选的可行性并探索性能预测指标	教育领域系统综述的文献数据集	自然语言处理	NA	机器学习模型测试、大语言模型提示工程	经典机器学习模型、深度学习模型、GPT-3.5、GPT-4	文本	多个实际系统综述数据集（具体数量未说明）	NA	NA	召回率、工作量节省百分比	NA
4926	2026-02-06	Efficient multi-phenotype genome-wide analysis identifies genetic associations for unsupervised deep-learning-derived high-dimensional brain imaging phenotypes 2024-Dec-08, medRxiv : the preprint server for health sciences DOI:10.1101/2024.12.06.24318618 PMID:39677479	研究论文	本文提出了一种名为JAGWAS的新工具，用于高效分析多表型全基因组关联研究，并将其应用于高维无监督深度学习衍生的脑成像表型，以识别更多遗传位点	开发了JAGWAS工具，能够利用单表型汇总统计高效计算数百个表型的多变量关联统计，显著提升了从高维脑成像数据中发现遗传关联的能力	研究主要基于英国生物银行的数据，可能在其他人群中的普适性有待验证；方法依赖于预先计算好的单表型汇总统计	开发高效的多表型全基因组关联分析方法，以发现与高维脑成像表型相关的遗传位点	无监督深度学习衍生的脑成像表型（UDIPs）及其遗传关联	机器学习	NA	全基因组关联研究（GWAS），脑磁共振成像（MRI）	深度学习	图像，遗传数据	英国生物银行（UKB）的发现和复制队列	NA	NA	独立复制的基因组位点数量，映射基因数量，与脑组织eQTL重叠的基因数量	NA
4927	2026-02-06	Generative 3D Cardiac Shape Modelling for in-silico Trials 2024-11-22, Studies in health technology and informatics DOI:10.3233/SHTI241090 PMID:39575806	研究论文	提出一种基于神经符号距离场的深度学习方法来建模和生成合成主动脉形状，用于计算机模拟试验	利用可训练的嵌入向量编码几何特征，通过神经符号距离场的零级集表示形状，能够高保真地表示主动脉形状并生成类似真实患者解剖结构的新形状	NA	开发用于计算机模拟试验的生成式3D心脏形状建模方法	主动脉根部网格形状	计算机视觉	心血管疾病	CT图像重建	深度学习	3D网格图像	NA	NA	神经符号距离场	NA	NA
4928	2026-02-06	Privacy Risk Assessment for Synthetic Longitudinal Health Data 2024-08-30, Studies in health technology and informatics DOI:10.3233/SHTI240867 PMID:39234731	研究论文	本文评估了合成纵向健康数据的隐私风险，应用Anonymeter框架分析独特性、可链接性和属性推断等漏洞	首次将欧洲数据保护委员会认可的隐私风险框架应用于流行病学领域的合成数据生成研究，重点关注异常值的脆弱性	隐私风险评估仍是一个开放性问题，实施和结果解释过程中存在挑战	评估合成数据发布时的隐私风险，以符合数据保护指南	基于DONALD队列研究（1312名参与者，16个时间点）生成的合成纵向健康数据	机器学习	NA	合成数据生成方法	深度学习	纵向健康数据	1312名参与者，16个时间点	NA	NA	隐私评分	NA
4929	2026-02-06	Predicting Overall Survival of Glioblastoma Patients Using Deep Learning Classification Based on MRIs 2024-08-30, Studies in health technology and informatics DOI:10.3233/SHTI240878 PMID:39234740	研究论文	本研究开发了一种基于深度学习的MRI图像分类方法，用于预测胶质母细胞瘤患者的总生存期	首次将多序列MRI图像融合并结合ResNet50架构与bagging模型，实现胶质母细胞瘤患者生存期的三分类预测	模型性能仍有提升空间（F1分数0.51），未说明样本来源的多样性或外部验证结果	通过深度学习自动分析MRI图像，预测胶质母细胞瘤患者的总生存期	胶质母细胞瘤患者的MRI扫描图像（FLAIR, T1, T1CE, T2序列）	计算机视觉	胶质母细胞瘤	MRI成像	CNN	图像	未明确说明具体样本数量	未明确说明	ResNet50	F1-score, 准确率	未明确说明
4930	2026-02-06	Deep Learning-Based Prediction of Daily COVID-19 Cases Using X (Twitter) Data 2024-08-22, Studies in health technology and informatics DOI:10.3233/SHTI240824 PMID:39176883	研究论文	本研究利用X（Twitter）社交媒体数据和深度学习模型预测每日COVID-19病例	创新性地结合社交媒体推文数据和深度学习时间序列模型（TSMixer）进行COVID-19病例预测	NA	预测每日COVID-19确诊病例，以支持疫情控制	X（Twitter）社交媒体数据和COVID-19病例数据	自然语言处理	COVID-19	自然语言处理（NLP）	深度学习时间序列模型	文本数据（推文）和时间序列数据	NA	NA	时间序列混合器（TSMixer）	均方误差（MSE）	NA
4931	2026-02-06	Deep Learning Models for Health-Driven Forecasting of Indoor Temperatures in Heat Waves in Canada: An Exploratory Study Using Smart Thermostats 2024-08-22, Studies in health technology and informatics DOI:10.3233/SHTI240826 PMID:39176885	研究论文	本研究探索了利用智能恒温器数据和深度学习模型预测加拿大热浪期间室内温度，以增强公共卫生应对能力	首次将智能恒温器（IoT设备）采集的室内实时数据与深度学习模型结合，用于热浪期间的室内温度预测，为公共卫生预警系统提供新方法	研究为探索性研究，模型在更广泛地理区域和建筑类型中的泛化能力尚未验证，且未考虑建筑结构、隔热性能等潜在影响因素	评估深度学习模型利用智能恒温器数据预测热浪期间室内温度的效果，以支持公共卫生决策和极端高温应对策略	加拿大热浪期间的家庭室内温度数据	机器学习	NA	智能恒温器（ecobee）传感器数据采集	深度学习模型	时间序列数据（温度、湿度）	未明确说明具体样本数量，数据来源于安装ecobee智能恒温器的家庭	NA	NA	NA	NA
4932	2026-02-06	Data encoding for healthcare data democratization and information leakage prevention 2024-Feb-21, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45777-z PMID:38383571	研究论文	本文探讨了通过不可逆数据编码实现医疗数据民主化并防止信息泄露的方法	提出利用随机投影和随机量子编码为密集和纵向或时间序列数据实现理想的编码框架，以在保护隐私的同时保持数据语义	NA	开发一种编码框架，以促进医疗数据民主化并防止深度学习模型中的信息泄露	医疗数据和临床模型	机器学习	NA	随机投影，随机量子编码	深度学习模型	时间序列数据，密集数据，纵向数据	NA	NA	NA	信息瓶颈原则	NA
4933	2026-02-06	Patterns of diverse and changing sentiments towards COVID-19 vaccines: a sentiment analysis study integrating 11 million tweets and surveillance data across over 180 countries 2023-04-19, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocad029 PMID:36821435	研究论文	本研究通过整合社交媒体推文与公共卫生监测数据，分析了全球范围内对COVID-19疫苗的情感演变模式	首次结合超过1100万条推文和180多个国家的监测数据，采用人机协同深度学习模型，揭示疫苗情感与接种行为的关联，并特别关注孕妇亚群体的滞后模式	研究依赖推特数据，可能无法全面代表所有人群观点；情感分析模型虽表现良好，但仍可能存在误判	探究COVID-19疫苗的公众情感演变及其与疫苗接种行为的关联，为疫苗推广提供策略依据	来自全球180多个国家的2,203,681名推特用户发布的11,211,672条相关推文	自然语言处理	COVID-19	情感分析，深度学习	深度学习模型	文本（推文），公共卫生监测数据	11,211,672条推文，涉及2,203,681名用户	未明确指定	未明确指定	准确率（0.92）	NA
4934	2026-02-05	Xception Convolutional Deep Maxout Network for Enhanced Breast Cancer Classification Using Histopathological Images 2026-Mar, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.70088 PMID:41147717	研究论文	本文提出了一种结合Xception卷积神经网络、深度最大输出网络和分数阶微积分的混合模型，用于基于组织病理学图像的乳腺癌分类	开发了Xception卷积深度最大输出网络（Xcov-DMN），该网络融合了深度最大输出网络、分数阶微积分和Xception卷积神经网络，以解决高分辨率图像中关键特征提取的困难并减少过拟合	未明确说明模型在外部验证集上的泛化能力或计算效率的具体评估	提高乳腺癌分类的准确性和精确性，以支持及时检测和治疗	乳腺癌组织病理学图像	数字病理学	乳腺癌	组织病理学成像	CNN	图像	NA	NA	Xception Convolutional Neural Network, Deep Maxout Network	准确率, 真阴性率, 真阳性率	NA
4935	2026-02-05	Detection of Lymph Node Metastasis in Thyroid Cancer Using Deep Learning and Second Harmonic Generation Imaging 2026-Mar, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.70082 PMID:41051062	研究论文	本研究提出了一种结合二次谐波成像与深度学习的自动化框架，用于甲状腺癌淋巴结转移的检测	首次将二次谐波成像技术与深度学习结合，构建了自动化的甲状腺癌淋巴结转移分类网络，并整合了病理信息与胶原特征	未提及外部验证集或临床前瞻性研究的应用，可能限制其泛化能力	开发一种自动化、定量的甲状腺癌淋巴结转移检测方法	甲状腺癌（特别是乳头状甲状腺癌）的淋巴结转移	数字病理	甲状腺癌	二次谐波成像	深度学习	图像	NA	NA	Pyramid Vision Transformer v2, 多层感知机	ROC曲线下面积	NA
4936	2026-02-05	Deep learning-based morphological analysis of human sperm 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03418-7 PMID:40897949	研究论文	本文提出了一种基于深度学习的联合学习模型，用于精子头部分割和形态分类预测，以动态获取多帧多角度图像来准确分析精子形态	通过深度学习跟踪检测系统动态获取多帧多角度精子图像，结合分割和分类任务进行端到端形态分析，优于传统3D重建和计算机辅助评估系统	未明确提及样本量、计算资源细节或模型架构的具体名称	开发一种基于深度学习的精子形态分析方法，以预测男性精液质量	人类精子	计算机视觉	NA	深度学习	多任务模型	图像	NA	NA	NA	NA	最小计算能力，利用大多数胚胎学实验室已有设备
4937	2026-02-05	A dual-branch encoder network based on squeeze-and-excitation UNet and transformer for 3D PET-CT image tumor segmentation 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03427-6 PMID:40911253	研究论文	本文提出了一种基于SE-UNet和Transformer的双分支编码器网络TASE-UNet，用于3D PET-CT图像的肿瘤自动分割	设计了结合SE-UNet和Transformer的双分支编码器，在跳跃连接中引入3D CBAM注意力模块，并采用BCE损失函数提升分割精度	仅在HECKTOR2022数据集上进行测试，未在其他多中心数据集验证泛化能力	实现PET-CT图像中肿瘤的自动精确分割	3D PET-CT医学图像中的肿瘤区域	数字病理学	肿瘤（未特指具体类型）	PET-CT影像技术	深度学习模型	3D医学图像（PET-CT融合影像）	HECKTOR2022数据集（具体样本数未说明）	未明确说明	SE-UNet, Transformer, 3D CBAM	DSC（戴斯系数）, HD95（豪斯多夫距离95百分位）	未明确说明
4938	2026-02-05	Integrating CT image reconstruction, segmentation, and large language models for enhanced diagnostic insight 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03446-3 PMID:40993406	研究论文	本研究开发了一个整合CT图像重建、分割和大语言模型的四步医学图像分析框架，旨在提升图像质量并生成自动化文本描述以辅助诊断	提出一个将CT图像重建、预处理、分割和图像描述生成集成的端到端框架，并引入FuseCap模型为分割后的图像生成自动化文本描述，以辅助放射科医生	未明确说明框架在临床环境中的实际验证情况，以及自动化描述生成的准确性和临床实用性有待进一步评估	开发一个医学图像分析框架，以提升CT图像质量、减少重建时间，并通过自动化描述为医疗专家提供决策支持工具	骨盆CT图像	医学影像分析	癌症	CT成像	CNN	CT图像	NA	NA	NA	峰值信噪比, 归一化均方误差, 结构相似性指数	NA
4939	2026-02-05	Emerging trends and clinical challenges in AI-enhanced emotion diagnosis using physiological data 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03435-6 PMID:41026457	综述	本文综述了生理参数与情绪之间的关系，以及机器学习在情绪识别中的潜在价值、应用及挑战	将心率变异性（HRV）识别为情绪识别和生理参数分析的关键指标，并探讨了将其纳入模型以提升情绪管理精度的潜力	面临生理数据收集、隐私安全以及个体差异导致的个性化调整需求等多重挑战	探索生理参数与情绪之间的关联，并评估机器学习在情绪识别领域的应用价值与前景	心率、呼吸、血压、皮肤电反应、脑电图和心率变异性等生理参数，以及抑郁、焦虑、双相情感障碍和边缘型人格障碍等情绪障碍	机器学习	情绪障碍	机器学习，深度学习	NA	生理数据	NA	NA	NA	NA	NA
4940	2026-02-05	Deep learning-based high precision 3D ultrasound imaging for large size organ 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03453-4 PMID:41075113	研究论文	本研究提出了一种基于深度学习的高精度三维超声成像方法，用于大型器官成像，通过改进标签策略和扫描轨迹规划来减少累积误差	提出了基于超声图像坐标系的标签策略以提高网络预测精度，并通过预规划扫描轨迹指导网络预测，显著降低了累积误差	未明确说明方法在其他组织或网络架构中的泛化能力验证细节	开发一种高精度的三维超声成像方法，以改善大型器官成像中的累积误差问题	健康志愿者和脊柱侧弯患者的脊柱	计算机视觉	脊柱侧弯	三维超声成像	深度学习网络	图像	健康志愿者和脊柱侧弯患者（具体数量未明确）	NA	NA	预测精度，累积误差	NA