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
481	2026-04-24	Predicting student mental health through entropy-based features and interpretable cross-attention transformer networks 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347294 PMID:42013061	研究论文	本研究提出一种基于熵特征和可解释交叉注意力变换器网络的学生心理健康预测模型	提出集成交叉注意力归因层（CAAL）的FT-Transformer与LSTM混合架构，结合特征注意力和时间注意力实现内在可解释性，并基于熵和不确定性模式进行特征工程以增强模型对细微风险信号的检测能力	标题和摘要中未明确说明研究局限	开发可解释的深度学习模型以预测学生心理健康风险等级	学生心理健康数据，包括心理状态的时间序列特征	机器学习	心理健康问题（焦虑、抑郁、压力）	特征工程（基于熵和不确定性模式）	FT-Transformer, LSTM, 交叉注意力机制	时间序列特征数据	未提及具体样本量	NA	FT-Transformer, LSTM, 交叉注意力归因层（CAAL）	准确率	NA
482	2026-04-24	Dual-temporal inflow-outflow dependency modeling for short-term metro outflow prediction 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347131 PMID:42013086	研究论文	提出一种双时间流入-流出依赖模型，用于短期地铁出站流量预测	将进站对出站的影响分解为短期和长期时间分量，采用非对称特征提取方案和双分支交叉注意力机制隐式学习空间相关性，并引入样本级OD矩阵作为注意力偏置	未提及具体局限性	改进短期地铁乘客流量预测，特别是出站流量对进站流量的依赖性建模	杭州地铁数据集中的出站流量预测	机器学习	NA	NA	双时间流入-流出依赖模型	时间序列流量数据	杭州地铁数据集（样本数量未明确说明）	NA	双分支交叉注意力机制	均方根误差, 平均绝对误差, 加权平均绝对百分比误差	训练时间在70秒内完成（具体GPU型号未提及）
483	2026-04-24	Cognitive load and pedagogical tension in multi-platform online learning: Evidence from Chinese higher education 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347566 PMID:42013118	研究论文	调查中国高等教育中多平台在线学习环境对学生体验的矛盾影响	通过串行中介模型揭示了平台多样性通过增加外在认知负荷进而导致工具疲劳，最终负向影响学习体验的机制，识别出教育技术预期效益与碎片化用户体验之间的核心教学张力	未明确提及局限性	研究多平台在线学习环境对中国高校学生体验的矛盾效应	中国高校学生	机器学习	NA	NA	串行中介模型	定性数据与定量数据	8616名大学生	NA	NA	NA	NA
484	2026-04-24	Toward leveraging intrinsic point cloud features in 3D adversarial attacks 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0344574 PMID:42013122	研究论文	通过无监督机器生成假新闻，模拟现实世界的虚假信息传播，以增强社会检测能力	提出一种利用内在点云特征生成对抗攻击的方法，摆脱对模型特定梯度的依赖，转向数据驱动的特征决策	该方法生成的对抗攻击成功率略低于传统模型特定攻击，且在Drop100和Drop200设置下平均成功率仅提高约2%和4%	探索三维点云内在特征在对抗攻击中的预测作用，并设计基于特征的攻击方法以提升可迁移性和降低计算成本	三维点云数据中的对抗点以及与之相关的十四种特征（如边缘强度、到质心距离）	计算机视觉	NA	点云特征分析	随机森林回归、多元线性回归	三维点云	未明确说明样本数量，但涉及四种DNN架构（PointNet、PointNet++、DGCNN、PointConv）上的测试	NA	PointNet, PointNet++, DGCNN, PointConv	成功率（Drop100和Drop200设置）	NA
485	2026-04-24	Controlled comparative study of YOLOv8-Pose, YOLOv11-Pose, and Detectron2 for vertebrae detection and keypoint estimation 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347290 PMID:42013146	研究论文	对YOLOv8-Pose、YOLOv11-Pose和Detectron2在椎骨检测与关键点估计任务中进行受控比较研究	在统一训练设置下，首次对三种基于姿态的深度学习模型进行任务驱动的受控比较，并针对椎骨检测的临床可用性（如检测完整性和重复检测）进行了详细评估	仅使用单一类别的椎骨数据集，且未探讨模型在真实临床环境中的泛化能力或计算资源需求对部署的影响	评估不同姿态检测模型在椎骨关键点定位中的表现，为脊柱成像选择解剖学感知模型提供依据	四种基于姿态的深度学习模型：YOLOv8n-Pose、YOLOv11n-Pose、Detectron2（结合ResNet-50和ResNet-101骨干网络）	计算机视觉	脊柱疾病	NA	姿态检测模型、YOLO、Detectron2	图像	NA	PyTorch, Detectron2	YOLOv8n-Pose, YOLOv11n-Pose, Keypoint R-CNN (ResNet-50, ResNet-101)	关键点定位精度、检测精度、推理速度、检测完整性、重复检测	NA
486	2026-04-24	RMETNet: A cross-subject motor imagery EEG signal classification model based on TSLANet and riemannian geometry features 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347671 PMID:42018586	研究论文	提出了一种结合TSLANet、时空卷积模块和多尺度黎曼几何特征模块的跨被试运动想象脑电图信号分类模型RMETNet	创新性地将TSLANet、时空卷积与多尺度黎曼几何特征模块集成，并引入最大均值差异损失进行域适应，以解决跨被试分布偏移问题	NA	提高运动想象脑电图信号分类在跨被试场景下的泛化能力	运动想象脑电图信号	机器学习	NA	脑电图	TSLANet、CNN	脑电图信号	BCI Competition IV 2a数据集（四类）和BCI Competition IV 2b数据集（两类）	PyTorch	TSLANet, CNN	准确率	NA
487	2026-04-24	Exploring the Power of Machine Learning in Analysing Protein-Protein Sequences 2026 Jan-Dec, IET systems biology IF:1.9Q3 DOI:10.1049/syb2.70066 PMID:42018649	综述	全面回顾了用于蛋白质序列分析的机器学习与深度学习方法，重点评估其在预测蛋白质结构和相互作用方面的应用	系统性地基于方法论基础、数据集和性能特征对现有方法进行分类，并比较其优缺点，为研究人员提供结构化的技术选择参考	未详细说明各方法的具体性能指标和计算资源需求，且对新兴AI驱动蛋白质建模的趋势仅作概述性讨论	帮助研究人员系统评估和选择适用于特定生物学应用的蛋白质序列分析方法	蛋白质序列、蛋白质-蛋白质相互作用、蛋白质结构与功能的关系	机器学习, 自然语言处理	NA	蛋白质序列分析技术（同源建模、机器学习、深度学习、自然语言处理等）	机器学习模型, 深度学习模型	蛋白质序列数据	NA	NA	NA	性能特征（具体指标未详述）	NA
488	2026-04-24	Enhancing age and gender verification in OTT accounts using deep learning techniques 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1763101 PMID:42022145	研究论文	提出一种基于卷积神经网络的年龄和性别验证方法，用于OTT平台，以限制儿童访问不适当内容	将CNN模型定制用于OTT账户中的年龄和性别识别，并开发了基于OpenCV和Flask框架的用户界面，实现自动化年龄验证	未提及模型在不同数据集上的泛化能力、计算效率或实际部署中的挑战	提高OTT平台中用户年龄和性别验证的准确性，以保护儿童免受不适当内容的影响	OTT平台用户的年龄和性别识别	计算机视觉	NA	深度学习	卷积神经网络	图像	UTK Face数据集（具体数量未提及）	OpenCV, Flask	CNN（定制化卷积神经网络）	准确率	NA
489	2026-04-24	AI-driven magnetoencephalography biomarkers in dementia risk prediction: current evidence, challenges and future perspectives 2026, Frontiers in dementia DOI:10.3389/frdem.2026.1743627 PMID:42022294	综述	系统梳理基于人工智能的脑磁图生物标志物在痴呆风险预测中的现有证据、挑战与未来展望	首次系统综述AI驱动MEG分析在痴呆分类、预测和预后中的应用，覆盖传统机器学习与深度学习架构，并强调多模态整合与光学泵磁力计等下一代MEG技术潜力	纳入研究间存在方法学异质性，缺乏标准化预处理流程，样本量有限且多为单中心数据	评估AI结合MEG在轻度认知障碍和痴呆分类、预测及预后中的当前证据、方法学进展及临床转化潜力	健康对照、主观认知下降、轻度认知障碍、阿尔茨海默病及其他痴呆患者	机器学习	痴呆	脑磁图	支持向量机、随机森林、卷积神经网络	脑磁图信号	共14项研究，涵盖健康对照至痴呆患者多种人群	NA	支持向量机、随机森林、卷积神经网络	分类准确率	NA
490	2026-04-24	Morphology-guided attention networks for explainable skin cancer detection under clinical uncertainty 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1804329 PMID:42022332	研究论文	提出一种形态引导注意力框架，用于在临床不确定性下实现可解释且可靠的皮肤癌检测	融合病变分割保留形态结构，结合注意力机制提升可解释性，并加入不确定性估计模块量化预测置信度	未提及具体局限性，但可能依赖公开数据集，真实临床场景泛化性需进一步验证	解决皮肤镜图像中视觉变异大、病变重叠及临床不确定性导致的检测挑战	皮肤镜图像中的皮肤病变分类（恶性与良性）	计算机视觉, 数字病理学	皮肤癌	皮肤镜成像	注意力网络	图像	公开皮肤镜数据集（具体样本量未说明）	NA	形态引导注意力网络（含分割模块、注意力分类网络、不确定性估计模块）	准确率, 召回率	NA
491	2026-04-24	Artificial intelligence in drug discovery from advanced molecular representation to pipeline applications 2026, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2026.1755843 PMID:42022447	综述	本文综述了人工智能在药物发现中的应用，从先进的分子表示到管线集成，强调通过模拟复杂生物系统加速研发流程	系统性地覆盖了从字符串方法到图神经网络（GNNs）、三维感知几何深度学习（GDL）、量子机器学习（QML）及混合量子-经典神经网络（HQNNs）等先进分子表示，并提出了集成量子计算、自主实验和生成模型的Q-BioFusion框架	三维分子预测和生成的几何保真度有待提高，数据效率需要增强，生物测定中固有的数据稀疏问题仍未完全解决	利用人工智能技术，通过先进分子表示加速药物发现管线的研发过程，降低成本和失败率	药物发现管线中的分子表示、模型性能、计算资源与集成框架	机器学习	NA	量子机器学习 (QML), 混合量子-经典神经网络 (HQNNs)	图神经网络 (GNNs), 三维感知几何深度学习 (GDL), 量子机器学习 (QML)	分子表示数据	NA	NA	图神经网络, 三维感知几何深度学习, 量子机器学习, 混合量子-经典神经网络	药效(PD)预测, 毒理效应预测	NA
492	2026-04-24	Deep learning for intracranial hemorrhage detection and classification in brain CT scans: a systematic review and hybrid model approach 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1703634 PMID:42022505	系统综述	该论文对深度学习在颅内出血CT影像检测与分类中的应用进行了系统综述，并提出了混合模型方法	系统回顾了传统CNN、3D CNN、混合集成框架及新兴Transformer架构在该领域的应用，并评估了Grad-CAM等可解释性方法	存在泛化能力不足、数据集异质性及临床验证缺失等挑战	整合分析基于机器学习和深度学习的非增强CT颅内出血检测与分类方法	从非增强CT影像中检测和分类颅内出血及其亚型（硬膜外、硬膜下、脑实质内、脑室内和蛛网膜下腔出血）	计算机视觉	颅内出血	CT成像	CNN, 3D CNN, Transformer	CT影像	NA	NA	卷积神经网络, 三维卷积神经网络, Transformer	灵敏度, 特异性	NA
493	2026-04-24	A multimodal deep learning model for predicting impending rupture in symptomatic abdominal aortic aneurysms using CTA and clinical data 2026, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2026.1771669 PMID:42022533	研究论文	开发并验证一个可解释的多模态深度学习模型，用于预测症状性腹主动脉瘤的即将破裂风险	首次结合CTA序列图像和六种关键临床生物标志物，通过双向交叉注意力机制构建多模态模型，显著优于传统临床规则和CTA征象基线	回顾性研究设计，样本量有限（263例），需要前瞻性验证确认临床适用性	开发可解释的多模态深度学习模型，评估症状性AAA患者的破裂风险，支持急诊决策	症状性腹主动脉瘤（AAA）患者	医学影像分析	腹主动脉瘤	CTA	多模态深度学习模型（基于ResNet-50图像编码器和双向交叉注意力机制）	CTA图像（序列切片）和临床数据（生物标志物）	263例症状性AAA患者（230例开发队列，33例独立时序测试集）	PyTorch	ResNet-50	AUC, 灵敏度, 阴性预测值	NA
494	2026-04-24	MVBeetle: an interpretable multi-view deep learning model for fine-grained classification of Galerucinae and Alticinae (Coleoptera: Chrysomelidae) 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1798135 PMID:42023004	研究论文	提出一种可解释的多视图深度学习模型MVBeetle，用于细粒度分类萤叶甲亚科和跳甲亚科	首次将多视图融合框架与可解释性分析结合用于萤叶甲亚科和跳甲亚科的细粒度分类，通过Grad-CAM揭示不同亚科的关键形态特征（跳甲亚科关注跳跃腿，萤叶甲亚科关注触角）	未明确指出限制，但可能包括数据集仅涵盖43种物种、未考虑野外复杂背景或不同光照条件下的泛化能力	提供一种高精度且便捷的叶甲分类模型，并探究亚科间形态进化差异	萤叶甲亚科和跳甲亚科的43种叶甲物种（23种萤叶甲与20种跳甲）	计算机视觉	NA	多视图图像采集	卷积神经网络	图像	43种叶甲物种的多视图图像（背、侧、腹面）	PyTorch	ResNet18, ResNet50, VGG16, MobileNetV2	准确率	NA
495	2026-04-24	An environment-guided visual-temporal deep learning framework for early disease detection in greenhouse horticultural crops 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1796407 PMID:42023011	研究论文	提出一种环境引导的视觉-时间深度学习框架，用于温室园艺作物的早期病害检测	通过环境引导的视觉注意力机制和时空联合建模，将环境变量从被动特征转化为主动先验，增强对微弱病害信号的敏感性	实验仅在真实温室多模态时序数据集上验证，未测试其他环境条件下的泛化能力	实现温室园艺作物早期病害的智能预警和精准调控	温室园艺作物及其相关环境变量（温度、湿度、蒸汽压差、二氧化碳浓度）	计算机视觉, 机器学习	温室作物病害	多模态时序数据采集	CNN, Transformer	图像, 文本（环境变量数值）	真实温室多模态时序数据集（未明确样本数量）	NA	Transformer, CNN	准确率, 召回率, F1分数, 早期精度, 早期召回率, 提前时间	NA
496	2026-04-24	Application of deep learning-clinical baseline feature fusion model to predict postoperative mortality in elderly patients with hip fracture: a multicenter study 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1784156 PMID:42023085	研究论文	构建深度学习与临床基线特征融合模型，预测老年髋部骨折患者术后死亡率	首次将深度学习模型提取的CT图像特征与临床基线特征融合，显著提升了预测性能	未提及具体限制	基于深度学习与临床基线特征融合，提高老年髋部骨折术后1年死亡率预测准确性	老年髋部骨折患者	机器学习	老年性疾病	计算机断层扫描（CT）	Densenet161 和 LightGBM	图像（CT骨骼肌组织图像）及临床基线数据	内部训练集221例（机构1），外部验证集113例（机构2）	NA	Densenet161, LightGBM	AUC、敏感性、特异性、F1分数	NA
497	2026-04-24	Deep Learning for Autonomous Surgical Guidance Using 3-Dimensional Images From Forward-Viewing Endoscopic Optical Coherence Tomography 2025-Nov, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202500181 PMID:40709742	研究论文	开发了一种用于分析前视内窥光学相干断层扫描三维图像的深度学习模型，以增强经皮肾造口术中的内窥镜引导	首次将三维卷积神经网络应用于前视内窥光学相干断层扫描图像的术中引导，在保持高准确率的同时显著降低推理延迟，优于现有先进三维架构	实验仅基于猪肾脏数据集，未涉及人类组织或临床环境验证	提升光学相干断层扫描引导的经皮肾造口术手术引导的实时性和准确性	三维光学相干断层扫描图像和经皮肾造口术手术引导	计算机视觉	肾脏疾病	光学相干断层扫描（OCT）	三维卷积神经网络（3D-CNN）	三维图像	10个猪肾脏	NA	3D-CNN, 3D-ViT, 3D-DenseNet121, M3T	准确率（accuracy）, 推理延迟（inference latency）	NA
498	2026-04-24	Utility of Deep Learning to Address Missing Modalities from Multi-Modal Medical Imaging Studies: A Systematic Review 2025-Oct-17, Artificial intelligence and applications (Commerce, Calif.) DOI:10.47852/bonviewaia52026392 PMID:42021869	综述	系统综述深度学习在多模态医学影像缺失模态问题中的应用方法	对深度学习解决多模态医学数据缺失模态的方法（图像合成、知识迁移、潜在特征空间）进行系统分类和比较	综述方法可能受限于所选数据库（PubMed、IEEE、Scopus）及时间范围（2013-2025年），且未深入分析每种方法的具体性能差异	系统性回顾深度学习应对多模态医学影像缺失模态问题的解决方案	2013年1月至2025年5月间发表的61篇相关研究论文	数字病理学	未指定具体疾病	医学影像（多模态）	深度学习（包括图像合成、知识迁移、潜在特征空间方法）	图像	234篇初筛文章，61篇符合纳入标准	NA	NA	评价指标（具体未列出），关键属性	NA
499	2026-04-24	Automated classification of cellular expression in multiplexed imaging data with Nimbus 2025-Oct, Nature methods IF:36.1Q1 DOI:10.1038/s41592-025-02826-9 PMID:41062826	研究论文	提出Nimbus深度学习模型，基于多重成像数据自动化分类细胞标记表达，无需重新训练	构建包含1.97亿条标注的Pan-M数据集，并在此基础上开发无需重新训练的预训练模型Nimbus，能跨不同组织、细胞类型和显微镜平台进行细胞标记表达分类	NA	开发一种无需重新训练的深度学习模型，自动从多重成像数据中分类单个细胞的标记表达，以促进细胞表型分析	多重成像数据中的细胞标记表达模式	计算机视觉	NA	多重成像	深度学习	图像	1.97亿条标记表达标注，涵盖15种细胞类型	PyTorch	NA	准确率	NA
500	2026-04-24	Prostate Cancer Risk Stratification and Scan Tailoring Using Deep Learning on Abbreviated Prostate MRI 2025-Sep, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29798 PMID:40259798	研究论文	开发并评估基于双参数MRI的深度学习模型用于前列腺癌风险分层并优化扫描方案选择	提出一种深度学习模型根据个体风险推荐使用双参数或多参数MRI方案，实现MRI资源优化利用，并在实时临床工作流中验证	未提及具体局限性	开发和评估基于bpMRI的深度学习模型用于分类临床显著前列腺癌，并评估其优化MRI协议选择的能力	前列腺MRI影像	计算机视觉	前列腺癌	MRI	CNN	图像	训练验证26129例，回顾性队列151例，前瞻性队列142例	NA	3D ResNet-50	AUC	NA