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
41	2026-06-03	FreeTune4D: Anatomy-Aware 4D-MRI Motion Reconstruction Benchmark and Free Fine-Tuning Framework 2026-Jun-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3698133 PMID:42224310	研究论文	提出FreeTune4D框架，结合解剖感知和大规模数字体模实现4D-MRI运动重建，并建立Digital4D-1M和Digital4D-900数据集	首次在大规模数字体模上训练运动重建方法，引入自由微调策略和仿射到形变的框架，整合脊柱稳定性和器官级解剖先验	受限于数字体模与真实数据之间的分布差异，真实患者队列规模有限（133例），可能未能涵盖所有临床变异	解决4D-MRI运动重建中数据集和基准稀缺、解剖感知不足的问题，提升模型的泛化能力和标准化评估	腹部四维磁共振成像（4D-MRI）中的运动重建	计算机视觉, 数字病理	NA	4D-MRI	CNN, Transformer	图像	Digital4D-1M含100万样本，Digital4D-900含900个样本；真实患者133例（来自三个机构）	PyTorch	ResNet, U-Net	准确率, 精确率, 召回率, F1分数, AUC, Dice系数	NVIDIA RTX 3090 GPU
42	2026-06-03	Physical Parameter-Guided Deep Learning Ultrasound Localization Microscopy Framework Based on Diffusion Model 2026-Jun-01, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3697490 PMID:42224314	研究论文	本文提出了基于扩散模型的物理参数引导超声定位显微成像框架，用于合成微泡图像以解决深度学习训练数据不足的问题	首次提出物理参数引导的扩散框架（PgD），能根据换能器规格和声波波形参数合成不同成像条件下的微泡图像，从而生成鲁棒的训练数据集	未明确讨论合成数据与真实数据在所有复杂场景下的等价性，以及框架对极端成像条件的适应性	解决深度学习在超声定位显微成像中因缺乏真实标注和多样训练数据而受限的问题	微泡图像合成与深度学习超声定位显微成像模型	机器学习	不适用	超声成像	扩散模型	图像	数百套成像参数集	PyTorch	扩散模型	结构相似性指数（SSIM），空间分辨率	不适用
43	2026-06-03	HiRMD: A System for Mortality Prediction via LLM-Based High-Risk Information Extraction and Diagnosis 2026-Jun-01, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3697870 PMID:42224317	研究论文	提出HiRMD系统，利用大语言模型提取高风险临床信息并整合异构证据，实现住院死亡率预测	首次将LLM引导的高风险诊断语义与纵向电子健康记录建模相结合，通过临床标准生成结构化诊断序列，并利用多头交叉注意力融合重症评分等先验知识	未提及具体限制	改进基于纵向电子健康记录的住院死亡率预测	高风险住院患者的电子健康记录	机器学习	NA	NA	Bi-GRU	文本	三个公共数据集：MIMIC-III、MIMIC-IV、eICU	NA	Bi-GRU	AUROC, F1分数	NA
44	2026-06-03	Liver Nodule Anomaly Detection Using Ultra-sound Radiofrequency Signals and Variational Autoencoders 2026-Jun-01, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3698728 PMID:42224315	研究论文	利用一维超声射频信号和变分自编码器进行肝结节异常检测	提出了一种基于重建的无监督深度学习模型，利用一维超声射频信号而非传统B模式图像进行肝结节检测，并通过异常评分有效区分正常与异常组织	研究样本量有限（177名参与者），数据集可能不具完全代表性；模型依赖手动结节分割和MRI或组织病理学分类，可能引入主观偏差	评估基于重建的深度学习模型在超声射频信号上检测肝结节的性能	成人对照组、疑似代谢功能障碍相关脂肪性肝炎患者及已知肝结节患者	计算机视觉	肝病	超声射频信号	变分自编码器	一维信号	177名参与者（平均年龄57岁，其中106名男性；结节组100人，无结节组77人）	PyTorch	变分自编码器	AUC, 准确率, 灵敏度, 特异度	NA
45	2026-06-03	FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising 2026-Jun-01, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3698474 PMID:42224335	研究论文	提出一种名为FoundDiff的基础扩散模型，用于低剂量CT去噪，该模型在不同剂量水平和解剖区域上具有通用性和鲁棒性	首次提出了基于扩散模型的基础性低剂量CT去噪框架，该框架结合剂量-解剖感知对比语言-图像预训练（DA-CLIP）和剂量-解剖感知扩散模型（DA-Diff），通过一种基于Mamba的新型剂量和解剖条件块（DACB）实现自适应去噪	NA	开发一种通用的低剂量CT去噪方法，能够在不同剂量水平和解剖区域中表现良好	低剂量CT图像	数字病理学	NA	CT成像	扩散模型	图像	一个大规模模拟多剂量CT数据集，覆盖三个解剖区域，以及Mayo-2016、CQ500和猪仔数据集的跨数据集评估	Mamba	DA-CLIP, DA-Diff, DACB	去噪性能	NA
46	2026-06-03	Supervised deep learning with gene functional annotation for cell classification 2026-Jun-01, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014327 PMID:42224351	研究论文	开发了一种结合基因功能注释和深度学习方法进行单细胞RNA测序数据细胞分类的方法	通过图神经网络将基因功能注释信息（如蛋白质-蛋白质相互作用）与基因表达谱整合，识别功能一致的基因集以优化细胞分类	未明确指出，但可能受限于基因功能注释数据的完整性和准确性	改进单细胞RNA测序数据的解释，解决因大量细胞导致差异表达基因识别中p值极小但效应量可忽略的问题	单细胞RNA测序数据中的细胞分类以及个体层面的预测	机器学习, 自然语言处理	COVID-19, 痴呆症, 癌症免疫疗法反应	单细胞RNA测序	图神经网络	基因表达谱, 基因功能注释	纳入三个真实数据集，具体数量未说明	PyTorch, DGLifeSci	图神经网络	准确分类	NA
47	2026-06-03	Deep learning-enabled computational adaptive-optics for fast continuous zoom microscopy 2026-Jun-01, Optics letters IF:3.1Q2 DOI:10.1364/OL.597134 PMID:42224549	研究论文	提出一种基于深度学习的计算自适应光学框架，用于实现快速连续变焦显微镜成像	结合物理启发的点扩散函数估计、滑动窗口自注意力机制和PSF引导的动态滤波，有效解决连续变焦中的动态像差和振荡问题	未明确讨论框架对极端光学畸变或低信噪比场景的鲁棒性	实现快速、高质量的连续变焦多尺度显微观测	连续变焦显微镜成像中的图像退化过程	计算机视觉	不适用	光学显微成像	深度学习网络	图像	不适用	PyTorch	滑动窗口自注意力机制结合PSF引导的动态滤波器	图像恢复精度、鲁棒性	不适用
48	2026-06-03	GeoAI for polar vegetation mapping and hydrological interactions: A systematic review 2026-Jun-01, The Science of the total environment DOI:10.1016/j.scitotenv.2026.181891 PMID:42224875	综述	系统综述了GeoAI（地理空间人工智能）在极地植被制图与水文相互作用中的应用	首次基于PRISMA 2020框架对2005-2025年间极地GeoAI研究进行系统综合，揭示了从孤立生态监测向整合数据融合框架的快速转变，并强调了分层无人机-卫星融合、开放基准数据集和可解释生态AI作为下一代极地监测的关键路径	大多数研究仍停留在景观尺度，少有实现完整的无人机到卫星集成，存在空间分辨率和验证缺口，地下和过程监测仍有限	评估人工智能增强遥感（GeoAI）在北极和南极植被与水文监测中的应用程度、一致性和方法质量	北极和南极地区的植被与水文系统	计算机视觉, 机器学习, 遥感	NA	遥感, 无人机多光谱成像, 卫星影像, 深度学习	经典机器学习，卷积神经网络	图像，光谱数据	116篇研究（2005-2025年）	NA	卷积神经网络	NA	NA
49	2026-06-03	Machine learning-based prediction of antibiotic resistance gene distribution in agricultural soils under different climate change scenarios 2026-Jun-01, The Science of the total environment DOI:10.1016/j.scitotenv.2026.181905 PMID:42224874	研究论文	使用机器学习模型预测不同气候变化情景下农业土壤中抗生素抗性基因的分布	首次结合全球宏基因组数据与气候变化情景，采用LightGBM模型实现高精度预测并揭示非线性风险增长模式	未明确讨论模型泛化性至其他土壤类型或不同气候区域，且计算资源细节未提供	评估气候变化对农业土壤ARG丰度的影响并开发预测工具支持One Health策略	农业土壤中的抗生素抗性基因	机器学习	抗生素耐药性相关疾病	宏基因组测序	LightGBM、XGBoost、随机森林、支持向量机、深度神经网络、逻辑回归	土壤宏基因组序列数据与气候环境变量	来自67个国家2301份农业土壤样本	NA	LightGBM、XGBoost、随机森林、支持向量机、深度神经网络、逻辑回归	AUC-ROC、精确率、召回率、F1分数、马修斯相关系数	NA
50	2026-06-03	Digital learning outcomes and sustainable learning in higher education: The roles of music-integrated pedagogy and deep learning orientation 2026-Jun-01, Acta psychologica IF:2.1Q2 DOI:10.1016/j.actpsy.2026.107152 PMID:42224891	研究论文	探讨数字高等教育中音乐融合教学法与深度学习导向如何影响可持续学习成果	首次将变革学习理论应用于音乐融合教学法对可持续学习成果的影响研究，并引入深度学习导向的中介作用与数字学习成果的调节作用	采用非概率便利抽样，样本来自北塞浦路斯，可能限制结果的普适性	考察数字高等教育中音乐融合教学法通过深度学习导向对可持续学习成果的影响机制	北塞浦路斯375名本科生和研究生	机器学习	NA	NA	NA	问卷数据	375名学生（本科生与研究生）	SmartPLS 4	偏最小二乘结构方程模型	路径系数、显著性水平	NA
51	2026-06-03	A reproducible data-driven parameter optimization framework for classical skull stripping methods across heterogeneous brain MRI datasets 2026-Jun-01, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae7574 PMID:42225119	研究论文	提出一种可复现的数据驱动参数优化框架，用于经典颅骨剥离方法在不同脑MRI数据集上的应用	通过数据集导出统计描述符约束参数空间，避免逐受试者调优，首次提出BSE的统计调优策略以提升参数可复现性	深度学习方法在边界误差上仍优于经典方法，且经典方法虽计算效率高但需权衡精度与硬件依赖	构建一种可复现的经典颅骨剥离方法参数优化框架，确保在不同异构数据集上的鲁棒性和性能	脑MRI数据集（LPBA40、NFBS、CC359）中的颅骨剥离任务	数字病理学	NA	MRI	经典算法（BSE、BET）和深度学习模型（HDBET、SynthStrip）	图像（脑MRI）	三个公开数据集，总计涉及多个受试者样本	NA	BSE、BET、HDBET、SynthStrip	Dice相似系数（DSC）、95%百分位豪斯多夫距离（HD95）	CPU（经典方法每受试者0.8-1.0分钟），深度学习需GPU加速但引入额外硬件依赖
52	2026-06-03	Toward Autonomous Histotripsy: Integrating Deep Learning Segmentation With Robotic Control for Glioblastoma 2026-Jun-01, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.04.023 PMID:42225519	研究论文	提出一种结合深度学习分割与机器人控制的闭环框架，用于胶质母细胞瘤的自动化边界勾画和组织粉碎消融	首次将深度学习实时超声分割与机器人控制集成，实现组织粉碎治疗的自动化闭环框架	治疗区域与预期区域存在轻微偏差，需进一步优化瞄准精度	开发自动化肿瘤勾画和组织粉碎消融的闭环框架，提高治疗自动化程度	小鼠胶质母细胞瘤模型	数字病理学, 机器人控制	胶质母细胞瘤	术中超声	深度学习模型	超声图像	小鼠胶质母细胞瘤模型（具体数量未提及）	NA	NA	实时分割性能指标（具体指标未提及）	NA
53	2026-06-03	Deep Learning-Based Bone Age Assessment for Predicting Final Adult Height in Girls With Central Precocious Puberty 2026-Jun, Korean journal of radiology IF:4.4Q1 DOI:10.3348/kjr.2025.1221 PMID:42225576	research paper	评估基于深度学习的骨龄评估在预测中枢性性早熟女孩成年最终身高中的准确性	将人工智能衍生的骨龄评估整合到Bayley-Pinneau或韩国国家生长图表预测模型中，用于预测中枢性性早熟女孩的最终成年身高	单中心回顾性研究，样本量较小（122例），未进行多中心验证	评估人工智能衍生骨龄评估在预测中枢性性早熟女孩成年最终身高中的准确性	122名接受促性腺激素释放激素激动剂治疗至少两年的韩国中枢性性早熟女孩	machine learning	中枢性性早熟	深度学习骨龄评估	CNN	放射影像（骨龄X光片）	122名韩国中枢性性早熟女孩	NA	NA	R², 95%一致性界限	NA
54	2026-06-03	Universal and transferable attacks on pathology foundation models using microscopic perturbations 2026-Jun-01, Light, science & applications DOI:10.1038/s41377-026-02347-w PMID:42225639	研究论文	介绍一种针对病理基础模型的通用且可迁移的对抗性扰动方法（UTAP），通过微小噪声模式破坏模型特征表示能力	首次提出适用于病理基础模型的通用且可迁移的对抗性攻击方法，该扰动与具体模型或数据集无关，展现跨视野和跨模型的黑盒攻击能力	未涉及对防御机制的深入探讨或实际部署中的对抗样本检测策略	揭示病理基础模型的脆弱性并建立模型鲁棒性评估基准	多种病理基础模型及多数据集上的下游任务性能	计算机视觉, 数字病理学	NA	深度学习, 对抗性攻击	基础模型	图像	多种数据集，未见具体数量	PyTorch	NA	性能下降幅度	NA
55	2026-06-03	A hybrid CNN-DNN model for battery remaining useful life RUL prediction 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54423-1 PMID:42225713	研究论文	提出一种混合CNN-DNN模型用于锂电池剩余使用寿命预测，并结合二进制粒子群优化进行特征选择	将卷积神经网络与深度神经网络结合，并采用二进制粒子群优化进行最优特征选择，以提升预测性能并减少特征冗余	未提及局限性	提高锂电池剩余使用寿命预测的准确性和鲁棒性，以增强能源存储系统的可靠性、安全性和维护规划	锂电池的退化数据，包括电气、热和健康相关参数	机器学习	NA	NA	混合CNN-DNN	数值数据	680个样本，包含电气、热和健康相关参数	NA	CNN, DNN	均方误差, 平均绝对百分比误差, 中位数绝对误差, 平均绝对误差, 决定系数	NA
56	2026-06-03	Hybrid deep learning and ES-MDA for pressure transient inversion in radial composite reservoirs 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55349-4 PMID:42225747	研究论文	提出一种结合深度学习与集成平滑器多次数据同化（ES-MDA）的混合工作流，用于径向复合储层压力瞬变反演及渗透率估计	首次将CNN预测结果作为ES-MDA历史拟合的初始猜测，实现AI引导的初始化，相较于随机初始化加速收敛并降低拟合误差	仅针对径向复合结构储层，未扩展到非结构化或任意地质渗透率场；合成数据验证，未用现场实际数据测试	为径向复合储层提供一种高效且物理一致的渗透率估计与历史拟合工作流	结构化径向复合储层渗透率分布	机器学习	NA	瞬时压力瞬变分析	卷积神经网络, 全连接网络	合成压力导数响应	NA	TensorFlow, PyTorch	CNN, FC	预测精度，鲁棒性（高斯噪声测试），收敛速度，压力导数拟合误差	NA
57	2026-06-03	Overcoming resolution constraints in automated colony counting via a high-performance deep learning framework using SAHI 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55724-1 PMID:42225748	研究论文	通过SAHI和分块训练推理的深度学习框架，克服自动化菌落计数中的分辨率限制	提出结合分块训练和基于SAHI的分块推理流水线，在保持原生分辨率的同时显著提升轻量级模型在高分辨率培养皿图像中的菌落计数性能	未提及在多种真实实验室条件下的泛化能力及极端菌落密度场景的表现	解决轻量级模型在自动菌落计数中因图像缩放下放的性能下降问题	细菌菌落，使用包含24类菌落的公开数据集	计算机视觉	NA	NA	YOLO（YOLOv5n、YOLOv8n、YOLOv11n）	高分辨率培养皿图像	包含24类菌落的公开数据集	PyTorch	YOLOv5n、YOLOv8n、YOLOv11n	mAP@0.5、mAP@0.5:0.95、参数数量、推断时间	笔记本电脑上的RTX 3050 GPU
58	2026-06-03	CNN-based classifier for automated identification of magnetic states in spin dynamics simulations 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54755-y PMID:42225785	研究论文	提出了一种基于EfficientNetV1B0卷积神经网络的自动深度学习模型，用于对自旋动力学模拟中九种不同磁态（包括铁磁和反铁磁自旋纹理）进行分类，并构建了人工标注的RGB图像数据集	首次将EfficientNetV1B0卷积神经网络应用于磁态自动分类，解决了传统手工特征或人工检查方法在复杂自旋纹理识别上的局限，并构建了新的标注数据集	NA	实现自旋动力学模拟中磁态的高效自动分类，替代传统依赖手工特征或人工检查的方法	九种不同磁态，包括铁磁和反铁磁自旋纹理（如反铁磁斯格明子和反铁磁带畴）	计算机视觉	NA	NA	卷积神经网络	RGB图像	NA	TensorFlow, PyTorch	EfficientNetV1B0	准确率, F1分数	NA
59	2026-06-03	ConvECA-Net: A lightweight convolutional neural network for fault diagnosis of tapered roller bearings 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54553-6 PMID:42225790	研究论文	提出一种轻量级卷积神经网络ConvECA-Net，用于圆锥滚子轴承的故障诊断	结合高效通道注意力（ECA）、自适应核大小策略和Leaky ReLU激活函数，实现高精度轻量级故障分类	未提及在多类别或更复杂故障场景下的性能，以及在实际工业部署中的长期稳定性验证	开发一种高效、鲁棒的故障诊断模型，用于旋转机械中圆锥滚子轴承的状态监测，预防非计划停机	圆锥滚子轴承的五种故障状态	机器学习	NA	NA	CNN（卷积神经网络）	信号（振动数据）	未明确样本数量，但使用了不同转速（三种）和负载水平的数据进行跨条件验证，以及高斯白噪声和粉红噪声测试	NA	ConvECA-Net（结合ECA注意力、自适应核和Leaky ReLU）	准确率（95.07%）、模型参数数量（563K）、模型大小（2.2 MB）、计算量（192 MFLOPs）、推理延迟（0.82 ms/样本）、交叉验证准确率（94.82% ± 0.38%）	NA
60	2026-06-03	Attention-enhanced GNN model for fungal disease classification in spinach leaves using monospectral imaging 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54574-1 PMID:42225821	研究论文	提出一种注意力增强的图神经网络模型，用于菠菜叶片真菌病害的分类，利用单谱成像技术提高农业病害诊断的准确性和可解释性	通过将叶片图像建模为图结构，利用注意力机制突出病害相关节点，并结合Grad-CAM可解释性方法，首次实现了对多个植物叶片病害的图神经网络解释性分类	未提及模型在不同成像条件或真实田间环境下的泛化能力，以及数据集的规模有限，可能影响方法的普适性	开发一个可解释的深度学习框架，用于多植物叶片病害的早期检测和分类，以提升农业产量和减少损失	菠菜和咖喱叶片的图像，涵盖15种病害及健康分类	计算机视觉	叶斑病、真菌病害等菠菜叶片病害	单谱成像	图神经网络（AE-GNN）	图像	含菠菜和咖喱叶片图像的定制数据集，具体数量未在摘要中说明	PyTorch	AE-GNN	准确率	NA