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	2026-04-01	Neurosurgical Application of Artificial Intelligence in Pediatric Neuro-Oncology 2026-Mar-31, Journal of Korean Neurosurgical Society IF:1.4Q3 DOI:10.3340/jkns.2026.0085 PMID:41913971	综述	本文综述了人工智能在儿童神经肿瘤学围手术期的应用，包括术前分子分型、术中快速诊断和术后预后评估	系统性地阐述了AI在儿童神经肿瘤围手术期全流程的整合应用，并探讨了如何通过AI解决该领域因疾病多样性带来的临床挑战	数据稀缺性和算法的“黑箱”特性仍然是主要限制	探讨人工智能如何解决儿童神经肿瘤学围手术期未满足的临床需求	儿童中枢神经系统肿瘤	数字病理学	儿童神经肿瘤	Oxford Nanopore测序，刺激拉曼组织学	神经网络分类器，深度学习模型	影像，基因组数据，临床数据	NA	NA	NA	NA	NA
42	2026-04-01	Artificial intelligence in extracorporeal technology: Current applications and future directions-A narrative review 2026-Mar-31, Asian cardiovascular & thoracic annals DOI:10.1177/02184923261432687 PMID:41914776	综述	本文是一篇关于人工智能在体外循环技术中当前应用与未来方向的叙述性综述	系统性地概述了人工智能在体外循环技术（如CPB、ECMO、VADs）中的整合潜力，并探讨了其通过实时数据、预测算法和决策支持系统优化临床实践的创新方向	作为一篇叙述性综述，未进行原始数据收集或定量分析，主要基于现有文献的总结与展望	旨在全面介绍人工智能的基本概念、发展历程，并探讨其在体外循环技术领域的应用现状与未来整合方向	体外循环技术，包括心肺转流术（CPB）、体外膜肺氧合（ECMO）和心室辅助装置（VADs）	医疗人工智能	心血管疾病	NA	NA	实时生理数据	NA	NA	NA	NA	NA
43	2026-04-01	Decoding chemical composition of urinary crystals from ultrasonic echo signals via deep learning 2026-Mar-31, Mikrochimica acta DOI:10.1007/s00604-026-08019-1 PMID:41915224	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
44	2026-04-01	Source apportionment of pollution in the Tianjin Haihe river sluice based on the TCN-APCS-MLR model 2026-Mar-31, Environmental geochemistry and health IF:3.2Q2 DOI:10.1007/s10653-026-03139-2 PMID:41915250	研究论文	本研究提出了一种结合TCN与APCS-MLR的模型，用于天津海河闸口污染源解析，以解决复杂流域中时间动态和非线性驱动机制带来的挑战	整合了时间卷积网络（TCN）与绝对主成分得分-多元线性回归（APCS-MLR），利用TCN的因果和膨胀卷积提取时间依赖性，增强了时间特征建模能力，同时保持了模型的可解释性	未明确讨论模型在其他流域或不同时间尺度下的泛化能力，以及可能的数据局限性	开发一种改进的污染源解析模型，以更准确、及时地追踪复杂流域中的污染来源	天津海河闸口的污染源	环境科学	NA	水质数据分析，主成分分析（PCA），多元线性回归（MLR）	TCN, APCS-MLR	水质数据	2022年至2024年的每日水质数据	NA	时间卷积网络（TCN）	R值，RMSE，MAE，累积方差贡献率	NA
45	2026-04-01	Hypoxia-related and immune phenotype-related fusion model for non-invasive prognostication of hepatocellular carcinoma treated by TACE: a multicentre study 2026-Mar-30, Gut IF:23.0Q1 DOI:10.1136/gutjnl-2025-337938 PMID:41856522	研究论文	本研究开发并验证了一个多模态预后模型，用于精确评估接受TACE治疗的肝细胞癌患者的生存结果	结合深度学习和传统影像组学，构建早期和晚期融合模型，并通过整合临床变量形成临床-影像学模型，实现更精细的风险分层	研究依赖于回顾性数据，且模型在外部验证中的泛化能力仍需进一步确认	开发并验证一个多模态预后模型，用于精确评估接受TACE治疗的肝细胞癌患者的生存结果	肝细胞癌患者	数字病理学	肝细胞癌	单细胞RNA测序，对比增强CT成像	深度学习，传统影像组学	图像，转录组数据	1448名肝细胞癌患者（包括TACE队列1349人，随机试验生物标志物子集41人，单细胞RNA测序队列和TCGA肝细胞癌队列50人）	NA	早期融合模型，晚期融合模型	生存分层，风险分层	NA
46	2026-04-01	Mobile Imaging-Based Machine Learning for Dental Caries, Sealants, and Fluorosis: Protocol for a Cross-Sectional Model Development and Validation Study 2026-Mar-30, JMIR research protocols IF:1.4Q3 DOI:10.2196/91239 PMID:41911013	研究论文	本研究旨在开发和验证基于移动成像和机器学习的模型，用于检测龋齿、封闭剂和氟斑病	首次将移动健康技术与计算机视觉、机器学习和深度学习结合，利用智能手机和低成本口内相机图像，在人群水平上同时检测龋齿、封闭剂和氟斑病严重程度	研究样本仅包括科罗拉多州约1000名青少年，且生活在公共供水系统氟化物水平自然升高的社区，可能限制结果的普遍性	开发并验证用于检测龋齿病变、识别封闭剂和量化氟斑病严重程度的模型，以支持公共卫生监测和个体化评估	美国科罗拉多州约1000名青少年，重点关注其恒磨牙（龋齿和封闭剂）和上颌前牙（氟斑病）	计算机视觉	龋齿	智能手机相机成像、低成本口内相机成像	机器学习、深度学习	图像	约1000名青少年（截至2026年1月已收集约300名参与者的数据）	NA	神经网络分类器	分层交叉验证、多类别性能指标	NA
47	2026-04-01	Development of a multimodal obstructive sleep apnea diagnostic prediction model using two-dimensional facial images and clinical data 2026-Mar-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3678664 PMID:41911139	研究论文	本研究开发了一种结合二维面部照片、头影测量X光片和临床数据的多模态人工智能模型，用于增强阻塞性睡眠呼吸暂停（OSA）的筛查	提出了一种新颖的多模态AI驱动OSA筛查方法，整合了面部图像和临床数据，显著优于单模态和双模态方法	研究未明确提及模型在更广泛人群或不同种族群体中的泛化能力，且对腹部周长较小患者的敏感性较低	开发一种多模态AI模型以增强阻塞性睡眠呼吸暂停（OSA）的筛查，促进早期诊断	710名接受多导睡眠图检查的患者，包括肥胖、老年和男性患者等亚组	计算机视觉	阻塞性睡眠呼吸暂停	多导睡眠图	深度学习模型	图像, 临床数据	710名患者	NA	ShuffleNet-V2, 深度神经网络	AUC, 敏感性, 特异性, 准确性, F1分数	NA
48	2026-04-01	Automatic Segmentation of Placenta from MR images Using a Novel BiGC U-Net 2026-Mar-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3678395 PMID:41911136	研究论文	本研究提出了一种名为BiGC U-Net的新型深度学习架构，用于从磁共振图像中自动分割胎盘	提出了结合双向门控卷积模块、分层正则化机制和创新数据增强策略的增强型U-Net架构	未明确说明模型在临床环境中的泛化能力或计算效率限制	开发自动分割胎盘磁共振图像的准确方法，以支持胎盘植入谱疾病的定量分析	胎盘磁共振图像	数字病理学	胎盘植入谱疾病	磁共振成像	CNN	图像	三个胎盘磁共振数据集：公开数据集、谢菲尔德教学医院数据集及组合数据集	未明确说明	BiGC U-Net, U-Net, Attention U-Net, ResNet, UNet++, TransUNet, nnUNet, SSM-Mamba	Dice相似系数, 95百分位Hausdorff距离, 相对体积差异	NA
49	2026-04-01	Adaptive Feature Selection With Hierarchical Learning for Drug-Target Interaction Prediction 2026-Mar-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3678266 PMID:41911134	研究论文	本文提出了一种结合分层学习和自适应特征选择的新框架ASHL-DTI，用于提升药物-靶点相互作用预测的准确性和泛化能力	提出ASHL-DTI框架，首次将分层学习与自适应Top-k特征选择机制相结合，以捕获多层次分子内关联并保留最具预测性的特征	未在摘要中明确说明	提高药物-靶点相互作用预测的准确性，以支持药物发现和再利用	药物-靶点相互作用对	机器学习	NA	深度学习	深度学习框架	分子关联数据	多个公共基准数据集（未指定具体数量）	NA	ASHL-DTI（自定义架构）	NA	NA
50	2026-04-01	Semantic Prompt and Graph-Convolution-Structure Distillation Framework for Semantic Segmentation of Remote Sensing Images 2026-Mar-30, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2026.3675381 PMID:41911145	研究论文	提出一种用于高分辨率遥感图像语义分割的语义提示与图卷积结构蒸馏框架	整合多模态特征增强与双路径知识蒸馏，设计了辅助空间特征提取模块和RGB表示模块进行特征去噪与对齐，并引入基于图卷积的结构蒸馏和无需外部文本监督的语义提示蒸馏	NA	解决高分辨率遥感图像语义分割中的模态异质性、细粒度对象结构和高计算成本等挑战	遥感图像（Vaihingen和Potsdam数据集）	计算机视觉	NA	NA	深度学习模型	图像（RGB图像和归一化数字表面模型nDSM数据）	Vaihingen和Potsdam数据集	NA	SPGSNet-S*（语义提示与图卷积结构蒸馏框架）	参数量（8.89 M）、浮点运算量（2.29 G FLOPs）	NA
51	2026-04-01	Examining the Use of Consumer Wearable Devices and Digital Tools for Stress Measurement in College Students: Scoping Review of Methods 2026-Mar-30, JMIR mHealth and uHealth IF:5.4Q1 DOI:10.2196/64144 PMID:41911361	综述	本文对2020年至2025年间发表的文献进行了范围综述，系统评估了在大学生群体中使用可穿戴设备和数字工具进行压力测量的方法、常用传感器、生理信号及机器学习或深度学习模型的应用现状	本综述创新性地聚焦于大学生这一特定人群，系统梳理了可穿戴设备在压力检测中的应用，并重点分析了传感器类型、生理信号、建模方法及方法学质量，而非仅关注算法性能，从而识别了限制现实世界部署的持续差距	纳入的研究中人口统计学报告不一致，样本量普遍较小且缺乏合理性论证，时间序列建模算法的应用有限，且多数研究依赖现有数据集（如仅包含15名参与者的Wearable Stress and Affect Detection数据集），数据多样性不足	系统回顾文献，以确定在大学生中使用可穿戴技术和数字工具进行压力测量的最佳实践和新兴趋势，并评估用于压力检测的传感器类型、数据集和机器学习方法的共性	大学生群体	数字健康	心理健康问题	数字表型分析，可穿戴传感器监测	机器学习，深度学习	生理信号数据（如皮肤电活动）	综述共纳入134项研究，其中约80%使用现有数据集的研究依赖于仅包含15名参与者的Wearable Stress and Affect Detection数据集	NA	支持向量机	NA	NA
52	2026-04-01	An Introduction to AI for Clinicians: Tutorial 2026-Mar-30, Interactive journal of medical research IF:1.9Q3 DOI:10.2196/85266 PMID:41911411	教程	本文是一篇面向临床医生的AI入门教程，旨在介绍人工智能的基本原理及其在医学中的应用	为临床医生提供结构化、循序渐进的AI学习框架，强调AI作为现代医学核心能力的重要性	作为入门教程，内容侧重于基础概念，未深入探讨具体技术细节或高级模型	教育临床医生理解AI的基本概念，以应对AI工具在医疗实践中的整合	临床医生，特别是缺乏AI正式教育但已接触AI工具的从业者	机器学习	NA	NA	深度学习	NA	NA	NA	NA	NA	NA
53	2026-04-01	A Bilayer Feature Fusion Framework for Pan-Cancer Survival Prediction Based on Multihead Attention and Adaptive Differential Privacy: Model Development and Validation Study 2026-Mar-30, JMIR medical informatics IF:3.1Q2 DOI:10.2196/83743 PMID:41911549	研究论文	本研究提出了一种基于多头注意力和自适应差分隐私的双层特征融合框架，用于泛癌生存预测，旨在平衡精确特征提取与敏感数据保护	将多头注意力机制与自适应差分隐私相结合，通过分层相关性分析自适应添加拉普拉斯噪声，实现了特征提取与隐私保护的协同优化	未整合病理图像和蛋白质组学数据，未来可扩展至癌症亚型分类和生物标志物发现	开发一个在隐私保护下平衡预测准确性与数据安全性的泛癌生存预测框架	泛癌及单癌生存预测，涉及临床数据、mRNA数据和microRNA表达数据	机器学习	癌症	多模态数据融合，差分隐私	深度学习	临床数据，mRNA数据，microRNA表达数据	NA	NA	基于多头注意力的双层特征融合框架	一致性指数（C-index），5折交叉验证	NA
54	2026-04-01	Multi-scale adaptive fusion network for retinal layer and fluid segmentation in optical coherence tomography B-scans 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44006-5 PMID:41912546	研究论文	本文提出了一种用于光学相干断层扫描B扫描中视网膜层和液体分割的多尺度自适应融合网络，旨在改善视网膜疾病的检测	引入了自适应多域融合网络（AMDF-Net），结合了混合谱空间变换器（HSST）、动态注意力融合（DAF）和疾病包容分割（DIS）模块，有效整合全局与局部特征并增强视网膜液体特定特征的识别	未明确提及模型的局限性，如泛化能力、计算复杂度或对不同视网膜疾病类型的适用性	提升视网膜疾病（如糖尿病黄斑水肿、年龄相关性黄斑变性和视网膜静脉阻塞）的自动分析和诊断准确性	光学相干断层扫描（OCT）B扫描图像中的视网膜层和液体区域	计算机视觉	视网膜疾病	光学相干断层扫描（OCT）成像	深度学习网络	图像	公开可用数据和实时数据，具体样本数量未明确	未明确指定，但基于深度学习架构	自适应多域融合网络（AMDF-Net），包含混合谱空间变换器（HSST）、动态注意力融合（DAF）和疾病包容分割（DIS）模块	Dice系数, 分类准确率	未明确指定
55	2026-04-01	A unified low-carbon cybersecurity framework integrating energy-efficient intrusion detection, lightweight cryptography, and carbon-aware scheduling for edge-cloud architectures 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44260-7 PMID:41912554	研究论文	本文提出了GreenShield，一个统一的低碳网络安全框架，集成了基于深度学习的节能入侵检测、轻量级密码学和碳感知调度，用于边缘-云架构	创新点包括威胁自适应量化机制（根据实时威胁水平调整模型精度）、碳感知调度控制器（动态对齐安全任务执行与可再生能源可用性预测）以及分层联邦学习与梯度压缩的结合	NA	研究目的是开发一个可持续的网络安全解决方案，以降低边缘-云计算基础设施的能耗和碳足迹	研究对象是边缘-云架构中的入侵检测系统（IDS）	机器学习	NA	NA	深度学习	网络入侵检测数据集	使用了UNSW-NB15和CIC-IDS2017数据集	NA	NA	检测准确率, 能耗降低百分比, 碳排放减少百分比, 通信开销降低百分比, 推理能耗降低百分比	NA
56	2026-04-01	EEG imagined speech neuro-signal preprocessing and deep learning classification 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39395-6 PMID:41912561	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
57	2026-04-01	Detection of DSCP-based traffic prioritization manipulations and their impact on network performance 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44350-6 PMID:41912577	研究论文	本研究利用深度学习模型检测基于DSCP的流量优先级操纵及其对网络性能的影响	采用集成方法结合CNN、RNN和LSTM模型，显著提高了DSCP操纵检测的准确性，达到99.28%的准确率	研究未涉及实际部署，未来需关注跨网络适应性和模型可解释性	检测DSCP-based流量优先级操纵并评估其对网络性能的影响	正常和操纵的流量模式	机器学习	NA	NA	CNN, RNN, LSTM	流量数据	包含正常和操纵流量模式的标注数据集	NA	CNN, RNN, LSTM	准确率	NA
58	2026-04-01	DengueGNN: Graph-based deep learning for modeling disease spread dynamics and prediction 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43073-y PMID:41912593	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
59	2026-04-01	MetaCAM as an ensemble-based class activation mapping framework improves model explainability 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42879-0 PMID:41912604	研究论文	本文提出了一种基于集成学习的类激活图框架MetaCAM，旨在提高卷积神经网络模型的可解释性	提出了MetaCAM集成框架，通过组合多种现有CAM方法并基于前k%高激活像素的共识来生成解释图；引入了累积残差效应（CRE）方法来总结大规模集成实验；提出了自适应阈值技术以提升单个CAM的性能	未明确说明实验所涉及的具体模型架构和数据集的多样性限制；未讨论计算开销增加的问题	提高深度学习模型（特别是CNN）预测的可解释性和可信度，适用于医学和生物识别等高关键性领域	卷积神经网络（CNN）的类激活图（CAM）方法	计算机视觉	NA	类激活图（CAM）方法，像素扰动方法（ROAD）	CNN	图像	NA	NA	NA	ROAD（Remove and Debias）性能分数	NA
60	2026-04-01	Enhanced swin transformer with dual attention for knee osteoarthritis severity grading from X-ray images 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44174-4 PMID:41912656	研究论文	本研究提出了一种名为Swin-O-NETS的新型混合深度学习框架，用于从膝关节X射线图像中自动分级骨关节炎的严重程度	提出了一种结合改进的Swin Transformer（带多头通道自注意力机制）与快速极限学习网络（FELN）的混合深度学习框架，用于膝关节骨关节炎严重程度分级	模型仅在单一数据集（OAI）上进行评估，未来需要在更大规模的多中心临床数据集上进行验证	开发一种能够从膝关节X射线图像中准确、自动地分级骨关节炎严重程度的深度学习模型	膝关节骨关节炎患者的X射线图像	计算机视觉	骨关节炎	X射线成像	Transformer, CNN	图像	2047张来自骨关节炎倡议（OAI）数据集的X射线图像，涵盖五个Kellgren-Lawrence（KL）严重程度等级	NA	Swin Transformer, Fast Extreme Learning Network (FELN)	准确率, 精确率, 召回率, 特异性, F1分数	NA