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
7201	2026-06-29	Knowledge, attitude, and perception of artificial intelligence among medical residents in Oman: readiness for clinical practice 2026-Apr-21, BMC medical education IF:2.7Q1 DOI:10.1186/s12909-026-09246-z PMID:42015184	研究论文	评估阿曼医学住院医师对人工智能的知识、态度和感知，探讨其临床实践准备度	首次针对阿曼医学专业委员会的住院医师进行人工智能相关知识、态度和感知的评估，并分析其整合AI到临床实践的准备情况	样本量较小（256人），且为横断面调查，可能无法反映长期变化趋势；主要依赖自我报告数据，存在主观偏差	评估阿曼医学专业委员会的住院医师对人工智能的知识、态度和感知，并为临床实践中的AI整合做准备	阿曼医学专业委员会的医学住院医师	机器学习	NA	NA	NA	问卷调查数据	256名医学住院医师（平均年龄29.7岁，81.3%为女性）	NA	NA	知识得分（均值14.04±3.77）、比例（差62.1%，可接受34.8%，好3.1%）	NA
7202	2026-06-29	Accurate classification and prediction of knee osteoarthritis based on Al-Biruni Earth Radius metaheuristic optimizer and LSTM classifier 2026-Apr-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46131-7 PMID:42014817	研究论文	提出基于Al-Biruni地球半径元启发式优化器和LSTM分类器的混合模型，用于准确分类和预测膝骨关节炎	首次将Al-Biruni地球半径优化算法与Google-BER-LSTM混合模型结合，通过二进制优化提升膝骨关节炎分类性能	仅使用单一公开数据集，未提及模型在外部数据集上的泛化验证	开发并优化深度学习算法用于膝骨关节炎的早期检测和分类预测	膝关节骨关节炎患者数据	机器学习	膝骨关节炎	NA	LSTM, MLP	数值数据	未明确说明样本数量	未明确说明	Google-BER-LSTM混合模型	精确度（PPV）、阴性预测值、F分数、准确率、敏感性、特异性、时间	NA
7203	2026-06-29	DposFinder: an interpretable transformer model for predicting phage-derived polysaccharide depolymerases and their host capsular serotypes 2026-Apr-20, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-026-01657-3 PMID:42002763	研究论文	提出DposFinder，一种基于Transformer的可解释深度学习框架，用于预测噬菌体来源的多糖解聚酶及其宿主荚膜血清型	首次将Transformer架构与预训练蛋白质语言模型ESM-2结合，实现多糖解聚酶和宿主荚膜血清型的联合预测，并通过注意力机制提供模型可解释性	未明确提及模型对其他细菌种类多糖解聚酶的泛化能力，且依赖已知数据库进行预测	开发一种可解释的深度学习模型，以加速噬菌体来源多糖解聚酶的发现及其在抗菌治疗中的应用	噬菌体来源的多糖解聚酶及其宿主荚膜血清型	机器学习	细菌感染相关疾病	蛋白质语言模型、Transformer深度学习	Transformer	序列数据（蛋白质序列和基因组序列）	超过440,000个噬菌体基因组序列，超过100,000个推定的解聚酶	PyTorch	Transformer、ESM-2	ROC曲线下面积（AUC）	NA
7204	2026-06-29	Artificial intelligence for surgical management of benign esophageal disease: scoping review and evidence mapping 2026-Apr-20, Langenbeck's archives of surgery DOI:10.1007/s00423-026-04050-1 PMID:42008135	综述	本文通过范围综述和证据映射，描述了人工智能在良性食管疾病手术管理中的应用现状和未来前景	系统总结了AI在良性食管疾病（如贲门失弛缓症、巴雷特食管、胃食管反流病、食管裂孔疝和Zenker憩室）诊断与手术管理中的证据，并强调了负责任AI开发和伦理标准的重要性	机器学习、深度学习和混合模型仍未被充分探索，且现有研究数量有限（仅37篇），缺乏大规模验证	评估AI在良性食管疾病手术管理中的应用证据，并展望未来发展方向	良性食管疾病，包括贲门失弛缓症、巴雷特食管、胃食管反流病、食管裂孔疝和Zenker憩室	自然语言处理, 机器学习	食管良性病	NA	机器学习, 深度学习, 混合模型	文本	37项研究	NA	NA	NA	NA
7205	2026-06-29	PathoTiroid dataset: Indonesian collection (PTIC)-a histopathology image dataset for papillary thyroid carcinoma 2026-Apr-20, BMC research notes IF:1.6Q2 DOI:10.1186/s13104-026-07774-x PMID:42010644	研究论文	介绍一个名为PathoTiroid数据集（印度尼西亚收集版，简称PTIC）的组织病理学图像数据集，用于甲状腺乳头状癌的人工智能模型开发与基准测试	填补了东南亚人群甲状腺癌组织病理学高质量、图像级标注数据集的空白，且经过专家验证和多阶段验证流程以减少注释噪声	NA	支持甲状腺乳头状癌组织病理学研究中可重复性AI模型的开发与基准测试，以及分类、域适应、染色标准化和模型可解释性等下游任务	甲状腺乳头状癌组织病理学图像	数字病理学	甲状腺乳头状癌	组织病理学成像	NA	图像	1,006张高分辨率图像，来源于46张全切片图像	NA	NA	NA	NA
7206	2026-06-29	Skin cancer detection using late fusion of pretrained models 2026-Apr-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48687-w PMID:42002581	研究论文	提出一种基于预训练模型后期融合的皮肤癌检测方法，利用多样卷积网络集成多个预训练CNN架构，从皮肤镜图像中准确区分良恶性病变	采用后期融合策略集成多样卷积网络与多个预训练CNN模型，构建互补且具判别力的皮肤癌检测框架，有效缓解过拟合并提升泛化能力	未来需关注模型可解释性、与临床决策支持系统集成，以及使用更大规模多源数据集验证以增强现实可用性	开发一种可靠、鲁棒且泛化能力强的皮肤癌早期诊断系统，克服现有深度学习模型在皮肤病变分类中的局限性	皮肤镜图像中的恶性与良性皮肤病变	计算机视觉	皮肤癌	NA	卷积神经网络（CNN），多样卷积网络（DCN）	图像（皮肤镜图像）	10600张皮肤镜图像（9600张训练，1000张测试），来自ISIC档案库，涵盖恶性和良性病变类别	NA	多个预训练CNN架构（具体未列出），多样卷积网络（DCN）	准确率，F1分数，精确率，召回率	NA
7207	2026-06-29	Multi-class classification of plant leaf diseases using a hybrid deep neural transformer system and explainable AI techniques 2026-Apr-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48103-3 PMID:42002567	研究论文	开发了一种基于深度学习的混合深度神经变压器系统，用于玉米、番茄和马铃薯植物叶片疾病的多类分类，并结合可解释人工智能技术提高模型透明度和可靠性	提出了一种混合模型ResViT-152，结合了卷积特征提取与基于Transformer的全局注意力机制，在多类植物叶片疾病分类中实现了高准确率和强泛化能力，并引入XAI方法增强模型可解释性	模型在真实野外数据集上的表现尚未评估，需要进一步验证以用于精准农业部署	提高植物叶片疾病的早期检测性能，实现高分类准确率、跨数据集强泛化能力和模型可解释性，以支持现实农业应用	玉米、番茄和马铃薯的植物叶片疾病图像	计算机视觉	植物叶片疾病	深度学习	CNN, Transformer, 混合模型	图像	两个公开数据集，第一个包含39,203张图像（18类疾病），第二个包含65,565张图像（18类疾病）	NA	InceptionNetV3, ResNet152V2, ViT, BERT, ResViT-152	准确率	NA
7208	2026-06-29	Artificial Intelligence For 6P Medicine: Consolidating AI Needs of Predictive, Preventive, Personalized, Participatory, Precision, and Public Health Trajectories 2026-Apr-18, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-026-02391-4 PMID:41999547	综述	综述人工智能如何支持6P医学模型（预测、预防、个性化、参与、精准和公共卫生）及其应用现状与实施蓝图	提出了一个实用的6P-AI实施蓝图，将常见用例与数据需求、工作流整合步骤、评估设计和部署后监控联系起来	参与式和公共卫生应用评估不够一致，并引入了公平、信任和治理方面的额外挑战	综合人工智能在6P医学模型中应用的最新证据，并突出证据成熟与仍处于探索阶段的领域	6P医学模型（预测、预防、个性化、参与、精准和公共卫生）中的人工智能应用	机器学习	NA	NA	机器学习、深度学习、大语言模型、数字孪生	NA	NA	NA	NA	NA	NA
7209	2026-06-29	Deep learning driven personalized paths for TCM graduate education 2026-Apr-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48811-w PMID:41998246	研究论文	开发并验证了基于深度学习的中医研究生个性化学习路径系统，并通过准实验设计评估其效果	首次将深度学习应用于中医研究生教育中的个性化学习路径推荐，并采用分层交替分配的准随机化方法进行严格评估	无法实施真正的随机对照试验，采用准实验设计可能引入选择偏倚；样本仅来自一所医科大学，泛化性受限	探索深度学习驱动的个性化学习路径对中医研究生教育效果的提升作用	安徽医科大学120名中医研究生（2019–2025）	机器学习	NA	NA	深度学习模型	文本	120名中医研究生（AI个性化组60名，传统学习组60名）	NA	NA	准确率, Cohen's d, p值	NA
7210	2026-06-29	Classification of pulmonary disorders using pulmonary network with explainable AI framework from chest multi-modal images 2026-Apr-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47815-w PMID:41998198	研究论文	提出一种基于可解释AI框架的30层新型肺炎分类网络PULMONET，利用胸部多模态图像对肺部疾病进行二分类和多分类	提出30层新型PULMONET网络结构，结合可解释AI框架（热力图、t-SNE和激活图）分析网络决策行为，提高分类准确性和可解释性	NA	利用深度学习模型提高肺部疾病分类的准确性和可解释性	肺部疾病患者	机器视觉	肺部疾病	NA	CNN	胸部多模态图像（胸部X光和CT图像）	9917张胸部多模态图像	NA	PULMONET	准确率	NA
7211	2026-06-29	Comparative analysis of transformer, CNN, and YOLO architectures for mandibular condyle segmentation on panoramic radiographs: a deep learning benchmark 2026-Apr-16, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-08228-3 PMID:41992227	研究论文	首次在全景X光片上对下颌髁突分割任务进行多架构深度学习方法比较，涵盖Transformer、CNN和YOLO三类模型	首次针对下颌髁突分割任务进行系统性的多架构对比基准测试，包括Transformer、CNN和YOLO三类最先进模型	未提及具体局限性	比较不同深度学习架构在下颌髁突像素级分割中的性能，建立针对颞下颌关节分析的模型选择基准	1300张全景X光片（2600个髁突）	计算机视觉	颞下颌关节疾病	NA	Transformer, CNN, YOLO	全景X光片图像	1300张全景X光片（2600个髁突）	NA	RT-DETR, EfficientNet, Mask R-CNN, ConvNeXt, YOLOv9-Seg, YOLOv11-Seg	交并比(IoU), Dice相似系数(DSC), 精确率, 召回率, F1分数	NA
7212	2026-06-29	Coronary Computed Tomography and Artificial Intelligence-based Plaque Analysis 2026-Apr-16, Current atherosclerosis reports IF:5.7Q1 DOI:10.1007/s11883-026-01407-1 PMID:41989632	综述	总结冠状动脉CTA基于人工智能的斑块量化方法及其临床应用	综述了深度学习增强的人工智能CTA平台在斑块量化中的新应用，提高了CTA的实用性	纵向斑块分析受限于扫描仪复制、成像协议、造影剂浓度和经验证的斑块分析软件	总结冠状动脉CTA斑块量化的当前方法和应用，以指导临床实践	冠状动脉斑块的形态和体积变化	计算机视觉	心血管疾病	CTA	深度学习	图像	NA	NA	NA	NA	NA
7213	2026-06-29	Early retinal disease detection from fundus images using deep neural networks 2026-Apr-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42059-0 PMID:41991556	研究论文	利用深度神经网络从眼底图像中早期检测视网膜疾病	在来自贡达尔大学转诊医院的新颖地区特定数据集上，比较五种预训练CNN架构，并验证DenseNet201在早期多疾病视网膜筛查中的高准确率	未提及模型在真实临床环境中的部署验证及泛化能力评估	开发高准确率、自动化的深度学习框架，用于早期检测多种视网膜疾病，强调方法透明性、模型比较评估及临床应用潜力	从贡达尔大学转诊医院收集的3848张标注眼底图像，包含正常、青光眼、糖尿病视网膜病变和年龄相关性黄斑变性四种类别	计算机视觉	视网膜疾病（青光眼、糖尿病视网膜病变、年龄相关性黄斑变性）	眼底成像	卷积神经网络	图像	3848张标注眼底图像	NA	VGG19, ResNet50, InceptionV3, MobileNetV2, DenseNet201	准确率、精确率、召回率、F1分数、AUC-ROC	NA
7214	2026-06-29	Evaluating Homoscedastic Uncertainty Weighting and Generative Tau Imputation in a Multimodal, Multitask Deep Learning Framework for Alzheimer's Disease 2026-Apr-15, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-026-09781-6 PMID:41986823	研究论文	评估多模态多任务深度学习框架中同方差不确定性加权和生成性tau插补对阿尔茨海默病预测的实际效果	系统评估了多模态多任务深度学习框架中三种常用策略（同方差不确定性加权、显著性快照分析和条件变分自编码器混合密度网络插补）在阿尔茨海默病预测中的实际性能改进	tau插补虽能重建稀疏tau轨迹，但加入插补tau未改善下游预测；方法复杂性增加带来的收益有限且不一致	评估多模态纵向深度学习模型中常用方法改进对阿尔茨海默病阶段和临床衰退预测的实际性能提升	来自阿尔茨海默病神经影像学计划的2,271名参与者	机器学习	阿尔茨海默病	NA	CNN-BiLSTM	多模态数据（认知、磁共振成像、tau等）	2,271名参与者	NA	CNN, BiLSTM, 条件变分自编码器混合密度网络	准确性	NA
7215	2026-06-29	Attention enhanced hybrid deep learning architecture with PCA-based feature fusion for banana leaf disease detection 2026-Apr-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47092-7 PMID:41981085	研究论文	提出一种结合注意力机制、扩张卷积、多尺度特征池化和PCA特征融合的混合深度学习架构，用于香蕉叶片病害检测	创新性地将MobileNetV2与ResNet101结合注意力机制和PCA特征融合，提出高精度且计算高效的混合深度学习架构	未提及模型在真实田间环境中的泛化能力验证及与轻量级部署方案的对比	实现香蕉叶片病害（Sigatoka、Fusarium Wilt、Cordana）的自动化高精度分类	香蕉叶片患病图像，涉及三个基准数据集（Banana and Banana Leaf、Banana Disease Recognition、Banana LSD）	计算机视觉, 机器学习	香蕉病害（Sigatoka、Fusarium Wilt、Cordana）	NA	混合深度学习架构（MobileNetV2 + ResNet101）	图像	三个基准数据集（具体样本量未明确）	NA	MobileNetV2, ResNet101, 注意力机制, 扩张卷积, 多尺度特征池化, PCA特征融合	准确率, 精确率, 召回率, F1分数	可训练参数12.7M，收敛轮数15 epoch
7216	2026-06-29	Utilizing deep learning from mobile phone photos for early detection of horizontal strabismus: a screening approach 2026-Apr-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48893-6 PMID:41981222	研究论文	利用手机照片和深度学习实现水平斜视早期筛查的方法	结合实时检测变换器（RT-DETR）和几何标志点分析，从智能手机获取的面部图像中检测水平斜视	在受控条件下表现良好，但需要进一步研究以建立完全临床可解释性和在非受控环境中的性能	开发并验证一种使用手机照片进行水平斜视筛查的人工智能方法	水平斜视患者和正常对照者的面部图像	计算机视觉	水平斜视	智能手机图像采集	实时检测变换器（RT-DETR）和随机森林分类器	图像	150名参与者（96名斜视患者和54名对照者）	NA	RT-DETR, 随机森林	交并比、平均中心点误差、准确率、灵敏度、特异度、阳性预测值、阴性预测值	NA
7217	2026-06-29	Human motion recognition based on progressive neural architecture search for efficient and interpretable spatiotemporal learning 2026-Apr-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46297-0 PMID:41981016	研究论文	提出一种渐进式神经架构搜索方法PNAS-HMR，用于高效可解释的人体运动识别	结合渐进式搜索策略与多目标优化，自动发现兼顾精度、计算成本和可解释性的轻量级深度网络架构	未提及在真实部署环境中的实时性能表现，以及搜索过程的计算开销分析	开发自动、高效且可解释的人体运动识别系统	人体运动识别中的时空建模与网络架构自动搜索	计算机视觉	NA	NTU RGB+D 120、Kinetics-400、UCF101数据集采集的骨骼点运动数据	卷积神经网络（CNN）	图像（视频帧序列）	包含NTU RGB+D 120、Kinetics-400、UCF101三个标准数据集中的动作样本	PyTorch	渐进式神经架构搜索（PNAS）	识别准确率、FLOPs、延迟时间	NA
7218	2026-06-29	Antimicrobial resistance varies with warming in active layer soil and permafrost 2026-Apr-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46295-2 PMID:41981035	研究论文	通过宏基因组分析研究活动层土壤和永久冻土中抗生素耐药性随变暖的变化	首次在多个位点（阿拉斯加和瑞典）的永久冻土中系统评估解冻对抗生素耐药基因丰度的影响，并结合比对工具和深度学习工具进行识别	实验室解冻条件可能无法完全模拟自然环境中的复杂过程，且仅依赖宏基因组数据可能存在偏差	探究永久冻土融化是否会导致抗生素耐药基因释放及其环境与公共卫生风险	来自阿拉斯加和瑞典四个位点的永久冻土样本	机器学习	抗生素耐药性（公共卫生相关疾病）	宏基因组测序	DeepARG（深度学习模型）	DNA序列数据	四个位点的永久冻土样本（具体数量未明确，但包括164个高质量MAG和105个物种）	ABRicate, DeepARG	序列比对与深度学习结合的ARG识别模型	NA	NA
7219	2026-06-29	Intelligent diagnosis of ovarian cancer in PET/CT imaging based on KiteNet-MobileNetv3 fusion and CarveMix augmentation 2026-Apr-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47682-5 PMID:41981147	研究论文	提出了基于KiteNet-MobileNetv3融合与CarveMix增强的深度学习框架，用于PET/CT影像中卵巢肿瘤的智能分割与分类	创新性地设计了融合U-Net-MobileNetv3与KiteNet的混合分割网络，并结合病灶感知的CarveMix数据增强和Dice-CE损失函数，同时在分类中采用ConvNeXt骨干与Mixup增强，显著提升了分割与分类性能	研究仅基于1228张PET/CT图像，样本量有限，且未提及在不同医院或扫描设备间的泛化性验证	开发基于深度学习的PET/CT影像诊断方法，实现卵巢肿瘤的自动分割与良恶性分类，辅助临床医生诊断	PET/CT影像中的卵巢肿瘤	计算机视觉	卵巢癌	NA	CNN	图像（PET/CT影像）	1228张PET/CT图像	PyTorch	U-Net-MobileNetv3, KiteNet, ConvNeXt, Mixup	Dice系数, 准确率	NA
7220	2026-06-29	A deep learning-based model for postoperative resection assessment in glioblastoma: A comparative study 2026-Apr-13, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-026-04255-4 PMID:41968240	研究论文	开发并评估一种基于深度学习的模型用于胶质母细胞瘤术后切除程度评估	提出基于减影技术的AI分割模型Dynapex BT，在术后影像分割和临床相关终点上优于商用U-Net模型	需要在更大规模多机构队列中验证临床实用性	开发用于术后胶质母细胞瘤影像分割的AI模型并评估其性能	胶质母细胞瘤术后影像	计算机视觉, 数字病理学, 机器学习	胶质母细胞瘤	减影技术, AI分割模型	U-Net	影像	LUMIERE队列和RHUH-GBM数据集	N/A	Dynapex BT, DeepBraTumIA (U-Net)	准确性, DSC, 精确率, 召回率, GTR分类准确率	N/A