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
7621	2026-01-03	Real-world evaluation of deep learning decoders for motor imagery EEG-based BCIs 2025, Frontiers in systems neuroscience IF:3.1Q2 DOI:10.3389/fnsys.2025.1718390 PMID:41472918	研究论文	本研究评估了10种深度学习解码器在基于运动想象脑电图的脑机接口中的实时应用性能	首次在软实时协议下系统评估多种深度学习解码器在短时间窗口（2秒）内的表现，并揭示了离线与在线设置间的性能排名变化	注意力机制和Transformer架构在跨被试和会话中表现不稳定，可能受限于样本量和个体差异	评估深度学习解码器在实时脑机接口中的适用性，为在线优先的脑电图解码器设计提供指导	运动想象脑电图信号	机器学习	NA	脑电图	CNN, TCN, Transformer	脑电图信号	NA	NA	FBLight ConvNet, EEG-TCNet, 卷积神经网络, 时间卷积网络, Transformer	准确率, 灵敏度, 精确率, 误中率, 误报率, 信息传输率, 工作量	NA
7622	2026-01-03	Automated weed monitoring and control: enhancing detection accuracy using a YOLOv7-AlexNet fusion network 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1664650 PMID:41473147	研究论文	本研究提出了一种结合YOLOv7和AlexNet的混合深度学习系统，用于农业场景中的杂草自动监测、检测和物种分类	提出了一种新颖的YOLOv7-AlexNet混合网络，利用YOLOv7进行快速杂草检测，并利用AlexNet提高杂草物种分类的特异性，从而在密集环境中实现更精细的识别	数据集需要扩展以涵盖更多杂草物种和环境条件，且模型尚未在田间计算机上部署验证其实际应用效果	提高农业杂草监测的检测精度和分类能力，实现高效、鲁棒的实时杂草检测与分类	农业场景中的杂草	计算机视觉	NA	深度学习	CNN	图像	未明确说明	未明确说明	YOLOv7, AlexNet	精确率, 召回率, F1分数, mAP@0.50, mAP@0.5:0.95	未明确说明
7623	2026-01-03	An intelligent MRI data fusion framework for optimized diagnosis of spinal tumors 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1606570 PMID:41473174	研究论文	提出了一种名为TSJNet的新型多模态图像融合框架，用于优化脊柱肿瘤的诊断	提出了一种新颖的目标与语义联合驱动网络（TSJNet），通过融合模块与检测、分割子网络的集成，以及具有双分支设计的局部显著特征提取（LSFE）模块，增强了细粒度的跨模态特征交互	NA	开发一种多模态图像融合框架，以支持下游视觉任务，特别是优化脊柱肿瘤的诊断	多模态医学图像（MRI）	计算机视觉	脊柱肿瘤	多模态图像融合	深度学习	图像	在四个公共数据集（MSRS, M3FD, RoadScene, LLVIP）上进行了评估	NA	TSJNet	mAP@0.5, mIoU	NA
7624	2026-01-03	Can artificial intelligence uncover the bioactive peptides' benefits for human health and knowledge? A narrative review 2025, Frontiers in nutrition IF:4.0Q2 DOI:10.3389/fnut.2025.1698147 PMID:41473198	综述	本文是一篇叙述性综述，探讨了人工智能（尤其是机器学习和深度学习）在发现、表征和应用源自食物的生物活性肽和氨基酸方面的革命性作用	综述了AI如何通过预测建模、分子动力学模拟和自然语言处理等方法，加速生物活性肽的发现，优化提取过程，并实现个性化营养策略，揭示了AI在功能性食品开发和精准营养领域的变革潜力	存在数据质量、模型可解释性、跨学科合作不足等挑战，缺乏标准化数据库，且在个性化营养指导方面存在伦理审批和隐私法律协议的需求	探讨人工智能在食品科学中，特别是对生物活性肽和氨基酸的发现、表征及应用方面的作用，以促进功能性食品开发和精准营养	源自植物和动物性食物的生物活性肽和氨基酸	自然语言处理, 机器学习	非传染性疾病	预测建模, 分子动力学模拟, 自然语言处理, 组学技术（如营养基因组学、蛋白质组学）	机器学习, 深度学习	文本, 分子数据	NA	NA	NA	NA	NA
7625	2026-01-03	Toward accurate Alzheimer's detection: transfer learning with ResNet50 for MRI-based diagnosis 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1664418 PMID:41473412	研究论文	本研究提出了一种基于预训练ResNet50卷积神经网络的自动特征提取方法，用于从脑部MRI扫描中检测阿尔茨海默病，并通过多种分类算法进行评估	采用预训练的ResNet50模型进行迁移学习，实现了自动特征提取，避免了传统方法中手动特征提取的繁琐过程，显著提高了诊断的准确性和可扩展性	研究主要基于两个公开数据集（ADNI和MIRIAD），可能未涵盖所有临床场景的多样性；模型性能在不同数据集间存在一定波动	开发一种自动化、高准确性的阿尔茨海默病检测方法，以支持临床工作流程并应对未来病例增长的需求	阿尔茨海默病患者及健康对照的脑部MRI扫描数据	计算机视觉	阿尔茨海默病	MRI成像	CNN	图像	基于ADNI和MIRIAD两个基准数据集，具体样本数量未在摘要中明确说明	未在摘要中明确说明	ResNet50	灵敏度, 特异性, 准确率	未在摘要中明确说明
7626	2026-01-03	EnsembleSkinNet: a transfer learning-based framework for efficient skin cancer detection with explainable AI integration 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1699960 PMID:41473432	研究论文	本文提出了一种基于迁移学习的集成深度学习框架EnsembleSkinNet，用于高效皮肤癌检测，并整合了可解释AI技术	通过软最大值加权谱融合多种预训练CNN架构（M-VGG16、ResNet50、Inception V3、DenseNet201），结合迁移学习、微调和贝叶斯超参数优化，提高了模型的鲁棒性和可解释性	未明确提及模型在更广泛数据集或临床环境中的泛化能力限制	开发一个鲁棒、可解释的AI框架，用于皮肤癌的早期检测和诊断	皮肤病变图像	计算机视觉	皮肤癌	深度学习	CNN	图像	HAM10000数据集和ISIC 2020数据集	TensorFlow, PyTorch	Modified VGG16, ResNet50, Inception V3, DenseNet201	准确率, 精确率, 召回率, F1分数, AUC	NA
7627	2026-01-03	Topological Radiomics in Predicting Mucosal Healing and Activity Score of Crohn's Disease Using Multi-Task Deep Learning 2025, Journal of inflammation research IF:4.2Q2 DOI:10.2147/JIR.S555403 PMID:41473601	研究论文	本文开发了一种基于拓扑放射组学的多任务深度学习模型，用于同时预测克罗恩病的黏膜愈合状态和内镜活动评分	首次将拓扑放射组学特征与多任务深度学习结合，用于克罗恩病的非侵入性评估，并整合了特征选择和SHAP可解释性方法	样本量较小（仅81名患者），未来需要更大规模队列研究进一步验证其稳健性	开发非侵入性定量方法，以替代内镜检查，评估克罗恩病的活动性和黏膜愈合	克罗恩病患者	数字病理学	克罗恩病	多期相CT小肠造影	多任务深度学习模型	医学影像（CT图像）	81名克罗恩病患者（训练集60人，验证集21人）	NA	NA	AUC, MSE, MAE, R2, C-index	NA
7628	2026-01-03	DUI Detection From Gait Using a Multichannel 1DCNN-Attention-BiLSTM Framework 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3636473 PMID:41473808	研究论文	本文提出了一种基于智能手机加速度计数据的深度学习框架，用于被动检测酒精中毒，旨在通过步态分析提高道路安全	提出了一种新颖的多通道混合1D-CNN-注意力-双向LSTM（MC-Hybrid）模型，结合了并行1D-CNN提取短期特征、自注意力机制增强预测模式权重以及双向LSTM建模时间依赖性	未明确提及数据集的多样性或外部验证，可能面临步态变异性等挑战	被动检测酒精中毒，以替代传统侵入性方法，并实现连续监测	智能手机加速度计数据中的步态模式	机器学习	NA	步态分析	1D-CNN, LSTM, 注意力机制	传感器数据（加速度计）	未明确指定样本数量，但使用了分层分割和随机过采样处理类别不平衡	未指定，但基于深度学习框架	多通道混合1D-CNN-注意力-双向LSTM（MC-Hybrid）	准确率, F1分数	未明确指定
7629	2026-01-03	A deep learning-based early prediction framework for weight management using real-world lifelog data: GRU-ODE-Bayes model development and validation study 2025 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076251406656 PMID:41473832	研究论文	本研究开发了一个基于GRU-ODE-Bayes的深度学习框架，利用真实世界的生活日志数据预测体重管理中的早期成功减重	提出了一种结合门控循环单元、常微分方程和贝叶斯方法的深度学习框架，以处理真实世界数据中常见的缺失和不规则采样问题，实现早期体重管理预测	研究基于特定健康追踪应用（Noom Coach）的用户数据，可能无法泛化到其他平台或人群；数据为回顾性队列，可能存在选择偏倚	开发一个能够利用真实世界生活日志数据早期预测体重管理成功率的深度学习模型	使用Noom Coach健康追踪应用的用户，其生活日志数据包括体重、运动、餐食记录等	机器学习	肥胖	深度学习	GRU-ODE-Bayes	时间序列数据（生活日志）	34,322名用户，分为训练集（24,292）、验证集（6,074）和测试集（3,375）	NA	GRU-ODE-Bayes	ROC AUC, PRC AUC	NA
7630	2026-01-03	MultiFAR: Multidimensional information fusion with attention-driven representation learning for student performance prediction 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0333099 PMID:41134863	研究论文	提出了一种名为MultIFAR的多维信息融合模型，通过注意力机制驱动的深度学习来预测学生表现	融合了学生人口统计、评估和虚拟学习环境交互等多维信息，并采用注意力机制结合双向长短期记忆网络和卷积网络来高效学习学生表示	未明确提及具体局限性，但可能包括对数据质量和多样性的依赖	预测学生表现，特别是早期识别有风险和高表现学生	学生行为数据，包括人口统计、评估和虚拟学习环境交互信息	机器学习	NA	深度学习	BiLSTM, CNN	多维数据（人口统计、评估、交互）	使用Open University Learning Analytics数据集，具体样本数未明确	NA	BiLSTM, CNN	准确率	NA
7631	2026-01-03	Emerging Brain-to-Content Technologies from Generative AI and Deep Representation Learning 2024-Nov, IEEE signal processing magazine IF:9.4Q1 DOI:10.1109/msp.2024.3484629 PMID:40786597	综述	本文探讨了生成式AI和深度表示学习在脑机接口（BCI）领域催生的新兴脑到内容技术	提出了由生成式AI和深度学习驱动的BCI 2.0系统，将传统脑机接口升级为能够生成内容的范式转变技术	NA	回顾并展望生成式AI与深度学习在脑到内容技术中的应用与发展	脑机接口系统及其与生成式AI结合的技术	自然语言处理, 计算机视觉, 机器学习	NA	生成式AI, 深度表示学习	NA	信号, 图像, 语音, 文本	NA	NA	NA	NA	NA
7632	2026-01-03	HAMIL-QA: Hierarchical Approach to Multiple Instance Learning for Atrial LGE MRI Quality Assessment 2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-72378-0_26 PMID:41473352	研究论文	本研究提出了一种名为HAMIL-QA的分层多示例学习框架，用于自动化评估心房纤维化LGE MRI图像的质量	提出了一种分层袋与子袋结构的多示例学习方法，能够在子袋内进行针对性分析并在体积层面聚合信息，从而减少对大量标注的依赖、降低计算负担，并专注于诊断关键特征	未在摘要中明确说明	开发一种自动化、可扩展的解决方案，用于评估左心房纤维化3D LGE MRI图像的质量，以提高诊断准确性、标准化评估并改善患者预后	左心房纤维化的3D晚期钆增强（LGE）MRI图像	数字病理学	心血管疾病	晚期钆增强（LGE）MRI	多示例学习（MIL）	图像	NA	NA	分层多示例学习框架（HAMIL-QA）	准确率, AUROC, F1分数	NA
7633	2026-01-03	Real-time counting of wheezing events from lung sounds using deep learning algorithms: Implications for disease prediction and early intervention 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294447 PMID:37983213	研究论文	本研究开发了一种基于深度学习算法的实时喘息事件计数方法，用于肺部声音分析，以改善症状自我管理和远程医疗监测	提出了一种创新的实时喘息计数算法，能够将单个呼吸周期详细标记为三种类型（间歇、正常、喘息），并捕获异常声音的位置、持续时间和在整个呼吸周期中的关系，包括非典型模式	未明确说明算法在更广泛人群或不同环境下的泛化能力，也未讨论实时处理对计算资源的具体要求	开发实时喘息计数算法，用于肺部疾病预测和早期干预	肺部声音（呼吸音）	数字病理学	肺部疾病	深度学习算法	CNN, LSTM	音频（肺部声音）	535个呼吸周期，来自多个数据库（儿童模拟肺声音模拟器、EMTprep开源数据库、临床患者记录、ICBHI 2017挑战数据库）	NA	一维卷积神经网络（1D-CNN）与长短期记忆网络（LSTM）组合模型	分类准确率	NA
7634	2026-01-03	Transformer based neural network for daily ground settlement prediction of foundation pit considering spatial correlation 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294501 PMID:37983239	研究论文	本文提出了一种基于Transformer的深度学习方法，用于考虑基坑监测点时空相关性的每日地面沉降预测	首次将Transformer模型应用于基坑沉降预测，并同时考虑了监测点之间的空间相关性和时间相关性	未明确说明模型在处理极端天气或地质条件变化时的鲁棒性	提高基坑每日地面沉降预测的准确性，确保施工安全	基坑监测点的沉降数据	机器学习	NA	深度学习	Transformer, LSTM, RNN-LSTM	时间序列数据	NA	NA	Transformer	准确性	NA
7635	2026-01-03	Hybrid deep learning models with multi-classification investor sentiment to forecast the prices of China's leading stocks 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294460 PMID:38011183	研究论文	本研究结合深度学习和投资者情绪分析，预测中国A股市场五大关键行业领先股票的价格	首次基于现代心理学四种情绪类型构建了中国股市的情绪多分类数据集，并利用Bi-LSTM-ATT和CNN-Bi-LSTM-ATT模型分析多分类投资者情绪对股价预测的影响	NA	预测中国A股市场领先股票价格，并分析投资者情绪对预测准确性的影响	中国A股市场五大关键行业的领先股票	机器学习	NA	NA	Bi-LSTM, CNN	文本	NA	NA	Bi-LSTM-ATT, CNN-Bi-LSTM-ATT	准确性	NA
7636	2026-01-03	Combining finite element and reinforcement learning methods to design superconducting coils of saturated iron-core superconducting fault current limiter in the DC power system 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294657 PMID:38019828	研究论文	本文提出了一种结合有限元方法和深度强化学习来优化直流电力系统中饱和铁芯超导故障限流器超导线圈设计的方法	将有限元模拟与深度Q网络算法结合，实现超导线圈设计参数的实时优化，解决了传统仿真耗时长的难题	研究基于实验室规模模型，大规模高压直流系统的实际应用效果尚待验证	优化饱和铁芯超导故障限流器中超导线圈的设计参数	直流电力系统中的饱和铁芯超导故障限流器超导线圈	机器学习	NA	有限元方法, 深度强化学习	深度Q网络	仿真数据	NA	NA	深度Q网络	NA	NA
7637	2026-01-03	DTLR-CS: Deep tensor low rank channel cross fusion neural network for reproductive cell segmentation 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294727 PMID:38032913	研究论文	本文提出了一种名为DTLR-CS的深度张量低秩通道交叉融合神经网络，用于改进U-Net在生殖细胞分割中的性能	提出了一种新的网络架构DTLR-CS，通过张量低秩模块和交叉融合连接模块替代U-Net中的简单跳跃连接，以解决全局多尺度建模不稳定和特征融合中的语义鸿沟问题	未在摘要中明确提及	改进医学图像分割，特别是生殖细胞分割的准确性和稳定性	生殖细胞	数字病理学	NA	深度学习	CNN	图像	未在摘要中明确提及	未在摘要中明确提及	U-Net, DTLR-CS	未在摘要中明确提及	未在摘要中明确提及
7638	2026-01-03	FakeStack: Hierarchical Tri-BERT-CNN-LSTM stacked model for effective fake news detection 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294701 PMID:38039283	研究论文	本文提出了一种名为FakeStack的深度学习模型，用于准确检测假新闻	结合了预训练的BERT嵌入、具有跳跃卷积块的深度CNN和LSTM，有效利用上下文线索和跳跃连接	仅基于英文假新闻数据集进行训练和测试，未涉及多语言或跨领域验证	开发一个高效的假新闻检测系统	假新闻文章	自然语言处理	NA	NA	BERT, CNN, LSTM	文本	NA	NA	Tri-BERT-CNN-LSTM stacked model	准确率, 精确率, 召回率, F1分数	NA
7639	2026-01-03	Population preferences for AI system features across eight different decision-making contexts 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0295277 PMID:38039320	研究论文	本研究通过横断面调查，探讨了丹麦成年人口在八个不同决策情境下对AI系统五个保护性特征的偏好	首次将AI系统偏好研究从医疗领域扩展到包括公共和商业部门在内的多种决策情境，揭示了偏好随决策重要性变化的规律	研究仅基于丹麦人口样本，可能无法推广到其他文化背景；采用横断面设计，无法确定因果关系	调查公众在不同决策情境下对AI系统保护性特征的偏好差异	丹麦成年人口	机器学习	NA	横断面调查	深度学习架构	调查数据	NA	NA	NA	NA	NA
7640	2026-01-03	Investigation on the fault monitoring of high-voltage circuit breaker using improved deep learning 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0295278 PMID:38039313	研究论文	本文开发了一种断路器故障监测装置，通过监测振动信息数据诊断高压断路器的机械故障，并采用改进的深度学习方法进行训练和分类识别	采用改进的深度学习方法训练高压断路器的振动信息，结合系统化研究方法识别断路器故障，实现了超过95%的准确率	NA	准确评估高压断路器的运行状态并进行故障评估，以保障电网的安全性和可靠性	高压断路器的机械故障	机器学习	NA	振动监测	深度学习	振动数据	NA	NA	NA	准确率	NA