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
861	2026-06-05	Bridging causality and deep learning for harmful algal bloom prediction 2026-Apr-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125492 PMID:41653893	研究论文	本文提出了一种增强的因果机器学习框架，将因果发现、治疗效果估计与深度学习相结合，用于预测有害藻华	创新性地融合因果发现算法DECI、双机器学习平均处理效应和单调因果约束，构建了因果知情神经网络（CINN），实现了高精度且可解释的藻华预测	未明确提及局限性，但可能包括对数据质量和特征选择的高度依赖、因果结构假设的敏感性，以及模型在极端事件或不同地理区域的泛化能力待验证	开发一种因果驱动且可解释的深度学习框架，用于准确预测有害藻华中的叶绿素-a浓度	波斯湾海域的有害藻华事件及相关的31个环境预测因子	机器学习	NA	MODIS、ERA5、HYCOM遥感与再分析数据	因果知情神经网络（CINN）及其单调扩展（MCINN）	时间序列环境数据（卫星影像、气象、海洋数据）	使用MODIS、ERA5和HYCOM的31个环境预测因子，具体样本数量未明确	PyTorch	DECI算法、双机器学习、CINN（因果知情神经网络）、MCINN（单调因果知情神经网络）	R²、均方根误差（RMSE）	NA
862	2026-06-05	Towards holistic phenotype prediction beyond genotypic data 2026-Apr-15, Journal of experimental botany IF:5.6Q1 DOI:10.1093/jxb/erag068 PMID:41656352	综述	探讨整合基因组学以外的多种数据类型以提高表型预测能力的方法	将数据整合策略系统分类为消除、促进、聚合、合并和调节五类，并全面分析各策略的优势与局限性	未具体评估各策略的实际预测性能差异，缺乏实验验证	探索多数据整合方法以实现更全面的表型预测	基因组选择中的表型预测模型与数据整合策略	机器学习	NA	基因组选择	CNN	基因组数据、环境数据、非基因组数据	NA	NA	卷积神经网络	预测准确性	NA
863	2026-06-05	An explainable and transferable deep learning framework for spatiotemporal urban flood prediction by integrating Vision Transformer and U-Net 2026-Apr-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125504 PMID:41662782	研究论文	提出了一种结合Vision Transformer和U-Net的混合深度学习框架ViTUN，用于捕获城市洪水传播的时空特征	首次将Vision Transformer与U-Net结合，用于城市洪水时空预测，并具备可解释性和迁移能力	模型基于模拟数据训练，缺乏真实洪水事件验证；迁移未考虑不同城市气候差异	实现快速、可解释、可迁移的城市洪水实时预测，支持早期预警和应急响应	中国岳阳城市区域的洪涝淹没过程	机器学习	NA	NA	Vision Transformer, U-Net	洪水淹没数据（来自耦合水动力模拟）	NA	PyTorch	Vision Transformer, U-Net	Critical Success Index, 相关系数R, 平均绝对误差	NA
864	2026-06-05	Identification of roasting degree and interpretability analysis of Yunnan arabica coffee beans based on multi-dimensional visual features and CNNs-SHAP 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148367 PMID:41672011	研究论文	基于多维视觉特征和CNNs-SHAP实现云南阿拉比卡咖啡豆烘焙程度的精确识别与可解释性分析	首次结合多维视觉特征（颜色直方图、复合纹理和形态参数）与卷积神经网络-SHAP可解释性分析，打破了深度学习黑箱限制，为咖啡烘焙标准化提供精确可解释技术	外部验证中轻烘焙样本准确率相对较低（91.5%），可能存在特征提取或模型泛化方面的不足	实现云南阿拉比卡咖啡豆烘焙程度的精确识别和透明决策	云南阿拉比卡咖啡豆的烘焙程度（轻、中、深烘焙）	计算机视觉	NA	多维视觉特征提取（颜色直方图、灰度共生矩阵-局部二值模式复合纹理、形态参数）	卷积神经网络	图像	未明确说明具体样本数量，但涉及轻、中、深烘焙咖啡豆样本	NA	卷积神经网络（具体架构未指定）	准确率	NA
865	2026-06-05	Intelligent storage year identification of Anhua dark tea via carbon quantum dots-based colorimetric sensor array and computer vision 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148329 PMID:41672020	研究论文	开发了一种基于碳量子点的比色传感器阵列结合深度学习模型，用于快速识别安化黑茶的储藏年份	首次将碳量子点比色传感器阵列与深度学习结合，实现安化黑茶储藏年份的快速识别，并开发了用户友好界面便于非专业人员操作	仅针对安化黑茶，未验证其他茶类或食品的泛化能力；样本量及存储条件细节未明确提及	开发一种快速、经济且易操作的安化黑茶储藏年份识别方法，用于食品质量控制和真实性评估	不同储藏年份的安化黑茶	计算机视觉	不适用	比色传感器阵列，碳量子点，UV成像	卷积神经网络（CNN）	图像	未明确说明样本数量（涉及不同储藏年份的安化黑茶样品）	PyTorch	ResNet18, VGG16, DenseNet121, MobileNetV3-Small, EfficientNet B0	准确率（准确率最高达92.4%，与传统模型PLS-DA和PCA-LDA的57.6%和63.6%对比）	未明确说明计算资源
866	2026-06-05	DIPLI: deep image prior lucky imaging for blind astronomical image restoration 2026-Apr-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47300-4 PMID:41974874	研究论文	提出一种针对高对比度天文目标的深度图像先验与幸运成像结合的无监督图像恢复方法	将单帧DIP扩展到多帧处理，采用反投影技术、基于TVNet的稠密光流估计以及SGLD的蒙特卡洛估计替代确定性预测	在像素级失真指标上仍逊于扩散模型，且存在感知-失真权衡的固有限制	实现无训练数据条件下天文图像的盲恢复与超分辨率	高对比度解析天文目标（如太阳系天体）的观测图像	计算机视觉	NA	NA	深度图像先验（DIP）、TVNet、SGLD	图像	合成数据集（含12个场景）及真实天文观测数据	PyTorch	TVNet	LPIPS、DISTS、PSNR、SSIM	NA
867	2026-06-05	Bayesian optimization for uncertainty-aware prediction of rainfall-induced deformation in embankment dams 2026-Apr-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46994-w PMID:41974783	研究论文	提出一种混合物理信息贝叶斯深度学习框架，用于预测土坝降雨变形，实现不确定性感知的早期预警	集成耦合u-p比奥固结有限元建模与ANN-LSTM-MDN架构，通过贝叶斯优化实现物理一致性约束，并引入自适应成分依赖不确定性缩放和新颖的不确定性校准评分	NA	开发一种准确、物理一致且不确定性校准的土坝变形预测模型，用于可靠早期预警	土坝在施工期降雨下的变形行为，以Megech大坝为例	机器学习	NA	有限元建模，贝叶斯优化	ANN-LSTM-MDN	监测数据	Megech大坝施工期监测数据	OpenSeesPy	ANN, LSTM, 混合密度网络	负对数似然, 连续分级概率评分, 预测区间覆盖概率	NA
868	2026-06-05	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	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
869	2026-06-05	Fast and accurate extraction of microwave filter coupling matrix via physics-informed deep learning 2026-Apr-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46255-w PMID:41974785	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
870	2026-04-11	AI-driven integration of Framingham Heart Study data with machine learning, deep learning, and explainable AI for enhanced pharmaceutical marketing 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45770-0 PMID:41957161	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
871	2026-06-05	Adults' dental cone beam computed tomography images dataset for detecting and classifying missing teeth 2026-Apr-07, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07156-9 PMID:41942491	研究论文	构建了一个包含三维标注的成人牙科锥形束计算机断层扫描图像数据集，用于检测和分类缺牙，并提供了基线模型评估	首次提供带有精确三维定位缺牙部位标注的CBCT数据集，明确标注了金属伪影和植入物等复杂情况，支持自动化种植牙规划深度学习模型的训练	数据来源仅限于三个机构，样本量较小（158例），且仅部分体积（85个）包含三维标注，可能影响模型的泛化能力	解决高质量三维标注CBCT数据集稀缺的问题，推动自动化牙科种植规划的深度学习研究	来自三个机构158名患者的CBCT图像数据，包含501个缺牙部位，其中85个体积有114个特定部位的三维标注	计算机视觉	缺牙	锥形束计算机断层扫描	深度学习模型	图像	158例患者的CBCT体积数据，其中85例包含三维标注（共4994张切片）	NA	NA	临床评估和深度学习建模基线指标	NA
872	2026-06-05	Lightweight liquid neural networks decipher salivary metabolic fingerprinting for high-risk periodontitis screening in diabetes 2026-Apr-07, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02593-7 PMID:41942764	研究论文	利用轻量级液态神经网络解码唾液代谢指纹，实现糖尿病高危牙周炎的快速筛查	首次结合探针电喷雾电离质谱（PESI-MS）与轻量级液态神经网络（LNN）用于牙周炎合并2型糖尿病（高共患风险人群）的非侵入性快速筛查	研究为双中心初步验证，样本量较小（426人），需更大规模多中心研究验证泛化性能	开发一种快速、非侵入的方法，用于识别同时患有牙周炎和2型糖尿病的高风险个体	426名参与者（包括健康对照组、单纯牙周炎组、牙周炎合并2型糖尿病组）的唾液代谢指纹	机器学习	牙周炎、2型糖尿病	探针电喷雾电离质谱（PESI-MS）	液态神经网络（LNN）、BiLSTM、MHA-LSTM	质谱数据、人口统计学协变量（年龄、性别）	426份唾液样本（健康对照组114份，单纯牙周炎组209份，牙周炎合并2型糖尿病组103份），80%训练集，20%测试集	NA	LNN、BiLSTM、MHA-LSTM	准确率（91.9%）、召回率（100%）、AUC（0.73-0.78对照）	NA
873	2026-06-05	Pushing the limits of fluorescence imaging with a restoration neural network aggregating large-view statistics 2026-Apr-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-71278-2 PMID:41946697	研究论文	提出一种大型补丁网络（LargePNet），通过聚合大视野统计信息来推动荧光成像的极限	LargePNet利用浅层超大型核卷积提供的大有效感受野与深层网络的非线性表示能力结合，通过尺度分离有效利用大视野全局信息进行图像恢复，直接训练大视野图像，相比现有小补丁网络在保真度和抗噪性上显著提升	未明确提及具体限制，但可能依赖于高质量训练数据和大视野图像的可用性	克服现有恢复网络因忽视全局统计信息导致的保真度和抗噪性缺陷，提升荧光成像的恢复性能	荧光成像数据，包括单图像、视频和体积数据	计算机视觉	NA	荧光成像	卷积神经网络	图像、视频、体积数据	涉及八种代表性恢复任务，具体样本量未说明	PyTorch（推测）	LargePNet，结合浅层超大型核卷积与深层网络	峰值信噪比	与先进卷积网络和Transformer网络相比，计算效率分别提高约4倍和20倍，具体硬件未说明
874	2026-06-05	Smart medical system integrating clinical workflows for robust skin cancer detection across heterogeneous pathologies 2026-Apr-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45132-w PMID:41942573	研究论文	提出一种融合临床工作流的智能医疗系统，用于在异质性病理中实现稳健的皮肤癌检测	提出了注意力引导自编码器与Transformer全局上下文建模模块的混合深度学习架构，并引入贝叶斯优化与灰狼优化及鲸鱼优化算法协同的超参数优化策略	未在真实临床工作流中验证系统的泛化能力及计算效率	开发高准确率、可泛化的自动化皮肤癌分类系统	皮肤病变图像	计算机视觉	皮肤癌	深度学习	混合深度学习模型（自编码器+Transformer）	图像	使用HAM10000、ISIC-2019和ISIC-2020三个基准皮肤镜数据集	NA	注意力引导自编码器，Transformer	准确率，F1分数，AUROC	NA
875	2026-06-05	Research on fast and accurate prediction of milk yield in dairy goats based on deep learning 2026-Apr, Journal of dairy science IF:3.7Q2 DOI:10.3168/jds.2025-27905 PMID:41651371	研究论文	基于改进的Mask R-CNN深度学习模型，通过乳房图像预测奶山羊产奶量，实现快速准确预测	改进Mask R-CNN模型，引入特征通道注意力和锚点细化模块，首次通过乳房轮廓特征预测产奶量，验证了基于图像的预测可行性	未提及	提出基于深度学习的奶山羊产奶量快速准确预测方法，辅助选种育种	奶山羊乳房图像	计算机视觉	NA	深度学习	Mask R-CNN	图像	NA	NA	Mask R-CNN	准确率, 召回率, 平均交并比, 平均绝对误差, 均方误差, 平均绝对百分比误差	NA
876	2026-06-05	Estimating proximity to muscular failure using surface EMG and deep learning 2026-Apr, Journal of electromyography and kinesiology : official journal of the International Society of Electrophysiological Kinesiology IF:2.0Q2 DOI:10.1016/j.jelekin.2026.103111 PMID:41653807	research paper	提出基于表面肌电信号和深度学习的实时肌肉力竭程度估计方法	首次定义连续性的力竭接近指数(PFI)并利用深度学习模型从sEMG频谱图实时预测力竭程度	仅针对静态二头肌弯举动作，对动态训练场景的适用性尚未验证	开发实时肌肉力竭程度估计方法以动态个性化抗阻训练	12名受试者进行静态二头肌弯举至力竭过程中的表面肌电信号	machine learning	NA	表面肌电信号(sEMG)记录	LSTM	频谱图	12名受试者的192次记录	NA	长短期记忆网络(LSTM), 多层感知器(MLP), Transformer, 循环神经网络(RNN)	均方误差(MSE)	NA
877	2026-06-05	Comparison of Artificial Intelligence Models for Automatic Segmentation of the Mandibular Canals and Branches 2026-Apr, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2026.109427 PMID:41653835	研究论文	比较三种深度学习模型（UNETR、Swin UNETR和3D UX-Net）在下颌管及其分支自动分割中的性能，并应用基于解剖特征的后处理模块进行优化	首次系统比较三种先进深度学习模型在小牙科结构——下颌管及其分支分割中的表现，并提出基于解剖特征的后处理策略显著提升分割精度	NA	提高下颌管及其分支的自动分割准确性，为临床牙科手术提供高效工具	下颌管及其分支（包括切牙管和颏管）	计算机视觉	牙科疾病	NA	深度学习模型（U-Net Transformer、Swin UNETR、3D UX-Net）	锥形束CT图像	173例锥形束CT扫描数据	NA	U-Net Transformer, Swin UNETR, 3D UX-Net	Dice相似系数, 交并比, 95%豪斯多夫距离, 平均对称表面距离, 精确率, 召回率	NA
878	2026-06-05	Dual Framework for Classification and Detection of Third Molar Impaction in Panoramic Radiographs 2026-Apr, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2026.109430 PMID:41655402	research paper	提出两种独立深度学习框架，用于全景X光片中第三磨牙阻生情况的分类和检测	融合多头自注意力的改进YOLOv10和YOLOv11n架构，以及基于深度特征结合传统机器学习算法的分类方法	未明确说明局限性	实现第三磨牙阻生的准确自动多类别评估，提升临床诊断性能与计算效率	第三磨牙阻生	computer vision	口腔颌面外科	全景X光片影像	CNN	image	5796张专家标注的全景X光片	PyTorch	YOLOv10, YOLOv11n, ResNet50, InceptionNetV3	accuracy, precision, recall, F1-score, mean average precision	NA
879	2026-06-05	A Multimodal Fusion Model of Radiomics and Deep Learning Integrating the Tumor Microenvironment Accurately Predicts Pathological Complete Response in Breast Cancer 2026-Apr, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.01.016 PMID:41656135	研究论文	开发了一种整合影像组学、深度学习及肿瘤微环境特征的多模态融合模型，用于预测乳腺癌新辅助化疗后的病理学完全缓解	整合了瘤内影像组学、瘤周特征（9mm扩展）和深度学习特征，并首次系统结合肿瘤微环境信息进行预测	DL+Intra组合模型在统计学上未显著优于最终集成模型，且外部验证样本量有限（n=95）	提高乳腺癌新辅助化疗后病理学完全缓解的预测准确性，支持个性化治疗方案决策	乳腺癌患者治疗前的MRI影像数据及对应病理学完全缓解状态	机器学习	乳腺癌	MRI	逻辑回归	影像	内部验证集929例（I-SPY2试验），外部验证集95例	NA	NA	AUC, 敏感度	NA
880	2026-06-05	Horizontal nystagmus identification with joint SAM segmentation and time series classification 2026-Apr, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery IF:1.9Q2 DOI:10.1007/s00405-025-09950-4 PMID:41663530	研究论文	提出了一种联合SAM分割和时间序列分类的水平眼震识别模型	首次联合SAM分割和时间序列分类检测水平眼震，利用SAM提取瞳孔运动轨迹并结合空间注意力与多尺度一维时间序列卷积分类器提高检测精度	未提及在更多样化数据集或不同眼动视频来源上的泛化能力验证，可能受限于临床采集数据集的规模	开发高效的水平眼震自动检测方法，提升前庭疾病早期筛查和诊断效率	水平眼震患者的眼动视频中的瞳孔运动轨迹	计算机视觉，时间序列分析	前庭疾病	深度学习，眼动视频分析	卷积神经网络，SAM，时间序列卷积分类器	眼动视频	临床采集的水平眼震视频数据集，具体样本数量未说明	PyTorch, SAM	CNN（用于帧过滤），SAM，空间注意力机制，多尺度一维时间序列卷积分类器	准确率，精确率	NA