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
881	2026-03-30	Transformer-Based Deep Learning Approaches for Speech-Based Dementia Detection: A Systematic Review 2026-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3595781 PMID:40768460	系统综述	本文系统综述了基于语音的深度学习在痴呆症检测中的应用，重点分析了Transformer模型的效果	首次系统性地比较了Transformer架构在语音痴呆检测中的表现，并明确了语言特征优于声学特征的结论	数据集多样性不足、痴呆严重程度分类标准不一致、样本量和性能指标报告方式存在差异	识别未来数据驱动的痴呆症研究的最佳实践，以开发临床诊断决策支持系统	基于语音的痴呆症检测研究	自然语言处理	老年疾病	语音分析	Transformer	语音	80项研究	NA	Transformer	准确率, 灵敏度, 特异性	NA
882	2026-03-30	Migrating in a Warming World: A Deep Learning Approach to Predict Pan-American Seasonal Shifts in the Monarch Butterfly Niche 2026-Mar, Global change biology IF:10.8Q1 DOI:10.1111/gcb.70805 PMID:41891163	研究论文	本研究开发了一种时间感知的深度学习物种分布模型，用于预测气候变化下帝王蝶在美洲的季节性生态位变化	采用时间感知的深度学习框架，结合月度气候变量，相比传统静态模型能更好地捕捉迁徙物种的时空动态，并利用可解释AI技术识别关键环境驱动因素	模型主要依赖气候变量，可能未完全考虑生物相互作用、土地利用变化等其他生态因素，且数据来源包括公民科学，可能存在采样偏差	预测气候变化对帝王蝶生态位和分布范围的影响，为迁徙物种保护提供科学依据	帝王蝶（Danaus plexippus）	生态学	NA	深度学习物种分布建模	深度学习	物种出现记录、月度气候变量数据	来自美洲的科学和公民科学来源的帝王蝶出现记录	NA	NA	NA	NA
883	2026-03-30	Rapid Identification of Trace Pharmacodynamic Substances in Traditional Chinese Medicine via SERS and Deep Learning 2026-Feb-27, Biosensors DOI:10.3390/bios16030139 PMID:41892032	研究论文	本研究结合表面增强拉曼散射（SERS）和深度学习算法，开发了一种快速、高灵敏度的中药药效物质痕量检测方法	利用蛾翅鳞片作为模板制备Ag/MW SERS基底，并集成PCA与多种深度学习算法（MLP、Transformer、ResNet、DNN）进行快速识别，创新性地提高了检测灵敏度和准确性	研究目前仅针对纯标准溶液中的三种典型中药药效物质进行检测，尚未在复杂实际样品矩阵中验证，且样本规模有限	开发一种快速、有效、灵敏且可靠的分析方法，以解决中药现代化中痕量药效物质检测灵敏度不足的问题，促进中药质量评估与标准化	三种典型中药药效物质：苍术酮、升麻素和知母皂苷A-III	机器学习	NA	表面增强拉曼散射（SERS）、磁控溅射	MLP, Transformer, ResNet, DNN	拉曼光谱数据	NA	NA	MLP, Transformer, ResNet, DNN	准确率	NA
884	2026-03-30	Prediction of Three-Dimensional Ground Reaction Forces in the Golf Swing Using Wearable Inertial Measurement Units and Biomimetic Deep Learning Models 2026-Feb-27, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics11030159 PMID:41892082	研究论文	本研究利用可穿戴惯性测量单元和仿生深度学习模型预测高尔夫挥杆中的三维地面反作用力	首次探索使用耦合的下肢运动学数据通过仿生深度学习模型预测复杂高速运动（如高尔夫挥杆）中的三维地面反作用力，并评估了多种传感器配置	研究未明确说明样本量大小，且可能局限于特定运动环境（高尔夫挥杆），未涉及其他运动或日常活动	开发一种基于可穿戴传感器和深度学习的方法，用于在动态运动环境中估计地面反作用力，以替代传统的实验室力板测量	高尔夫挥杆过程中的三维地面反作用力及双侧髋、膝、踝关节角度	机器学习	NA	可穿戴惯性测量单元	深度学习	时间序列数据	NA	NA	TCN-BiGRU	相关系数, 平均相对误差, 归一化均方根误差	NA
885	2026-03-30	Restoration of Non-Uniform Motion-Blurred Star Images Based on Dynamic Strip Attention 2026-Feb-27, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030103 PMID:41892905	研究论文	本文提出了一种基于动态条带注意力机制的星图恢复网络，用于恢复长曝光模式下因相对运动导致的非均匀运动模糊星图	设计了多尺度动态条带池化模块，通过动态调整条带卷积自适应提取不同长度和方向的模糊特征，并引入多尺度特征融合模块以减少图像细节损失	NA	恢复因相对运动导致的非均匀运动模糊星图，提升图像质量和星点定位精度	长曝光模式下捕获的星图，包含星点和空间物体	计算机视觉	NA	NA	CNN	图像	NA	NA	NA	PSNR, SSIM, 星点识别准确率	NA
886	2026-03-30	Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32737-w PMID:41741481	研究论文	本研究提出了一种基于深度卷积神经网络的自动化方法，用于检测和量化胃活检组织病理学图像中的肠上皮化生，并与三位病理学家的视觉评估进行了比较分析	首次开发了基于深度学习的自动化系统来检测和量化肠上皮化生，并引入了适应的OLGIM分期，以替代传统易出错的主观视觉评估	未评估萎缩，因为病理学家间的一致性有限；模型与病理学家间的一致性范围较宽（0.12-0.35），表明仍需改进	开发一种自动化、可靠的深度学习方法，用于检测和量化胃活检中的肠上皮化生，以改善胃癌风险分层	胃黏膜组织病理学图像，来自哥伦比亚高胃癌流行区的149名无症状志愿者和一家三级医院的56名患者	数字病理学	胃癌	组织病理学成像	CNN	图像	205个样本（149名无症状志愿者和56名患者）	NA	深度卷积神经网络	F1分数, AUC	NA
887	2026-03-30	A novel hybrid model for species distribution prediction of soil-transmitted helminthiasis (STH) under soil temperature conditions using Random Forest and Particle Swarm Optimization Algorithm 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31604-y PMID:41748615	研究论文	本文提出了一种结合随机森林和粒子群优化算法的混合模型，用于预测土壤温度条件下土壤传播蠕虫病的物种分布	提出了一种新颖的混合模型，将随机森林算法与粒子群优化算法相结合，用于特征选择和超参数优化，以提高物种分布预测的准确性	未明确说明模型在其他地理区域或不同环境因素下的泛化能力	研究生态因素（特别是土壤温度）对尼日利亚土壤传播蠕虫病分布的影响，并提高物种分布预测的准确性	尼日利亚地区的土壤传播蠕虫病	机器学习	土壤传播蠕虫病	物种分布建模	随机森林, 人工神经网络, 粒子群优化	环境数据（土壤温度）, 流行病学数据	基于ESPEN的尼日利亚地理区域数据集	未明确说明	随机森林, 人工神经网络	准确率	NA
888	2026-03-30	Deep Learning-Derived Pathomic Features Predict NCIT Efficacy in Resectable Locally Advanced ESCC: Clinical Utility and Mechanistic Insights 2026-Feb-26, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol33030136 PMID:41892164	研究论文	本研究开发了一种基于深度学习的病理组学模型，用于预测可切除局部晚期食管鳞状细胞癌患者对新辅助化疗免疫疗法的反应，并探索其生物学机制	首次利用深度学习从H&E染色全切片图像中提取空间加权的病理组学特征，构建了ECiT评分，并结合临床变量开发了集成预测模型，同时揭示了EIF2S3介导的内质网应激-UPR轴作为潜在的耐药机制和治疗靶点	研究样本量相对有限（198名患者），且为回顾性研究，需要前瞻性多中心验证来确认模型的泛化能力和临床实用性	开发并验证一个AI驱动的病理组学模型，以预测可切除局部晚期食管鳞状细胞癌患者对新辅助化疗免疫疗法的反应，并探索其潜在的生物学机制	198名食管鳞状细胞癌患者的269张H&E染色全切片图像，以及来自TCGA-ESCA和GSE160269数据集的分子数据	数字病理学	食管鳞状细胞癌	H&E染色，全切片图像分析，RNA测序	CNN	图像，临床数据，基因表达数据	198名患者（104名来自同济医院，94名来自TCGA），共计269张全切片图像	PyTorch	ResNet152	AUC	NA
889	2026-03-30	A Two-Stage Framework for Early Detection and Subtype Identification of Alzheimer's Disease Through Multimodal Biomarker Extraction and Improved GCN 2026-Feb-25, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16030255 PMID:41892599	研究论文	本研究提出了一种基于多模态生物标志物提取和改进图卷积网络的两阶段框架，用于阿尔茨海默病的早期检测和亚型识别	提出了一种结合多模态关联分析和自注意力自表达图卷积网络的两阶段方法，有效整合结构MRI、PET和转录组数据，识别关键生物标志物并提高分类准确性，同时通过无监督聚类探索MCI亚型异质性	AD样本量有限，存在极端的类别不平衡问题	早期检测阿尔茨海默病并识别不同进展风险的轻度认知障碍亚型	阿尔茨海默病患者和轻度认知障碍患者	数字病理学	阿尔茨海默病	多模态磁共振成像, PET, 转录组学	GCN	图像, 转录组数据	未明确指定具体样本数量，但提及AD样本量有限	未明确指定	MFEAA-GCNSASE	AUC	NA
890	2026-03-30	A Deep Learning-Based Correction for Scanning Radius Errors in Circular-Scan Photoacoustic Tomography 2026-Feb-25, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030097 PMID:41892899	研究论文	提出一种基于深度学习的框架（SD-ResNet），用于校正由扫描半径误差引起的圆形扫描光声层析成像重建图像退化	提出了一种名为平滑反卷积ResNet（SD-ResNet）的新型深度学习框架，该框架结合了ImageNet预训练的ResNet-50编码器和一个轻量级的反卷积解码器，并引入了额外的平滑卷积层来抑制棋盘伪影并恢复精细结构细节	研究主要基于模拟数据和体模实验，尚未在大量真实临床数据上进行验证	开发一种对扫描半径误差具有鲁棒性的光声层析成像重建校正方法	圆形扫描光声层析成像的重建图像	医学影像处理	NA	光声层析成像，k-Wave模拟	深度学习	图像	使用人体胸部CT切片驱动的k-Wave模拟生成的配对训练数据集	NA	ResNet-50, SD-ResNet	图像质量恢复效果	NA
891	2026-03-30	Towards Lightweight and Multi-Scale Scene Classification: A Lie Group-Guided Deep Learning Network with Collaborative Attention 2026-Feb-24, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030094 PMID:41892896	研究论文	本文提出了一种轻量级多尺度网络LGLMNet，用于遥感场景分类，通过整合李群协方差特征和双分支架构提升性能	提出LGLMNet网络，结合李群机器学习提取浅层特征与深度学习分支提取高层语义，并引入并行深度可分离卷积块和多尺度感知及空间通道协同注意力机制，实现高效全局-局部建模	未明确提及具体局限性，但可能涉及计算成本或泛化能力方面的挑战	解决遥感场景分类中现有方法忽略浅层细节和计算成本高的问题，提升分类准确性和效率	遥感图像场景	计算机视觉	NA	深度学习	CNN, 注意力机制	图像	UCM-21、AID和NWPU-45数据集	NA	LGLMNet, PDSCB, SCCA, CLFFB	准确率	NA
892	2026-03-30	Hybrid MICO-LAC Segmentation with Panoptic Tumor Instance Analysis for Dense Breast Mammograms 2026-Feb-24, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging12030095 PMID:41892897	研究论文	提出一种用于乳腺X线图像中致密乳腺组织分析的临床驱动混合分割框架，整合了偏置场校正、粗分割、局部细化及全景式肿瘤实例分割	结合了MICO_2D偏置场校正、距离正则化多相Vese-Chan水平集模型、局部活动轮廓与局部图像拟合能量，并引入全景式肿瘤实例分割以分解相连肿瘤区域	未明确说明框架在更大或更多样化数据集上的泛化能力，以及计算效率方面的具体限制	开发一种用于致密乳腺X线图像中肿瘤分割和分析的混合框架，以解决强度不均匀性、低对比度和复杂肿瘤形态的挑战	乳腺X线图像中的致密乳腺组织和肿瘤	数字病理学	乳腺癌	乳腺X线成像	水平集模型, 活动轮廓模型	图像	MIAS和INBreast乳腺X线数据集	NA	U-Net, 多尺度网络, 多视图网络	Dice相似系数, 交并比	NA
893	2026-03-30	Automated Multi-Modal MRI Segmentation of Stroke Lesions and Corticospinal Tract Integrity for Functional Outcome Prediction 2026-Feb-24, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12030029 PMID:41893824	研究论文	本研究提出了一种基于常规多模态MRI的自动化卒中病灶分割与皮质脊髓束完整性评估流程，用于预测患者出院时的功能结局	利用常规临床MRI序列，结合自动化病灶分割与解剖学信息生物标志物，进行可解释的卒中结局建模，提高了临床可行性	研究为探索性分析，未来需要大规模验证；零样本外部评估的Dice分数较低（0.57），表明模型泛化能力有待提升	预测卒中患者出院时的功能结局（如改良Rankin量表评分），以指导治疗和康复	卒中患者的脑部MRI影像及相关的功能结局数据	数字病理学	卒中	多模态MRI，包括常规MRI序列和单壳扩散加权成像	深度学习模型集成，机器学习模型	MRI图像	ISLES 2022数据集（250个训练案例，150个测试案例），ISLES 2024数据集（149个案例用于零样本外部评估）	NA	SEALS, NVAUTO, FACTORIZER, TractSeg	Dice分数，准确率，F1分数，ROC-AUC	NA
894	2026-02-24	Enhancing deep learning based multi-parameter fire detection by training on simulated and combustion experimental dataset 2026-Feb-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39191-2 PMID:41724743	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
895	2026-03-30	Multi-resolution adaptive channel fusion transformer encoder LSTM for accurate streamflow prediction 2026-Feb-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40713-1 PMID:41723217	研究论文	本文提出了一种用于精确径流预测的多分辨率自适应通道融合Transformer编码器LSTM混合架构	提出了一种新颖的混合架构MR-ACF-TE-LSTM，通过构建伪多变量输入、自适应注意力融合机制以及结合Transformer编码器和LSTM，能够同时捕捉短期变化和长期依赖关系	研究主要针对单变量时间序列，未明确讨论模型在极端事件或高度非线性水文过程中的表现	提高水文环境中单变量时间序列径流预测的准确性和可解释性	径流时间序列数据	机器学习	NA	时间序列分析	Transformer, LSTM, 混合模型	时间序列数据	三个基准径流数据集	NA	Transformer编码器, LSTM	RMSE, R²	NA
896	2026-03-30	Comparative study of wavelet transform and Fourier domain filtering for medical image denoising 2026-Feb-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40594-4 PMID:41723236	研究论文	本文对医学图像去噪中基于小波变换和傅里叶域滤波的方法进行了全面的比较研究	首次系统比较了八种小波族与十二种阈值函数、四种阈值选择规则在不同医学噪声类型下的性能，并对比了最佳小波配置与基于块的离散傅里叶余弦变换方法	研究仅针对CT图像和四种特定噪声类型，未涵盖所有医学成像模态和噪声模型；未与深度学习方法进行对比	评估和比较传统变换域方法在医学图像去噪中的性能	医学图像（CT图像）的去噪处理	计算机视觉	NA	图像去噪	NA	图像	未明确说明具体样本数量，但使用了CT图像数据集	NA	NA	PSNR（峰值信噪比）	NA
897	2026-03-30	Integrating multi-scale convolution and attention mechanisms in HybridHAR for high-performance human activity recognition 2026-Feb-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40904-w PMID:41723255	研究论文	本文提出了一种名为HybridHAR的新型深度学习模型，用于高性能的人类活动识别，通过集成多尺度卷积和注意力机制来解决现有方法在捕捉多尺度时间模式和保持深度网络特征传播方面的挑战	HybridHAR整合了三个关键创新点：并行多尺度CNN结构用于多时间特征提取、带有通道特征融合的残差注意力机制，以及带有辅助分类的深度监督模块	NA	解决人类活动识别中有效捕捉多尺度时间模式并保持深度网络特征传播的挑战，以提高识别准确率	基于传感器的人类活动识别	机器学习	NA	NA	CNN, 注意力机制	传感器数据	基于UCI HAR数据集	NA	HybridHAR	验证准确率, 测试准确率	NA
898	2026-03-30	Mass Balance Implications for Sediment Restoration Initiatives in the Detroit River, USA 2026-Feb-20, Bulletin of environmental contamination and toxicology IF:2.7Q3 DOI:10.1007/s00128-026-04198-y PMID:41718904	研究论文	本研究评估了美国底特律河区域沉积物修复行动对污染物质量库存和底栖无脊椎动物毒性的潜在影响	利用深度学习人工神经网络空间插值生成高分辨率沉积物污染地图，以评估化学物质平衡的预期变化和超过可能效应浓度区域的减少	NA	评估沉积物修复行动对污染物质量库存和底栖无脊椎动物毒性的影响	底特律河区域的沉积物	环境科学	NA	深度学习人工神经网络空间插值	人工神经网络	空间数据	NA	NA	NA	NA	NA
899	2026-03-30	A hybrid blockchain based deep learning model for multivector attack detection in internet of things enabled healthcare systems 2026-Feb-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40765-3 PMID:41721001	研究论文	本文提出了一种结合区块链和深度学习的混合模型，用于物联网医疗系统中的多向量攻击检测	提出了一种结合区块链（BC）和基于深度学习（DL）的入侵检测系统（IDS）的混合模型（Hybrid BC+DL Model），利用深度稀疏自编码器（DSAE）进行特征提取，并采用贝叶斯专家乘积（BPoE）方法进行验证，以提高医疗物联网系统的安全性	模型在跨数据集测试中表现出中等泛化能力（平均得分范围11.52-13.55%），且在受控实验环境中验证，实际部署效果需进一步评估	保护医疗物联网系统免受多向量网络攻击，确保医疗数据安全和系统完整性	医疗物联网系统及其生成的网络流量数据	机器学习	NA	深度学习，区块链技术，入侵检测	深度稀疏自编码器（DSAE），双向长短期记忆网络（BiLSTM）	网络流量数据	使用了IoT-Flock和CICIoT2023数据集	NA	深度稀疏自编码器（DSAE），双向长短期记忆网络（BiLSTM）	准确率，检测延迟，网络吞吐量（TPS），共识延迟，验证成功率	NA
900	2026-03-30	Research on enhancing short-term wind power forecasting through feature fusion in a hybrid deep learning framework 2026-Feb-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40689-y PMID:41714723	研究论文	本文提出了一种名为TCN-SENet-BiGRU-Global Attention的混合深度学习模型，用于提升短期风电功率预测的准确性	提出了一种结合TCN、SENet、BiGRU和全局注意力机制的多层次特征提取架构，以融合不同特征并更好地捕捉风电功率的非线性和复杂时间特性	NA	提高短期风电功率预测的准确性，以支持电网稳定和可持续运行	风电场的风电功率数据	机器学习	NA	NA	TCN, SENet, BiGRU, 注意力机制	时间序列数据	来自风电场的多个真实世界数据集	NA	TCN-SENet-BiGRU-Global Attention	预测误差	NA