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
81	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
82	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
83	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
84	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
85	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
86	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
87	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
88	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
89	2026-04-01	DeepSentRec: a deep learning-based sentiment-aware product recommendation system 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45953-9 PMID:41912685	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
90	2026-04-01	Future-informed FOCAL MODE: a multimodal deep learning framework for forecasting dissolved oxygen in reservoirs 2026-Mar-30, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-026-15096-5 PMID:41912727	研究论文	本文提出了一种名为Future-informed FOCAL MODE的多模态深度学习框架，用于预测水库中的溶解氧浓度	该框架结合了数据驱动学习和物理知识，采用双通道设计，分别从历史多模态数据和基于物理的未来预测模型中学习，以增强对气候变化的适应性	NA	开发一个能够准确预测水库溶解氧浓度的长期预测模型，以支持及时且成本效益高的增氧干预措施	水库中的溶解氧浓度	机器学习	NA	多模态观测数据引擎	LSTM	多模态环境数据	NA	NA	FOCAL MODE	RMSE	NA
91	2026-04-01	CTRNet: a lightweight and efficient deep learning model for field maize whorl identification 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45727-3 PMID:41912746	研究论文	本文提出了一种名为CTRNet的轻量高效深度学习模型，用于解决田间玉米喇叭口期雄穗小目标检测的挑战	提出了CTRNet网络，通过多尺度上下文交互模块、双通道细粒度特征增强模块、门控自适应信息融合模块以及自适应通道-边缘注意力机制，增强了遮挡条件下小目标的特征表示能力	NA	开发一种轻量高效的深度学习模型，用于在复杂田间环境下准确识别玉米喇叭口期的雄穗	田间玉米植株的雄穗（喇叭口期）	计算机视觉	NA	深度学习	CNN	图像	NA	NA	CTRNet	mAP@0.5	NA
92	2026-04-01	A unified deep learning framework for cross-platform harmonization of multi-tracer PET quantification in neurodegenerative disease 2026-Mar-30, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02570-0 PMID:41912831	研究论文	本文开发并验证了一个统一的深度学习框架，用于跨平台（PET-MRI与PET-CT）和多示踪剂条件下神经退行性疾病PET定量数据的标准化	首个统一的、解剖引导的深度学习框架，能够将多种示踪剂和扫描仪制造商的PET-MRI定量结果标准化至PET-CT标准，并实现零样本泛化到未见过的示踪剂	标准化后的淀粉样蛋白Centiloid差异（4.1）略高于PET-CT重测变异性	解决神经退行性疾病诊断和治疗监测中，PET-MRI与PET-CT定量结果因系统偏差而无法进行阈值转移和跨站点比较的问题	神经退行性疾病的PET成像数据	医学影像分析	神经退行性疾病	PET成像（F-FDG、F-florbetaben、F-florzolotau、F-florbetapir、F-FP-CIT示踪剂）	深度学习	医学影像（PET、MRI、CT）	配对同日扫描N=70；多中心验证N=420（三个站点，四个供应商）	NA	视觉Transformer自编码器	跨平台偏差减少百分比（>80%）、Centiloid差异、tau SUVR阈值对齐	NA
93	2026-04-01	Deep learning-based detection of bowel sound events in continuous recordings 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47018-3 PMID:41912873	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
94	2026-04-01	Deep learning for incidence rate prediction and radiation risk assessment of solid tumors 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46756-8 PMID:41912895	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
95	2026-04-01	Inverse treatment planning using deep learning-based organs at risk in radiotherapy for head and neck cancer: a prospective planning study 2026-Mar-30, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al] IF:2.7Q2 DOI:10.1007/s00066-026-02519-y PMID:41912924	研究论文	本研究评估了在头颈癌放疗中，使用基于深度学习的危及器官自动分割进行逆向治疗计划的可行性和临床可接受性	首次前瞻性地将基于深度学习的危及器官自动分割应用于头颈癌放疗的逆向治疗计划中，并评估其临床可行性	单中心研究，样本量较小（25名患者），需要更大规模研究来验证结果并推进全自动化工作流程	评估基于深度学习的危及器官自动分割在头颈癌放疗逆向治疗计划中的临床可行性和效果	头颈鳞状细胞癌患者	数字病理学	头颈癌	放射治疗计划，深度学习自动分割	深度学习模型	医学影像数据	25名接受根治性或术后（化疗）放疗的头颈癌患者	NA	NA	剂量学参数（D95%, D98%, D2%, Dmean），临床可接受性评分	NA
96	2026-04-01	Attention-Driven Deep Learning for Hydrocephalus: Preliminary Benchmarking of Multiscale 3D Attention Against Conventional 3D CNN Models Using Ventricular Enlargement on CT 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01948-6 PMID:41912959	研究论文	本研究开发并比较了一种多尺度注意力3D卷积神经网络（MSA3DNet）与常规3D-CNN模型，用于基于脑室扩大的CT图像进行脑积水分类	首次将多尺度编码与注意力机制结合应用于3D CNN，以提升脑积水分类的敏感性和稳定性，同时保持特异性	样本量较小（仅98例儿科CT扫描），且为回顾性研究，可能限制模型的泛化能力	开发并评估一种基于深度学习的自动化3D CT图像分类方法，用于儿科脑积水的筛查	儿科头部CT扫描图像（0-15岁患者）	计算机视觉	脑积水	CT成像	CNN	3D图像	98例匿名儿科头部CT检查（48例脑积水，50例正常）	NA	MSA3DNet, 3D-CNN	准确率, 敏感性, 特异性, F1分数, Matthews相关系数, AUC	NA
97	2026-04-01	A Hybrid Multi-CNN Feature Fusion and LASSO Optimization Approach for High-Performance Breast Cancer Classification 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01939-7 PMID:41912956	研究论文	提出一种融合多个CNN特征并结合LASSO优化的混合方法，用于高性能乳腺癌分类	融合MobileNetV2、DenseNet121和InceptionV3三种CNN模型的互补特征，并采用LASSO进行特征选择，以增强表示能力和泛化性	仅在单一数据集（BUSI）上验证，未来需要在更大规模、多中心数据集上进行验证	开发准确、早期的乳腺癌检测方法以提高生存率	乳腺超声图像（BUSI数据集）	计算机视觉	乳腺癌	深度学习、特征融合、特征选择	CNN	图像	780张乳腺超声图像	NA	MobileNetV2, DenseNet121, InceptionV3	准确率, 灵敏度, 特异性, 精确率, F1分数, AUC	NA
98	2026-04-01	Deep Learning for Medical Ultrasound Image Segmentation: A Systematic Review of the Current Research 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01931-1 PMID:41912960	综述	本文对基于深度学习的医学超声图像分割研究现状进行了系统性综述	提供了基于PRISMA 2020指南的全面文献分析，涵盖296篇最新研究，并识别了新兴模型（如ViT、SAM）的应用趋势	当前研究普遍缺乏计算资源信息，且模型性能评估存在不足	综述深度学习在医学超声图像分割领域的研究进展与应用现状	医学超声图像	计算机视觉	NA	深度学习	CNN, ViT, CNN/ViT混合模型, SAM	图像	NA	NA	U-Net	NA	NA
99	2026-04-01	Diagnostic Improvement in Endoleak Detection: The Role of Low-energy Virtual Monochromatic CT and Deep Learning Reconstruction 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01949-5 PMID:41912962	研究论文	评估低能量虚拟单色CT成像结合深度学习图像重建在检测内漏中的诊断性能	首次将低能量虚拟单色CT成像与深度学习图像重建技术结合，用于内漏检测，显著提高了诊断置信度和准确性	研究为回顾性设计，样本量较小（71例患者），且仅基于CT数据，未考虑其他影像模态或临床因素	评估低能量虚拟单色CT成像结合深度学习图像重建在内漏检测中的诊断性能	接受血管内主动脉修复术后进行对比增强CT扫描的患者	医学影像分析	心血管疾病	对比增强CT扫描，虚拟单色CT成像，深度学习图像重建	深度学习	CT图像	71例患者，其中41例（58%）检测到内漏	NA	TrueFidelity-H	AUC, 诊断置信度评分	NA
100	2026-04-01	Deep learning radiomics based on multimodal MRI for preoperative prediction of N stage in tongue squamous cell carcinoma: a multicenter study 2026-Mar-30, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-08165-1 PMID:41913156	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA