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
1121	2026-08-24	An Explainable Privacy Preserving Multimodal Ensemble Framework For Skin Lesion Classification 2026-06-12, Journal of visualized experiments : JoVE DOI:10.3791/71472 PMID:42371851	研究论文	提出一个可解释的隐私保护多模态集成框架，用于皮肤病变分类，结合深度学习、集成学习和可解释AI技术	结合多模态特征（图像特征与临床元数据）与隐私保护意识，使用集成策略和可解释性方法，提升了分类准确率与透明度	未提及	解决皮肤病变分类中隐私、可解释性和类别不平衡问题，提高诊断准确率	皮肤病变图像及临床元数据	计算机视觉	皮肤癌	深度学习、集成学习、可解释AI	EfficientNet B4, DenseNet201, MobileNetv2, XGBoost, LightGBM, 深度神经网络分类器	图像和表格数据	HAM10000数据集（约10015张皮肤病变图像）	未提及	EfficientNet B4, DenseNet201, MobileNetv2, XGBoost, LightGBM, DNC	准确率	未提及
1122	2026-08-24	Dynamic driver drowsiness detection with attention enhanced convolutional neural networks for real time monitoring and road safety applications 2026-Jun-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33727-8 PMID:42277061	研究论文	提出一个基于深度学习的实时驾驶员疲劳检测框架，通过面部分析对瞌睡状态进行分类，以提高道路安全	采用注意力机制增强的自定义卷积神经网络，结合多个预训练模型进行微调，在NTHU-DDD数据集上实现了99.63%的最高准确率	文中未提及具体限制	开发一种准确且实时的驾驶员瞌睡检测系统，用于实时监控和道路安全应用	驾驶员面部图像，包括眼睛和嘴巴行为	计算机视觉	不适用	深度学习	卷积神经网络（CNN）	图像	NTHU-DDD数据集	未提及	VGG19, VGG16, ResNet150, DenseNet201, 自定义CNN	准确率、精确率、召回率、F1分数	未提及
1123	2026-08-24	Lightweight CNN SE transformer for robust weed classification with optimizer aware performance 2026-Jun-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-52345-6 PMID:42277165	研究论文	本研究设计了一种轻量级CNN-SE-Transformer架构，用于杂草分类，通过优化器感知评估其性能	与以往深度学习方法不同，该模型能够缩短令牌序列并利用后续特征更高效地分析数据，同时保持整体性能，并采用Squeeze-and-Excitation模块增强判别能力	未提及	实现准确且快速的杂草类型识别，以支持精准农业中的杂草控制	三类和十六类杂草数据集	计算机视觉	不适用	不适用	CNN、Transformer	图像	两个数据集，分别包含三类和十六类杂草，具体样本数未提及	未提及	CNN-SE-Transformer	测试准确率	未提及
1124	2026-08-24	Enhancing the detection of LTP through lyophilized protein samples and NIR spectroscopy with explainable deep learning 2026-Jun-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56935-2 PMID:42265268	研究论文	本研究开发了一种结合近红外光谱、深度学习和可解释性方法的集成框架，用于准确、可解释地检测食物中的脂质转移蛋白过敏原	将纯化蛋白嵌入信息引入基于AI的光谱分析，显著提升了脂质转移蛋白检测的性能和鲁棒性	未提供具体局限性信息	实现复杂食物矩阵中脂质转移蛋白的准确且可解释的检测，为食品安全应用提供便携、非破坏性的策略	均质化食物样本、纯化Pru p 3和Ara h 9蛋白及其与无LTP基质（如酸奶和奶粉）的混合物	机器学习	过敏性疾病	近红外光谱	卷积神经网络、TabTransformer	光谱数据	共11,688个光谱测量值	NA	一维卷积自编码器	准确率、精确率、召回率、F1分数、AUC-ROC	NA
1125	2026-08-24	A multi-view autoencoder architecture with self-adaptive feature recalibration and confidence-aware ensemble for heart disease classification 2026-Jun-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53138-7 PMID:42270697	研究论文	提出一种结合多视图自编码器、自适应特征重校准和置信度感知集成的心脏病分类混合智能框架	首次将多视图特征提取、数据驱动特征重校准和实例级动态集成相结合，提升心脏病预测的准确性和可解释性	研究未涉及临床试验或前瞻性人体实验，且需在更大、更多样化的人群中验证	提高心脏病分类的准确性和可靠性，支持早期预测和临床决策支持系统	来自五个知名心脏病数据集的人口统计、临床和诊断数据	机器学习	心脏病	NA	自编码器、集成学习（Extra Trees、随机森林、XGBoost）	表格数据	NA	NA	NA	准确率、灵敏度、特异性、F1分数、统计检验（Friedman和Wilcoxon符号秩检验）	NA
1126	2026-08-24	Hierarchical semantic extraction and heterogeneous graph neural networks for event-driven time series forecasting 2026-Jun-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56483-9 PMID:42270717	研究论文	提出了一种基于多模态图神经网络和时序融合Transformer的三部分方法框架，用于事件驱动的时间序列预测，通过层次化语义提取和异构图神经网络提升预测精度	首次将大语言模型用于层次化语义提取，将非结构化文本分解为实体立场、事件本体、因果链和情感指标四个层次；构建多类型节点和关系的异构图，利用关系图卷积网络建模事件间的累积、传播和协同效应；通过语义分析实现动态环境识别，自适应调整特征权重	未提及模型的计算资源需求、训练时间或对大规模数据的可扩展性，实验仅在原油价格预测一个场景下验证	解决事件驱动时间序列预测中对突发事件响应不足和文本语义压缩的问题，提高预测准确性	原油价格时间序列及其相关新闻文本数据	机器学习, 自然语言处理	NA	大语言模型, 关系图卷积网络, 时序融合Transformer	图神经网络, Transformer	文本和时间序列数据	未明确提及，但涉及原油价格预测场景	NA	关系图卷积网络（RGCN）, 时间融合Transformer（TFT）	预测准确率, 消融研究	NA
1127	2026-08-24	Machine learning-enabled ECG arrhythmia classification: a systematic and educational study from signal processing to decision support 2026-Jun-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56828-4 PMID:42270808	研究论文	本研究系统评估了信号处理、特征提取、特征选择和评估策略对多类心电图心律失常分类性能的影响，提出了一种可解释的机器学习框架	通过序列前向特征选择揭示了分类性能在约15个特征处饱和，并证明经典机器学习方法（特别是SVM）在可解释性下能达到与复杂深度学习模型相当的高性能	未明确提及局限性	开发一种系统且可解释的心电图心律失常分类框架，并评估各处理阶段对性能的影响	心电图心律失常信号，特别是来自MIT-BIH心律失常数据库的多类心律失常样本	机器学习	心律失常	NA	支持向量机（SVM）	心电信号	未明确提及样本数量，但使用MIT-BIH心律失常数据库	NA	NA	准确率、黄金距离（GD）	NA
1128	2026-08-24	Lightweight English Text Classification with Deep Learning Based on Complex System Theory 2026-06-09, Journal of visualized experiments : JoVE DOI:10.3791/69344 PMID:42372063	研究论文	结合复杂系统理论与深度学习方法，构建图神经网络模型，并通过两级元蒸馏机制实现英语文本分类的轻量化与高性能。	将复杂系统理论融入图神经网络，提出两阶段元蒸馏方法结合元学习策略，动态调整教师模型参数并优化知识迁移过程。	未明确提及局限性。	提升英语文本分类在少样本和跨域场景下的泛化能力，同时实现轻量化模型。	英语文本分类任务，包括少样本、跨域和长文本场景。	自然语言处理	NA	深度学习、图神经网络、元学习、知识蒸馏	图神经网络	文本	未明确提及，涉及多主题文本分类数据集。	NA	图神经网络	分类性能、效率、性能保持率	未明确提及，但强调了计算效率优势。
1129	2026-08-24	Probabilistic deep learning framework for dynamic carbon emission accounting of electric buses under grid uncertainty 2026-Jun-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-49360-y PMID:42265148	研究论文	本研究建立了一个动态、不确定性感知的框架，用于电动公交系统的碳核算，该框架将混合深度学习架构与时变概率网格排放模型及蒙特卡洛模拟相结合	首次将时变概率网格排放模型与混合深度学习架构（TCN、BiLSTM和注意力机制）相结合，实现对电动公交碳排放的动态、不确定性感知核算	未明确提及，但可能包括依赖特定城市（深圳）的数据，以及模型在跨地区应用时的泛化性需进一步验证	开发一种动态、不确定性感知的碳核算方法，以捕捉电动公交系统碳排放在时空上的变异性和不确定性传播	深圳的十辆电动公交车	机器学习	不适用	高频运行遥测技术	混合深度学习模型（TCN、BiLSTM、注意力机制）	运行遥测数据（时间序列数据）	十辆电动公交车的运行数据	未明确提及	TCN, BiLSTM, 注意力机制	R², RMSE	未明确提及
1130	2026-08-24	Hybrid deep ensemble architecture for robust diabetic retinopathy classification: leveraging transfer learning and CNN-transformer synergy 2026-Jun-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55085-9 PMID:42265162	研究论文	提出一种结合卷积神经网络、视觉转换器、迁移学习和集成技术的深度学习框架，以提高糖尿病视网膜病变检测的准确性	通过并行和顺序方式融合CNN与Transformer，并采用软投票集成策略优化模型性能	未提及	开发一种稳健、自动化的糖尿病视网膜病变检测系统，辅助临床诊断	糖尿病视网膜病变图像	计算机视觉	糖尿病视网膜病变	迁移学习	CNN、Transformer、集成模型	图像	APTOS 2019数据集，具体样本数未提及	未提及	ResNet、Vision Transformer等（基于预训练模型），具体架构未详述	准确率、ROC AUC、F1分数	未提及
1131	2026-08-24	HOG-supervised compact CNNs for real-time visual place recognition 2026-Jun-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54833-1 PMID:42265161	研究论文	本文提出HOGNet，一种基于HOG特征监督的紧凑卷积神经网络，用于实时视觉地点识别，旨在平衡精度、可解释性和计算效率	利用手工设计的HOG描述符作为监督信号来训练紧凑CNN，减少对大规模标注数据和计算资源的需求，同时保持高精度和实时性	未在摘要中明确提及	开发一种高效且可解释的深度学习框架，用于视觉地点识别，实现精度与计算效率的平衡	视觉地点识别任务，涉及Nordland数据集和印度驾驶数据集（IDD-VPR）	计算机视觉	NA	HOG特征提取	卷积神经网络（CNN）	图像	未明确样本数量，但使用Nordland和IDD-VPR两个数据集	NA	HOGNet_441和HOGNet_1764，并与VGG16、ResNet101、MobileNet进行比较	验证准确率、Recall@20	NA，但强调实时性（约290 FPS）和资源受限环境适用性
1132	2026-08-24	RefactoCNN-system: an optimized deep learning framework for predicting software refactoring opportunities using CNN-based code analysis 2026-Jun-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56911-w PMID:42265446	研究论文	提出了一个基于卷积神经网络（CNN）的优化深度学习框架RefactoCNN-System，用于根据原始Java源代码预测宏观软件重构机会	结合贝叶斯超参数调优和学习率调度，使用抽象语法树和令牌序列作为代码的结构化表示，并通过映射引擎将分类输出转化为开发者易读的重构建议	具体局限性未在摘要中详述	自动化预测软件重构机会，以改善代码质量和可维护性	Java源代码中的宏观重构机会	机器学习	NA	NA	卷积神经网络（CNN）	文本（源代码的AST和令牌序列表示）	未明确说明	NA	卷积神经网络（CNN）	准确率、精确率、召回率、F1分数	NA
1133	2026-08-24	Impact of simulated glasses noise on facial emotion recognition with deep learning models 2026-Jun-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56549-8 PMID:42265365	研究论文	研究了模拟眼镜噪音对深度学习模型面部情绪识别性能的影响，并评估了不同架构的鲁棒性	首次系统分析了大型眼镜遮挡眼睛区域的结构性噪声对深度学习表情识别模型的影响，并比较了Transformer架构与CNN架构的鲁棒性	仅在RAF DB数据集上进行了模拟噪声测试，未考虑真实世界中的其他复杂噪声条件	确定眼镜遮挡噪声对表情识别模型性能的影响，并提出提高鲁棒性的方法建议	面部表情识别模型在噪声条件下的性能表现	计算机视觉, 深度学习	NA	图像模拟噪声处理	CNN, Transformer	图像	RAF DB数据集（包含大量面部表情图像）	NA	ResNet-50, Vision Transformer (ViT-Base/16), Swin Transformer Tiny	识别准确率	未提及
1134	2026-08-24	A week in the life of the human brain reveals stable states punctuated by chaotic-like transitions 2026-Jun-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-73347-y PMID:42248858	研究论文	利用颅内和视频记录分析一周内人脑神经动态，发现其由稳定状态和混沌样转变构成，并与昼夜节律、心率和行为相关	首次在真实世界环境中利用长时间颅内记录和深度学习算法揭示大脑动态如何通过混沌转变在稳定状态间切换，以及睡眠剥夺对神经动态控制的影响	未提供明确的局限性信息	探究真实世界环境中人脑神经动态随时间的变化及其与行为和生理状态的关系	二十名参与者的脑电活动和行为视频	神经科学、机器学习	睡眠剥夺	颅内脑电记录、视频记录	动态深度学习模型	颅内脑电信号、视频	20名参与者	NA	NA	NA	NA
1135	2026-08-24	Genetic architecture of white matter microstructure captured by unsupervised deep representation learning of fractional anisotropy maps 2026-Jun-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-73996-z PMID:42236496	研究论文	提出一种无监督深度学习框架UDR-WM，从扩散MRI的逐体素FA图中提取脑-wide无监督深度成像表型，用于研究白质微结构的遗传结构	无需先验解剖假设，直接从FA图中学习脑-wide深度成像表型，相较于传统基于感兴趣区的方法对衰老更敏感且遗传力更高	未在文中明确提及	通过无监督深度学习表征白质微结构，以获得更精细的遗传结构视图并补充传统基于感兴趣区的FA测量	白质微结构及相关遗传变异	机器学习	NA	扩散MRI, GWAS	自编码器	图像	未在文中明确提及	NA	自编码器	遗传力, SNP关联	NA
1136	2026-08-24	Utility of breath-hold half-Fourier single-shot turbo spin-echo with deep learning-based reconstruction for acquiring fat-suppressed T2-weighted images of the pancreas 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100740 PMID:41994324	研究论文	本研究比较了常规呼吸门控涡轮自旋回波、呼吸暂停涡轮自旋回波结合深度学习重建和呼吸暂停半傅里叶单次激发涡轮自旋回波结合深度学习重建三种技术，在胰腺脂肪抑制T2加权图像采集中的时间和图像质量。	首次评估了呼吸暂停半傅里叶单次激发涡轮自旋回波结合深度学习重建技术在胰腺脂肪抑制T2加权图像中的表现，显示了更短的采集时间和更好的图像质量。	未明确提及局限性。	确定获取胰腺脂肪抑制T2加权图像的最佳技术，优化采集时间和图像质量。	87例疑似胰腺疾病患者及64个局灶性胰腺病变（>5毫米）。	医学影像	胰腺疾病	磁共振成像	深度学习重建模型	磁共振图像	87名患者，64个病灶	未指定	未指定	信号噪声比，对比度噪声比，图像质量评分（5分制）	3-T磁共振扫描仪
1137	2026-08-24	DOMAIN-AWARE MATRIX COMPLETION FOR PHENOTYPE IMPUTATION USING ELECTRONIC HEALTH RECORD DATA WITH APPLICATIONS IN GENOMIC RESEARCH 2026-Jun, The annals of applied statistics DOI:10.1214/26-AOAS2165 PMID:42630963	研究论文	提出一种名为 covImpute 的域感知矩阵补全方法，利用遗传协方差矩阵对电子健康记录中的表型数据进行插补，以提升下游遗传关联研究的效力。	与通用矩阵补全方法不同，covImpute 通过整合表型间的遗传协方差矩阵作为外部信息，在表型插补中融入域知识，从而更适用于遗传分析。	文中未明确提及局限性，但可能包括对遗传协方差矩阵准确性的依赖以及计算复杂性。	开发一种结合域知识（遗传协方差）的矩阵补全方法，以提高 EHR 中缺失表型数据的插补质量，从而增强遗传关联分析的统计功效。	电子健康记录中的表型数据，以及 UK Biobank 中多种疾病的遗传关联研究。	机器学习	多种疾病（未指定具体类别），涉及 UK Biobank 中的疾病。	矩阵补全、遗传协方差矩阵	矩阵补全模型（covImpute）、责任阈值模型（LTPI）、深度学习自编码器	电子健康记录数据、遗传数据、模拟数据	UK Biobank 数据，具体样本量未在摘要中提供	NA	covImpute（矩阵补全）、LTPI（责任阈值模型）、softImpute、深度学习自编码器	遗传关联研究的统计功效	NA
1138	2026-08-24	CMSV: Long-Read-Based Structural Variation Detection Through a CNN-Mamba Model 2026-05-30, Genes IF:2.8Q2 DOI:10.3390/genes17060633 PMID:42353792	研究论文	提出CMSV，一种基于CNN-Mamba模型的长读长测序结构变异检测与基因分型方法，可在多个平台上稳定工作	结合多尺度卷积编码器和堆叠Mamba模块，联合建模局部SV特征和跨子段上下文，替代手工启发式规则	在真实数据中主要验证了DEL和INS，其他类型（DUP、INV、TRA/BND）仅通过模拟数据验证	开发一种基于深度学习的结构变异检测与基因分型方法，以提高长读长测序数据中复杂变异信号的检测能力	长读长测序数据中的结构变异，包括DEL、INS、DUP、INV和TRA/BND	深度学习、生物信息学	NA	长读长测序（PacBio CCS、PacBio CLR、ONT）	CNN-Mamba混合模型	测序比对数据（BAM文件）	HG002基准数据集，模拟多类型数据集，基于家系的数据集，以及GRCh38 chr13-chr22的保留染色体	PyTorch	多尺度卷积编码器、Mamba模块、DBSCAN密度聚类	准确率、F1-score、基因分型一致性	NA
1139	2026-08-24	A clinical neuroimaging platform for rapid, automated lesion detection and personalized post-stroke outcome prediction 2026-May-27, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02803-2 PMID:42204350	研究论文	介绍一种临床神经影像平台，用于快速自动病灶检测和个性化卒中后结局预测	平台完全自动化，能从异构扫描仪处理原始DICOM MRI数据，并利用深度学习病灶分割和基于位置/网络的特征预测个体认知结局，结合大语言模型生成可解释的个性化预后报告，整个过程约3分钟，且与手动方法高度一致	摘要未明确提及局限性，可能包括样本量和泛化性方面的限制	开发并验证一种自动化的神经影像平台，以准确预测缺血性卒中患者的个体化认知结局，辅助卒中护理和康复策略	缺血性卒中患者的认知结局预测模型，训练队列（N=604）和独立卒中队列（N=153）	医学影像分析	卒中	MRI（DICOM数据）	深度学习模型（用于病灶分割和结局预测）	图像（MRI）	训练队列604例，独立队列153例	NA	深度学习（具体架构未提及，可能为U-Net或类似分割网络）	准确率（与手动方法的符合率为96%）	NA
1140	2026-08-24	In-vivo iron mapping in patients with Parkinson's disease using deep learning-based susceptibility source separation MRI 2026-May-27, NPJ Parkinson's disease DOI:10.1038/s41531-026-01384-x PMID:42204172	研究论文	本文应用基于深度学习的磁化率分离MRI技术，对帕金森病患者进行体内铁成像，以提高铁检测的特异性	首次将深度学习预处理与生物物理建模结合的AI辅助磁化率分离框架应用于帕金森病，提高铁检测特异性，并发现传统方法未检测到的铁改变	未明确提及局限性，但样本量相对较小（25例患者和26例对照）	评估基于深度学习的磁化率分离MRI在帕金森病中铁成像中的应用价值	帕金森病患者和匹配对照组的脑部铁沉积	医学影像	帕金森病	磁共振成像（MRI）	深度学习模型	MRI图像	25例帕金森病患者和26例匹配对照组	未明确提及，可能使用TensorFlow或PyTorch，但未在摘要中说明	未明确指定具体架构，但可能使用卷积神经网络（CNN）	P值、相关系数（r值）	未明确提及，但使用3T MRI设备