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
101	2026-03-02	Deep learning prediction model based on multi-modal transvaginal ultrasound scan images for endometrial cancer 2026-Feb-28, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-026-01013-z PMID:41764582	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
102	2026-04-05	Attenuation correction of cardiac 82Rb pet using deep learning generated synthetic CT 2026-Feb-26, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-026-00849-5 PMID:41746532	研究论文	本研究评估了使用深度学习从非衰减校正的Rb-PET图像生成合成CT（sCT）以进行心脏82Rb PET衰减校正的可行性	首次引入基于条件生成对抗网络（cGAN）和Attention U-Net生成器的深度学习方法，直接从非衰减校正的Rb-PET图像生成合成CT图像，用于衰减校正，以减少传统CT-AC中的错位和金属伪影	sCT在心脏区域存在轻微偏差（RME=4.2±7.8%），可能是由于sCT中软组织u-map的均匀高估所致，且结果基于视觉检查的个案分析	评估深度学习生成的合成CT在心脏82Rb PET衰减校正中的可行性和性能	心脏82Rb PET图像和对应的CT图像	医学影像分析	缺血性心脏病	PET/CT心肌灌注成像（MPI），Rubidium-82（Rb）正电子发射断层扫描	cGAN（条件生成对抗网络）	图像（PET和CT）	544次PET/CT MPI扫描	NA	Attention U-Net	SSIM, PSNR, MAE, ME, RME, RMAE, iTPD, LVEFR	NA
103	2026-04-05	Predicting concrete compressive strength using optimized deep learning and large language models 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41072-7 PMID:41748670	研究论文	本研究提出了一种结合iHow优化算法与时空图卷积网络的混合框架，用于预测混凝土抗压强度	引入iHow优化算法优化STGCN架构，并利用大语言模型进行数据预处理，提高了预测精度	需要更多样化的数据集和实际场景验证以评估其泛化能力和实际适用性	提高混凝土抗压强度的预测准确性，支持可持续建筑材料设计	混凝土混合物成分、外加剂和养护条件	机器学习	NA	大语言模型驱动的预处理流程	STGCN	结构化数据（混凝土成分、养护条件等）	公共数据集（具体数量未明确）	NA	时空图卷积网络	预测误差，相关系数	NA
104	2026-04-05	AI-based intelligent sensing detection of cybersecurity threats using multimodal sensor data in smart devices 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40614-3 PMID:41748759	研究论文	本文提出了一种基于深度学习的多模态感知架构，用于检测智能设备中由传感器数据引发的网络安全威胁	提出了一种新的混合CNN-RNN-Transformer架构，能够融合多模态传感器特征并考虑时空交互	未明确说明模型在极端或未知攻击场景下的泛化能力	开发一种能够实时检测智能设备中网络物理威胁的智能感知系统	智能设备中的多模态传感器数据（如加速度计、陀螺仪、麦克风、温度传感器）	机器学习	NA	深度学习	CNN, RNN, Transformer	多模态传感器数据	使用了一个手动标注的多模态数据集和两个公开基准数据集（CICIDS-2017和IoT-23）	未明确指定，可能为TensorFlow或PyTorch	混合CNN-RNN-Transformer架构	AUC, F1分数, 推理延迟	边缘硬件（具体类型未明确说明）
105	2026-04-05	An explainable deep learning framework for video violence detection using unsupervised keyframe selection and attention-based CNN 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40977-7 PMID:41748832	研究论文	提出了一种用于视频暴力检测的可解释深度学习框架，该框架集成了无监督关键帧选择、注意力机制和基于Grad-CAM++的可视化解释	将无监督关键帧选择、注意力驱动的特征学习和基于Grad-CAM++的可解释性集成到一个统一的框架中，以解决视频暴力检测中的冗余性、透明性和泛化性挑战	未明确提及，但可能包括对特定场景或数据分布的依赖性	开发一种智能、可解释且高效的视频暴力检测系统，适用于监控和公共安全场景	视频数据中的暴力行为	计算机视觉	NA	无监督关键帧选择，注意力机制，Grad-CAM++	CNN	视频	使用了五个基准数据集：RLVS, Hockey Fight, Violent Flow, ShanghaiTech, UCF-Crime	NA	CNN（具体架构未指定），但提及了注意力模块	准确率，F1分数，FPS（每秒帧数），内存使用量	NA
106	2026-04-05	TumorSageNet CNN hybrid architecture enables accurate detection of mango leaf pathologies 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40944-2 PMID:41741529	研究论文	本研究提出了一种基于深度学习的新型框架，用于芒果叶病理的分类，通过先进的卷积和混合神经网络架构实现高精度检测	提出了两种新架构：一个定制的CNN模型和一个结合了EfficientNet-B7、LSTM和注意力机制的混合模型，其中定制CNN模型在多项指标上达到了100%的性能	研究仅使用了来自孟加拉国Rajshahi地区的800张芒果叶图像，数据集规模和地理多样性可能有限	开发一个可扩展、可解释且高性能的解决方案，用于芒果种植中的实时病害监测，以应对全球粮食安全挑战	芒果叶	计算机视觉	植物病害	深度学习，数据增强，颜色空间变换	CNN, LSTM, 混合模型	图像	800张高分辨率芒果叶图像	NA	AlexNet, VGG16, VGG19, EfficientNet-B7, 定制CNN, 混合模型（EfficientNet-B7 + LSTM + 注意力机制）	准确率, 精确率, 召回率, F1分数	NA
107	2026-02-28	Soil microbiome prediction using traditional machine learning and deep learning models 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39537-w PMID:41741537	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
108	2026-04-05	Nondestructive sheet resistance prediction of silver nanowire transparent electrode with convolutional neural network 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40528-0 PMID:41741570	研究论文	本文提出了一种结合快速傅里叶变换和颜色度量特征的深度学习技术，用于预测银纳米线网络的薄层电阻	首次将原始高分辨率光学显微镜图像、快速傅里叶变换图像和平均颜色表示结合，通过卷积神经网络预测银纳米线透明电极的薄层电阻，并能评估纳米线分布的非均匀性	未明确说明模型在更广泛材料或不同制备条件下的泛化能力，以及计算资源需求的具体细节	开发一种无损预测银纳米线透明电极薄层电阻的方法，以提升透明导电电极技术在柔性电子等领域的应用	银纳米线网络的薄层电阻及其分布非均匀性	计算机视觉	NA	光学显微镜成像，快速傅里叶变换	CNN	图像	NA	NA	NA	NA	NA
109	2026-04-05	Improving acute lymphoblastic leukemia diagnosis through CBAM-enhanced VGG19 deep learning 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40184-4 PMID:41741572	研究论文	本研究提出了一种结合注意力机制的深度学习框架，用于从骨髓显微图像中自动检测和分型急性淋巴细胞白血病	将卷积块注意力模块（CBAM）与VGG19主干网络结合，构建了混合CBAM-VGG19网络，通过空间和通道维度分层增强关键形态学特征，从而提升特征提取能力和分类精度	缺乏外部验证且数据集规模较小，限制了其临床适用性	开发一种自动化的深度学习方法来改进急性淋巴细胞白血病的诊断和亚型分类	骨髓显微图像，包括健康样本和急性淋巴细胞白血病样本	数字病理学	急性淋巴细胞白血病	显微成像	CNN	图像	NA	NA	VGG19, CBAM-VGG19	分类准确率	NA
110	2026-02-28	Using deep learning to explore the impacts of street-view green space on school myopia prevalence: a multicenter, cross-sectional study 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40477-8 PMID:41741618	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
111	2026-04-05	Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning 2026-Feb-24, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02459-y PMID:41735519	研究论文	本研究开发并验证了MOCOPM深度学习模型，用于从组织病理学图像中区分原发性与胃肠道转移性黏液性卵巢癌	首次开发了专门针对黏液性卵巢癌起源预测的深度学习模型MOCOPM，并在多中心数据中实现了高精度区分	样本量相对有限（仅167例患者），且未提及模型在其他类型转移癌或更广泛人群中的泛化能力	通过深度学习技术提高原发性与转移性黏液性卵巢癌的鉴别诊断准确性	黏液性卵巢癌患者的组织病理学图像	数字病理学	卵巢癌	组织病理学成像	深度学习	图像	167例黏液性卵巢癌患者	未明确提及	未明确提及具体架构（文中提到训练了三种神经网络）	AUROC	未提及
112	2026-04-05	Novel algorithm for knee localization and diagnosis and grading of knee osteoarthritis based on a priori information: data from OAI 2026-Feb-17, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02235-0 PMID:41703497	研究论文	本研究开发了一种基于先验信息的深度学习算法，用于膝关节的自动定位、骨关节炎的诊断与分级	提出了Anchor-free Knee Probability Calculation Net (AKPCNet)用于膝关节感兴趣区域提取，以及基于注意力池化的低阶特征强化网络(APLFRNet)以提高KL分级准确性	仅使用OAI数据库的X射线图像，未在其他独立数据集上验证	开发自动膝关节分割和骨关节炎诊断与分级方法	膝关节X射线图像	计算机视觉	骨关节炎	X射线成像	深度学习	图像	35,000张膝关节X射线图像（前后位视图）	NA	AKPCNet, APLFRNet	ROC AUC, 平衡准确率	NA
113	2026-02-18	Exploring deep learning and data requirements through image classification of Erigeron annuus and Erigeron philadelphicus 2026-Feb-16, BMC research notes IF:1.6Q2 DOI:10.1186/s13104-026-07719-4 PMID:41699726	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
114	2026-04-05	Machine Learning-Based Multimodal Molecular Biomarkers for Predictive Health Analytics 2026-01-16, Journal of visualized experiments : JoVE DOI:10.3791/69241 PMID:41628017	研究论文	本文提出了一种基于机器学习的多模态分子生物标志物方法，用于预测性健康分析，旨在通过整合蛋白质、化学和遗传生物标志物来提高疾病预测的准确性	通过整合分子蛋白质、化学和遗传生物标志物与新兴机器学习特征（如TabNet和AutoInt）进行多模态分组，显著提升了预测准确性	未明确提及具体局限性，如数据样本量、模型泛化能力或临床验证范围	开发高度敏感的多模态生物标志物和有效调查方法，以准确检测和监测患者健康结果，包括预后、风险评估、患者分层和疾病监测	涉及多种健康问题，如心脏病、呼吸道感染、神经功能障碍、认知压力、癌症、中风、糖尿病等	机器学习	多种疾病	NA	传统机器学习算法, 传统深度学习方法, 现代深度学习技术（TabNet和AutoInt）	多模态分子数据（蛋白质、化学、遗传生物标志物）	NA	NA	TabNet, AutoInt	准确性	NA
115	2026-04-05	Artificial intelligence models for point-of-care ultrasound diagnostics in dogs 2026, Frontiers in veterinary science IF:2.6Q1 DOI:10.3389/fvets.2026.1729114 PMID:41884304	研究论文	本研究评估了深度学习模型在犬只创伤重点超声评估中检测危及生命的积液和气胸的可行性和诊断性能	首次将深度学习模型应用于犬只的即时超声诊断，特别是针对创伤重点超声评估中的积液和气胸检测，为兽医急诊护理提供了AI辅助决策的可行性支持	样本量较小，仅包含钝性创伤和非创伤性病理，存在类别不平衡，以及积液体积和位置在呈现时的变异性	评估深度学习模型在犬只即时超声诊断中检测危及生命的积液和气胸的可行性和诊断性能	五只健康的军用工作犬和二十只客户拥有的犬只（22-55公斤），包括有确认的腹部、胸膜、心包积液或气胸的犬只	计算机视觉	创伤	即时超声，创伤重点超声评估	CNN	图像	25只犬（5只健康军用工作犬，20只客户拥有犬）	NA	卷积神经网络	召回率, 准确率	NA
116	2026-04-04	Retraction: An inherently interpretable deep learning model for local explanations using visual concepts 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346306 PMID:41926417	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
117	2026-04-05	A two-stage deep learning framework for predicting the onset of Atrial fibrillation using RR interval-based embeddings 2026 Jan-Mar, Biocybernetics and biomedical engineering IF:5.3Q1 DOI:10.1016/j.bbe.2026.01.004 PMID:41878690	研究论文	本文提出了一种基于RR间期的两阶段深度学习框架，用于提前一小时预测心房颤动的发作	提出了一种新的两阶段深度学习框架，结合了卷积和双向LSTM网络进行特征提取和预测，并利用掩码技术增强临床可解释性	未明确提及具体局限性	开发一个能够提前预测心房颤动发作的模型，以支持预防性干预	重症监护病房患者的心电信号RR间期数据	机器学习	心血管疾病	NA	CNN, LSTM	时间序列数据（RR间期）	未明确提及具体样本数量，但涉及美国ICU中每年约500万危重患者中的一部分	未明确提及	卷积神经网络, 双向长短期记忆网络	灵敏度, 特异度, F1分数, AUROC, AUPRC	未明确提及
118	2026-04-05	EfficientNet-driven deep learning for accurate detection of faults in photovoltaic cells 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342647 PMID:41931557	研究论文	本研究提出了一种基于EfficientNetV2架构的深度学习框架，用于准确检测光伏电池中的故障	首次评估了三种EfficientNetV2变体（EfficientNetV2B0、EfficientNetV2B2和EfficientNetV2M）在光伏电池故障检测中的应用，并展示了EfficientNetV2M模型在异常检测任务中的优越性能	研究仅使用了2500张图像的数据集，样本量相对较小，可能影响模型的泛化能力	提高光伏电池故障识别的准确性，以优化光伏系统性能并延长太阳能电池板的使用寿命	光伏电池（包括有缺陷和无缺陷的电池）	计算机视觉	NA	深度学习	CNN	图像	2500张图像（包含有缺陷和无缺陷的光伏电池）	NA	EfficientNetV2B0, EfficientNetV2B2, EfficientNetV2M	准确率, 精确率, 召回率, F1分数	NA
119	2026-04-05	A robust deep learning approach for impulse noise filtering using hybrid auto-encoder with fuzzy median filter 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0343141 PMID:41931562	研究论文	本文提出了一种结合DnCNN、自编码器和模糊中值滤波器的深度学习图像去噪方法，用于检测和消除高密度脉冲噪声	提出了一种混合自编码器与模糊中值滤波器的深度学习去噪方法，有效整合了DnCNN和自编码器进行噪声分类，并通过模糊中值滤波器重建干净图像	仅使用12张标准测试图像进行训练和验证，样本规模较小	开发一种有效的图像恢复技术，用于去除图像中的脉冲噪声	受脉冲噪声污染的图像	计算机视觉	NA	图像去噪	CNN, 自编码器	图像	12张标准测试图像	NA	DnCNN, 自编码器	准确率, FPR, FNR, F1分数, PSNR, SSIM	NA
120	2026-04-05	Utilizing the transformer mechanism to predict cervical lymph node metastasis in patients with papillary thyroid carcinoma 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0345937 PMID:41931576	研究论文	本研究开发并验证了基于Vision Transformer (ViT)的深度学习模型，用于术前预测甲状腺乳头状癌患者的颈部淋巴结转移状态	首次将Vision Transformer (ViT)模型应用于甲状腺乳头状癌颈部淋巴结转移的术前预测，并与传统CNN模型、超声影像组学联合模型及临床模型进行比较，展示了Transformer机制在医学影像预测任务中的优越性能	研究为回顾性设计，样本量相对有限（540例患者），且仅基于二维矩形超声图像，未来需要前瞻性研究和多模态数据验证	开发并验证深度学习模型在术前预测甲状腺乳头状癌颈部淋巴结转移中的应用价值	甲状腺乳头状癌患者	计算机视觉	甲状腺癌	超声成像	Vision Transformer (ViT), CNN	图像	540例甲状腺乳头状癌患者（来自两家医院）	NA	Vision Transformer (ViT), 传统卷积神经网络框架	AUC, 净重分类改善指数(NRI), 综合判别改善指数(IDI)	NA