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
1421	2026-04-14	Label-free intraoperative imaging of hemodynamics using deep learning 2026-Mar-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.582171 PMID:41970583	研究论文	提出一种无标记的跨模态生成框架，利用激光散斑对比成像和白光成像合成平均通过时间图，用于术中血流动力学可视化	开发了一种无需造影剂的跨模态生成框架，能够从LSCI和WLI数据中合成MTT图，实现动脉-静脉区分和血流方向推断，将总成像时间减少95.8%	目前仅在鼠脑模型中进行实验验证，尚未在人体临床环境中测试	开发一种快速、高效且无需造影剂的术中血流动力学成像方法，以替代传统的吲哚菁绿荧光成像	鼠脑的血管结构和血流动力学	计算机视觉	神经外科相关疾病	激光散斑对比成像（LSCI）、白光成像（WLI）、吲哚菁绿荧光成像（ICG-FI）	深度学习模型（具体类型未明确说明）	图像（LSCI和WLI图像）	NA	NA	跨模态生成框架（具体架构未明确说明）	血管结构清晰度、动脉-静脉区分准确性、血流方向解码可靠性、成像时间减少百分比（95.8%）	NA
1422	2026-04-14	Lightweight CycleGAN models for cross-modality image transformation and experimental quality assessment in fluorescence microscopy 2026-Mar-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.578297 PMID:41970592	研究论文	本文提出了一种基于轻量化CycleGAN的模型，用于荧光显微镜中跨模态图像转换及实验质量评估	在U-Net生成器中引入了固定通道策略，替代传统的通道翻倍方法，将可训练参数从4180万大幅减少至约9千，同时保持或略微提升性能	未明确提及模型在更广泛生物样本或不同成像条件下的泛化能力	开发轻量化深度学习模型，实现荧光显微镜图像的跨模态转换，并评估其作为实验质量定性标记的潜力	标准共聚焦显微镜图像、超分辨率STED图像及解卷积STED图像	计算机视觉	NA	荧光显微镜，超分辨率STED成像	GAN, CycleGAN	图像	NA	NA	U-Net, CycleGAN, Pix2Pix	NA	GPU
1423	2026-04-14	Wheat spikelet detection on RGB images using deep machine learning 2026-Mar, Vavilovskii zhurnal genetiki i selektsii IF:0.9Q3 DOI:10.18699/vjgb-26-09 PMID:41971653	研究论文	本研究提出了一种基于简化点标注和深度学习的小麦穗粒检测方法，用于自动化高通量表型分析	采用简化的点标注（仅标记穗粒中心）替代传统分割掩码或边界框标注，显著降低了标注成本和时间，并探索了三种计算方法（U-Net分割、密度回归、YOLOv8检测）来利用这种简化标注	YOLOv8方法性能较低，可能由于固定尺寸边界框与穗粒自然细长形状之间的几何不匹配	开发自动化高通量小麦穗粒表型分析方法	小麦穗粒	计算机视觉	NA	深度学习，计算机视觉	CNN	RGB图像	NA	NA	U-Net, YOLOv8	MAE, MAPE, Precision, Recall, F1 score	NA
1424	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
1425	2026-04-14	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	提出一种多分辨率自适应通道融合Transformer编码器LSTM混合架构，用于提高单变量时间序列的径流预测准确性和可解释性	通过构建伪多变量输入（包括滞后观测、统计摘要和季节指标），并利用自适应注意力机制动态融合多尺度时间模式，结合Transformer编码器和LSTM进行预测，显著提升了预测性能	未明确提及模型在极端天气事件或高度非线性水文系统中的泛化能力限制	提高径流预测的准确性，以支持水资源管理和洪水缓解	单变量时间序列径流数据	机器学习	NA	NA	Transformer, LSTM	时间序列数据	三个基准径流数据集	NA	Transformer编码器, LSTM	RMSE, R²	NA
1426	2026-04-14	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的小波变换和傅里叶域滤波方法进行了比较研究	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，未涵盖其他医学影像模态；未考虑深度学习方法的对比	比较传统变换域方法在医学图像去噪中的性能，特别是小波变换与局部傅里叶方法的相对效果	受高斯、均匀、泊松和椒盐噪声污染的CT图像	计算机视觉	NA	图像去噪	NA	图像	未明确指定样本数量，但使用了CT图像数据集	NA	NA	PSNR	NA
1427	2026-04-14	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	提出了一种名为HybridHAR的新型深度学习模型，用于解决人类活动识别中多尺度时序模式捕获和深度网络特征传播的挑战	整合了并行多尺度CNN结构、残差注意力机制与通道特征融合、以及带有辅助分类的深度监督模块	NA	提高传感器数据的人类活动识别准确率	人类活动识别	机器学习	NA	NA	CNN, 注意力机制	传感器数据	UCI HAR数据集	NA	HybridHAR	准确率	NA
1428	2026-04-14	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	本研究提出了一种结合区块链和深度学习的混合模型，用于检测物联网医疗系统中的多向量攻击	提出了一种结合区块链和深度学习的混合模型，利用深度稀疏自编码器进行特征提取，并采用贝叶斯专家乘积方法进行验证，以提高医疗物联网系统的安全性	在跨数据集测试中表现出中等泛化能力，平均得分范围为11.52%至13.55%	保护医疗物联网系统免受多向量攻击，防止数据丢失	医疗物联网系统，包括临床决策支持系统和患者健康监测设备	物联网安全	NA	深度学习，区块链技术	深度稀疏自编码器，双向长短期记忆网络	物联网设备生成的网络流量数据	使用了IoT-Flock和CICIoT2023数据集	NA	DSAE, BiLSTM	准确率，检测延迟，网络吞吐量，共识延迟，验证成功率	NA
1429	2026-04-14	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	本文研究了一种混合深度学习模型TCN-SENet-BiGRU-Global Attention，通过特征融合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，以更好地捕捉风电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	风电功率数据	机器学习	NA	NA	TCN, SENet, BiGRU, Global Attention	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
1430	2026-04-14	Characterising processing conditions that artifactually bias human brain tissue transcriptomes 2026-Feb-17, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-68872-9 PMID:41702898	研究论文	本研究通过分析不同死后处理时间的人脑组织转录组，鉴定并表征了因处理条件（时间和温度）引入的人工假象基因，并开发了一个深度学习工具来预测这种假象信号	首次系统性地鉴定了人脑组织在死后处理过程中产生的人工假象基因（BAGs），并揭示了不同细胞类型（谷氨酸能神经元和少突胶质细胞）对假象的响应时序差异，进而开发了可量化假象程度的深度学习预测工具TTRUTH	研究主要基于成人脑组织，未涵盖发育中或衰老脑组织；假象基因的鉴定依赖于“立即提取”组织作为金标准，其获取本身具有挑战性；深度学习模型的泛化能力需要在更多独立数据集中验证	表征和量化人脑组织在死后处理过程中因时间和温度条件引入的转录组假象，以提高脑转录组数据的标准化和解释能力	成人人脑组织	计算生物学	NA	RNA-seq, 单核RNA测序	深度学习	转录组测序数据	涉及立即提取（<0小时）、短死后间隔（~6小时）和长死后间隔（~36小时）的人脑组织样本	NA	NA	NA	NA
1431	2026-04-14	Risk Prediction of Chronic Kidney Disease Progression in Type 2 Diabetes Mellitus Across Diverse Populations 2026-Feb-16, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02439-2 PMID:41699026	研究论文	本研究开发了基于深度学习的预后模型，用于预测2型糖尿病患者慢性肾病进展的风险	利用大规模纵向电子健康记录数据，构建了适用于亚洲人群的深度学习预后模型，并通过外部验证证实了其泛化能力	模型主要基于香港地区数据开发，尽管进行了外部验证，但在其他种族或地区的适用性仍需进一步研究	开发个体化的慢性肾病进展风险预测工具，以支持早期风险分层和个性化干预	2型糖尿病患者的慢性肾病进展	机器学习	慢性肾病	电子健康记录分析	深度学习	临床数据、生化数据、处方历史数据	569,680名个体（来自香港165家公共医疗机构），并在UK Biobank和CHARLS队列中进行外部验证	NA	NA	AUC	NA
1432	2026-04-14	A deep learning model integrating structured data and clinical text for predicting atrial fibrillation recurrence 2026-Feb-16, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02436-5 PMID:41699044	研究论文	本研究开发了一种整合结构化数据和临床文本的双分支深度学习模型，用于预测心房颤动消融术后的复发风险	首次提出一种结合1D ResNet处理结构化数据和多种大型语言模型（LLaMA-7B, Phi2-2.7B, Mistral-7B, MedGemma-27B）编码临床文本的双分支深度学习框架，用于预测AF复发，其中采用MedGemma提取文本特征的模型表现最佳	研究为多中心回顾性研究，可能存在选择偏倚；未在外部独立队列中进行验证；未详细说明模型的可解释性	开发并验证一个整合多模态围手术期数据的深度学习模型，以预测心房颤动消融术后的复发风险	接受心房颤动消融术的患者	自然语言处理, 机器学习	心血管疾病	NA	深度学习, 大型语言模型	结构化数据, 临床文本	2508名来自中国五家医疗中心的患者（训练队列、验证队列和测试队列）	NA	1D ResNet, LLaMA-7B, Phi2-2.7B, Mistral-7B, MedGemma-27B	AUC	NA
1433	2026-04-14	Depression detection using deep learning and large language models from multimodalities 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1759857 PMID:41878374	综述	本文综述了基于深度学习和大语言模型的多模态抑郁症检测方法的最新进展	探讨了多模态架构（融合语音、面部表情和EEG特征）和基于Transformer的融合机制，以及大语言模型（LLMs）在跨模态对齐、上下文推理和数据高效适应方面的应用，标志着向可扩展、可解释且临床可部署的AI系统发展的新方向	数据集多样性不足、标准化缺乏、可解释性有限以及临床验证不充分	评估客观抑郁症检测的自动化、数据驱动方法	抑郁症患者	自然语言处理, 机器学习	抑郁症	脑电图（EEG）	Transformer, 大语言模型（LLMs）	多模态数据（EEG、语音、面部表情）	NA	NA	Transformer	准确率, F1分数	NA
1434	2026-04-14	Exploring the relationship between urban visual density and responsible tourism behavior: a multimodal study of Macao 2026, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2026.1783451 PMID:41969867	研究论文	本研究通过结合调查建模和街景视觉分析，探索了澳门城市视觉密度与负责任旅游行为之间的关系	采用多模态设计，首次将游客心理评估与客观测量的城市视觉环境指标（如绿视指数、天空视域因子）相结合，以理解高密度城市旅游目的地的负责任旅游行为	研究结果应解释为情境对齐，而非独立环境效应或跨区域因果推断的证据，限制了因果关系的明确性	探索城市视觉密度与负责任旅游行为之间的关系，以促进可持续旅游发展	519名非本地游客的调研数据及澳门街景视觉指标	计算机视觉	NA	基于深度学习的语义分割	NA	调查数据、街景图像	519名非本地游客	NA	NA	NA	NA
1435	2026-04-14	Alzheimer's disease detection using a quantum deep neural network with Haralick feature extraction and simulated annealing optimization 2026, PeerJ. Computer science DOI:10.7717/peerj-cs.3387 PMID:41970019	研究论文	本文提出了一种结合量子计算、深度神经网络、Haralick特征提取和模拟退火优化的新方法，用于从MRI图像中检测阿尔茨海默病	提出了一种量子深度神经网络（QDNN）框架，并引入了新的特征特定模拟退火方法（FSSA）来优化Haralick特征和模型参数，结合了量子计算的优势与深度学习的特征学习能力	未提及模型的计算复杂度、泛化能力测试或在其他独立数据集上的验证情况	开发一种高效、准确的阿尔茨海默病早期检测方法	阿尔茨海默病患者的轴向MRI图像	机器学习	阿尔茨海默病	MRI成像	量子深度神经网络	图像	11,519张轴向MRI图像（分为四个平衡类别，每类2,560张）	NA	量子深度神经网络	准确率, 精确率, 灵敏度, 特异性	NA
1436	2026-04-14	Artificial Intelligence in Traditional Chinese Medicine: Unraveling Herbal Medicine's Mechanisms 2026, Research (Washington, D.C.) DOI:10.34133/research.1224 PMID:41970029	综述	本文系统阐述了人工智能如何结合网络药理学，解析传统中药“多成分、多靶点、多通路”的作用机制，并推动其现代化与国际化	提出了将网络药理学作为基础框架，并利用AI（特别是机器学习和深度学习）来克服其局限性，构建“计算预测-实验验证”的整合工作流，以解析中医证候和方剂配伍的底层生物学逻辑	当前大多数AI在中医药领域的应用仍局限于疾病分类、结果预测或草药-靶点关联挖掘，重构中医证候和方剂配伍的底层生物学逻辑的能力有限	探讨人工智能在解析传统中医药复杂作用机制、质量控制、多组学整合以及推动其现代化和国际化方面的应用与前景	传统中医药，特别是其“多成分、多靶点、多通路”的草药治疗模型	自然语言处理, 机器学习, 数字病理学	肿瘤, 代谢性疾病, 传染性疾病	网络药理学, 多组学数据整合, 光谱数据分析	机器学习, 深度学习, 生成式AI, 大语言模型	网络数据, 光谱数据, 多组学数据, 文本数据（古籍）	NA	NA	NA	NA	NA
1437	2026-04-14	Explainable AI-SERS approach for highly accurate discrimination of Escherichia coli pathotypes and Shigella species 2026, Current research in microbial sciences IF:4.8Q1 DOI:10.1016/j.crmicr.2026.100588 PMID:41970215	研究论文	本研究提出了一种结合可解释人工智能（XAI）与表面增强拉曼光谱（SERS）的平台，用于快速准确区分大肠杆菌致病型和志贺氏菌物种	首次将XAI与SERS结合，通过深度学习模型实现高精度分类，并利用SHAP分析提供生化可解释性，揭示了分类的特定特征和分子成分	研究仅基于294株菌株的SERS光谱，样本多样性可能有限，且未在更广泛的临床环境中验证	开发一种快速、准确且可解释的方法，以区分大肠杆菌致病型和志贺氏菌物种，解决传统方法难以区分的挑战	大肠杆菌的五个致病型和志贺氏菌物种	机器学习	腹泻病	表面增强拉曼光谱（SERS）	CNN, 多层感知机	光谱数据	294株菌株，生成7819个SERS光谱	NA	一维卷积神经网络（1D-CNN）, 多层感知机	准确率	NA
1438	2026-04-14	NeuralVisionNet: a probabilistic neural process model for continuous visual anticipation 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1781080 PMID:41970471	研究论文	本文提出了一种名为NeuralVisionNet的概率神经网络过程模型，用于实现连续的视觉预测，通过结合分层视频Swin Transformer和注意力神经过程，模拟生物视觉的预测编码机制	提出了一种新颖的概率框架，将视觉预测建模为连续生成过程，并引入了类似网格的编码方案和变分全局潜在变量来确保长期语义一致性	NA	开发一个能够连续预测未来视觉事件的生物启发式模型，解决深度学习模型在长期一致性方面的挑战	视觉预测任务，特别是在视频序列中连续生成未来帧	计算机视觉	NA	NA	Transformer, 注意力神经过程	视频	NA	NA	视频Swin Transformer, 注意力神经过程	FVD, SSIM	NA
1439	2026-04-14	Correction: Depression detection using deep learning and large language models from multimodalities 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1827697 PMID:41970524	correction	本文是对先前发表文章（DOI: 10.3389/fdgth.2026.1759857）的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1440	2026-04-14	ReHeartNet: Reconstruct Electrocardiogram From Photoplethysmography by Using Dense Connected Deep Learning Model 2026, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2026.3670010 PMID:41970650	研究论文	本研究提出了一种名为ReHeartNet的深度学习模型，用于从光电容积脉搏波信号中重建心电图信号，以实现舒适、非侵入式的心律监测	提出了一种新颖的密集连接双向长短期记忆网络架构，通过多尺度时序和频率关系建模以及层次特征融合，实现了从PPG到ECG的高保真重建	NA	从光电容积脉搏波信号中重建心电图信号，以简化心脏监测过程并提高舒适度	健康个体以及患有循环系统疾病和心律失常的患者	机器学习	心血管疾病	NA	深度学习模型	时序信号数据	使用了四个公开数据集：MIMIC-III, BIDMC, TBME-RR, 和 CBIC-Heart	NA	密集连接双向长短期记忆网络	NA	NA