深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 49768 篇文献，本页显示第 1561 - 1580 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1561 | 2026-09-19 |
VISTA Uncovers Missing Gene Expression and Spatial-induced Information for Spatial Transcriptomic Data Analysis
2025-Oct-07, Research square
DOI:10.21203/rs.3.rs-7564369/v1
PMID:41282090
|
研究论文 | 介绍了一种名为VISTA的新方法，用于预测亚细胞空间转录组学（SST）数据中未观测基因的表达水平，并展示其在填补、空间可变基因检测、配体-受体相互作用发现等方面的应用 | VISTA结合了变分推断和几何深度学习，联合建模scRNA-seq和SST数据，并纳入不确定性量化，能够预测未观测基因的表达 | 未明确提及 | 预测SST数据中未观测基因的表达水平，以增强对空间诱导的细胞状态和特征的理解 | SST数据和scRNA-seq数据 | 空间转录组学 | NA | scRNA-seq, 亚细胞空间转录组学 (SST) | 变分推断, 几何深度学习 | 基因表达数据, 空间数据 | 四个SST数据集 | NA | NA | NA | NA |
| 1562 | 2026-09-19 |
Glomerular Segmentation, Classification, and Pathomic Feature-based Prediction of Clinical Outcomes in Minimal Change Disease and Focal Segmental Glomerulosclerosis
2025-Oct-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.10.01.25336172
PMID:41282794
|
研究论文 | 本研究利用深度学习对肾小球进行分割和分类，并提取非硬化肾小球的病理组学特征，以预测微小病变病和局灶节段性肾小球硬化的临床结局 | 从非硬化肾小球中提取亚视觉病理组学特征并评估其临床预后价值，发现传统评估忽略的预后信息 | 病理组学特征预后性能中等，部分特征在调整后显著性减弱，样本量有限 | 自动化分割和分类肾小球，提取非硬化肾小球的病理组学特征，并评估其与疾病进展和蛋白尿缓解的关联 | 微小病变病和局灶节段性肾小球硬化患者的肾活检全切片图像 | 数字病理学 | 肾脏疾病 | 过碘酸雪夫染色全切片图像分析，深度学习 | 卷积神经网络 | 图像 | NEPTUNE/CureGN队列的PAS染色全切片图像，具体样本量未在摘要中说明 | NA | NA | ICC，iAUC | NA |
| 1563 | 2026-09-19 |
SpaGene: A Deep Adversarial Framework for Spatial Gene Imputation
2025-Oct-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.03.680242
PMID:41278680
|
研究论文 | 本文提出了SpaGene，一个深度对抗框架，用于整合单细胞RNA测序数据和空间转录组数据，以填补空间转录组中缺失的基因表达 | SpaGene由两个编码器-解码器对、两个翻译器和两个判别器组成，能够有效填补空间转录组数据集中的缺失基因表达，并在多个数据集上优于现有最先进方法 | 未明确提及 | 开发一个深度学习框架，整合scRNA-seq和空间转录组数据，以填补空间转录组中缺失的基因表达，增强对组织生物学、细胞相互作用和疾病进展的理解 | 单细胞RNA测序数据和空间转录组数据，以及肺肿瘤组织 | 机器学习 | 肺癌 | scRNA-seq，空间转录组学 | 深度学习对抗框架 | 基因表达数据，空间转录组数据 | NA | NA | 编码器-解码器，翻译器，判别器 | 皮尔逊相关系数（PCC），结构相似性指数（SSIM），均方根误差（RMSE） | NA |
| 1564 | 2026-09-19 |
Physics-Informed Machine Learning in Biomedical Science and Engineering
2025-Oct-06, ArXiv
PMID:41281212
|
综述 | 本文综述了物理信息机器学习（PIML）在生物医学科学与工程中的三种主要框架：物理信息神经网络（PINNs）、神经常微分方程（NODEs）和神经算子（NOs） | 系统性地回顾了PINNs、NODEs和NOs在生物医学领域的应用，强调了物理可解释性、数据稀缺或系统复杂性使得传统黑箱学习不足的场景，并指出了未来方向包括不确定性量化、泛化以及PIML与大语言模型的集成 | 未涉及具体实验验证，主要关注现有框架的综述，缺乏对PIML方法在实际生物医学问题中性能的定量比较 | 综述物理信息机器学习在生物医学科学与工程中的应用，并识别开放挑战和未来方向 | 生物医学系统，包括生物固体和生物流体力学、力学生物学、医学成像、动态生理系统、药代动力学、细胞信号传导以及多尺度和空间异质性生物域 | 机器学习 | NA | 物理信息机器学习（PIML），包括物理信息神经网络（PINNs）、神经常微分方程（NODEs）和神经算子（NOs） | 物理信息神经网络（PINNs）、神经常微分方程（NODEs）、神经算子（NOs） | NA | NA | NA | 物理信息神经网络（PINNs）、神经常微分方程（NODEs）、神经算子（NOs） | NA | NA |
| 1565 | 2026-09-19 |
Decentralized, privacy-preserving surgical video analysis with Swarm Learning
2025-Oct-03, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.10.02.25337106
PMID:41256170
|
研究论文 | 该研究开发了一种将弱监督深度学习与Swarm Learning相结合的管道，用于去中心化、隐私保护的手术视频分析，并在三个患者级疾病分期任务上验证其性能 | 首次将弱监督深度学习与Swarm Learning集成用于手术视频分析，无需数据集中化即可实现多中心协作训练，并直接从手术视频数据预测患者级临床结局而非依赖人工帧级标注 | 硬件故障和去中心化学习管道与电子病历系统集成有限是临床实施的主要障碍；数据集规模相对有限（397例）；仅在阑尾切除术中验证 | 解决手术视频AI分析中对人工帧级标注的依赖和数据隐私限制导致的多中心协作困难问题，实现隐私保护的多中心协作手术视频分析 | 来自六个国际外科中心的397例腹腔镜阑尾切除术录像 | 计算机视觉 | 阑尾炎 | 弱监督深度学习, Swarm Learning, 腹腔镜视频分析 | CNN | 视频 | 397例腹腔镜阑尾切除术录像（来自六个国际外科中心） | NA | SurgTempoNet, SurgFrameNet, Multiple Instance Learning | 分类性能（准确率）, 泛化性能 | NA |
| 1566 | 2026-09-19 |
Hybrid deep learning-mechanistic modeling of cellular dynamics from a spatiotemporal single-cell atlas
2025-Oct-03, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.02.679951
PMID:41256408
|
研究论文 | 本文提出了一种混合深度学习与机制建模的方法，利用变分自编码器-神经常微分方程从时空单细胞图谱中学习细胞状态的潜在表示和动态演化，并通过拟合希尔函数模型实现可解释的基因调控预测。 | 结合变分自编码器和神经常微分方程学习细胞状态的连续动态，并将黑箱模型推断的潜在动态作为基础，拟合机制性的希尔函数模型，从而实现对组合扰动效应的可解释预测。 | 黑箱深度学习模型在预测组合扰动效应方面存在固有局限，本文通过机制模型来弥补，但机制模型的适用性和准确性可能受限于特定系统。 | 从时空单细胞图谱中重建细胞动态过程，并实现可解释的基因调控预测。 | 黑腹果蝇（Drosophila melanogaster）囊胚期胚胎的时空单细胞荧光成像图谱。 | 计算生物学 | NA | 单细胞荧光成像 | 变分自编码器（VAE）、神经常微分方程（Neural ODE）、希尔函数模型 | 图像、基因表达数据 | 六个注册的发育时间点 | NA | 变分自编码器（VAE）、神经常微分方程（Neural ODE） | NA | NA |
| 1567 | 2026-09-19 |
Interpretable machine learning and signal processing for automated reading and quality control of lateral flow tests for schistosomiasis
2025-Oct-02, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.10.01.25337079
PMID:41256111
|
研究论文 | 该论文提出了一种结合深度学习和信号处理的端到端自动化流程，用于分析血吸虫病即时循环阴极抗原检测试纸的图像。 | 创新点在于将深度学习用于试纸盒分割与信号处理相结合，实现了对血吸虫病即时检测试纸的自动化定量分类，并能够解决视觉痕迹不确定性，提供实时质量控制。 | 摘要中未明确提及研究局限性。 | 开发自动化流程以对血吸虫病即时检测试纸进行诊断分类和质量控制，以支持大规模筛查和消除目标。 | 乌干达农村SchistoTrack队列中的3188名个体。 | 计算机视觉 | 血吸虫病 | 深度学习，信号处理，即时检测（POCT），侧向层析试纸（Lateral flow tests） | 深度学习（具体模型未说明） | 图像 | 3188名个体（来自SchistoTrack队列） | NA | NA | 灵敏度（86.6%），特异性（96.5%） | NA |
| 1568 | 2026-09-19 |
scGPD: single-cell informed gene panel design for targeted spatial transcriptomics
2025-Oct-02, bioRxiv : the preprint server for biology
DOI:10.1101/2025.10.02.680117
PMID:41256660
|
研究论文 | 本文提出了scGPD，一个基于深度学习的基因组合设计框架，利用单细胞RNA-seq数据为靶向空间转录组学选择紧凑、非冗余的基因集 | 使用基因-基因相关性感知的门控机制来提取信息特征，鼓励所选基因之间的多样性并消除冗余，优于现有方法 | 摘要中未明确说明 | 解决靶向空间转录组学中，选择能捕捉组织细胞和空间异质性复杂性的信息基因组合这一关键挑战 | 单细胞RNA-seq数据和空间转录组学数据 | 计算生物学、空间转录组学、单细胞分析 | NA | 单细胞RNA-seq、空间转录组学 | 深度学习 | 基因表达数据 | NA | NA | NA | 细胞类型分类准确率、转录组范围表达恢复 | NA |
| 1569 | 2026-09-19 |
Automated segmentation of soft X-ray tomography: Native cellular structure with submicron resolution at high-throughput for whole-cell quantitative imaging in yeast
2025-Oct-01, Molecular biology of the cell
IF:3.1Q3
DOI:10.1091/mbc.E24-10-0486
PMID:40875368
|
研究论文 | 本文利用基于深度学习的自动分割流程对酵母细胞的软X射线断层扫描（SXT）图像进行分割和标注，实现了高通量的全细胞定量成像和形态学分析 | 开发了基于深度学习的自动分割流程，用于软X射线断层扫描图像，通过手动迭代改进提高了分割精度，实现了对数百个细胞的高通量精确表型分析，并首次展示了SXT数据用于整个细胞器和细胞的精确3D曲率分析以及使用表面网格检测细微形态特征的能力 | 摘要中未明确提及研究的局限性 | 开发自动分割软X射线断层扫描图像的流程，实现高通量、精确的全细胞定量成像和形态学分析 | 酵母细胞（野生型、VPH1-GFP和特定突变株） | 计算机视觉 | NA | 软X射线断层扫描（SXT） | 深度学习 | 图像 | 数百个细胞（跨三个菌株） | NA | NA | NA | NA |
| 1570 | 2026-09-19 |
An Interpretable Deep Learning Framework for Biomarker Discovery in Complex Disease Survival Outcomes
2025-Oct-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.30.679415
PMID:41256539
|
研究论文 | 提出并验证了一种可解释的深度学习框架SurvDNN，用于复杂疾病生存结局中的生物标志物发现 | 结合了基于自举的正则化策略以缓解过拟合，并提出了新颖的稳定性驱动过滤算法以提高模型鲁棒性；将基于排列的特征重要性检验(PermFIT)扩展到生存分析设置中，实现了在复杂生物标志物-结局关联下对个体生物标志物贡献的严格量化 | 未明确说明 | 解决复杂疾病生存结局中生物标志物发现所面临的时间-事件数据独特性质、非线性非加性生物标志物交互以及高维性等挑战 | 复杂疾病（如癌症和心血管疾病）的生存结局数据及生物标志物 | 机器学习 | 癌症, 心血管疾病 | 基于自举的正则化, 稳定性驱动过滤算法, 基于排列的特征重要性检验 | 深度神经网络 | 生存时间-事件数据 | 未明确说明 | 未明确说明 | 深度神经网络 | 预测准确性 | 未明确说明 |
| 1571 | 2026-09-19 |
Correcting Non-Uniform Milling in FIB-SEM Images with Unsupervised Cross-Plane Image-to-Image Translation
2025-Oct-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.29.679411
PMID:41256585
|
研究论文 | 本文开发了一种无监督跨平面图像到图像翻译的深度学习方法，用于校正FIB-SEM图像中因铣削厚度不均匀导致的轴向畸变 | 提出了一种无监督的图像到图像翻译方法，无需任何真实标注即可在三维图像体积内进行跨平面学习，以端到端方式校正非均匀铣削伪影 | 仅在真实世界的微型黄蜂数据集上进行了验证，未在其他生物组织或更大规模数据集上评估，方法的泛化能力尚不明确 | 校正FIB-SEM图像中观察到的非均匀铣削伪影，以改善图像的轴向分辨率和质量，从而支持生物组织精细结构的准确分割和重建 | FIB-SEM三维图像体积，具体为微型黄蜂数据集 | 计算机视觉 | NA | FIB-SEM | CNN | 图像 | 一个真实世界的微型黄蜂数据集 | NA | NA | 定性分析和定量分析 | NA |
| 1572 | 2026-09-19 |
GatorAffinity: Boosting Protein-Ligand Binding Affinity Prediction with Large-Scale Synthetic Structural Data
2025-Oct-01, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.29.679384
PMID:41256614
|
研究论文 | 该研究利用大规模合成蛋白质-配体复合物数据，开发了一种名为GatorAffinity的几何深度学习评分函数，用于蛋白质-配体结合亲和力预测 | 通过Boltz-1结构预测模型生成了超过45万个合成蛋白质-配体复合物，并结合SAIR数据库的超过100万个合成复合物，构建了大规模合成数据集GatorAffinity-DB，并基于此预训练了GatorAffinity模型，显著提升了亲和力预测的准确性和泛化能力 | 摘要中未明确提及研究的局限性 | 解决蛋白质-配体结合亲和力预测中实验数据稀缺的问题，提升预测准确性和泛化能力 | 蛋白质-配体复合物及其结合亲和力 | 机器学习 | NA | 结构预测模型Boltz-1 | 几何深度学习 | 结构数据 | 超过450,000个合成蛋白质-配体复合物（来自Boltz-1），超过1,000,000个合成复合物（来自SAIR数据库），以及PDBbind中的少于20,000个实验结构 | NA | GatorAffinity | NA | NA |
| 1573 | 2026-09-19 |
Comprehensive aortic stenosis characterization using multi-view deep learning
2025-Sep-29, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.09.26.25336778
PMID:41256129
|
研究论文 | 该文章开发了EchoNet-AS，一种结合视频卷积神经网络和分割模型的多视图深度学习端到端方法，用于综合评估主动脉瓣狭窄的严重程度 | 首次将B模式视频的结构信息和多普勒图像的功能信息整合到一个端到端深度学习模型中，突破了现有AI模型仅使用单一信息的局限 | 摘要中未明确提及研究的局限性 | 利用多视图深度学习综合评估主动脉瓣狭窄的严重程度，并验证其在不同医疗中心外部队列中的泛化能力 | 主动脉瓣狭窄患者，包括来自KPNC、SHC和CSMC三个医疗系统的超声心动图研究 | 医学影像分析 | 心血管疾病 | 超声心动图，包括B模式视频和多普勒成像 | CNN，分割模型 | 图像和视频 | 训练集210193张图像来自16076项研究（KPNC）；内部验证集1589项研究（KPNC）；时间外部验证集19206项研究（KPNC）；外部验证集2415项研究（SHC）和9038项研究（CSMC） | NA | 卷积神经网络（CNN），分割模型 | AUC | NA |
| 1574 | 2026-09-19 |
High-accuracy SNV calling for bacterial isolates using deep learning with AccuSNV
2025-Sep-29, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.26.678787
PMID:41256411
|
研究论文 | 本文提出了一种基于深度学习的工具AccuSNV，用于高精度自动化的细菌单核苷酸变异（SNV）检测 | AccuSNV利用卷积神经网络整合多个样本的比对信息，通过学习跨样本模式提高精度，并提供了用户友好的下游分析模块 | 未明确提及 | 开发一种高精度、自动化的细菌SNV检测工具，以解决传统方法高假阳性率和需要手动过滤的问题 | 细菌分离株的SNV检测 | 机器学习 | NA | 全基因组测序 | CNN | 序列数据 | 六个细菌物种的模拟数据以及多个真实的细菌数据集 | NA | 卷积神经网络 | NA | NA |
| 1575 | 2026-09-19 |
Mapping the Evolution of China's Traditional Chinese Medicine Education Policies: Insights From a BERTopic-Based Descriptive Study
2025-09-25, JMIR medical education
IF:3.2Q1
DOI:10.2196/72660
PMID:40997298
|
研究论文 | 本研究基于BERTopic模型对中医药教育政策文献进行主题建模，系统分析中国中医药教育政策的研究主题及其演变趋势 | 首次将BERTopic深度学习主题建模技术应用于中医药教育政策分析，提出了中医药教育政策演变的五个阶段框架（边缘化、标准化、专业化、系统化、再标准化），填补了该领域长期趋势和核心问题研究的空白 | 未明确提及研究局限性，但可能存在政策文献收集范围有限、BERTopic模型参数选择对结果的影响未充分讨论等问题 | 系统分析中国中医药教育政策的研究主题和演变趋势，为未来政策制定和教育实践提供数据驱动的参考依据 | 中国中医药教育相关政策文献，来源包括教育部、国家中医药管理局、北大法宝及中医药院校档案 | 自然语言处理 | NA | NA | BERTopic | 文本 | NA | NA | BERTopic | NA | NA |
| 1576 | 2026-09-19 |
Understanding Cancer Survivorship Care Needs Using Amazon Reviews: Content Analysis, Algorithm Development, and Validation Study
2025-09-23, JMIR cancer
IF:3.3Q2
DOI:10.2196/71102
PMID:40986859
|
研究论文 | 该研究利用亚马逊消费者评论作为新型数据源，通过内容分析和深度学习及大语言模型开发基线模型，以识别癌症幸存者的护理需求 | 首次将亚马逊消费者评论作为识别癌症幸存者护理需求的新数据源，并构建了公开可用的手动标注语料库及基于深度学习和LLM的基线模型 | 仅标注了159条评论，样本量较小；基线模型性能有限（NER F1最高66.92%，文本分类F1最高88.46%）；未与临床指南进行直接对比验证 | 突出利用亚马逊消费者评论作为识别癌症幸存者护理需求（特别是症状自我管理）新来源的潜力，并开发基线自然语言处理模型 | 亚马逊平台上健康相关产品的消费者评论，重点关注包含癌症提及的句子 | 自然语言处理 | 癌症 | 自然语言处理，深度学习，大语言模型 | BERT，GPT-4 | 文本 | 4703个句子，来自3349条评论，涉及2589种产品；其中159条评论被手动标注，产生2067个标签 | NA | Bert-base-cased，gpt4-1106-preview-chat | 加权平均F1分数，F1分数 | NA |
| 1577 | 2026-09-19 |
GIN-CRC-Pareto: A graph-based Pareto-optimal multi-task learning framework to identify miRNA-target interactions in colorectal cancer
2025-Aug-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.10.669528
PMID:40832303
|
研究论文 | 本文提出了一种基于图的帕累托最优多任务学习框架GIN-CRC-Pareto，用于同时预测miRNA-mRNA结合对、识别种子匹配对并分类种子匹配亚型，以识别结直肠癌中的miRNA-靶标相互作用 | 结合图神经网络与帕累托最优梯度平衡策略，动态调整任务权重以优化每个任务而不影响其他任务，并验证了该框架结合迁移学习在其他癌症中的泛化能力 | 摘要中未明确提及研究的局限性 | 识别结直肠癌中的miRNA-靶标相互作用，以阐明驱动结直肠癌及其他恶性肿瘤的分子机制，并促进基于miRNA的癌症治疗开发 | 结直肠癌（CRC）中的miRNA-mRNA相互作用 | 机器学习 | 结直肠癌 | NA | 图神经网络 | NA | NA | NA | 图同构网络 | 准确率，精确率，AUC | NA |
| 1578 | 2026-09-19 |
Domain-Randomized Deep Learning for Neuroimage Analysis: Selecting Training Strategies, Navigating Challenges, and Maximizing Benefits
2025-Jul, IEEE signal processing magazine
IF:9.4Q1
DOI:10.1109/MSP.2025.3590806
PMID:41306561
|
综述 | 本文是一篇教程综述，系统介绍了基于域随机化的深度学习在神经影像分析中的训练策略、实施挑战与优势，涵盖原理、实现及潜在应用 | 系统综述了通过合成随机化强度和解剖内容的图像来训练深度神经网络的新兴域随机化策略，该策略无需重新训练或微调即可处理训练中未见过的图像类型，并跨多种成像模态验证了有效性 | 域随机化方法增加了计算需求，实际采用时需要在泛化能力与计算成本之间进行权衡 | 综述合成驱动训练范式的原理、实施和潜力，探讨实际采用该技术的考量因素，旨在加速开发可泛化工具，使深度学习更易于领域专家使用 | 神经影像数据，特别是MRI图像，以及CT、PET、OCT、超声、电子和荧光显微镜、X射线微断层扫描等多模态医学图像 | 计算机视觉 | NA | 域随机化训练策略、合成图像生成、解剖分割图 | 深度神经网络 | 图像 | NA | NA | NA | NA | NA |
| 1579 | 2026-09-19 |
Sidechain conditioning and modeling for full-atom protein sequence design with FAMPNN
2025-Jul, Proceedings of machine learning research
PMID:41307002
|
研究论文 | 本文提出了FAMPNN，一种全原子蛋白质序列设计方法，在序列生成过程中显式建模残基的侧链构象 | FAMPNN是首个在固定主链蛋白质序列设计中显式建模侧链构象的方法，联合学习离散氨基酸身份和连续侧链构象的分布，显著提升了序列恢复率和侧链堆积质量 | 未明确提及 | 解决现有深度学习方法在固定主链蛋白质序列设计中忽略侧链构象建模的问题，提高序列设计和侧链堆积的准确性 | 蛋白质序列和侧链构象 | 机器学习 | NA | 深度学习 | MPNN | 蛋白质结构数据 | NA | NA | FAMPNN | 序列恢复率, 侧链堆积质量, 零样本预测结合和稳定性 | NA |
| 1580 | 2026-09-19 |
Revealing emotional responses to urban environmental elements through street view data and deep learning
2025-Jun-05, Environment and planning. B, urban analytics and city science
DOI:10.1177/23998083251348280
PMID:41268364
|
研究论文 | 本文通过街景数据和深度学习技术，探究城市环境特征对情绪的影响 | 结合DeepLab V3架构和LaDeco工具分析超过20万张街景图像，将环境特征分为五类并细分为53个类别，通过大规模参与者情绪报告和多元回归分析揭示环境特征与情绪的关系 | 研究仅针对台北市的50个采样区域，可能限制结果的普遍性；未提及具体的计算资源细节 | 探索城市环境特征对情绪的影响 | 台北市50个采样区域的城市环境特征和2090名参与者的情绪反应 | 计算机视觉 | NA | 深度学习，街景数据 | CNN | 图像，文本 | 超过200,000张Google Street View图像，2090名参与者 | NA | DeepLab V3 | NA | NA |