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
1601	2026-03-15	A novel hybrid deep learning scheme for four-class motor imagery classification 2019-10-16, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab3471 PMID:31341093	研究论文	本文提出了一种新颖的混合深度学习方案，用于四类运动想象脑电信号的分类	提出了一种结合CNN和LSTM的混合深度网络，能够同时提取和学习MI信号的空间与时间特征，并构建了一个独立于受试者的共享神经网络模型	NA	提高四类运动想象脑电信号的分类准确率	运动想象脑电信号	脑机接口	NA	脑电图	CNN, LSTM	脑电信号	使用BCI竞赛IV数据集2a	NA	CNN, LSTM	准确率, Cohen's kappa值	NA
1602	2026-03-15	A deep learning approach for real-time detection of sleep spindles 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab0933 PMID:30790769	研究论文	本文提出了一种基于深度学习的实时睡眠纺锤波检测方法SpindleNet，用于单通道EEG信号分析	SpindleNet是一种新颖的深度学习策略，专为在线应用设计，相比现有方法具有更高的检测精度和速度，并能在低采样频率和低信噪比条件下保持优异性能	NA	开发一种适用于实时应用的睡眠纺锤波自动检测方法	睡眠纺锤波	机器学习	NA	EEG信号分析	深度学习	EEG信号	两个公开的专家验证EEG睡眠纺锤波数据集，涵盖不同年龄和物种的受试群体	NA	SpindleNet	检测精度, 检测延迟	NA
1603	2026-03-15	Regression convolutional neural network for improved simultaneous EMG control 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab0e2e PMID:30849774	研究论文	本文提出了一种基于回归卷积神经网络的肌电控制方案，用于改进同时手腕运动的控制性能	首次验证了回归CNN模型在在线Fitts定律测试中的可用性，并展示了其在同时控制多个自由度任务中的优势	NA	开发一种无需特征工程的深度学习模型，以替代传统的基于特征提取的回归模型，用于肌电信号控制	肌电信号，特别是手腕运动的肌电信号	机器学习	NA	肌电图	CNN	肌电信号	NA	NA	回归卷积神经网络	吞吐量，回归准确率	NA
1604	2026-03-15	Deep-learning for seizure forecasting in canines with epilepsy 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab172d PMID:30959492	研究论文	本文介绍了一种基于深度学习的卷积神经网络系统，用于预测犬类癫痫发作，该系统在手持设备上实现，并通过伪前瞻性模式在四只自然发生癫痫的犬类上进行了测试	开发了一种全自动、个体化的深度学习CNN系统，用于癫痫发作预测，并在手持设备上部署，实现了实时分析流式颅内脑电图数据，性能优于传统机器学习方法	研究仅基于四只犬类的数据，样本量较小，且未在人类患者中进行验证	开发并评估一种基于深度学习的癫痫发作预测系统，以提高预测准确性和实时性	四只自然发生癫痫的犬类	机器学习	癫痫	颅内脑电图	CNN	脑电图信号	75次癫痫发作，收集自四只犬类，历时1608天	NA	卷积神经网络	敏感性, 警告时间百分比	手持平板电脑（Mayo癫痫辅助设备）
1605	2026-03-15	Inter-subject transfer learning with an end-to-end deep convolutional neural network for EEG-based BCI 2019-04, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aaf3f6 PMID:30524056	研究论文	本文提出了一种基于深度卷积神经网络的端到端框架，用于从单通道原始脑电图数据中检测注意力状态，并探索了跨被试迁移学习的应用	首次在认知脑机接口中成功应用端到端深度卷积神经网络进行跨被试分类，并利用原始脑电图数据最小化预处理需求	未明确说明模型在更广泛人群或不同脑电图设备上的泛化能力，且跨被试分类的准确性仍有提升空间	提高基于脑电图的脑机接口系统中注意力检测的准确性和实用性	单通道原始脑电图数据中的注意力状态	脑机接口	NA	脑电图	CNN	时间序列数据	120名被试	NA	深度卷积神经网络	分类准确率	NA
1606	2026-03-15	Feasibility of Multimodal MRI-Based Deep Learning Prediction of High Amino Acid Uptake Regions and Survival in Patients With Glioblastoma 2019, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2019.01305 PMID:31920928	研究论文	本研究探索了一种基于多模态MRI的端到端深度学习框架（U-Net）的可行性，用于预测胶质母细胞瘤患者的高氨基酸摄取区域和生存期	首次使用U-Net深度学习框架，通过临床多模态MRI序列预测胶质母细胞瘤的高氨基酸摄取区域（代谢肿瘤体积），并评估其与无进展生存期的关联	样本量较小（21名患者），在随机选择的受试者中重复验证时，敏感性和阳性预测值仅为中等水平	探索深度学习在利用多模态MRI预测胶质母细胞瘤代谢肿瘤体积和患者生存期方面的可行性	新诊断的胶质母细胞瘤患者	数字病理学	胶质母细胞瘤	多模态MRI（T2, FLAIR, 表观扩散系数图, 对比增强T1）和AMT-PET成像	CNN	图像	21名新诊断的胶质母细胞瘤患者	NA	U-Net	敏感性, 特异性, 阳性预测值, 阴性预测值	NA
1607	2026-03-14	MedFusion-gP-AKI: development and multicenter validation of a machine learning fusion model for early prediction of KDIGO stage 3 acute kidney injury in critically ill traumatic cervicothoracic spinal cord injury patients 2026-Dec, Renal failure IF:3.0Q1 DOI:10.1080/0886022X.2026.2640690 PMID:41803650	研究论文	本研究开发并验证了一个名为MedFusion-gP-AKI的多模态深度学习融合模型，用于早期预测危重创伤性颈胸段脊髓损伤患者发生KDIGO 3期急性肾损伤的风险	首次将多模态深度学习与因果推断方法结合，针对危重创伤性颈胸段脊髓损伤患者开发了早期预测严重急性肾损伤的融合模型，并进行了多中心外部验证	研究基于回顾性数据，未来需要前瞻性研究进一步验证；模型在更广泛人群中的泛化能力仍需评估	开发一个能够早期预测危重创伤性颈胸段脊髓损伤患者发生KDIGO 3期急性肾损伤的机器学习模型	危重创伤性颈胸段脊髓损伤患者	机器学习	急性肾损伤	多模态深度学习、因果推断	GAN, 集成学习	临床数据	MIMIC-IV/eICU队列用于训练，来自中国四个三级医疗中心的188名患者用于外部验证	NA	集成模型（由15个基线模型中表现最佳的架构融合而成）	AUC, AP	NA
1608	2026-03-14	An optimized hierarchical attention assisted deep learning model for brain tissue classification 2026-Jun, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2026.110724 PMID:41740680	研究论文	本文提出了一种优化的分层注意力辅助深度学习模型，用于脑组织分类和异常检测	提出了一种新颖的混合分割方法ResFAU-net，结合了残差块、注意力门和融合累积桥模块，并引入了分层注意力改进的卷积级联胶囊网络（HAMC3）进行分类，同时使用Coati优化算法调整参数以降低模型复杂性	NA	开发一种有效的、优化的分层深度学习方法，用于检测脑组织异常	脑组织，特别是异常脑组织区域	数字病理学	脑部疾病	磁共振成像	CNN, Capsule Network	图像	使用BRATS2020数据集进行评估	NA	ResFAU-net, HAMC3	Dice分数, IoU, 准确率, 精确率, 灵敏度, 特异性, F1分数	NA
1609	2026-03-14	Exploration of the mental attention mechanisms in motor imagery-based EEG decoding 2026-Jun, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2026.110721 PMID:41748031	研究论文	本研究定量探讨了心理注意力如何调节基于运动想象的脑电信号解码性能	从以用户为中心的视角出发，将心理注意力作为数据选择标准整合到解码框架中，而非仅关注算法创新	未明确说明实验参与者的具体数量与特征，且注意力监测方法的实时性可能面临实际应用挑战	探索心理注意力机制对基于运动想象的脑机接口解码性能的影响	基于运动想象的脑电信号	机器学习	NA	脑电图	NA	脑电信号	NA	NA	NA	准确率	NA
1610	2026-03-14	Comprehensive study on the performance optimization of hyperspectral unmixing algorithms: A focus on airborne hyperspectral data 2026-May-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125560 PMID:41759318	研究论文	本研究应用高光谱解混技术与多种一维深度学习架构，对韩国锦江高马鲁地区的入侵植物物种进行制图与分类	结合了多种一维深度学习架构（CNN、CBAM、MLPMixer-1D、SpectralFormer、ViT-1D、Swin-1D）进行高光谱解混，并提出了结合SAD、SID和MSE的加权光谱损失函数进行超参数优化	入侵物种的分类精度中等，主要原因是光谱重叠	优化高光谱解混算法的性能，以支持大规模生态监测，特别是入侵植物物种的检测	韩国锦江高马鲁地区的入侵外来植物物种（三裂豚草、葎草、刺果瓜）	计算机视觉	NA	高光谱成像技术	CNN, CBAM, MLPMixer-1D, SpectralFormer, ViT-1D, Swin-1D	高光谱图像	NA	NA	CNN, CBAM, MLPMixer-1D, SpectralFormer, ViT-1D, Swin-1D	SAD, SAM, SID, RMSE, PSNR	NA
1611	2026-03-14	Artificial intelligence for detection of age-related macular degeneration based on fundus images: A systematic review 2026 May-Jun, Survey of ophthalmology IF:5.1Q1 DOI:10.1016/j.survophthal.2025.10.004 PMID:41173219	综述	本文系统回顾了基于眼底图像利用机器学习/深度学习算法进行年龄相关性黄斑变性检测和预测的应用与性能	系统性地总结了不同机器学习与深度学习架构（特别是CNN和ResNet）在AMD检测中的应用与性能，并指出了未来需关注校准、公平性、可解释性、外部验证等关键问题	回顾性研究，纳入的研究在模型架构、数据集和评估方法上存在异质性，缺乏统一的性能比较标准	评估机器学习和深度学习算法在基于眼底图像的年龄相关性黄斑变性检测与预测中的应用效果	用于AMD检测的机器学习和深度学习算法及其性能	计算机视觉	年龄相关性黄斑变性	眼底成像	CNN	图像	NA	NA	ResNet	准确率	NA
1612	2026-03-14	Deep learning-based diagnostic classification of multiple sclerosis using multicenter optical coherence tomography data 2026-May, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110916 PMID:41679586	研究论文	本研究利用多中心光学相干断层扫描数据，通过深度学习模型对多发性硬化症进行诊断分类	结合了特征提取、定制深度网络和微调预训练网络三类AI模型，并采用通道组合和拼接技术整合视网膜层厚度和表面特征，提高了分类性能	模型在跨数据集评估中性能显著下降，表明外部泛化能力有限，尤其是在使用公共数据训练并应用于本地临床数据时	开发基于人工智能的准确且可解释的多发性硬化症诊断分类方法	多发性硬化症患者和健康对照者的眼睛	数字病理学	多发性硬化症	光学相干断层扫描	自编码器, 定制深度网络, 预训练网络	图像	116只眼睛（38只健康对照眼，78只多发性硬化症眼）	NA	NA	平衡准确率, 特异性, 敏感性, g-均值, F1分数, AUC	NA
1613	2026-03-14	Automated segmentation of pterygium lesions using multiscale deep learning networks 2026-May, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110928 PMID:41687801	研究论文	本文提出了一种基于多尺度深度学习网络的翼状胬肉病变自动分割方法，旨在通过精确分割病变区域来辅助评估疾病严重程度	利用翼状胬肉病变独特的楔形形状特征，在UNet瓶颈层嵌入多尺度模块（SPP和ASPP），并探索了等流和瀑布流两种并行路径构建模式，以有效捕获病变特征的多尺度变化	多尺度模块主要关注较小特征图，未来可探索更大特征图尺寸的网络架构，但需权衡计算负担	开发自动分割翼状胬肉病变的深度学习模型，以量化病变组织并辅助疾病严重程度评估	翼状胬肉病变区域	计算机视觉	眼科疾病	深度学习	CNN	图像	NA	NA	UNet, SPP, ASPP	豪斯多夫距离	NA
1614	2026-03-14	Cross-modal attention deep learning reveals how transformation products inherit life-cycle risks from parent antibiotics: Insights for environmental, ecological, health, and AMR risks 2026-May-01, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125584 PMID:41719651	研究论文	本研究利用跨模态注意力深度学习模型评估抗生素及其转化产物的生命周期风险，揭示了高相似性转化产物如何继承母体抗生素的风险特征	首次引入基于分子图和融合分子指纹的少样本跨模态注意力深度学习模型，用于识别多类别抗生素生命周期风险优先级，并通过可解释性分析揭示了关键风险结构特征	研究仅关注141种母体抗生素及其转化产物，可能未涵盖所有抗生素类别；模型在更大规模数据集上的泛化能力有待进一步验证	评估抗生素转化产物在水环境中的生态、环境、人类健康和抗菌素耐药性风险，为制定有效管理策略提供理论支持	141种母体抗生素及其高相似性转化产物	机器学习	NA	分子图分析，分子指纹融合	深度学习	分子图，分子指纹	141种母体抗生素及其转化产物	NA	GINConv, GATConv	预测准确性，鲁棒性	NA
1615	2026-03-14	Multiscale decomposition and fuzzy-rule attention: A transferable cross-basin framework for long-term water quality forecasting 2026-May-01, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125593 PMID:41734573	研究论文	提出一种结合物理信号分解与模糊逻辑的可迁移深度学习框架，用于长期河流水质预测	集成多通道奇异谱分析进行趋势分离，并结合Transformer与自适应模糊机制以处理不确定性和复杂时空依赖性	未明确说明模型在极端事件或未覆盖流域的泛化能力，且依赖历史数据的连续性和质量	开发一个在预测准确性和跨流域泛化性之间取得平衡的长期水质预测框架	中国多个河流流域的149个监测站点的水质数据	机器学习	NA	多通道奇异谱分析	Transformer	时间序列数据	149个监测站点从2007年至2022年的现场观测数据	NA	Transformer	Nash-Sutcliffe效率	NA
1616	2026-03-14	EASDnet: Empowering human-centered evidence-based medicine through an evidence and attention-based spatial disparity network for discriminative colorectal cancer histopathological screening and attribution 2026-May, Pathology, research and practice DOI:10.1016/j.prp.2026.156418 PMID:41764810	研究论文	本研究提出并验证了一种基于循证医学的深度学习模型EASDnet，用于结直肠癌的判别性病理筛查和归因	引入了一种结合证据和注意力机制的深度学习架构，能够学习癌变病灶与其周围微环境之间的细微形态差异，有效捕捉类间和类内的判别性特征	NA	开发一种客观、基于循证医学的定量分析工具，以辅助临床医生进行结直肠癌的准确术前分期	结直肠癌病灶及其周围微环境	数字病理学	结直肠癌	深度学习	CNN	图像	公开可用的图像数据集NCT-100K和LC25000	NA	EASDnet	准确率	NA
1617	2026-03-14	H-DCA Net: Hierarchical dual-branch coordinate attention framework for multi-scale gastric histopathology diagnosis 2026-May, Pathology, research and practice DOI:10.1016/j.prp.2026.156403 PMID:41722294	研究论文	本研究提出了一种名为H-DCA Net的新型深度学习框架，用于胃癌组织病理学图像的多尺度诊断	提出了一个分层双分支坐标注意力网络，通过异构分支分别捕获宏观组织结构和微观细胞细节，并利用分层注意力机制进行特征融合，以解决现有CAD系统的“尺度不匹配”问题	模型仅在公开数据集GasHisSDB上进行了训练和验证，其泛化能力有待在更多样化的临床数据上进一步验证	开发一个能够模拟病理学家多尺度诊断工作流程的深度学习框架，以提高胃癌分类的准确性和可靠性	胃癌组织病理学图像	数字病理学	胃癌	组织病理学图像分析	CNN	图像	使用公开数据集GasHisSDB，并在三个不同图像块尺寸（80×80, 120×120, 160×160像素）上进行训练和验证	NA	EfficientNetV2-S, MobileNetV3-L	准确率, 精确率, 灵敏度, 特异性	NA
1618	2026-03-14	Novel Psychoactive Substances: Slaying the Dragon With Artificial Intelligence 2026-Apr-01, Therapeutic drug monitoring IF:2.8Q2 DOI:10.1097/FTD.0000000000001429 PMID:41413933	综述	本文综述了人工智能和机器学习在新型精神活性物质识别与表征中的应用，探讨了其如何应对传统分析技术面临的挑战	重点介绍了基于人工智能的方法，如深度学习模型、化学语言模型和光谱预测工具，特别是DarkNPS框架和CFM-ID等工具，用于生成大量潜在NPS结构和预测质谱谱图	NA	探索人工智能在解决新型精神活性物质识别和表征日益增长挑战中的作用	新型精神活性物质	机器学习	NA	质谱分析	LSTM, 变换器, 图神经网络	化学结构数据, 质谱数据	NA	NA	NA	余弦相似度得分, 命中率	NA
1619	2026-03-14	Development and Validation of an Artificial Intelligence Surgical Video Analysis Model for Predicting Visceral Pleural Invasion in Lung Cancer Surgery: A Multicenter Study 2026-Apr, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-025-18863-9 PMID:41428020	研究论文	本研究开发并验证了一种基于深度学习的胸腔镜视频分析模型（VPI-Net），用于术中预测肺癌手术中的脏层胸膜侵犯。	首次开发并验证了一种专门用于胸腔镜视频分析以预测脏层胸膜侵犯的深度学习模型（VPI-Net），并引入了VPI风险评分（VPIscore）作为量化指标，该模型在多个中心验证中显著优于外科医生和放射科医生的判断。	研究样本量相对有限（总患者数399名），且外部验证集仅来自另外两家医院，模型的泛化能力需要在更广泛的多中心数据中进行进一步验证。	提高视频辅助胸腔镜手术中脏层胸膜侵犯的术中诊断准确性，以指导手术决策。	接受视频辅助胸腔镜手术的肺癌患者。	数字病理	肺癌	视频辅助胸腔镜手术	CNN	视频，图像	总共399名患者（内部数据集346名患者，3367张图像；外部数据集53名患者，1274张图像）	NA	基于空间Dropout的残差卷积神经网络（VPI-Net）	AUC，准确率，敏感性，特异性，阳性预测值，阴性预测值	NA
1620	2026-03-14	A Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer 2026-Apr, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-025-18929-8 PMID:41456225	研究论文	本研究开发了一种基于深度学习的多模态预后模型，整合了基因组特征、全切片成像的组织形态学特征和临床参数，以改善前列腺癌的风险分层和治疗决策	通过从组织病理学图像中计算推断基因组特征，消除了对基因组检测的依赖，并显著提高了预后精度，同时细化了现有的NCCN分类	研究依赖于两个独立队列（TCGA和PLCO）进行训练和验证，可能受限于这些队列的样本代表性和数据质量	开发一个多模态预后模型，以改善前列腺癌的风险分层和治疗决策	前列腺癌患者	数字病理学	前列腺癌	全切片成像（WSI）、苏木精-伊红（H&E）染色	深度学习	图像、基因组数据、临床参数	两个独立队列：TCGA（训练）和PLCO试验（外部验证）	NA	NA	C-index、Kaplan-Meier分析、Harrell's concordance index、多变量Cox回归	NA