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
1781	2026-06-06	Local Semantics Refinement of Adaptive Representations for Robust Noisy Label Learning 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3696107 PMID:42213558	研究论文	提出局部语义精炼自适应表示框架（LFDA），用于鲁棒处理带噪标签学习问题	通过局部一致性评分模块和可靠性感知表示对齐模块，自适应区分干净与噪声标签，缓解确认偏差并利用难样本信息	未明确讨论对极端噪声比例或高度重叠类别数据的适应性	解决深度学习中带噪标签学习问题，提升模型鲁棒性和泛化能力	带噪标签数据集中的样本表示和标签质量	机器学习	NA	NA	深度学习模型（框架级方法）	图像数据（合成和真实噪声数据集）	未明确说明具体样本数量	NA	NA	准确率、鲁棒性、泛化能力	NA
1782	2026-06-06	3D object detection for vehicle-mounted LiDAR based on deep learning and euclidean clustering algorithm 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0348581 PMID:42224307	研究论文	提出一种基于深度学习和改进欧几里得聚类算法的车载LiDAR三维目标检测方法，旨在提升点云分割与目标检测的精度和效率	创新融合布料模拟滤波（CSF）与KD树自适应参数机制提升聚类鲁棒性，同时改进PointNet架构加入多尺度分组（MSG）、多分辨率分组（MRG）和跳跃连接以增强局部特征提取与多级特征融合	可能受限于稀疏和不均匀LiDAR数据的处理瓶颈，且仅在与传统欧几里得聚类及其他基线方法的对比中验证，未涉及与其他先进检测框架的全面比较	提高自动驾驶环境感知中三维目标检测的准确性与实时性	车载LiDAR点云数据中的地面与非地面点以及各类物体	计算机视觉	NA	LiDAR点云处理	PointNet	点云	KITTI和NuScenes基准数据集	PyTorch	改进型PointNet（含MSG、MRG、跳跃连接）	分割准确率、平均检测准确率、单帧处理时间、检测帧率、p值	NA
1783	2026-06-06	Residual-guided hybrid framework for adversarially robust deep learning-based network intrusion detection 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0350737 PMID:42224364	研究论文	提出一种结合强化学习鲁棒性适应和知识驱动正则化的混合对抗训练框架，提升网络入侵检测系统对FGSM和PGD攻击的鲁棒性	首次将强化学习启发的鲁棒性适应与知识驱动正则化相结合，同时优化干净准确率和对抗鲁棒性，并监控校准误差和梯度动力学确保稳定收敛	研究仅针对侦察、Shellcode和蠕虫三类攻击数据集，未评估其他网络攻击类型；性能依赖于特定超参数设置	解决深度学习模型在网络安全入侵检测中面对对抗性扰动时鲁棒性不足的问题	网络入侵检测中的对抗性攻击（FGSM和PGD）以及深度学习模型的鲁棒性	机器学习	NA	NA	混合深度学习模型（CNN与LSTM基线对比）	网络流量数据（侦察、Shellcode、蠕虫数据集）	未明确样本数量，但使用了侦察、Shellcode和蠕虫三类数据集	NA	CNN, LSTM, 混合对抗训练框架	准确率, 校准误差, 梯度范数衰减, 运行效率	NA
1784	2026-06-06	ProtAttn-QuadNet: An attention-based deep learning framework for protein-protein interaction prediction using ProtBERT embeddings 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0349433 PMID:42228714	研究论文	提出一种基于注意力的深度学习框架ProtAttn-QuadNet，利用ProtBERT嵌入预测蛋白质-蛋白质相互作用	采用四流注意力机制结合多层次自注意力和交叉注意力层，整合个体蛋白质特征、协同相互作用和互补差异，实现交互蛋白的平衡双向建模	NA	开发高效计算框架用于大规模蛋白质-蛋白质相互作用预测	蛋白质-蛋白质相互作用对	机器学习	NA	ProtBERT嵌入	注意力机制深度学习模型	蛋白质氨基酸序列	来自UniProt的大规模数据集	NA	ProtAttn-QuadNet	准确率, AUC-ROC	NA
1785	2026-06-06	FSAPF: A De-Scattering Framework With Stepwise Adjustment of Polarization Features 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3690316 PMID:42113664	研究论文	提出一种逐步调整偏振特征的去散射框架，用于透过散射介质的高性能成像	提出物理引导的分层学习机制和偏振学习模块，通过物理一致性约束和动态损失机制直接嵌入偏振先验，增强特征表示和鲁棒性	NA	实现透过散射介质的高性能成像，提升目标恢复任务的效果	散射环境下的偏振成像和目标恢复	计算机视觉	NA	偏振成像	深度学习模型	偏振图像	NA	PyTorch	NA	NA	NA
1786	2026-06-06	PSMA PET/MRI-based Swin Transformer architecture for Gleason Score prediction in prostate cancer 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70274 PMID:41556393	研究论文	开发基于Swin Transformer的深度学习框架，利用多中心PSMA PET/MRI数据非侵入性预测前列腺癌的Gleason评分	首次将Swin Transformer架构应用于融合PSMA PET/MRI多模态数据的Gleason评分预测，结合3D patch嵌入和滑动窗口注意力机制	样本量较小（225例），模型泛化性和预测准确性需更多中心数据进一步验证	实现前列腺癌Gleason评分的非侵入性预测，支持临床决策	前列腺癌患者的PSMA PET/MRI影像数据及病理Gleason评分	计算机视觉	前列腺癌	PSMA PET/MRI	Swin Transformer	影像（PET、ADC、T2WI）	225例前列腺癌患者	PyTorch	Swin Transformer（含3D patch嵌入层、4个Swin Transformer块、MLP分类头）	AUC、准确率、灵敏度、特异度、精确率	NA
1787	2026-06-06	Deep learning-based arterial waveform analysis for predicting postoperative cerebrovascular events in pediatric patients with Moyamoya disease 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0350637 PMID:42241444	研究论文	使用深度学习分析术中动脉血压波形，预测儿童烟雾病患者术后脑血管事件	首次利用可解释的深度学习模型，基于术中动脉血压波形预测儿童烟雾病术后脑血管事件，并探索了与血压波形相关的生理特征	回顾性单中心研究，样本量有限，需要前瞻性多中心验证	开发基于术中动脉血压波形分析的深度学习分类模型，预测儿童烟雾病术后脑血管事件	181名接受血运重建手术的儿童烟雾病患者（≤18岁），独立时间验证队列79名患者	深度学习	烟雾病	NA	CNN, Vision Transformer (ViT)	血压波形图像	181名患者（训练）和79名患者（独立时间验证）	NA	ResNet50, ResNet34, DenseNet121, VGG16, VGG19	AUROC	NA
1788	2026-06-06	Estimation of battery SOC using a combined approach of temporal convolutional networks and Unscented Kalman Filter 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0350331 PMID:42241468	研究论文	提出一种结合时间卷积网络和无迹卡尔曼滤波的方法，用于估计锂离子电池的荷电状态	通过扩展卷积和残差连接高效处理时间序列数据，并结合无迹卡尔曼滤波进一步提升精度并减少输出波动	文中未明确提及局限性	提高锂离子电池荷电状态估计的准确性和鲁棒性	锂离子电池的荷电状态	机器学习	NA	NA	时间卷积网络（TCN）和无迹卡尔曼滤波（UKF）	时间序列数据	使用马里兰大学的动态应力测试（DST）、US06测试和联邦城市驾驶方案（FUDS）数据集	NA	时间卷积网络（TCN）	平均绝对误差（MAE）、均方根误差（RMSE）	NA
1789	2026-06-06	Bilateral disease in the classic subtype of papillary thyroid carcinoma: clinical significance and development of an artificial intelligence-based multimodal prediction model 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1759451 PMID:42244944	研究论文	评估经典亚型甲状腺乳头状癌双侧病变的临床意义，并开发基于人工智能的多模态预测模型	首次针对经典亚型甲状腺乳头状癌的双侧病变，结合临床参数和超声图像开发多模态人工智能预测模型，并证明双侧病变而非多灶性是独立的复发风险因素	未明确提及限制，但回顾性研究设计可能带来选择偏倚，且外部验证样本量相对较小（120例）	评估经典亚型甲状腺乳头状癌双侧病变的临床病理特征和复发模式，并开发术前识别双侧病变的多模态人工智能模型	经典亚型甲状腺乳头状癌患者	机器学习, 计算机视觉	甲状腺癌	超声成像	深度学习, 机器学习, 逻辑回归	图像, 临床数据	1,218例患者（来自两家医院）	PyTorch	TresNet	AUC	NA
1790	2026-06-06	Pathological diagnosis of thyroid nodules directly from ultrasonography by a weakly supervised deep learning framework 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1834977 PMID:42244954	研究论文	提出一种弱监督深度学习框架，直接从甲状腺超声图像推断病理状态，无需昂贵的图像级标注	开发了名为ThyUS2Path的双注意力引导深度学习框架，通过两个关注不同维度结节特征的注意力模块，实现超声表型与组织学报告的关联	未明确说明局限性	实现甲状腺结节超声图像到组织学病理诊断的直接推断，提高诊断效率和一致性	甲状腺结节患者的超声图像与组织学病理结果	计算机视觉	甲状腺癌	超声成像	卷积神经网络	图像	603名患者的6014张图像用于训练和验证，1978张外部图像用于测试	深度学习框架（未具体指定）	ThyUS2Path（双注意力模块）	AUC, AUROC, AUPRC	NA
1791	2026-06-06	ecPICK: A deep learning-enabled spatial diagnostic platform for direct ecDNA identification and clinical prognosis across pan-cancer histopathology 2026, Theranostics IF:12.4Q1 DOI:10.7150/thno.134316 PMID:42244994	研究论文	开发了深度学习框架ecPICK，用于常规H&E染色全切片图像中ecDNA的识别与定位，并在20种癌症中验证其诊断效能和临床预后价值	首次实现基于常规病理切片的ecDNA空间定位，结合空间转录组学揭示ecDNA富集区域的独特微环境，提供无需测序的低成本ecDNA检测方案	NA	开发一种成本效益高、可临床转化的ecDNA定量与定位平台，实现泛癌组织病理学中的ecDNA直接识别与预后预测	ecDNA及其在肿瘤微环境中的空间分布	数字病理学	泛癌种	H&E染色	深度学习	图像	4280张图像，涵盖20种不同癌症	NA	深度学习框架ecPICK	AUC, R²	NA
1792	2026-06-06	High-throughput phenotyping for climate-resilient forests: integrating multi-sensor fusion and root-shoot dynamics 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1842337 PMID:42245104	综述	本文回顾了高通量表型分析在气候适应性森林研究中的应用，提出结合多传感器融合与根-梢动态的约束框架	提出超越冠层表型分析、将根系-土壤-植物-大气连续体整合到高通量表型中的约束框架，利用航空传感器与生态水文及过程模型耦合间接推断根系功能策略	当前方法主要集中于冠层，忽视根系及土壤-植物-大气连续体；深度学习模型存在过拟合、可迁移性有限和森林类型间的域偏移问题；提出的约束框架本身面临假设验证的挑战	开发气候适应性森林，通过综合根系功能策略与地上信号的联系克服现有高通量表型的瓶颈	森林树种，特别是其冠层与根系系统在复合干旱和高温胁迫下的适应性性状	自然语言处理, 数字病理学	NA	热成像, 太阳诱导荧光, 高光谱遥感, 激光雷达, 多传感器数据融合	深度学习	图像, 遥感数据	NA	NA	NA	NA	NA
1793	2026-06-06	Cognitive decline and reduced bone mineral density under the bone-brain axis: mechanistic insights and imaging evaluation strategies 2026, Frontiers in aging neuroscience IF:4.1Q2 DOI:10.3389/fnagi.2026.1799025 PMID:42245135	综述	探讨骨-脑轴介导的认知衰退与骨密度降低的机制及多模态成像评估策略	首次深入阐述了骨-脑轴的双向调控网络在认知障碍与骨质疏松共病中的作用，并提出了从单模态评估向多模态成像深度整合的范式转变	NA	揭示骨-脑轴机制并总结多模态成像评估策略，为阿尔茨海默病的早期精准筛查和个性化预防干预提供路径	认知障碍与骨质疏松的共病机制及相关成像评估方法	机器学习	阿尔茨海默病、骨质疏松	结构/功能磁共振成像、分子PET成像、高分辨率外周定量计算机断层扫描	3D-CNN	图像	NA	NA	3D-CNN	NA	NA
1794	2026-06-06	Learning-based segmentation of diffusion-weighted MR images with arbitrary q-space samplings 2026, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1183 PMID:42245204	研究论文	提出一种结合几何深度学习重建框架DISCUS与分割网络VINN的方法，直接从无结构扩散加权MRI数据生成解剖分割，无需扩散模型拟合	首次实现单一神经网络在异质采集方案（不同q空间采样）上的鲁棒泛化，无需扩散模型拟合或结构化表示转换，且分割时间从数小时缩短至分钟级	NA	解决传统CNN在扩散加权MRI分割中因q空间采样不一致导致的应用局限，实现跨数据集和采集设置的高效通用分割	脑部扩散加权MRI中的解剖区域分割	数字病理学、机器学习	NA	扩散加权MRI	卷积神经网络、几何深度学习	图像（扩散加权MRI）	多个数据集和采集设置	PyTorch	DISCUS, VINN	分割性能（与DeepAnat, DDParcel, SynthSeg比较）	NA
1795	2026-06-06	Construction of an artificial intelligence system for the Los Angeles classification-based assessment of reflux esophagitis (with video) 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261458065 PMID:42245256	研究论文	构建基于洛杉矶分类的胃食管反流病人工智能分级系统，用于自动评估内镜图像	首次基于YOLOv11网络开发出针对洛杉矶分级的内镜图像人工智能分级系统，其诊断准确率显著高于初、高级内镜医师	仅在回顾性外部测试数据上验证，尚需前瞻性和多位读者验证才能进入常规临床部署	开发能自动根据洛杉矶分类对胃食管反流内镜图像进行分级的人工智能系统，提升诊断准确率与效率	来自三个中心的胃食管反流内镜图像	计算机视觉	胃食管反流	内窥镜成像	深度学习模型（YOLOv11l）	图像	三中心收集的多中心内镜图像数据集	PyQt5	YOLOv11l	准确率、灵敏度、特异度、精密度、AUC、F1分数	NA
1796	2026-06-06	Image processing and AI techniques for climate change detection using remote sensing: a comprehensive review 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1814362 PMID:42245266	综述	系统回顾了用于气候变化检测的遥感图像处理与AI技术，涵盖光学、SAR、热红外和高光谱数据	提出统一的算法-应用分类法，系统比较性能指标权衡，构建实践决策框架指导方法选择	模型跨区域泛化能力不足，标注数据集稀缺，多传感器时间序列数据整合存在显著差距	整合遥感与AI在气候变化检测中的研究进展并提供方法选择指导	遥感图像处理与AI技术及其在气候变化检测中的应用	计算机视觉	不适用	光学遥感、合成孔径雷达、热红外遥感、高光谱遥感	卷积神经网络、孪生网络、分割网络	图像	不适用	TensorFlow, PyTorch, Keras	Siamese网络, U-Net, CNN	总体精度, 精确率, 召回率, F1分数, 交并比, Kappa系数, 均方根误差	不适用
1797	2026-06-06	A novel lightweight deep learning model for early prediction of cardiovascular disease 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1828950 PMID:42245267	研究论文	提出一种轻量级深度学习模型，用于利用临床数据早期预测心血管疾病	提出了一个轻量级且鲁棒的人工智能系统，采用SMOTE处理类别不平衡确保无数据泄露，并通过系统性比较多种机器学习和深度学习模型，强调鲁棒验证和统计可靠性而非仅关注准确率	未明确提及具体限制	开发准确可靠的早期风险预测模型，以便及时进行临床干预	心血管疾病的早期风险预测	机器学习	心血管疾病	NA	人工神经网络（ANN）、逻辑回归、决策树、K近邻、随机森林、支持向量机	临床数据	NA	NA	四层人工神经网络	准确率、精确率、召回率、F1分数、ROC曲线、均值、标准差	NA
1798	2026-06-06	Evaluating the Role of AI Assistants in Accelerating Neurodegenerative Disease Research: Opportunities and Translational Limitations 2026, Neuropsychiatric disease and treatment IF:2.5Q2 DOI:10.2147/NDT.S614952 PMID:42245290	综述	评估人工智能助手在加速神经退行性疾病研究中的机遇与转化局限	从传统机器学习/深度学习扩展到基础模型和大语言模型作为通用AI助手，并系统分析其在神经退行性疾病研究中的具体应用与隐患	人工智能输出易受数据集偏差、可解释性差、分布漂移和幻觉影响，且神经退行性疾病表型细微、标注不完善、病程漫长，使问题尤为突出	评估人工智能在神经退行性疾病研究中的当前应用，并讨论从分析型AI到通用型AI助手的转变及其潜在影响	神经退行性疾病（阿尔茨海默病和帕金森病）研究中的AI应用	机器学习	神经退行性疾病	NA	传统机器学习、深度学习、基础模型、大语言模型	高维多模态数据（影像、临床数据等）	NA	NA	NA	NA	NA
1799	2026-06-06	Predicting VNN resistance in European sea bass using machine learning on high dimensional low sample size data 2026, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2026.1718386 PMID:42245288	研究论文	利用机器学习从高维小样本数据中预测欧洲海鲈鱼对VNN的抗性	在高维小样本的遗传数据背景下，系统比较了多种机器学习方法，包括基于混沌游戏表示的图像分类变体，并采用最大化基因距离的划分策略来模拟育种中的泛化挑战	实验表明该关联任务具有难度，结果局限于特定测试场景，且所有动物属于同一群体，可能影响对更广泛种群的推广性	探索机器学习方法在非模式物种的遗传预测中的应用，以克服高维小样本数据的挑战	欧洲海鲈鱼群体及其对病毒性神经坏死症的抗性	机器学习	病毒性神经坏死症	SNP分析	支持向量机、梯度提升、深度学习、基于混沌游戏表示的图像分类	遗传数据（SNP）	NA	NA	NA	NA	NA
1800	2026-06-06	A transformer based deep learning framework for accurate single nucleotide variant correction in heterogeneous samples 2026, Frontiers in microbiology IF:4.0Q2 DOI:10.3389/fmicb.2026.1838029 PMID:42245499	研究论文	提出一种基于Transformer的深度学习框架，用于在异质性宿主-微生物混合物中准确校正单核苷酸变异	首次采用Transformer架构与组编码机制，整合多元特征（VAF分布、纯度估计、测序深度、局部基因组上下文），以有效消除低纯度样本中由纯度引起的系统性偏差	仅基于模拟测序数据评估，尚未在真实生物学样本中验证；纯度梯度范围（0.2-1.0）可能不足以覆盖极端低纯度场景	开发计算框架以提高异质性宿主-微生物混合物中宿主单核苷酸变异的量化准确性	宿主-微生物混合物中的宿主单核苷酸变异	机器学习	不适用	测序（模拟数据）	Transformer	序列数据	模拟数据；纯度梯度0.2-1.0	PyTorch	Transformer	量化误差、SNV计数一致性	不适用