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
161	2026-01-04	A Systematic Review of Drug-Related InteractionsUtilizing Deep Learning and LLMs for Prediction and Mitigation 2025-Dec-23, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c04997 PMID:41476460	综述	本文系统回顾了2020年至2025年间发表的100多篇论文，探讨了深度学习、机器学习和大型语言模型在药物发现中的应用，重点关注药物-药物相互作用、药物-靶点相互作用和药物不良反应三个关键领域	强调了自然语言处理和大型语言模型在从生物医学文献和化学数据中提取有意义见解的变革性影响，并提出了一个更全面的方法来填补现有研究中的空白	现有研究缺乏同时处理药物-药物相互作用、药物-靶点相互作用和药物不良反应提取的综合研究	审查机器学习和深度学习技术在药物发现中的整合，以筛选潜在治疗方法并降低疾病管理的成本和时间	药物-药物相互作用、药物-靶点相互作用和药物不良反应	自然语言处理	NA	深度学习、机器学习、图学习、混合模型、自然语言处理	深度学习模型、大型语言模型	生物医学文献、化学数据	超过100篇论文	NA	NA	性能指标	NA
162	2026-01-04	A deep learning fusion network trained with medical records and laryngoscopic images in the early diagnosis of glottic carcinoma 2025-Dec-19, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114231 PMID:41476948	研究论文	本研究开发了一种深度学习融合网络，通过整合结构化电子病历和喉镜图像分析，以实现声门癌的早期准确诊断	提出了一种融合多模态数据（结构化病历和喉镜图像）的深度学习网络，用于声门癌的早期诊断，并构建了人机对抗队列进行临床效用评估	研究数据主要来自中国的一家三级医院，外部验证仅涉及另外两个独立医疗中心，样本来源和多样性可能存在局限	开发一个用于声门癌早期诊断的深度学习融合模型	声门癌患者	数字病理学	喉癌	喉镜检查	深度学习融合网络	图像, 结构化文本	来自中国一家三级医院的数据进行训练和验证，并在另外两个独立医疗中心进行外部验证	NA	NA	AUC	NA
163	2026-01-04	Image-Based Recognition of Children's Handwritten Arabic Characters Using a Confidence-Weighted Stacking Ensemble 2025-Dec-18, Sensors (Basel, Switzerland) DOI:10.3390/s25247671 PMID:41471665	研究论文	本文提出了一种基于置信度加权的堆叠集成框架，用于识别儿童手写的阿拉伯字符图像	引入了动态置信度阈值机制，通过优化阈值过滤不确定预测，并集成了三种高性能CNN模型（ConvNeXtBase、DenseNet201、VGG16）通过全连接元学习器进行融合	未明确提及模型在更大规模或更多样化儿童手写样本上的泛化能力，也未讨论计算效率或实时应用的限制	提高儿童手写阿拉伯字符图像识别的可靠性和准确性	儿童手写的阿拉伯字符图像	计算机视觉	NA	图像采集（扫描或摄像头捕获）	CNN, 集成学习	图像	使用了两个基准数据集：Hijja和Dhad（具体样本数量未在摘要中提供）	未明确提及，可能为TensorFlow或PyTorch	ConvNeXtBase, DenseNet201, VGG16	准确率, 宏F1分数	NA
164	2026-01-04	Cellular interactions in the sentinel lymph node predict melanoma recurrence 2025-Dec-17, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.15.694104 PMID:41446197	研究论文	本文通过空间蛋白质组学分析，揭示了黑色素瘤前哨淋巴结中免疫细胞的空间组织与疾病复发的关系	首次应用Effect Size Interaction mapping (ESI-map)计算工具包分析前哨淋巴结中细胞间空间相互作用，并发现Tregs与耗竭CD8 T细胞的特异性空间相互作用可作为新的免疫标志物	研究仅针对I期和II期黑色素瘤患者，样本量可能有限，且未涉及更晚期疾病或长期随访数据	探究前哨淋巴结中免疫细胞空间组织如何影响黑色素瘤患者的疾病复发和预后	I期和II期黑色素瘤患者的前哨淋巴结组织样本	数字病理学	黑色素瘤	多重免疫荧光成像，空间蛋白质组学分析	深度学习	图像	未明确指定样本数量，但涉及I期和II期黑色素瘤患者的前哨淋巴结样本	未明确指定	未明确指定	未明确指定	未明确指定
165	2026-01-04	Leveraging Time-Frequency Distribution Priors and Structure-Aware Adaptivity for Wideband Signal Detection and Recognition in Wireless Communications 2025-Dec-17, Sensors (Basel, Switzerland) DOI:10.3390/s25247650 PMID:41471645	研究论文	本文提出了一种基于时频分布先验和结构感知自适应性的新型模型TFDP-SANet，用于无线通信中的宽带信号检测与识别任务	引入了条带池化模块和坐标注意力机制以聚合长距离依赖关系，采用自适应椭圆高斯编码策略生成热图，并设计了利用先验信息调整预测框类别的时频聚类优化器	NA	提升宽带信号检测与识别的性能	宽带采样信号	机器学习	NA	NA	深度学习	时频表示	NA	NA	TFDP-SANet	NA	NA
166	2026-01-04	Distributed Deep Learning in IoT Sensor Network for the Diagnosis of Plant Diseases 2025-Dec-17, Sensors (Basel, Switzerland) DOI:10.3390/s25247646 PMID:41471641	研究论文	本文提出了一种基于联邦学习的分布式深度学习框架，用于物联网传感器网络中的植物病害诊断	采用联邦学习框架，在物联网节点和边缘计算节点上协作训练EfficientNet B0模型，无需传输本地数据，并评估了标准单模型和分层两种训练管道	未明确提及具体局限性	早期检测植物病害以提高农业生产力并确保粮食安全	植物病害诊断	计算机视觉	植物病害	联邦学习	CNN	图像	NA	TensorFlow, PyTorch	EfficientNet B0	分类准确率, 鲁棒性, 延迟, 能耗	物联网节点, 边缘计算节点
167	2026-01-04	Automatic crack detection in civil infrastructure based on a hybrid fine tuned MnasNet and adaptive patching 2025-Dec-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28604-3 PMID:41402465	研究论文	本文提出了一种基于混合微调MnasNet和自适应分块的自动裂缝检测框架，用于民用基础设施的裂缝检测	首次将混沌理论和Levy飞行动力学应用于结构健康监测，通过ULEO算法自动调整超参数，并引入动态分块机制根据图像复杂度调整分块大小以提高精度	NA	开发一种高效、准确的自动裂缝检测方法，以保障民用基础设施的安全和耐久性	民用基础设施中的裂缝	计算机视觉	NA	图像处理	CNN	图像	CRACK500数据集	NA	MnasNet	准确率, 灵敏度, 特异性, F1分数	移动和嵌入式平台
168	2026-01-04	A Cybersecurity NER Method Based on Hard and Easy Labeled Training Data Discrimination 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247627 PMID:41471620	研究论文	本文提出了一种基于难易标注训练数据区分的网络安全命名实体识别方法，通过混合策略划分数据、调整比例并应用数据增强来优化模型性能	首次在网络安全NER中引入难易样本区分策略，结合深度学习与规则方法划分数据，并探索了难易样本比例对性能的影响，找到了1:1的最优平衡点	未公开提及具体数据集规模或隐私处理细节，且方法可能依赖于特定领域规则，泛化能力有待验证	提高网络安全领域命名实体识别的性能，解决标注数据缺乏的问题	网络安全文本数据中的命名实体	自然语言处理	NA	深度学习，规则方法，数据增强	NA	文本	NA	NA	NA	NA	NA
169	2026-01-04	Forecasting Energy Demand in Quicklime Manufacturing: A Data-Driven Approach 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247632 PMID:41471627	研究论文	本研究提出了一种基于深度学习的框架，用于预测生石灰生产公司的能源需求，旨在提高运营效率并支持工业可扩展性的数据驱动决策	将时间变量和操作变量（如负荷曲线、有功功率、班次指标和生产相关代理变量）整合到深度学习模型中，以捕捉制造过程中能源使用的动态变化	仅使用了一年的真实电力消耗数据，可能无法完全捕捉长期季节性变化或极端生产情况	预测生石灰制造过程中的短期能源需求，以优化运营效率和成本效益	生石灰生产公司的电力消耗数据及相关操作变量	机器学习	NA	NA	LSTM, GRU, CNN	时间序列数据（电力消耗、操作变量）	一年的真实电力消耗数据	NA	LSTM, GRU, Conv1D	RMSE, MAE, SMAPE	NA
170	2026-01-04	Dual-Branch Superpixel and Class-Center Attention Network for Efficient Semantic Segmentation 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247637 PMID:41471634	研究论文	本文提出了一种基于注意力机制的双分支网络，用于高效语义分割，旨在解决边缘分割粗糙、上下文理解不足和高计算开销等问题	引入了超像素采样加权模块和类中心注意力模块，前者通过建模像素依赖关系增强对边界的敏感性，后者提取类中心特征并降低传统自注意力的计算冗余	未明确说明模型在极端场景或小样本数据上的泛化能力，也未详细讨论超参数调优对性能的影响	开发一种能够平衡分割精度与模型效率的语义分割算法	图像语义分割任务	计算机视觉	NA	NA	深度学习网络	图像	三个基准数据集（PASCAL VOC 2012、Cityscapes、ADE20K）	NA	双分支网络	mIoU, PA	NA
171	2026-01-04	ES-YOLO: Multi-Scale Port Ship Detection Combined with Attention Mechanism in Complex Scenes 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247630 PMID:41471625	研究论文	本文提出了一种结合注意力机制的ES-YOLO框架，用于复杂场景下的多尺度港口船舶检测	提出了新颖的边缘感知通道空间注意力机制（EACSA）以增强边缘信息提取，设计了轻量级空间-通道解耦下采样模块（LSCD）降低复杂度，并构建了新的分层尺度结构以平衡不同尺度目标的检测效果	NA	解决复杂环境（如云遮挡、波浪波动、港口复杂建筑和多船聚集）下船舶检测的局限性	港口船舶	计算机视觉	NA	遥感技术	YOLO	光学遥感图像	基于高分二号图像构建的TJShip遥感船舶数据集，涵盖从小渔船到大型货船的多尺度目标	NA	ES-YOLO	mAP, 精确率, 召回率, F1分数	NA
172	2026-01-04	Glue Strips Measurement and Breakage Detection Based on YOLOv11 and Pixel Geometric Analysis 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247624 PMID:41471624	研究论文	本文提出了一种结合YOLOv11深度学习模型与像素级几何分析的电池包涂胶检测方法，用于精确测量胶条尺寸并检测断胶缺陷	首次将YOLOv11模型与像素级几何分析相结合，通过自适应二值化、霍夫变换、连通域分析和多线统计策略，解决了复杂工业环境中金属反光、加热膜网格干扰、胶条方向不一致等难题，实现了高精度的胶条尺寸测量和100%准确率的断胶检测	论文未明确说明方法在极端光照条件或不同胶条颜色/材质下的泛化能力，也未讨论实时检测速度是否满足生产线节拍要求	提升新能源电池包涂胶工艺的质量控制精度与鲁棒性，实现胶条尺寸测量和缺陷检测的自动化	电池包涂胶工艺中的胶条	计算机视觉	NA	深度学习，图像处理	CNN	图像	NA	NA	YOLOv11	平均测量误差（宽度1.5%，长度2.3%），断胶检测准确率100%	NA
173	2026-01-04	An Improved DQN Framework with Dual Residual Horizontal Feature Pyramid for Autonomous Fault Diagnosis in Strong-Noise Scenarios 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247639 PMID:41471632	研究论文	本文提出了一种改进的DQN框架，结合双残差水平特征金字塔，用于强噪声场景下的自主故障诊断	引入了非线性时间步退化贪婪策略（NTDGS）和双残差水平特征金字塔（DRHFPN），以增强噪声抵抗能力和网络收敛速度	NA	解决强背景噪声和有限计算资源下故障诊断模型的实用化挑战	工业场景中的故障诊断	机器学习	NA	深度学习, 强化学习	DQN	NA	NA	NA	双残差水平特征金字塔（DRHFPN）	故障诊断准确率, 参数数量	NA
174	2026-01-04	Deep learning-derived arterial input function for dynamic brain PET 2025-Dec-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121609 PMID:41314271	研究论文	本研究提出了一种基于深度学习的动脉输入函数估计框架，可直接从动态PET图像序列中无创地估计代谢物校正的动脉输入函数	利用深度学习直接从动态PET图像序列估计代谢物校正的动脉输入函数，无需任何血液采样，提供了一种快速、准确且完全非侵入性的替代方法	未在摘要中明确提及	开发一种无需血液采样的非侵入性动脉输入函数估计方法，以改进动态PET成像中的动力学建模	动态PET患者数据	医学影像分析	阿尔茨海默病, 帕金森病	动态正电子发射断层扫描	深度学习	动态PET图像序列	NA	NA	NA	准确性, 鲁棒性	NA
175	2026-01-04	Enhancing Document Classification Through Multimodal Image-Text Classification: Insights from Fine-Tuned CLIP and Multimodal Deep Fusion 2025-Dec-15, Sensors (Basel, Switzerland) DOI:10.3390/s25247596 PMID:41471591	研究论文	本文通过引入平衡数据集PairDx，比较了微调大型视觉语言模型与训练轻量级任务特定架构在医学文档分类中的性能，展示了轻量级多模态融合模型在准确性和效率上的优势	提出了PairDx平衡数据集以减少类别不平衡，并开发了两种多模态方法（微调CLIP和自定义融合模型），在医学文档分类中实现了高准确率且训练时间大幅缩短	研究仅针对六类医学文档，可能未涵盖更广泛的医疗场景；数据集规模相对有限，且未深入探讨模型在其他医疗任务中的泛化能力	探索在临床环境中通过多模态图像-文本分类增强文档分类性能，并比较领域适应的最佳方法	医学图像与临床文本组成的多模态数据对，用于文档分类任务	自然语言处理,计算机视觉	NA	多模态深度学习,注意力融合	CLIP,ResNet-18,注意力机制	图像,文本	22,665个图像-标题对，涵盖六个医学文档类别	PyTorch	ViT-B/32,ResNet-18	准确率,训练时间,测试时间	NA
176	2026-01-04	Anomaly Behavior Detection Based on Deep Learning in an IoT Environment 2025-Dec-15, Sensors (Basel, Switzerland) DOI:10.3390/s25247605 PMID:41471599	研究论文	本文提出了一种结合时间结构注意力和对比学习的新方法，用于物联网环境中的视频异常行为检测	将因果掩码和时间衰减权重集成到注意力机制中，以显式约束时间关系并防止未来信息泄漏；同时采用正/负偏移和对比学习策略，增强潜在空间中异常片段的区分能力	未明确提及	解决物联网视频监控中异常行为检测的挑战，如异常样本稀缺、正常与异常片段相似性高以及时间依赖性建模不足	视频监控数据流中的异常行为	计算机视觉	NA	深度学习	基于注意力的模型	视频	多个公共视频异常检测数据集	未明确提及	结合时间结构注意力的模型	AUC, ACC, F1-score	未明确提及
177	2026-01-04	TCN-LSTM-AM Short-Term Photovoltaic Power Forecasting Model Based on Improved Feature Selection and APO 2025-Dec-15, Sensors (Basel, Switzerland) DOI:10.3390/s25247607 PMID:41471602	研究论文	本文提出了一种结合改进特征选择与APO算法的TCN-LSTM-AM短期光伏功率预测模型，以提高预测精度	提出了一种两阶段框架，集成了KNN-PCC-SHAP特征工程方法和TCN-LSTM-AM组合预测模型，并利用APO算法自适应优化模型参数	未明确说明模型在不同气候或地理条件下的泛化能力，也未讨论计算复杂度和实时预测的可行性	提高光伏发电的短期功率预测精度，以应对其波动性和间歇性对电力系统稳定性的挑战	光伏发电功率序列	机器学习	NA	KNN, PCC, SHAP, APO	TCN, LSTM, Attention Mechanism	时间序列数据	基于真实光伏电站和公开数据，具体样本数量未明确说明	未明确说明，可能为TensorFlow或PyTorch	TCN-LSTM-AM组合架构	RMSE, MAE, R	NA
178	2026-01-04	Hybrid PCA-Based and Machine Learning Approaches for Signal-Based Interference Detection and Anomaly Classification Under Synthetic Data Conditions 2025-Dec-14, Sensors (Basel, Switzerland) DOI:10.3390/s25247585 PMID:41471582	研究论文	本文提出了一种轻量级、可解释的异常检测流程，用于在严格低误报率约束下检测多通道时空数据中的异常，特别适用于传感器网络信号干扰监测等安全关键应用	核心创新在于融合了三种互补的异常信号（PCA重建误差、残差图的局部离群因子、蒙特卡洛方差），并通过学习型逻辑回归和专门的Neyman-Pearson优化融合来严格限制误报率，避免了深度学习依赖	研究在合成数据条件下进行评估，未明确说明在真实世界数据上的泛化能力	开发一种在严格低误报率约束下（如1% FPR）的稳健异常检测方法，用于安全关键应用	多通道时空数据中的信号干扰和异常	机器学习	NA	NA	逻辑回归, 局部离群因子	多通道时空数据	NA	NumPy, scikit-learn	NA	真阳性率, 假阳性率	NA
179	2026-01-04	Vision-Based Trajectory Reconstruction in Human Activities: Methodology and Application 2025-Dec-13, Sensors (Basel, Switzerland) DOI:10.3390/s25247577 PMID:41471572	研究论文	本文提出了一种基于视觉的轨迹重建方法，用于捕捉人类活动中的个体运动轨迹，并应用于人群动力学研究	整合了基于颜色的图像分割、基于深度学习的对象检测和基于单应性的投影方法，实现了在静态和动态摄像机视角下对行走和跑步活动轨迹的可靠重建	未明确说明方法在极端光照条件或极高密度人群中的性能限制	准确评估人群引起的荷载，通过研究人类互动和群体空间组织来建立现实的荷载模型	小型群体和大型跑步活动中的个体运动轨迹	计算机视觉	NA	基于颜色的图像分割，基于深度学习的对象检测，单应性投影	深度学习对象检测模型	图像，视频	来自两个城市跑步活动和受控实验的经验数据	NA	NA	NA	NA
180	2026-01-04	Deep Learning for Tumor Segmentation and Multiclass Classification in Breast Ultrasound Images Using Pretrained Models 2025-Dec-12, Sensors (Basel, Switzerland) DOI:10.3390/s25247557 PMID:41471551	研究论文	本研究开发了基于预训练模型的图像分割和多分类AI工具，用于乳腺超声图像中的病灶分割和乳腺癌检测	提出了集成频域特征增强模块（FEM）的DeepLabV3架构，通过离散傅里叶变换等技术改善空间和频谱特征表示	研究基于公开数据集BUSI，可能未涵盖所有临床场景；模型在测试集上的分类性能（F1分数0.75）仍有提升空间	开发自动化工具用于乳腺超声图像的病灶分割和良恶性分类	乳腺超声图像中的病灶区域	计算机视觉	乳腺癌	超声成像	CNN	图像	BUSI公开数据集中的灰度乳腺超声图像（具体数量未明确说明）	Optuna, TensorFlow/PyTorch（未明确指定，但基于常用深度学习框架）	ResNet18, EfficientNet-B0, MobileNetV2, U-Net, U-Net++, DeepLabV3, DenseNet121, InceptionV3, MobileNetV3, GoogleNet	Dice相似系数, IoU, AUC, 准确率, F1分数, 精确率, 召回率	NA