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
1341	2026-01-14	External validation of an explainable electrocardiogram-only deep learning algorithm for prediction of response after cardiac resynchronization therapy 2026-Jan-10, Heart rhythm IF:5.6Q1 DOI:10.1016/j.hrthm.2026.01.014 PMID:41525968	研究论文	本研究外部验证了一种基于可解释深度学习的心电图算法（FactorECG），用于预测心脏再同步化治疗后的无反应情况	首次在外部队列中验证了仅基于心电图的深度学习算法预测CRT无反应的能力，并探索了结合机械不同步指标的价值	外部验证队列样本量较小（161例），且仅评估了容积无反应，未涵盖临床不良结局	外部验证可解释深度学习算法预测心脏再同步化治疗反应性	心脏再同步化治疗患者	机器学习	心血管疾病	心电图分析	深度学习	心电图信号	外部验证队列：161例CRT患者；原始训练数据：超过100万次ECG中位搏动	NA	FactorECG	c-statistic	NA
1342	2026-01-14	Deep Learning for RNA Secondary Structure Determination: Gauging Generalizability and Broadening the Scope of Traditional Methods 2026-Jan-09, RNA (New York, N.Y.) DOI:10.1261/rna.080846.125 PMID:41513406	观点文章	本文探讨了深度学习在RNA二级结构预测中的应用，评估了方法的泛化能力，并讨论了如何扩展传统方法的范围	提出了一个新的基准数据集来评估RNA结构预测方法的泛化能力，并讨论了深度学习在预测结构探测数据方面的应用及其泛化挑战	已知RNA结构的多样性和数量有限，这限制了深度学习模型预测与训练数据显著不同结构的能力，即泛化差距问题	评估深度学习在RNA二级结构预测中的泛化能力，并探索如何扩展传统方法的范围	RNA二级结构预测方法，特别是深度学习模型	机器学习	NA	RNA二级结构预测，结构探测数据预测	深度学习模型	RNA结构数据，结构探测数据	从蛋白质数据库（PDB）中整理的结构化RNA基准数据集	NA	NA	泛化能力评估	NA
1343	2026-01-14	Predicting Cerebral Aneurysm Recurrence after Coil Embolization: A Novel Deep Learning Approach Using Time-of-flight Magnetic Resonance Angiography 2026-Jan-09, Neurologia medico-chirurgica IF:2.4Q2 DOI:10.2176/jns-nmc.2025-0288 PMID:41526250	研究论文	本研究提出了一种结合机器学习和深度学习技术的新方法，利用时间飞跃磁共振血管造影来预测脑动脉瘤弹簧圈栓塞术后的复发	首次将临床数据与3D重建的TOF-MRA影像数据结合，构建了融合深度学习模型，并比较了仅使用术前影像与结合术前术后影像两种版本的预测性能	研究为回顾性多中心分析，样本量相对有限（154例患者），且仅针对未破裂脑动脉瘤	预测脑动脉瘤在弹簧圈栓塞术后的复发风险	接受弹簧圈栓塞治疗的未破裂脑动脉瘤患者	数字病理学	心血管疾病	时间飞跃磁共振血管造影	逻辑回归, 神经网络, 深度学习	影像数据, 临床数据	154例患者（其中46例复发）	NA	NA	AUC, 准确率, 灵敏度, 特异性	NA
1344	2026-01-14	Robust mitochondria segmentation and morphological profiling using soft X-ray tomography 2026-Jan-08, Journal of structural biology IF:3.0Q3 DOI:10.1016/j.jsb.2026.108291 PMID:41519210	研究论文	本文提出了一种名为MitoXRNet的数据和参数高效的3D深度学习模型，用于软X射线断层扫描图像中的线粒体和细胞核分割，并应用于量化分析线粒体形态变化	开发了MitoXRNet模型，结合多轴3D切片、基于Sobel滤波器的边界增强以及二元交叉熵与鲁棒Dice损失函数，在参数较少的情况下实现了高效的线粒体分割，并成功应用于代谢刺激下线粒体重塑的定量分析	未明确提及具体局限性，但可能包括模型在更广泛细胞类型或成像条件下的泛化能力需进一步验证	开发高效工具以大规模量化线粒体形态，支持细胞功能研究	INS-1E细胞中的线粒体和细胞核	计算机视觉	NA	软X射线断层扫描	深度学习模型	3D图像	未明确指定样本数量，但基于INS-1E细胞数据	未明确指定，可能为PyTorch或TensorFlow	MitoXRNet	Dice分数	未明确指定
1345	2026-01-14	A visual exploration of the evolutionary trajectory in robotic surgery for gastrointestinal malignancies 2026-Jan-05, Journal of robotic surgery IF:2.2Q2 DOI:10.1007/s11701-025-03106-6 PMID:41486325	研究论文	本研究采用文献计量和可视化方法，绘制了胃肠道恶性肿瘤机器人手术领域的知识结构、演变轨迹、研究热点和新兴趋势	通过可视化分析揭示了该领域从可行性研究向人工智能、深度学习、风险预测和围手术期优化等方向演变的轨迹	研究基于过去十年的文献数据，可能未涵盖最新动态；且仅使用Web of Science数据库，可能存在文献覆盖不全的局限	探索胃肠道恶性肿瘤机器人手术领域的研究结构和发展趋势	胃肠道恶性肿瘤机器人手术相关的研究文献	数字病理学	胃肠道恶性肿瘤	文献计量分析，可视化分析	NA	文本数据（文献元数据）	过去十年Web of Science核心合集中的相关出版物	NA	NA	NA	NA
1346	2026-01-14	GaitDynamics: a generative foundation model for analyzing human walking and running 2026-Jan-05, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-025-01565-8 PMID:41491893	研究论文	本文介绍了GaitDynamics，一种用于分析人类行走和跑步的生成式基础模型，能够灵活处理输入和输出，并应用于临床场景	开发了一个基于大规模多样化步态数据训练的生成式基础模型，支持灵活输入输出，并能处理缺失数据，相比现有小数据集模型更具优势	未在摘要中明确提及具体限制，但可能涉及模型泛化能力或数据偏差问题	通过深度学习模型分析人类步态动力学，以促进人类活动能力，替代昂贵的实验室实验和物理模拟	人类步态模式，包括运动和力	机器学习	NA	深度学习	生成式基础模型	运动学和力数据	大规模多样化步态数据集	NA	NA	准确性	NA
1347	2026-01-14	Real-Time Fluorescence-Based COVID-19 Diagnosis Using a Lightweight Deep Learning System 2026-Jan-05, Sensors (Basel, Switzerland) DOI:10.3390/s26010339 PMID:41516773	研究论文	本研究提出了一种基于荧光图像的轻量级深度学习模型，用于实时COVID-19诊断，并在嵌入式环境中验证了其可行性	采用基于印记的方法计算层重要性并进行剪枝，实现了模型轻量化，在低功耗边缘设备上达到实时诊断性能	未提及模型在更广泛数据集或临床环境中的泛化能力验证	开发适用于嵌入式环境的实时COVID-19诊断系统	荧光图像	计算机视觉	COVID-19	荧光成像	CNN	图像	NA	NA	VGG, ResNet, DenseNet, EfficientNet, VGG13, ResNet152	准确率	NPU(Furiosa AI Warboy)
1348	2026-01-14	Recent Advances in Raman Spectral Classification with Machine Learning 2026-Jan-05, Sensors (Basel, Switzerland) DOI:10.3390/s26010341 PMID:41516775	综述	本文综述了机器学习在拉曼光谱分类中的最新进展、应用领域及未来研究方向	系统总结了数据驱动的机器学习和深度学习方法在拉曼光谱分析中的应用，实现了从原始数据自动学习复杂特征并进行高精度分类	训练数据有限、跨数据集泛化能力弱、可重复性差以及深度模型的可解释性有限	回顾机器学习辅助拉曼光谱分类的研究进展、当前趋势和未来方向	拉曼光谱数据	机器学习	NA	拉曼光谱	NA	光谱数据	NA	NA	NA	NA	NA
1349	2026-01-14	Deep Learning 1D-CNN-Based Ground Contact Detection in Sprint Acceleration Using Inertial Measurement Units 2026-Jan-05, Sensors (Basel, Switzerland) DOI:10.3390/s26010342 PMID:41516776	研究论文	本研究提出了一种基于一维卷积神经网络的深度学习方法，用于在短跑加速阶段使用惯性测量单元检测地面接触事件和时间	引入了一种优化的1D-CNN模型，在短跑加速阶段实现了近乎完美的地面接触检测，超越了传统的启发式和机器学习方法	研究样本仅包括12名训练有素的短跑运动员，可能限制了模型的泛化能力	提高短跑加速阶段地面接触事件和时间检测的准确性和可靠性	短跑运动员在加速阶段的地面接触事件	机器学习	NA	惯性测量单元数据采集，高速视频同步	CNN	时间序列数据（加速度和角速度）	12名训练有素的短跑运动员，进行了60米短跑测试	NA	1D-CNN，包含18个Inception块	Hausdorff距离，精度，召回率，Rand指数，偏差，一致性界限，相关系数	NA
1350	2026-01-14	Concurrent Incipient Fault Diagnosis in Three-Phase Induction Motors Using Discriminative Band Energy Analysis of AM-Demodulated Vibration Envelopes 2026-Jan-05, Sensors (Basel, Switzerland) DOI:10.3390/s26010349 PMID:41516783	研究论文	本文提出了一种基于振动信号的低复杂度滤波算法，用于三相感应电动机中并发初期故障的可靠检测	提出了一种新的判别性频带能量分析算法，该算法无需依赖神经网络或深度学习技术，通过AM解调振动包络增强故障类别间的区分能力，特别适用于处理并发故障产生的重叠特征	未明确提及算法在极端工况或长期运行下的稳定性验证，也未讨论与其他先进方法的直接性能对比	开发一种降低对复杂技术依赖的算法，实现使用低成本传感器可靠检测三相感应电动机中的现实故障	三相感应电动机的轴承和转子部件	机器学习	NA	振动信号分析，AM解调	NA	振动信号	NA	NA	NA	NA	NA
1351	2026-01-14	Role of Imaging Techniques in Ovarian Cancer Diagnosis: Current Approaches and Future Directions 2026-Jan-04, Cancers IF:4.5Q1 DOI:10.3390/cancers18010173 PMID:41514680	综述	本文综述了卵巢癌诊断中当前使用的影像学策略，重点介绍了先进成像技术和新兴人工智能方法的应用与未来方向	总结了对比增强MRI、O-RADS MRI评分系统以及人工智能在卵巢癌影像诊断中的最新进展和潜在应用	大多数人工智能技术尚需进一步的临床验证才能广泛采用	探讨卵巢癌诊断中影像学技术的角色、当前方法及未来发展方向	卵巢肿块，特别是经初步评估后仍不确定的卵巢肿块	数字病理	卵巢癌	经阴道超声、对比增强MRI	机器学习、深度学习	影像数据	NA	NA	NA	诊断准确率（83-93%）、敏感性（93%）、特异性（91%）	NA
1352	2026-01-14	Challenges in the Classification of Cardiac Arrhythmias and Ischemia Using End-to-End Deep Learning and the Electrocardiogram: A Systematic Review 2026-Jan-04, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16010161 PMID:41515656	系统综述	本文基于PRISMA 2020声明，对2019年至2025年间使用端到端深度学习和心电图进行心律失常与缺血分类的研究进行了系统性综述，识别了相关挑战	识别并系统整理了53个挑战，并新发现了18个问题，特别是在可解释性评估指标和模型决策置信度方面的局限性	作为一篇综述文章，其局限性在于总结现有研究的不足，而非提出新的技术解决方案	系统回顾并分析使用端到端深度学习和心电图进行心脏心律失常与缺血分类时面临的挑战	2019年至2025年间发表的121项相关研究	机器学习	心血管疾病	心电图	深度学习	心电图信号	NA	NA	NA	NA	NA
1353	2026-01-14	Current-Aware Temporal Fusion with Input-Adaptive Heterogeneous Mixture-of-Experts for Video Deblurring 2026-Jan-04, Sensors (Basel, Switzerland) DOI:10.3390/s26010321 PMID:41516756	研究论文	本文提出了一种用于视频去模糊的当前感知时间融合框架，结合输入自适应的异构专家混合模块，以在去模糊质量、推理速度和适用性之间取得平衡	提出了当前感知时间融合框架，专注于当前帧以减少相邻帧无关特征的干扰；设计了基于NAFBlocks的输入自适应专家混合模块，根据输入特征动态选择专家结构以降低推理时间；支持顺序和时序并行推理的训练策略	未明确说明模型在极端运动模糊或复杂场景下的泛化能力限制	开发一种能够平衡高质量去模糊、快速推理和广泛适用性的视频去模糊方法	模糊视频序列	计算机视觉	NA	NA	深度学习模型	视频序列，图像	在DVD、GoPro和BSD数据集上进行实验	NA	基于NAFBlocks的专家混合模块	PSNR, SSIM	NA
1354	2026-01-14	Low-Light Image Segmentation on Edge Computing System 2026-Jan-04, Sensors (Basel, Switzerland) DOI:10.3390/s26010327 PMID:41516761	研究论文	本文提出了一种在边缘计算系统上实现低光照图像分割的三步算法，结合图像亮度增强与U-Net模型进行精准分割	将低光照图像增强与分割算法结合，并在边缘计算平台上实现实时处理	未明确说明算法在极端低光照条件下的鲁棒性，且实验数据可能局限于特定场景（如隧道裂缝）	解决低光照环境下图像分割的挑战，实现实时边缘计算应用	低光照图像，特别是隧道墙壁裂缝等场景	计算机视觉	NA	深度学习图像增强，像素级图像分割	CNN	图像	未明确说明	未明确说明	U-Net	未明确具体指标，但提及性能评估与基线模型比较	边缘计算平台
1355	2026-01-14	A Hybrid Multi-Scale Transformer-CNN UNet for Crowd Counting 2026-Jan-04, Sensors (Basel, Switzerland) DOI:10.3390/s26010333 PMID:41516769	研究论文	本文提出了一种新颖的混合多尺度Transformer-CNN U形网络（HMSTUNet），用于解决人群计数任务中存在的尺度变化、遮挡和背景干扰等挑战	提出了一种结合多尺度视觉Transformer（MSViT）和动态卷积注意力块（DCAB）的混合架构，以同时捕获长距离依赖关系和局部密度模式	NA	提高人群计数任务的准确性，以应对极端尺度变化、严重遮挡和复杂背景干扰	人群计数任务中的图像数据	计算机视觉	NA	NA	Transformer, CNN	图像	在五个公共基准数据集上进行了评估，包括SHA、SHB、UCF_CC_50、UCF-QNRF和NWPU-Crowd	NA	U-Net, Multi-Scale Vision Transformer (MSViT), Dynamic Convolutional Attention Block (DCAB)	平均绝对误差（MAE）, 均方误差（MSE）	NA
1356	2026-01-14	Quantitative Analysis Model for the Powder Content of Zanthoxylum bungeanum Based on IncepSpect-CBAM 2026-Jan-04, Foods (Basel, Switzerland) DOI:10.3390/foods15010169 PMID:41517235	研究论文	本文提出了一种基于IncepSpect-CBAM的端到端一维卷积神经网络模型，用于花椒粉含量的定量分析，以应对粉末掺假的复杂挑战	创新点在于结合多尺度Inception模块、卷积块注意力模块和残差连接，直接从原始光谱中学习特征，并在多种掺假场景下保持鲁棒性	未明确提及具体限制，但可能涉及数据集规模或模型泛化能力	研究目的是开发一种高精度的定量分析模型，用于快速、无损评估粉末食品质量	研究对象是花椒粉及其常见掺假物（玉米粉、麦麸粉、米糠粉和花椒茎粉）	机器学习	NA	近红外光谱技术	CNN	光谱数据	未明确提及具体样本数量，但涉及四种常见掺假物的数据集	NA	IncepSpect-CBAM, 1D-CNN, DeepSpectra	RMSEP, RP2	NA
1357	2026-01-14	Explainable Deep Learning Framework for Reliable Species-Level Classification Within the Genera Desmodesmus and Tetradesmus 2026-Jan-03, Biology DOI:10.3390/biology15010099 PMID:41514940	研究论文	本研究结合深度学习和可解释人工智能，建立了一个透明、可靠且具有生物学意义的绿色微藻物种分类框架	首次将可解释人工智能技术应用于微藻物种分类，通过可视化方法验证模型依赖的是具有分类学意义的形态特征而非背景伪影	仅使用了三个物种的有限数据集，模型在其他属或更复杂分类群中的泛化能力尚未验证	开发一个可靠且可解释的微藻物种分类框架，以支持自动化分类和生物多样性监测	属于Desmodesmus和Tetradesmus属的三个绿色微藻物种	计算机视觉	NA	显微镜成像	CNN	图像	3624张来自三个绿藻物种的显微镜图像	TensorFlow, Keras	EfficientNet-B0-B7, DenseNet201, NASNetLarge, Xception, ResNet152V2	准确率, 损失值, 宏F1分数	NA
1358	2026-01-14	A BIM-Guided Virtual-to-Real Framework for Component-Level Semantic Segmentation of Construction Site Point Clouds 2026-Jan-03, Sensors (Basel, Switzerland) DOI:10.3390/s26010308 PMID:41516743	研究论文	提出了一种无需真实标注的、由BIM引导的虚拟到现实框架，用于建筑工地点云的组件级语义分割	提出了一种完全在合成点云数据集上训练、无需真实标注的BIM引导虚拟到现实框架，并引入了可学习的点云增强模块和多级域适应策略以弥合合成与真实扫描之间的差异	方法在类似建筑背景下有效，其泛化能力到其他建筑类型或环境未在研究中验证	解决建筑环境中LiDAR点云语义分割对大量标注数据依赖的挑战，实现自动化的现场监测和BIM-现实更新	建筑工地LiDAR点云，特别是高层住宅建筑的真实施工楼层点云	计算机视觉	NA	LiDAR扫描，合成点云生成	深度学习，多特征融合网络	点云数据	132个合成扫描，约8.75×10^9个点，以及来自高层住宅建筑的真实施工楼层点云	NA	PCT, PointNet++	总体准确率, 平均IoU, 平均准确率, FWIoU, Cohen's κ	NA
1359	2026-01-14	An Uncertainty-Aware Bayesian Deep Learning Method for Automatic Identification and Capacitance Estimation of Compensation Capacitors 2026-Jan-02, Sensors (Basel, Switzerland) DOI:10.3390/s26010279 PMID:41516714	研究论文	本文提出了一种基于分层贝叶斯深度学习框架的方法，用于在强噪声环境下自动识别和估计高速铁路轨道电路中补偿电容器的电容	结合多域信号增强与BiLSTM序列建模，并利用贝叶斯分类和回归进行后验推断、置信区间估计和不确定性感知预测，同时引入拒绝机制过滤低置信度输出	NA	解决高速铁路轨道电路中补偿电容器在强噪声下的误分类和可靠性评估问题	补偿电容器	机器学习	NA	多域信号增强（时域、频域、时频域）	BiLSTM, CNN	信号数据	8782个来自五条铁路线的真实世界数据段	NA	BiLSTM	状态识别准确率, 平均绝对误差, R值, 负对数似然, 期望校准误差	NA
1360	2026-01-14	Tactile Sensor-Based Body Center of Pressure Estimation System Using Supervised Deep Learning Models 2026-Jan-02, Sensors (Basel, Switzerland) DOI:10.3390/s26010286 PMID:41516726	研究论文	本文提出了一种基于触觉传感器和深度学习模型的身体压力中心估计系统，旨在替代昂贵且不便携的测力板	采用CNN/ResNet编码器从压力分布图像中提取二维空间特征，并结合Bi-LSTM捕捉时间模式，显著降低了ML/AP NRMSE差异至1.3%	研究仅在健康成年人中进行验证，尚未在患者群体中测试临床适用性，且实时实现有待探索	开发一种低成本、高精度的身体压力中心估计系统，用于平衡评估和跌倒风险监测	23名健康成年人执行四种平衡协议时的压力中心数据	机器学习	NA	触觉传感器	CNN, LSTM, Bi-LSTM, ResNet	图像（压力分布图像）	23名健康成年人	NA	ResNet-Bi-LSTM, CNN-Bi-LSTM, CNN-LSTM, Bi-LSTM	RMSE, NRMSE, R	NA