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
1541	2025-12-12	Advancing biomaterial research with artificial intelligence 2026-Mar, Biomaterials advances IF:5.5Q2 DOI:10.1016/j.bioadv.2025.214535 PMID:41075468	综述	本文详细探讨了人工智能（包括机器学习和深度学习）在聚合物、金属、陶瓷和复合材料等各类生物材料研究中的应用，并讨论了AI在解决前向和逆向设计问题中的角色及其局限性	系统综述了AI在生物材料研究中的多类别应用，并引入了可解释人工智能（如SHAP和LIME）作为解决模型可解释性等挑战的新兴方案	讨论了AI在生物材料研究中的关键限制，包括模型可解释性、数据质量和过拟合问题	加速生物材料的开发与创新，提升其性能、效率和可扩展性，同时应对传统制造与表征过程中的挑战	各类生物材料，包括聚合物、金属、陶瓷和复合材料	机器学习	NA	NA	机器学习, 深度学习	NA	NA	NA	NA	NA	NA
1542	2025-12-05	Golay-Net: Deep learning-based Golay coded excitation for ultrasound imaging 2026-Mar, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107881 PMID:41176826	研究论文	本文提出了一种基于深度学习的Golay编码激励方法，用于提升超声成像的信噪比和成像深度，同时保持帧率不变	开发了Golay-Net，一种基于1-D U-Net的深度学习框架，能够从Code A的回波信号中合成Code B的回波信号，从而避免了传统Golay编码激励需要两次传输导致的帧率降低问题	未在摘要中明确提及具体限制，可能包括模型泛化能力、计算复杂度或对特定成像条件的依赖性	提高超声成像的信噪比和成像深度，同时不牺牲帧率	超声成像中的Golay编码激励技术	医学影像处理	NA	Golay编码激励	深度学习	超声回波信号	NA	NA	1-D U-Net	信噪比, 成像深度, 帧率	NA
1543	2025-12-05	End-to-end design of multi-functional acoustic holograms via heterogeneous physics constraints 2026-Mar, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107879 PMID:41192313	研究论文	本文提出了一种端到端异质物理约束深度学习框架，用于设计多功能声学全息图，以解决传统相位设计方法在理论预测与物理实现间的性能差距	引入了首个端到端异质物理约束深度学习框架，直接设计物理全息图结构，同时考虑全息图内部复杂声学特性和波在复杂介质（如颅骨）中的传播，显著提高了声场模式的保真度	研究主要作为概念验证展示，在更具挑战性的生物医学应用中的大规模验证和临床转化仍需进一步探索	开发一种能够设计物理上可实现、多功能声学全息图的新方法，以用于非侵入性治疗和接触式操控等生物医学应用	声学全息图及其产生的声场	机器学习	NA	声学全息技术	深度学习	物理模拟数据	NA	NA	NA	峰值信噪比, 相关性保真度	NA
1544	2025-12-05	High-precision wavefield simulation and deep learning-based sound speed reconstruction for transcranial ultrasound imaging 2026-Mar, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107860 PMID:41129992	研究论文	本研究提出了一种结合高精度波场模拟与深度学习反演的经颅声速局部重建框架，旨在提升经颅超声成像质量	开发了定制波场模拟算法生成训练数据集，并提出了集成波前注意力模块（WAM）和梯度正则化损失函数的WAM-Net网络，以精确重建颅骨声速	NA	通过准确重建颅骨声速，实现有效的相位校正，从而提升经颅超声成像质量	颅骨声速分布	医学影像处理	脑部疾病	超声成像	深度学习	模拟波场数据	数值模拟、仿体实验（AlO和PMMA仿体）及食蟹猴活体实验	NA	WAM-Net	平均绝对误差（MAE）	NA
1545	2025-12-04	Dengue forecasting and outbreak detection in Brazil using LSTM: integrating human mobility and climate factors 2026-Mar, Infectious Disease Modelling IF:3.0Q1 DOI:10.1016/j.idm.2025.11.002 PMID:41321683	研究论文	本研究开发了一种基于LSTM的深度学习模型，用于预测巴西的登革热病例并检测疫情爆发，整合了人类移动性和气候因素	首次将人类移动性数据整合到基于深度学习的登革热预测框架中，以捕捉病毒传播的空间动态	未明确提及模型在更广泛地理区域或不同疾病背景下的泛化能力限制	提高登革热病例预测和疫情爆发的检测准确性，以支持早期预警系统和公共卫生干预	巴西选定城市的登革热病例数据、气候变量和人类移动性数据	自然语言处理	登革热	深度学习	LSTM	时间序列数据	NA	NA	LSTM	MAE, MAPE, CRPS, 准确率, 灵敏度, 特异性, F1分数	NA
1546	2025-10-05	A framework using large time series model for early warning of infectious diseases 2026-Mar, Infectious Disease Modelling IF:3.0Q1 DOI:10.1016/j.idm.2025.08.006 PMID:41017782	研究论文	提出了一种基于大时间序列模型的传染病早期预警框架	利用生成式预训练大时间序列模型解决传染病预警中数据质量和数量限制的问题	NA	开发具有强泛化能力和优异性能的传染病早期预警系统	时空序列中的异常上升趋势（疫情暴发）检测	机器学习	传染病	时间序列分析	大时间序列模型	时空序列数据	真实世界传染病数据集及相关衍生数据集	NA	大时间序列模型	NA	NA