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
2441	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
2442	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
2443	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
2444	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
2445	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
2446	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
2447	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
2448	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
2449	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
2450	2026-01-14	PBZGNet: A Novel Defect Detection Network for Substation Equipment Based on Gradual Parallel Branch Architecture 2026-Jan-02, Sensors (Basel, Switzerland) DOI:10.3390/s26010300 PMID:41516735	研究论文	提出一种基于渐进并行分支架构的变电站设备缺陷检测网络PBZGNet，以解决复杂场景下小目标检测、多尺度特征融合和精确定位问题	结合渐进并行分支主干网络、缩放融合颈部和全局通道重校准模块，通过双核并行路径、可逆残差连接和动态跨尺度融合增强缺陷特征表示	未明确说明模型在极端光照或严重遮挡条件下的鲁棒性，且未提供跨不同变电站环境的泛化性能分析	提升变电站设备缺陷检测的准确性和鲁棒性，确保电网安全稳定运行	变电站设备及其缺陷	计算机视觉	NA	深度学习缺陷检测	CNN	图像	NA	NA	PBZGNet, BiCoreNet, ZFusion, Concat-CBFuse, ADHead	mAP@50, 参数量, GFLOPs	NA
2451	2026-01-14	Mapping Historical Landslide Activity Using a Swin Transformer-Based Transfer Learning Approach 2026-Jan-02, Sensors (Basel, Switzerland) DOI:10.3390/s26010293 PMID:41516731	研究论文	本研究提出了一种基于Swin Transformer和迁移学习的方法，用于高效重建汶川地震影响区域的历史滑坡清单	结合Swin Transformer架构与金字塔分割注意力机制，并采用网络微调方法实现跨域适应，以提升历史滑坡检测的时空迁移性能	未明确说明模型在其他地理区域或不同触发事件下的泛化能力，且数据依赖可能限制应用范围	开发高效的历史滑坡检测技术，以分析滑坡活动模式并评估长期地质影响	汶川地震影响区域的历史滑坡活动	计算机视觉	NA	深度学习, 迁移学习	Transformer	图像	NA	PyTorch	Swin Transformer	准确性, 完整性	NA
2452	2026-01-14	Sim-to-Real Domain Adaptation for Early Alzheimer's Detection from Handwriting Kinematics Using Hybrid Deep Learning 2026-Jan-02, Sensors (Basel, Switzerland) DOI:10.3390/s26010298 PMID:41516732	研究论文	本研究提出了一种基于智能笔采集的手写运动数据，利用混合深度学习模型和模拟到真实域适应策略，用于阿尔茨海默病的早期检测	提出了一种结合模拟到真实域适应策略的混合深度学习框架，以解决手写运动数据稀缺问题，并首次系统比较了多种机器学习与深度学习模型在该任务上的性能	研究样本量可能有限，且模拟数据的生成依赖于物理模型，可能无法完全覆盖真实数据的复杂性	开发一种自动化、非侵入性的早期阿尔茨海默病检测方法	阿尔茨海默病患者的手写运动数据	机器学习	阿尔茨海默病	智能笔传感器（MPU-9250惯性测量单元）采集手写运动学数据	Logistic Regression, SVM, Random Forest, kNN, 1D-CNN, LSTM, CNN-BiLSTM	手写运动学时间序列数据	未明确说明具体样本数量	未明确说明	1D-CNN, LSTM, CNN-BiLSTM混合架构	准确率, AUC	未明确说明
2453	2026-01-14	Knowledge Distillation in Object Detection: A Survey from CNN to Transformer 2026-Jan-02, Sensors (Basel, Switzerland) DOI:10.3390/s26010292 PMID:41516728	综述	本文全面综述了近年来基于知识蒸馏的目标检测模型，涵盖了从CNN到Transformer的演进，并分析了现有技术的新颖性、局限性及未来研究方向	系统性地梳理了知识蒸馏在目标检测领域从传统CNN到Transformer架构的应用进展，并探讨了其在轻量化模型、增量学习、小目标检测等扩展应用	作为综述文章，主要总结现有研究，未提出新的原创方法或模型	总结知识蒸馏技术在目标检测领域的研究现状、技术方法与发展趋势	基于知识蒸馏的目标检测模型及相关算法	计算机视觉	NA	知识蒸馏	CNN, Transformer	图像	NA	NA	NA	准确率	资源受限设备（如手机、嵌入式系统）
2454	2026-01-14	Deep Learning and Radiomics for Gastric Cancer Lymph Node Metastasis: Automated Segmentation and Multi-Machine Learning Study from Two Centers 2026, Oncology IF:2.5Q3 DOI:10.1159/000544179 PMID:39947156	研究论文	本研究开发了一种基于深度学习的脾脏CT图像自动分割方法，并结合影像组学和深度学习特征构建了胃癌淋巴结转移预测模型	首次将U-Mamba深度学习模型用于脾脏CT图像的自动分割，并结合多中心数据、影像组学特征、深度学习特征及多种机器学习方法构建了预测模型和列线图	样本量相对有限（284例），仅来自两个中心，需要更大规模的外部验证	开发胃癌淋巴结转移的自动化预测方法	经病理证实的胃癌患者	医学影像分析	胃癌	CT影像	深度学习, 机器学习	医学影像（CT图像）	284例来自两个中心的胃癌患者	NA	U-Mamba	NA	NA
2455	2026-01-14	Replacing Attention With Modality-Wise Convolution for Energy-Efficient PPG-Based Heart Rate Estimation Using Knowledge Distillation 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3580474 PMID:40526537	研究论文	本文提出了一种名为PULSE的轻量级深度学习架构，用于基于光电容积描记法（PPG）和加速度计数据融合的心率估计，并通过知识蒸馏将模型压缩以部署在可穿戴设备上	提出了一种新颖的轻量级深度学习架构PULSE，采用多头交叉注意力层进行传感器融合，并设计了一种基于关系的知识蒸馏机制，使学生网络能够用模态卷积替换注意力模块，以更少的参数模仿教师网络的性能	未明确说明	开发一种适用于可穿戴设备的、能有效融合PPG和加速度计数据以进行准确心率估计的轻量级深度学习模型	基于PPG传感器和加速度计数据的心率估计	机器学习	心血管疾病	光电容积描记法（PPG），加速度计数据采集	深度学习模型，知识蒸馏	PPG信号，加速度计数据	两个数据集：PPG-DaLiA（最广泛的可用数据集）和WESAD数据集	NA	PULSE（采用多头交叉注意力层），学生网络（采用模态卷积）	平均绝对误差（MAE）	商用现成微控制器，部署后量化技术
2456	2026-01-14	Deep learning for osteoporosis screening in dental practice: a systematic review 2026-Jan-01, Dento maxillo facial radiology DOI:10.1093/dmfr/twaf052 PMID:40580938	系统综述	本文系统评估了深度学习工具在利用牙科影像进行骨质疏松筛查中的性能，并探讨了这些模型在牙科实践中的实施情况	首次系统综述了深度学习在牙科骨质疏松筛查中的应用，并强调了临床适用性的局限性	缺乏外部验证和临床整合，限制了其实际应用	评估深度学习工具在牙科影像骨质疏松筛查中的性能及临床实施情况	使用牙科X光片或CT扫描的成人骨质疏松患者	数字病理	骨质疏松	双能X射线吸收测定法（DXA），全景X光摄影	CNN	图像	13项研究	NA	VGG16, GoogleNet, ResNet, AlexNet, EfficientNet	准确度	NA
2457	2026-01-14	Novel Deep Learning Model to Estimate Knee Flexion and Adduction Moments With Wearable IMUs During Treadmill and Overground Walking 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3584389 PMID:40587356	研究论文	本研究开发了一种新型深度学习模型，利用可穿戴惯性测量单元（IMU）在跑步机和地面行走时估计膝关节屈曲力矩和膝关节内收力矩	提出了一种结合LSTM自编码器和变分高斯过程的新型深度学习模型，用于估计膝关节力矩的均值及其不确定性区域	研究仅涉及健康参与者，未在TKR术后患者中进行验证	开发一种基于可穿戴IMU的机器学习框架，用于在自然环境中准确估计与骨关节炎相关的膝关节生物力学因素	膝关节屈曲力矩（KFM）和膝关节内收力矩（KAM）	机器学习	骨关节炎	可穿戴惯性测量单元（IMU）	LSTM, Autoencoder, Variational Gaussian Process	时间序列传感器数据	两组各17名健康参与者，分别进行跑步机和地面行走试验	NA	LSTM-based Autoencoder, Variational Gaussian Process	均方根误差（RMSE）	NA
2458	2026-01-14	Mining Global and Local Semantics From Unlabeled Spectra for Spectral Classification 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3588122 PMID:40658574	研究论文	提出一种名为GLSM的自监督学习方法，用于从未标记的光谱数据中挖掘全局和局部语义信息，以提升光谱分类性能	首次提出结合全局语义挖掘和局部语义挖掘两个代理任务的自监督学习框架，无需大量标注数据即可捕获光谱的全局域不变特征和局部精细细节	未明确说明方法在极端噪声或高度异质光谱数据上的泛化能力，且实验仅限于三个数据集	解决振动光谱分析中依赖大量标注数据的问题，提升光谱识别的准确性和适用性	未标记的分子振动光谱数据	机器学习	NA	分子振动光谱	自监督学习	光谱数据	NA	NA	NA	NA	NA
2459	2026-01-14	VGRF Signal-Based Gait Analysis for Parkinson's Disease Detection: A Multi-Scale Directed Graph Neural Network Approach 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3589772 PMID:40668723	研究论文	本文提出了一种基于垂直地面反作用力信号的多尺度自适应有向图神经网络方法，用于检测帕金森病	将VGRF信号建模为多尺度有向图，以捕捉足底传感器间的分布关系和行走时的动态压力传导，并整合自适应有向图网络和多尺度时间卷积网络单元	未明确说明模型的计算复杂度或在实际临床环境中的泛化能力	通过分析VGRF信号来区分帕金森病患者与健康对照者的步态	帕金森病患者和健康对照者的垂直地面反作用力信号	机器学习	帕金森病	垂直地面反作用力信号分析	图神经网络, 时间卷积网络	信号数据	基于三个广泛使用的数据集，具体样本数量未明确说明	NA	多尺度自适应有向图神经网络, 自适应有向图网络, 多尺度时间卷积网络	准确率, F1分数, 几何平均数	NA
2460	2026-01-14	Development of a fully automated dental age estimation framework from panoramic radiographs using tooth-level information with an attention-weighting module 2026-Jan-01, Dento maxillo facial radiology DOI:10.1093/dmfr/twaf063 PMID:40900631	研究论文	本研究开发了一个基于全景X光片的全自动、可解释的牙齿年龄估计框架，利用牙齿级信息和注意力加权模块	提出了一种两阶段全自动管道，结合YOLO11-OBB进行定向牙齿检测和带注意力加权模块的深度学习回归模型，以聚合单颗牙齿预测，并评估了辅助特征（如乳牙存在和性别）的影响	NA	开发一个用于年轻人全景X光片的全自动且可解释的牙齿年龄估计框架	年龄在8至23岁个体的1639张全景X光片	计算机视觉	NA	全景X光成像	CNN	图像	1639张X光片	PyTorch	YOLO11-OBB, DenseNet-121	F1分数, 平均绝对误差	NA