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
281	2026-03-31	MM-WAE: Multimodal Wasserstein Autoencoders for Semi-Supervised Wafer Map Defect Recognition 2026-Mar-18, Micromachines IF:3.0Q2 DOI:10.3390/mi17030367 PMID:41900253	研究论文	本文提出了一种基于多模态Wasserstein自编码器的半监督晶圆图缺陷识别方法，以解决实际产线中标记数据稀缺、类别分布长尾和特征表示有限的问题	提出了多模态Wasserstein自编码器框架，通过空间、频率和纹理三个并行特征分支，结合多头注意力和门控机制进行自适应多模态融合，并引入最大均值差异损失和逆类别频率加权交叉熵损失进行联合优化	未明确说明模型在极端长尾分布或新型未知缺陷模式下的泛化能力，也未讨论计算复杂度对工业实时部署的影响	提高集成电路制造中晶圆图缺陷模式识别的准确性和鲁棒性，特别是在标记数据稀缺和类别不平衡的条件下	晶圆图缺陷模式	计算机视觉	NA	NA	自编码器	图像	NA	NA	多模态Wasserstein自编码器	准确率	NA
282	2026-03-31	Yixin Yangshen Granules Target HIF-1 Signaling to Modulate the Neuroimmune Microenvironment in Alzheimer's Disease: Insights from Integrative Multi-Omics and Deep Learning 2026-Mar-18, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph19030502 PMID:41901348	研究论文	本研究通过整合多组学分析和深度学习，揭示了益心养神颗粒通过靶向HIF-1信号通路调节阿尔茨海默病神经免疫微环境的多靶点作用机制	首次结合单核RNA测序、多组学整合分析和深度学习框架DTIAM，系统揭示了益心养神颗粒在阿尔茨海默病中的多靶点作用机制，并识别出其关键活性成分甘孢内酯A	研究主要基于Aβ诱导的动物模型，尚未在更广泛的AD模型或临床样本中进行验证；深度学习预测的活性成分结合机制仍需进一步的实验验证	阐明益心养神颗粒在阿尔茨海默病中的多靶点作用机制	阿尔茨海默病小鼠模型、HT22细胞系、人AD海马体单核RNA测序数据	生物信息学, 深度学习	阿尔茨海默病	UPLC-QTOF-MS, snRNA-seq, 转录组学, 蛋白质组学, ELISA, qRT-PCR, Western blot, 分子对接, 分子动力学模拟	深度学习	单细胞RNA测序数据, 转录组数据, 蛋白质组数据, 分子结构数据	公共人类AD海马体snRNA-seq数据集、Aβ诱导的小鼠模型、HT22细胞系	DTIAM	NA	NA	NA
283	2026-03-31	VIS-NIR-SWIR Hyperspectral Imaging and Advanced Machine and Deep Learning Algorithms for a Controlled Benchmark of Bean Seed Identification and Classification 2026-Mar-18, Plants (Basel, Switzerland) DOI:10.3390/plants15060933 PMID:41901452	研究论文	本文利用VIS-NIR-SWIR高光谱成像和先进的机器学习与深度学习算法，对32种豆类种子进行识别和分类的基准测试	首次将VIS-NIR-SWIR高光谱成像与多种机器学习及深度学习模型结合，用于豆类种子的非破坏性分类，并探索了波段缩减对传感器设计的指导意义	研究在受控实验室条件下进行，结果可能无法直接推广到实际部署环境；波段缩减发现仅为传感器设计提供探索性指导，而非已验证的部署就绪规格	开发一种非破坏性、可扩展的种子种质鉴定方法，以支持种质资源保护、可追溯性和育种工作	32种豆类种子，包括30个普通豆地方品种和2个外群豆类	计算机视觉	NA	VIS-NIR-SWIR高光谱成像	线性判别分析, 支持向量机, 多层感知机, 卷积神经网络, 循环神经网络, 注意力机制	高光谱图像	3200颗种子（每种100颗）	NA	MLP_Wide, 卷积神经网络, 循环神经网络, 注意力机制	准确率, 宏F1分数, 平衡准确率, 精确率, 召回率	NA
284	2026-03-31	The Evolving Landscape of COPD Typization 2026-Mar-18, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62030564 PMID:41901645	综述	本文综述了慢性阻塞性肺疾病（COPD）分型领域的最新进展，重点分析了生物标志物、先进定量成像和多组学技术的整合应用	提出了向GETomics（遗传、环境、时间）框架的转变，作为超越传统分类系统局限性和实现真正个性化医疗的基础前提	作为一篇叙述性综述，未涉及原始研究数据或具体实验验证	分析COPD表征的演变格局，探讨精准医疗背景下从通用症状管理向特定可治疗特征识别的范式转变	慢性阻塞性肺疾病（COPD）的临床和生物学异质性	数字病理学	肺病	生物标志物、先进定量成像、多组学技术	深度学习	影像数据、组学数据	NA	NA	NA	NA	NA
285	2026-03-31	Physics-Guided Variational Causal Intervention Network for Few-Shot Radar Jamming Recognition 2026-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s26061900 PMID:41902069	研究论文	提出一种物理引导的变分因果干预网络，用于解决雷达主动干扰识别中训练样本稀缺和因果混淆问题	首次将物理先验与因果推断结合，通过结构化因果模型解耦信号特征，并引入变分信息瓶颈优化互信息，以消除环境混淆因素导致的虚假相关性	方法基于半物理仿真数据集验证，在真实复杂电磁环境中的泛化性能尚未充分评估	提高在训练样本稀缺条件下雷达主动干扰识别的准确性和鲁棒性	雷达主动干扰信号	机器学习	NA	半物理仿真	深度学习模型	时频图像表示	极低样本量机制下的数据集	NA	物理引导的变分因果干预网络	识别准确率	NA
286	2026-03-31	A Multimodal Biomedical Sensing Approach for Muscle Activation Onset Detection 2026-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s26061907 PMID:41902075	研究论文	提出一种轻量级时序注意力方法，用于慢速肌肉激活起始检测，结合表面肌电信号和光学运动图像数据，在低计算复杂度下提升检测性能	引入轻量级时序特征编码、慢激活感知的时序注意力机制及噪声抑制的稳定决策策略，有效增强对渐进激活信号的建模能力	未提及具体的数据集规模或跨受试者设置的详细限制	解决慢速肌肉激活起始检测中的准确识别问题，应用于康复训练、姿势调节和精细运动控制等场景	表面肌电信号和同步获取的光学运动图像数据	生物医学传感	NA	表面肌电信号分析，光学运动成像	深度学习	信号，图像	包含多种慢激活运动类型的数据集，使用五折交叉验证	NA	轻量级时序注意力框架	准确率，召回率，精确率，平均检测误差，检测延迟，假阳性率	NA
287	2026-03-31	C-EMDNet: A Nonlinear Morphological Deep Framework for Robust Speech Enhancement 2026-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s26061917 PMID:41902086	研究论文	本文提出了一种名为C-EMDNet的非线性语音增强方法，结合了CEEMDAN的自适应分解能力和深度卷积架构，直接在时间-本征模态函数域中操作	将CEEMDAN的本征模态函数解释为形态学潜在空间，以捕捉语音的多尺度结构，并采用U-Net类网络估计模态掩码，实现选择性噪声抑制	NA	开发一种鲁棒的语音增强框架，通过非线性形态学表示提升语音去噪性能	噪声语音信号	自然语言处理	NA	CEEMDAN, 深度卷积架构	CNN, U-Net	语音信号	标准噪声语音数据集	NA	U-Net	NA	NA
288	2026-03-31	Deep Learning-Based Image Classification of Pupae from 11 Lepidoptera Pest Species 2026-Mar-17, Insects IF:2.7Q1 DOI:10.3390/insects17030327 PMID:41898987	研究论文	本研究利用深度学习模型对11种鳞翅目害虫蛹的多角度图像进行分类，实现了高精度的自动化识别	首次建立了标准化的多角度鳞翅目害虫蛹图像数据集，并系统评估了包括CNN和Transformer在内的六种深度学习模型，将蛹的形态识别转化为可解决的计算机视觉任务	所有模型在特定物种（如Helicoverpa armigera、Helicoverpa assulta和Spodoptera litura）间存在一致的轻微混淆，这些错误源于有限样本的特定拍摄角度	探索鳞翅目害虫蛹的自动化形态识别解决方案，为蛹期害虫监测开发图像工具提供基础	11种具有经济重要性的鳞翅目害虫的蛹	计算机视觉	NA	多角度图像采集	CNN, Transformer	图像	11种害虫蛹的多角度图像数据集	NA	Vit-Small（及其他五种模型，具体架构未明确列出）	准确率, F1分数	NA
289	2026-03-31	Real-Time Application of Artificial Intelligence for Automatic Detection of High-Grade Squamous Intraepithelial Lesions During High-Resolution Anoscopy 2026-Mar-17, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062268 PMID:41899192	研究论文	本文首次描述了在实时高分辨率肛门镜检查中使用基于深度学习的YOLO目标检测模型自动检测高级别鳞状上皮内病变	首次在临床实践中实现实时AI增强的高分辨率肛门镜检查，用于自动检测HSIL	仅在三名患者中进行了演示，需要多中心验证研究	提高肛门癌筛查中病变检测和分化的准确性	接受肛门癌筛查的高分辨率肛门镜检查患者	计算机视觉	肛门癌	高分辨率肛门镜检查	YOLO	图像	三名患者	NA	YOLO	NA	NA
290	2026-03-31	Denoising and Baseline Correction of Low-Scan FTIR Spectra: A Benchmark of Deep Learning Models Against Traditional Signal Processing 2026-Mar-17, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13030347 PMID:41899878	研究论文	本文提出了一种基于物理信息级联Unet的深度学习模型，用于同时处理低扫描FTIR光谱的去噪和基线校正任务，以加速临床FTIR成像速度	提出了一种包含确定性物理桥的级联Unet架构，通过嵌入SNIP层强制网络分离随机噪声与化学信号，而非学习统计近似，从而消除光谱幻觉并提高泛化能力	研究仅使用人类下咽癌细胞系（FaDu）数据集进行验证，未在其他细胞类型或更复杂组织样本中测试	开发一种能够同时处理噪声和基线漂移的稳健方法，以加速傅里叶变换红外成像的临床速度	人类下咽癌细胞（FaDu）的低扫描FTIR光谱数据	机器学习	下咽癌	傅里叶变换红外成像	深度学习, CNN	光谱数据	人类下咽癌细胞系（FaDu）数据集	NA	Unet, 级联Unet	RMSE, 峰值感知指标	NA
291	2026-03-31	A Range-Aware Attention Framework for Meteorological Visibility Estimation 2026-Mar-17, Sensors (Basel, Switzerland) DOI:10.3390/s26061893 PMID:41902062	研究论文	本文提出了一种用于气象能见度估计的范围感知注意力框架，并引入了一个新的高分辨率能见度数据集	提出了Range-Aware Attention Framework (RAT-Attn)，这是一种将经典范围特定大气建模转化为可微分深度学习操作的自适应注意力机制，并引入了包含11,148张高分辨率图像的香港珠海学院能见度数据集(HKCHC-VD)	未明确说明模型在极端天气条件下的泛化能力或计算效率	提高气象能见度估计的准确性，以增强交通和环境监测系统的安全性与可靠性	雾和霾等大气条件导致的非线性视觉退化现象	计算机视觉	NA	深度学习	CNN, Vision Transformer	图像	11,148张高分辨率图像	未明确说明	ResNet, ViT	均方误差(MSE), 平均绝对误差(MAE), 分类准确率	NA
292	2026-03-31	Improved Point Cloud Representation via a Learnable Sort-Mix-Attend Mechanism 2026-Mar-17, Sensors (Basel, Switzerland) DOI:10.3390/s26061888 PMID:41902056	研究论文	本文提出了一种可学习的排序-混合-注意力机制（SMA），用于增强基于MLP的点云主干网络的表示能力	提出了一种可微分模块，能够动态地对局部点集施加任务驱动的规范结构，通过生成几何基并使用可微分排序机制来序列化邻域，从而高效建模丰富的特征交互	未明确说明方法在更广泛点云任务（如配准、生成）上的泛化能力，也未与其他最先进复杂算子进行全面的计算效率对比	提升3D点云的深度学习表示能力，特别是增强高效点级MLP主干网络的表征容量	3D点云数据	计算机视觉	NA	NA	MLP	3D点云	NA	NA	PointNeXt, PointNet++	总体准确率（OA）	NA
293	2026-03-31	Discrimination of vascular proliferation in eyelid surgery using multimodal hyperspectral imaging technology 2026-Mar-17, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109328 PMID:41905157	研究论文	本研究提出了一种基于多模态高光谱成像技术和深度学习模型HyperT-net的眼睑手术后血管增生诊断方法	首次将高光谱成像（提供光谱-空间信息）与病理切片图像（提供微观形态信息）进行多模态融合，并设计了结合一维卷积网络和Transformer架构的HyperT-net模型进行分析	未明确说明样本量的具体规模及数据集的多样性，也未提及模型在外部验证集上的泛化性能	开发一种非侵入性、精确的眼睑手术后血管增生早期诊断工具	眼睑手术后的皮肤组织（重点关注微血管变化）	计算机视觉	皮肤血管增生	多模态高光谱成像技术（400-1000 nm波段）	深度学习	高光谱图像, 病理切片图像	NA	NA	HyperT-net（结合一维卷积网络和Transformer架构）	准确率, 灵敏度	NA
294	2026-03-31	Tabular LLMs for Interpretable Few-Shot Alzheimer's Disease Prediction with Multimodal Biomedical Data 2026-Mar-17, ArXiv PMID:41907581	研究论文	本文提出了一种基于预训练大型语言模型的表格数据框架TAP-GPT，用于阿尔茨海默病的少样本预测，并展示了其在多模态生物标志物数据上的有效性	首次系统地将专门用于表格数据的LLM应用于基于多模态生物标志物的阿尔茨海默病预测，通过表格提示而非纯文本进行微调，实现了少样本泛化、结构化推理和可解释输出	未明确说明模型在高维输入下的具体性能下降程度，以及在实际临床环境中的泛化能力验证可能有限	开发一种能够处理小规模、不完整表格生物标志物数据的阿尔茨海默病准确诊断方法	阿尔茨海默病（AD）患者的多模态生物医学数据，包括QT-PAD生物标志物、结构MRI、淀粉样蛋白PET和tau PET	自然语言处理	阿尔茨海默病	多模态生物医学数据整合，包括结构MRI、淀粉样蛋白PET、tau PET和QT-PAD生物标志物	LLM, GPT	表格数据	基于四个ADNI衍生数据集，具体样本数量未明确说明	TableGPT2	TableGPT2	少样本分类性能，与基线模型和通用LLM的比较，未指定具体指标如准确率、AUC等	NA
295	2026-03-31	AI-Driven Predictions of Readmission and Mortality for Improved Discharge Decisions in Critical Care: A Retrospective Study 2026-Mar-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060874 PMID:41897607	研究论文	本研究利用MIMIC-IV和KNUH数据库，开发并验证了GRU-D++深度学习模型，用于预测ICU出院后7天内的再入院或死亡风险	提出了GRU-D++深度学习模型，在预测ICU出院后7天内再入院或死亡方面，其性能优于传统的SWIFT评分工具	研究为回顾性队列研究，可能存在数据偏差，且模型性能需在前瞻性临床环境中进一步验证	识别风险因素并评估AI模型在预测ICU出院后7天内再入院或死亡方面的性能，以改善临床决策支持	ICU出院患者	机器学习	危重症	机器学习，深度学习	GRU-D, 深度学习模型	临床数据库数据	MIMIC-IV数据库（2008-2019年）和KNUH数据库（2016年1月1日至2023年2月28日）的患者数据	NA	GRU-D++	AUROC	NA
296	2026-03-31	An Adaptive Attention 3D U-Net for High-Fidelity MRI-to-CT Synthesis: Bridging the Anatomical Gap with CBAM 2026-Mar-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060875 PMID:41897608	研究论文	本研究提出了一种集成CBAM注意力模块的增强型3D U-Net架构，用于从MRI扫描合成高保真CT图像	在传统3D U-Net的跳跃连接中系统性地集成CBAM模块，通过通道和空间注意力自适应重加权编码器特征图，以提升解剖结构重建精度	研究仅针对脑部MRI-CT数据集进行验证，未涉及其他解剖部位或临床场景	实现高保真的MRI到CT图像合成，以支持仅MRI的临床工作流程和多模态医学影像整合	脑部MRI和CT图像	医学影像分析	NA	深度学习	CNN	3D医学影像	SynthRAD2023（任务1-脑部）MRI-CT数据集	NA	3D U-Net, CBAM	MAE, RMSE, PSNR, SSIM, NCC	NA
297	2026-03-31	EdgeGeoDiff: A Novel Two-Stage Diffusion Approach for Precipitation Downscaling with Edge Details and Geographical Priors 2026-Mar-15, Sensors (Basel, Switzerland) DOI:10.3390/s26061857 PMID:41902026	研究论文	本文提出了一种名为EdgeGeoDiff的两阶段扩散模型，用于降水降尺度任务，通过结合边缘信息和地理先验来增强高分辨率降水场的重建	提出了一种新颖的两阶段扩散模型，首次在降水降尺度中整合边缘细节（通过拉普拉斯算子提取）和地理先验（如地形高程），以解决传统单图像超分辨率方法在降水数据上导致过度平滑和丢失极端值的问题	未明确说明模型的计算复杂度或训练时间，可能在实际应用中存在资源消耗较大的限制	提高降水数据的空间分辨率，以更准确地捕捉降水极端值和精细尺度变异性	真实世界的降水数据集	计算机视觉	NA	深度学习，扩散模型	扩散模型，残差网络	图像（降水场数据）	NA	NA	残差网络，扩散模型	RMSE, PSNR, SSIM, CSI	NA
298	2026-03-31	A Lightweight and Explainable AI Framework Toward Automated Infraocclusion Detection in Pediatric Panoramic Radiographs 2026-Mar-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060866 PMID:41897599	研究论文	本研究提出并评估了一个轻量级、两阶段深度学习框架，结合可解释AI技术，用于在儿童全景X光片中自动检测牙齿低咬合	开发了一个结合MobileNet V2 Lite和定制CNN的两阶段轻量级框架，并集成了可解释AI技术以增强模型透明度	研究仅针对7-11岁儿童，样本可能有限，且未在更广泛年龄组或不同成像设备上进行验证	设计并评估一个用于儿童全景X光片中自动检测牙齿低咬合的轻量级、可解释AI框架	7-11岁儿童的全景X光片，重点关注前磨牙和磨牙区域	计算机视觉	牙齿低咬合	全景X光成像	CNN	图像	未明确具体数量，但使用了7-11岁儿童的全景X光片进行训练和验证	TensorFlow, Keras	MobileNet V2 Lite, 定制CNN	准确率, 精确率, 召回率, F1分数, AP50, AP75	未明确指定GPU类型，但强调框架轻量级，仅需1.88M可训练参数（7.19 MB），推理延迟低（分类0.8 ms，检测19 ms）
299	2026-03-31	AI-Driven Design of Miniproteins as Potential Allosteric Modulators 2026-Mar-14, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph19030480 PMID:41901326	综述	本文综述了人工智能驱动的计算方法，用于设计作为潜在变构调节剂的小型蛋白质	利用深度学习结构预测和生成模型，实现变构热点识别、构象集合表征及结构化小型蛋白质结合剂的全新设计	NA	探索人工智能在变构药物发现和蛋白质功能调控中的应用	小型蛋白质作为变构调节剂	机器学习	NA	深度学习结构预测，生成模型	NA	NA	NA	NA	NA	NA	NA
300	2026-03-31	Enhanced Visualization: Transforming Non-Contrast into Contrast-Enhanced Computed Tomography Images Through Advanced Generative Adversarial Networks 2026-Mar-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060861 PMID:41897594	研究论文	本研究利用生成对抗网络（GAN）将非对比增强CT图像转换为合成对比增强CT图像，以辅助禁忌使用碘对比剂患者的纵隔和淋巴结评估	开发了一种基于GAN的模型，能够在不注射对比剂的情况下，从NCCT生成sCECT，为禁忌患者提供了一种替代可视化方案	合成增强是基于学习的强度变换，而非真实的碘基衰减，其定量相似性提升有限，且PCC有所下降	探索利用深度学习技术生成合成对比增强CT图像，以克服传统CECT在特定患者群体中的使用限制	淋巴瘤或转移性淋巴结病患者	计算机视觉	淋巴瘤	CT扫描	GAN	图像	训练集：400例CECT扫描（2024年3月至7月）；测试集：20例患者（2025年1月至7月）	NA	NA	MAE, RMSE, PSNR, SSIM, PCC, SNR, CNR	NA