深度学习在生物医药领域中的应用

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
381	2025-05-01	Digital pathology and artificial intelligence in diagnostic pathology 2025-Apr, The Malaysian journal of pathology PMID:40302471	review	本文简要概述了数字病理学和深度学习在诊断病理学中的应用及其未来潜力	探讨了人工智能在诊断病理学中的优势、用途、障碍和未来潜力，以及病理学家与AI系统合作的优越性能	病理学家在诊断最终确定中仍起关键作用，AI应用仍存在障碍和约束	提高疾病诊断的效率和准确性	数字病理学和人工智能在诊断病理学中的应用	digital pathology	NA	deep learning	NA	image	NA
382	2025-05-01	GeOKG: geometry-aware knowledge graph embedding for Gene Ontology and genes 2025-Mar-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf160 PMID:40217132	research paper	提出了一种几何感知的知识图谱嵌入方法GeOKG，用于基因本体和基因的表示学习，以改进蛋白质-蛋白质相互作用预测	利用几何交互来更好地反映基因本体的复杂层次结构，克服了单空间嵌入的不足	NA	改进基因本体和基因的表示学习，以提升下游生物任务如蛋白质-蛋白质相互作用预测的性能	基因本体(GO)和基因本体注释(GOA)	生物信息学	NA	深度学习	知识图谱嵌入	图数据	NA
383	2025-05-01	Human Brain Inspired Artificial Intelligence Neural Networks 2025-Mar-28, Journal of integrative neuroscience IF:2.5Q3 DOI:10.31083/JIN26684 PMID:40302263	research paper	探讨人工智能（AI）发展如何从人脑结构和功能中汲取灵感，并比较关键脑区与AI范式之间的对应关系	通过映射神经和计算架构，展示AI模型如何逐步模仿人脑的复杂性，从基本模式识别到高级推理	当前面临的挑战包括克服学习限制和实现可比的神经可塑性	研究AI如何从人脑结构和功能中获取灵感，并比较两者之间的对应关系	人脑关键区域（如脑干、感觉皮层、基底节、丘脑、边缘系统、前额叶皮层）和AI范式（如通用AI、机器学习、深度学习、人工通用智能）	machine learning	NA	NA	deep learning, artificial general intelligence (AGI)	NA	NA
384	2025-05-01	New Method of Impact Localization on Plate-like Structures Using Deep Learning and Wavelet Transform 2025-Mar-20, Sensors (Basel, Switzerland) DOI:10.3390/s25061926 PMID:40293079	research paper	提出了一种利用二维卷积神经网络（CNN）和小波变换（WT）在板状结构上定位冲击事件的新方法	结合CNN和小波变换处理冲击信号，提高了冲击定位的准确性	模型难以区分特征相似的数据样本，主要由于信号分段间隔和冲击距离的影响	开发一种高效准确的冲击事件定位方法	板状结构上的冲击事件	machine learning	NA	小波变换（WT）	CNN	image	8个数据集，包含2至5次冲击信号
385	2025-05-01	An Efficient 3D Measurement Method for Shiny Surfaces Based on Fringe Projection Profilometry 2025-Mar-20, Sensors (Basel, Switzerland) DOI:10.3390/s25061942 PMID:40293081	研究论文	提出了一种基于条纹投影轮廓术（FPP）的高效3D测量方法，用于解决高反光表面测量中的条纹饱和或过暗问题	结合偏振器和深度学习方法减轻条纹饱和，并引入双频互补解码方法提高测量效率	未提及方法在极端反光条件下的性能或与其他技术的对比	提高高反光表面3D测量的准确性和效率	高反光表面的3D形貌测量	计算机视觉	NA	条纹投影轮廓术（FPP）	深度学习	图像	未明确说明
386	2025-05-01	MAL-Net: A Multi-Label Deep Learning Framework Integrating LSTM and Multi-Head Attention for Enhanced Classification of IgA Nephropathy Subtypes Using Clinical Sensor Data 2025-Mar-19, Sensors (Basel, Switzerland) DOI:10.3390/s25061916 PMID:40293045	research paper	提出了一种名为MAL-Net的多标签深度学习框架，用于整合LSTM和多头注意力机制，以增强IgA肾病亚型的分类	MAL-Net整合了LSTM网络和多头注意力机制，有效捕捉临床数据中的序列和上下文依赖关系，并通过多头注意力模块强调关键特征，缓解类别不平衡问题	研究仅基于500名IgA肾病患者的临床数据，样本量相对有限，可能影响模型的泛化能力	开发一个深度学习框架，用于多标签分类IgA肾病亚型，以支持早期诊断、个性化治疗和预后评估	500名IgA肾病患者的临床数据，包括人口统计学、实验室和症状变量	digital pathology	IgA nephropathy	深度学习	LSTM, Multi-Head Attention	临床传感器数据	500名IgA肾病患者
387	2025-05-01	Interference Mitigation Using UNet for Integrated Sensing and Communicating Vehicle Networks via Delay-Doppler Sounding Reference Signal Approach 2025-Mar-19, Sensors (Basel, Switzerland) DOI:10.3390/s25061902 PMID:40293069	研究论文	本文提出了一种利用UNet架构在延迟-多普勒域中通过探测参考信号方法增强集成感知与通信车辆网络性能的新方法	利用延迟-多普勒域中的二维偏移和UNet架构进行干扰抑制，以提高频谱效率和感知精度	未提及实际部署中的硬件限制或计算资源需求	优化集成感知与通信（ISAC）在车辆网络中的性能	4G和5G系统中的车辆网络	通信系统	NA	延迟-多普勒域探测参考信号（SRS）方法	UNet	Range-Doppler地图	NA
388	2025-05-01	A Weighted-Transfer Domain-Adaptation Network Applied to Unmanned Aerial Vehicle Fault Diagnosis 2025-Mar-19, Sensors (Basel, Switzerland) DOI:10.3390/s25061924 PMID:40293102	研究论文	提出了一种加权迁移域适应网络(WTDAN)方法，用于无人机电磁敏感飞行数据的在线异常检测和故障诊断	基于无监督迁移学习，设计了三个多尺度模块（特征提取器、域判别器和标签分类器），并采用多层域适应减少源域和目标域数据分布的距离	在异常目标数据样本较少的情况下性能较好，但在样本分布极度不平衡或噪声较大的情况下可能表现不佳	提高无人机在线异常检测和故障诊断的准确性	无人机电磁敏感飞行数据	机器学习	NA	无监督迁移学习	WTDAN（加权迁移域适应网络）	传感器数据	公开数据集和实验测试数据集
389	2025-05-01	A Deep Sparse Capsule Network for Non-Invasive Blood Glucose Level Estimation Using a PPG Sensor 2025-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s25061868 PMID:40293000	研究论文	本研究提出了一种基于深度学习的非侵入性方法，使用光电容积描记（PPG）信号估计血糖水平	提出了一种深度稀疏胶囊网络（DSCNet）模型，用于准确和稳健的血糖监测，并开发了带有自注意力机制的增强模型	未提及样本的具体数量，可能影响模型泛化能力的评估	开发一种非侵入性血糖监测方法，减少传统侵入性方法带来的不适	糖尿病患者	机器学习	糖尿病	光电容积描记（PPG）	DSCNet（深度稀疏胶囊网络）	PPG信号	NA
390	2025-05-01	Deep Supervised Attention Network for Dynamic Scene Deblurring 2025-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s25061896 PMID:40293008	研究论文	提出了一种使用深度监督注意力网络的动态场景去模糊方法	提出了一种多尺度端到端循环网络，利用监督注意力机制恢复清晰图像，并引入了新的损失函数和快速傅里叶变换（FFT）来克服现有方法的局限性	现有数据集存在数据量低、地面真实（GT）图像不清晰和单一模糊尺度的问题，可能影响性能	提高动态场景去模糊的效果	动态场景中的模糊图像	计算机视觉	NA	快速傅里叶变换（FFT）	深度监督注意力网络	图像	NA
391	2025-05-01	Unobtrusive Bed Monitor State of the Art 2025-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s25061879 PMID:40293004	review	本文综述了无干扰床铺监测设备的技术现状及其在健康管理和疾病预防中的应用	总结了无干扰床铺监测设备在过去30年的发展，并探讨了深度学习、AI和IoT技术如何推动该领域的复兴	NA	探讨无干扰床铺监测设备在自动收集睡眠生理信息方面的应用	无干扰床铺监测设备及其技术发展	医疗健康监测	NA	深度学习、AI、IoT	NA	生理信息	NA
392	2025-05-01	PCAFA-Net: A Physically Guided Network for Underwater Image Enhancement with Frequency-Spatial Attention 2025-Mar-17, Sensors (Basel, Switzerland) DOI:10.3390/s25061861 PMID:40293013	研究论文	提出了一种名为PCAFA-Net的物理引导网络，用于通过多颜色空间自适应调整和频率-空间注意力机制增强水下图像	结合物理模型与深度学习，通过自适应梯度模拟、颜色范围调整和频率-空间条带注意力模块，充分利用频域和空间域信息	依赖于数据集的多样性和数量，可能在未知环境中表现受限	解决水下图像因光散射和复杂环境导致的色彩偏移、细节模糊和对比度降低问题	水下图像	计算机视觉	NA	深度学习	PCAFA-Net (包含AGSM、ACRAM和FSSAM模块)	图像	三个数据集上的广泛实验
393	2025-05-01	Learning in Two-Scales Through LSTM-GPT2 Fusion Network: A Hybrid Approach for Time Series Anomaly Detection 2025-Mar-16, Sensors (Basel, Switzerland) DOI:10.3390/s25061849 PMID:40292940	research paper	提出了一种名为LGFN的多尺度特征提取和数据重建深度学习神经网络，用于在多变量时间序列数据中检测异常	LGFN网络在原始输入空间和潜在空间同时检测异常，充分利用了网络学习到的最关键知识	未明确提及具体局限性	开发一种高效的多变量时间序列异常检测方法	工业传感器收集的多变量时间序列数据	machine learning	NA	深度学习	LSTM-GPT2融合网络	多变量时间序列数据	五个公共MTS数据集
394	2025-05-01	Squeeze-EnGAN: Memory Efficient and Unsupervised Low-Light Image Enhancement for Intelligent Vehicles 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061825 PMID:40292935	research paper	提出了一种名为Squeeze-EnGAN的内存高效、基于GAN的无监督低光图像增强方法，适用于智能车辆	结合了fire模块的U-net架构，显著减少了参数数量和乘加操作（MACs），实现了无监督学习且无需配对图像数据集	未提及具体的模型在极端低光条件下的表现或泛化能力	解决智能车辆在低光条件下图像增强的问题，提升高级视觉任务的性能	智能车辆（如自动驾驶汽车、无人机和机器人）的低光图像	computer vision	NA	GAN	Squeeze-EnGAN, U-net	image	未提及具体样本数量
395	2025-05-01	Adaptive Vectorial Restoration from Dynamic Speckle Patterns Through Biological Scattering Media Based on Deep Learning 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061803 PMID:40292951	研究论文	提出一种基于深度学习的偏振分辨恢复方法，用于从动态散射介质生成的散斑图案中高效准确地重建成像	创新性地利用矢量光场的两个正交偏振分量，结合CNN与Transformer架构的混合网络模型，首次实现了动态时变散斑图案的自适应矢量恢复	NA	解决生物组织中矢量光场传播和重建的挑战，实现动态各向异性生物散射介质的高效成像	各向异性和动态时变的生物散射介质	生物医学成像	NA	深度学习，偏振分辨成像	CNN与Transformer混合模型	散斑图像	NA
396	2025-05-01	Automatic Recognition of Dual-Component Radar Signals Based on Deep Learning 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061809 PMID:40292965	研究论文	提出了一种基于深度学习的双分量雷达信号自动识别框架TFGM-RMNet，用于解决低信噪比下识别准确率低的问题	结合深度时频生成模块与基于Transformer的残差网络，实现端到端的深度学习框架，无需显式时频变换	实验仅验证了在SNR > -8 dB条件下的性能，未涉及更低信噪比或更复杂信号环境下的表现	提高低信噪比条件下双分量雷达信号的识别准确率	双分量雷达信号	机器学习	NA	深度学习	CNN, Transformer, ResNet	雷达信号	NA
397	2025-05-01	TipSegNet: Fingertip Segmentation in Contactless Fingerprint Imaging 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061824 PMID:40292973	research paper	介绍了一种名为TipSegNet的新型深度学习模型，用于在非接触式指纹成像中实现指尖分割	TipSegNet结合ResNeXt-101主干网络和特征金字塔网络(FPN)，在多变的手指姿态和图像质量下实现高精度分割	NA	提高非接触式指纹识别系统中指尖检测和分割的准确性	指尖在非接触式指纹成像中的分割	computer vision	NA	深度学习	ResNeXt-101, FPN	grayscale hand images	2257张标记的手部图像
398	2025-05-01	Steel Roll Eye Pose Detection Based on Binocular Vision and Mask R-CNN 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061805 PMID:40292976	research paper	提出了一种基于深度学习的双目视觉方法，用于钢卷的眼位检测，以实现钢卷包装生产线内角防护安装站的自动化	结合Mask R-CNN算法和RGB向量空间图像分割方法，实现了钢卷端面目标区域的识别和参数提取	实验中的最大偏差虽然满足实际安装要求，但仍有改进空间以提高检测精度	实现钢卷包装生产线内角防护安装站的自动化	钢卷的眼位检测	computer vision	NA	binocular vision, RGB vector space image segmentation, Sobel edges, least-squares method	Mask R-CNN	image	NA
399	2025-05-01	Enhancing EEG-Based Emotion Detection with Hybrid Models: Insights from DEAP Dataset Applications 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061827 PMID:40292995	研究论文	本研究利用DEAP数据集探索和评估多种机器学习和深度学习技术，以提高基于EEG信号的情绪检测的准确性、可解释性和实时性	开发了一种实时情绪检测系统，结合了多种先进神经网络架构和SHAP方法，提高了计算效率和模型可解释性	准确率略低于某些最先进方法，未来需要扩大数据集并在更多样化的参与者群体中测试系统	提高基于EEG信号的情绪检测的准确性、可解释性和实时性	EEG信号	机器学习	NA	EEG	KNN, SVM, DT, RF, BiLSTM, GRU, CNN, autoencoders, transformers	EEG信号	DEAP数据集
400	2025-05-01	Improving the Robustness and Clinical Applicability of Automatic Respiratory Sound Classification Using Deep Learning-Based Audio Enhancement: Algorithm Development and Validation 2025-03-13, JMIR AI DOI:10.2196/67239 PMID:40080816	研究论文	本研究探讨了在自动呼吸音分类系统中加入基于深度学习的音频增强预处理步骤的可行性和有效性，以提高系统的鲁棒性和临床适用性	提出了一种结合音频增强模块的自动呼吸音分类系统，显著提高了在嘈杂环境中的分类性能，并通过医师验证研究证实了其临床效用	研究仅在两个数据集上进行验证，可能需要更多样化的数据来进一步验证系统的泛化能力	提高自动呼吸音分类系统在嘈杂环境中的鲁棒性和临床适用性	呼吸音分类系统	数字病理	呼吸系统疾病	深度学习	时间域和时间频域音频增强模型	音频	两个数据集：ICBHI呼吸音数据集（5.5小时录音）和Formosa Archive of Breath Sound数据集（14.6小时录音），以及7名资深医师参与的验证研究