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
5381	2026-01-29	DACL-Net: A Dual-Branch Attention-Based CNN-LSTM Network for DOA Estimation 2026-Jan-22, Sensors (Basel, Switzerland) DOI:10.3390/s26020743 PMID:41600535	研究论文	本文提出了一种名为DACL-Net的双分支注意力CNN-LSTM网络，用于优化DOA估计中的输入特征并提升准确性	通过将协方差矩阵转换为暗图像并引入频谱注意力机制，使CNN能聚焦于亮点成分，同时增强时间分支的特征提取	NA	改进DOA估计的准确性	DOA估计中的输入特征优化	机器学习	NA	二维傅里叶变换	CNN, LSTM	协方差矩阵	NA	NA	DACL-Net	RMSE	NA
5382	2026-01-29	Stability-Oriented Deep Learning for Hyperspectral Soil Organic Matter Estimation 2026-Jan-22, Sensors (Basel, Switzerland) DOI:10.3390/s26020741 PMID:41600534	研究论文	本研究提出了一种面向稳定性的深度学习框架（SE-EDCNN-DA-LWGPSO），用于小样本条件下的高光谱土壤有机质估算	提出了一种多策略协同的深度学习建模框架，整合了光谱预处理、基于传感器扰动模拟的数据增强、多尺度扩张卷积特征提取、SE通道注意力机制和线性加权广义粒子群优化算法，以提升小样本条件下模型的稳定性和一致性	研究基于亚热带红壤样本，可能在其他土壤类型或环境条件下的普适性有待验证；小样本条件本身可能限制模型的泛化能力	解决高光谱土壤有机质估算在小样本条件下模型预测性能不稳定、对预处理方法和参数配置敏感的问题，提升模型的稳定性和实用性	广西亚热带红壤样本	机器学习	NA	高光谱技术	CNN	高光谱数据	未明确具体样本数量，但提及为小样本条件	未明确指定，但涉及深度学习框架	SE-EDCNN（结合SE通道注意力机制和多尺度扩张卷积的CNN）	R（相关系数）, RMSE（均方根误差）, RPD（相对预测偏差）	NA
5383	2026-01-29	Out-of-distribution evaluation of active learning pipelines for molecular property prediction 2026-Jan-21, RSC advances IF:3.9Q2 DOI:10.1039/d5ra08055j PMID:41584114	研究论文	本研究评估了主动学习（AL）在分子性质预测中的应用，特别关注其在分布外（OOD）数据上的性能表现	引入了OOD评估框架，模拟真实世界应用场景，并基于证据深度学习（EDL）的预测不确定性开发了AL框架	未明确说明模型的具体架构细节和计算资源使用情况	评估主动学习在分子性质预测中的性能，特别是在分布外数据上的表现	分子结构及其对应的溶剂化能量	机器学习	NA	证据深度学习（EDL）	NA	分子结构数据	NA	NA	NA	NA	NA
5384	2026-01-29	Short-Time Homomorphic Deconvolution (STHD): A Novel 2D Feature for Robust Indoor Direction of Arrival Estimation 2026-Jan-21, Sensors (Basel, Switzerland) DOI:10.3390/s26020722 PMID:41600516	研究论文	本文提出了一种名为短时同态解卷积的新型二维特征提取方法，用于室内声源到达方向估计	提出了一种将多通道音频信号转换为二维时间×飞行时间表示的新特征，有效捕捉了麦克风对之间飞行时间差异的时域演变和稳定性，为深度学习模型提供了丰富且鲁棒的输入	NA	开发一种鲁棒的室内声源到达方向估计方法，以解决室内定位和导航的挑战	多通道音频信号	机器学习	NA	短时同态解卷积	CNN	音频信号	通过仿真生成的大规模数据集，并在ISO认证的消声室中采集的真实世界数据	NA	集成双阶段通道注意力机制的轻量级卷积神经网络	平均绝对误差	NA
5385	2026-01-29	A PI-Dual-STGCN Fault Diagnosis Model Based on the SHAP-LLM Joint Explanation Framework 2026-Jan-21, Sensors (Basel, Switzerland) DOI:10.3390/s26020723 PMID:41600517	研究论文	本文提出了一种基于SHAP-LLM联合解释框架的PI-Dual-STGCN故障诊断模型，旨在解决深度学习模型诊断过程不透明和结果可解释性弱的问题	通过引入物理约束增强图数据的可解释性，并构建基于物理拓扑图和信号相似性图的双图架构；创新性地将检索增强生成（RAG）技术与可解释人工智能（XAI）结合，设计了一个通用的SHAP-LLM解释框架	未明确提及具体的数据集规模或实际工业应用场景的局限性	提高深度学习故障诊断模型的透明度和诊断结果的可解释性，为工业故障诊断提供可验证的智能决策支持	工业故障诊断	机器学习	NA	可解释人工智能（XAI）、检索增强生成（RAG）、Shapley Additive Explanations（SHAP）	图卷积网络（GCN）	图数据（物理拓扑图、信号相似性图）	NA	NA	PI-Dual-STGCN（物理约束双图时空图卷积网络）	诊断准确率	NA
5386	2026-01-29	REHEARSE-3D: A Multi-Modal Emulated Rain Dataset for 3D Point Cloud De-Raining 2026-Jan-21, Sensors (Basel, Switzerland) DOI:10.3390/s26020728 PMID:41600521	研究论文	本文发布了一个名为REHEARSE-3D的大规模多模态模拟降雨数据集，用于促进3D点云去雨研究	该数据集是目前最大的点级标注数据集（92亿标注点），并且是唯一包含高分辨率LiDAR数据（LiDAR-256）和4D RADAR点云的数据集，覆盖白天和夜间条件，并包含降雨特征信息	NA	促进3D点云去雨研究，解决自动驾驶中传感器因降雨退化的问题	融合的LiDAR和4D RADAR点云数据	计算机视觉	NA	LiDAR, 4D RADAR	深度学习模型	3D点云	92亿标注点	NA	SalsaNext, 3D-OutDet	IoU	NA
5387	2026-01-29	Leveraging Machine Learning Classifiers in Transfer Learning for Few-Shot Modulation Recognition 2026-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s26020674 PMID:41600470	研究论文	本文提出了一种混合迁移学习方法，结合深度特征提取与传统机器学习分类器，用于少样本调制识别	提出了一种结合深度特征提取与传统机器学习分类器的混合迁移学习框架，以解决少样本调制识别中数据不足的问题	未明确提及具体的数据集规模或实验环境限制	提高在少样本场景下的调制识别效率与鲁棒性	通信系统中的调制信号	机器学习	NA	迁移学习，机器学习分类器	NA	调制信号数据	NA	NA	NA	NA	NA
5388	2026-01-29	Research on Field Weed Target Detection Algorithm Based on Deep Learning 2026-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s26020677 PMID:41600472	研究论文	本文提出了一种基于YOLOv9t的改进目标检测算法SSS-YOLO，用于解决田间杂草在遮挡或重叠情况下检测精度低的问题	提出了三个新模块：SCB模块利用大核卷积捕获长程依赖并增强未遮挡区域特征；SPPF EGAS模块利用多尺度池化获取层级上下文特征和大感受野背景信息；EMSN模块通过上下文推理重建遮挡区域语义信息并抑制背景干扰	NA	提高田间杂草在遮挡或重叠情况下的目标检测精度	田间杂草	计算机视觉	NA	深度学习	YOLO	图像	自建数据集和公开数据集Cotton WeedDet12	NA	YOLOv9t, SSS-YOLO	NA	NA
5389	2026-01-29	Federated Learning Semantic Communication in UAV Systems: PPO-Based Joint Trajectory and Resource Allocation Optimization 2026-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s26020675 PMID:41600471	研究论文	本文提出了一种基于联邦学习的无人机系统语义通信框架，结合PPO算法优化轨迹和资源分配，以降低计算负担并确保服务公平性	首次将联邦学习集成到语义通信系统中，并采用PPO算法联合优化无人机轨迹和带宽分配，以在资源受限环境下实现公平的服务质量	未明确讨论实际部署中的通信延迟或安全隐私问题，实验环境可能未涵盖所有现实场景的复杂性	优化无人机辅助语义通信系统的资源效率和公平性	无人机通信系统及边缘用户设备	机器学习	NA	语义通信、联邦学习、深度强化学习	PPO	语义信息	NA	NA	NA	能耗、任务完成时间、服务质量公平性	NA
5390	2026-01-29	SeADL: Self-Adaptive Deep Learning for Real-Time Marine Visibility Forecasting Using Multi-Source Sensor Data 2026-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s26020676 PMID:41600473	研究论文	本文提出了一种用于实时海洋能见度预测的自适应深度学习框架SeADL，利用多源传感器数据	引入了连续在线学习机制，能够实时更新模型参数，以适应短期天气波动和长期环境趋势	未明确提及模型在极端罕见气象事件中的泛化能力或计算资源需求的具体限制	提高海洋能见度预测的准确性，以增强航海安全和操作规划	海洋环境中的能见度数据，来自船载传感器和无人机大气测量	机器学习	NA	多源时间序列数据采集	深度学习	时间序列数据	NA	NA	NA	预测准确性	NA
5391	2026-01-29	Correction: Nosi et al. MET Exon 14 Skipping: A Case Study for the Detection of Genetic Variants in Cancer Driver Genes by Deep Learning. Int. J. Mol. Sci. 2021, 22, 4217 2026-Jan-19, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27020986 PMID:41596779	correction	期刊编辑部和编委会联合发布决议，移除与该文章相关的期刊通知	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5392	2026-01-29	Research on Tool Wear Prediction Method Based on CNN-ResNet-CBAM-BiGRU 2026-Jan-19, Sensors (Basel, Switzerland) DOI:10.3390/s26020661 PMID:41600456	研究论文	本文提出了一种结合CNN、ResNet、CBAM和BiGRU的混合深度神经网络，用于提高刀具磨损预测的准确性和稳定性	通过引入ResNet残差连接缓解梯度消失问题，集成CBAM模块自适应重加权特征，并利用BiGRU进行双向时序建模，提升了特征提取和预测性能	NA	解决刀具磨损预测中特征提取不足、梯度消失和预测精度低的问题	刀具磨损预测	机器学习	NA	多传感器信号分析	CNN, ResNet, BiGRU	多传感器信号	基于PHM2010数据集	NA	CNN-ResNet-CBAM-BiGRU	平均绝对误差, 均方根误差, 决定系数	NA
5393	2026-01-29	Deep Learning-Based 3D Reconstruction for Defect Detection in Shipbuilding Sub-Assemblies 2026-Jan-19, Sensors (Basel, Switzerland) DOI:10.3390/s26020660 PMID:41600461	研究论文	本文提出了一种基于深度学习的3D重建方法，用于检测造船子组件中的超差缺陷	采用基于重建的无监督学习方法，在3D点云上自动检测超差缺陷，并比较了四种先进架构的性能	缺陷可能出现在不同位置且具有变化的几何模式，难以预先明确表征	实现造船子组件中超差缺陷的自动检测，以确保最终产品的完整性和安全性	简单和T形子组件中的超差缺陷	计算机视觉	NA	3D点云重建	VAE, 自编码器	3D点云	仅使用无缺陷样本进行训练	NA	Variational Autoencoder (VAE), FoldingNet, Dynamic Graph CNN (DGCNN) autoencoder, PointNet++ autoencoder	检测性能、稳定性、计算成本	NA
5394	2026-01-29	Welding Seam Recognition and Trajectory Planning Based on Deep Learning in Electron Beam Welding 2026-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s26020641 PMID:41600439	研究论文	本研究提出了一种结合改进的YOLOv11-seg与自适应Canny边缘检测的混合算法，用于解决真空电子束焊接中因暗环境和金属反射导致的焊缝识别挑战	引入了UFO-ViT注意力机制，使用EIoU损失函数优化网络架构，并采用Otsu方法为Canny算子设置自适应阈值，显著提升了复杂条件下的识别性能	NA	解决真空电子束焊接中焊缝识别的挑战，为焊接自动化提供视觉引导解决方案	电子束焊接过程中的焊缝	计算机视觉	NA	深度学习	CNN, 混合算法	图像	NA	NA	YOLOv11-seg, UFO-ViT	平均精度(mAP), 帧率(FPS), 平均长度偏差	NA
5395	2026-01-29	Hybrid Unsupervised-Supervised Learning Framework for Rainfall Prediction Using Satellite Signal Strength Attenuation 2026-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s26020648 PMID:41600446	研究论文	本研究提出了一种结合无监督聚类与聚类特定监督深度学习模型的混合机器学习框架，利用卫星信号衰减数据进行降雨预测	提出了一种新颖的混合学习框架，通过K-Means聚类识别不同大气状态，并为每个状态训练专门的LSTM模型，而非采用单一模型统一处理所有大气条件	研究基于特定地理区域（泰国曼谷）的数据，其方法在其它气候区域的普适性有待验证；模型依赖于特定卫星地面站的硬件配置	开发一种利用卫星通信信号衰减进行降雨预测的方法，以弥补热带地区地面气象雷达基础设施的不足	来自泰国曼谷KMITL的12米Ku波段卫星地面站的信号信噪比模式，结合绝对压力和每小时降雨测量数据	机器学习	NA	卫星信号强度测量，软件定义无线电实时数据采集	K-Means, LSTM, RNN, GRU	时间序列数据	98,483个观测值，时间分辨率为30秒	NA	LSTM, RNN, GRU	R值，检测概率，误报率	NA
5396	2026-01-29	Fatigue Crack Length Estimation Using Acoustic Emissions Technique-Based Convolutional Neural Networks 2026-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s26020650 PMID:41600444	研究论文	本研究提出了一种基于深度学习的框架，利用声发射信号估计金属板中的疲劳裂纹长度	首次将声发射信号通过Choi-Williams分布转换为时频图像，并采用基于CNN的聚类系统和迁移学习模型进行疲劳裂纹长度分类	研究仅针对金属板材料，未涉及其他工程结构或复杂环境条件	开发一种数据驱动的结构健康监测方法，用于疲劳裂纹长度的准确估计	金属板中的疲劳裂纹传播	机器学习	NA	声发射技术，Choi-Williams分布	CNN	图像	NA	TensorFlow, Keras	ResNet50V2, VGG16	准确率	NA
5397	2026-01-29	Bearing Anomaly Detection Method Based on Multimodal Fusion and Self-Adversarial Learning 2026-Jan-17, Sensors (Basel, Switzerland) DOI:10.3390/s26020629 PMID:41600425	研究论文	本文提出了一种基于多模态融合和自对抗学习的轴承异常检测方法，以解决样本分布不平衡和复杂工况带来的挑战	提出了一种结合多模态特征融合（将一维振动时序数据转换为GADF图像并与原始时序数据融合）和自对抗训练（SAT）机制的策略，以增强模型在真实高噪声环境下的泛化能力和鲁棒性	方法专门针对智能铁路维护的高噪声独特环境设计，其普适性在其他工业场景中可能需要进一步验证	开发一种在样本不平衡和复杂工况下性能更优的轴承异常检测方法	轴承振动数据	机器学习	NA	Gramian Angular Difference Field (GADF) 图像转换，时间域和图像域复合数据增强	深度学习模型	一维时间序列数据，图像	NA	NA	NA	准确率，精确率，召回率， F1分数	NA
5398	2026-01-29	Attention-Enhanced CNN-LSTM with Spatial Downscaling for Day-Ahead Photovoltaic Power Forecasting 2026-Jan-15, Sensors (Basel, Switzerland) DOI:10.3390/s26020593 PMID:41600390	研究论文	本文提出了一种结合空间降尺度策略的注意力增强CNN-LSTM框架，用于提高日前光伏功率预测的准确性	引入了基于注意力的CNN-LSTM网络和XGBoost多站点降尺度模型，以融合多源气象数据并提升空间分辨率	未明确讨论模型在不同地理区域或极端天气条件下的泛化能力	提高日前光伏功率预测的准确性，以支持高光伏渗透率电力系统的安全运行和调度	多站点光伏发电数据及相关气象变量	机器学习	NA	数值天气预报（NWP）产品分析	CNN, LSTM, XGBoost	时间序列数据（历史功率测量、气象变量）	来自代表性季节的多站点光伏数据	TensorFlow, PyTorch, Scikit-learn	CNN-LSTM with attention mechanism, XGBoost	RMSE, MAE, Pearson correlation, CR	NA
5399	2026-01-29	PSgANet: Polar Sequence-Guided Attention Network for Edge-Related Defect Classification in Contact Lenses 2026-Jan-15, Sensors (Basel, Switzerland) DOI:10.3390/s26020601 PMID:41600397	研究论文	本文提出了一种名为PSgANet的新型深度学习模型，用于提高隐形眼镜边缘连接区缺陷检测与分类的准确性	提出了一种结合极坐标变换、序列学习和注意力机制的新型网络架构PSgANet，将边缘不规则性转换为线性阵列进行更清晰的缺陷识别	NA	提高隐形眼镜制造过程中边缘连接区缺陷检测与分类的准确性和效率	隐形眼镜的边缘连接区缺陷	计算机视觉	NA	极坐标变换	GRU, LSTM, Transformer	图像	NA	NA	PSgANet, GoogleNetv4, EfficientNet, Vision Transformer	准确率, 精确率, 召回率	NA
5400	2026-01-29	STS-AT: A Structured Tensor Flow Adversarial Training Framework for Robust Intrusion Detection 2026-Jan-13, Sensors (Basel, Switzerland) DOI:10.3390/s26020536 PMID:41600334	研究论文	本文提出了一种结合结构化张量与对抗性训练的新型网络入侵检测方法STS-AT，以解决现有方法依赖手动特征工程和深度学习模型易受对抗样本攻击的问题	首次将结构化张量编码、结合CNN与LSTM的分层深度学习模型以及多策略对抗性训练集成到一个统一的框架中，显著提升了模型在对抗攻击下的鲁棒性和训练效率	实验仅在CICIDS2017数据集上进行验证，未在其他数据集或实际网络环境中测试，且对抗攻击类型有限	开发一种鲁棒的网络入侵检测方法，以应对对抗样本攻击并减少对人工特征工程的依赖	网络流量数据，特别是来自CICIDS2017数据集的原始十六进制流量	机器学习	NA	结构化张量编码，对抗性训练	CNN, LSTM	网络流量数据（原始十六进制格式）	使用CICIDS2017数据集，具体样本数量未明确说明	TensorFlow	结合CNN与LSTM的分层模型	准确率	NA