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
6581	2026-01-14	A Method for Explainable Epileptic Seizure Detection Through Wavelet Transforms Obtained by Electroencephalogram-Based Audio Recordings 2025-Dec-30, Sensors (Basel, Switzerland) DOI:10.3390/s26010237 PMID:41516672	研究论文	本文提出了一种基于脑电图音频记录的可解释性癫痫发作检测方法，通过小波变换和卷积神经网络实现	将脑电图信号转换为音频波形，并利用Morlet和墨西哥帽两种连续小波变换生成时频表示，结合类激活映射技术增强模型可解释性	NA	开发一种可解释的深度学习方法来检测癫痫发作	脑电图信号	数字病理学	癫痫	连续小波变换	CNN	图像	NA	NA	卷积神经网络	准确率	NA
6582	2026-01-14	Transformer-Based Classification of Transposable Element Consensus Sequences with TEclass2 2025-Dec-29, Biology DOI:10.3390/biology15010059 PMID:41514900	研究论文	本文介绍了一种基于Transformer架构的深度学习软件TEclass2，用于将转座子共识序列分类为十六个超家族	采用线性Transformer架构结合k-mer标记化和序列特定适配，提升了转座子分类的准确性和灵活性	未明确提及模型在复杂或低质量序列数据上的性能限制	开发一种可靠且高效的转座子共识序列分类工具，以支持基因组注释和生物信息学研究	真核生物基因组中的转座子共识序列	自然语言处理	NA	深度学习，k-mer标记化	Transformer	序列数据	NA	NA	线性Transformer	NA	NA
6583	2026-01-14	AI-Driven Digital Pathology: Deep Learning and Multimodal Integration for Precision Oncology 2025-Dec-29, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27010379 PMID:41516254	综述	本文综述了基于深度学习和多模态整合的AI驱动数字病理学在精准肿瘤学中的应用进展	重点介绍了基于Transformer的基础模型在数字病理学中的突破，包括可扩展表示学习、增强跨队列鲁棒性以及支持少样本甚至零样本推理，并探讨了多模态基础模型整合异质数据的能力	NA	探讨AI驱动数字病理学如何通过深度学习和多模态整合推动精准肿瘤学的发展	数字病理学中的诊断、预后和生物标志物预测任务	数字病理学	肿瘤	NA	CNN, Transformer	图像, 文本, 分子数据	NA	NA	NA	NA	NA
6584	2026-01-14	Deep Learning-Based Multi-Lead ECG Reconstruction from Lead I with Metadata Integration and Uncertainty Estimation 2025-Dec-29, Sensors (Basel, Switzerland) DOI:10.3390/s26010212 PMID:41516646	研究论文	提出了一种基于双分支深度学习框架，从单导联心电图信号重建标准12导联心电图，并整合临床元数据和不确定性估计以提高重建保真度和可解释性	首次将预测性不确定性估计引入心电图重建任务，并结合临床可解释的元数据增强重建性能	研究未明确讨论模型在不同人群或病理条件下的泛化能力，且数据集规模相对有限	开发一种更可靠、临床有用的可穿戴心电图系统，通过单导联输入重建完整12导联心电图	心电图信号，特别是从单导联Lead I重建标准12导联心电图	机器学习	心血管疾病	心电图信号处理	CNN, BiLSTM	时间序列数据（心电图信号），结构化数据（临床元数据）	10,646条心电图记录	NA	CNN-BiLSTM分支与全连接分支结合的双分支架构	皮尔逊相关系数，均方根误差	NA
6585	2026-01-14	Gaussian Connectivity-Driven EEG Imaging for Deep Learning-Based Motor Imagery Classification 2025-Dec-29, Sensors (Basel, Switzerland) DOI:10.3390/s26010227 PMID:41516662	研究论文	本文提出了一种结合高斯连接性驱动的EEG成像表示和正则化LeNet架构的端到端框架，用于运动想象分类	提出了EEG-GCIRNet，一种将原始EEG信号与功能连接性地形图整合到变分自编码器框架中的新方法，通过多目标损失联合优化重构保真度、分类精度和潜在空间正则化，有效缓解了BCI文盲问题	未明确说明模型的计算复杂度、训练时间或对更大数据集的泛化能力	开发一种鲁棒、可解释的基于EEG的运动想象脑机接口分类框架	基于脑电图(EEG)的运动想象(MI)脑机接口(BCI)	机器学习	NA	脑电图(EEG)	CNN, 变分自编码器(VAE)	EEG信号, 地形图	NA	NA	LeNet, EEG-GCIRNet	准确率, 变异性	NA
6586	2026-01-14	AI-Enabled Precision Nutrition in the ICU: A Narrative Review and Implementation Roadmap 2025-Dec-28, Nutrients IF:4.8Q1 DOI:10.3390/nu18010110 PMID:41515227	综述	本文综述了人工智能在重症监护病房营养治疗中的应用现状与前景，并提出了实施路线图	整合了机器学习、深度学习、自然语言处理和强化学习等多种AI技术，并强调了多组学数据整合以实现精准营养的创新路径	数据质量与标准化、系统互操作性、模型可解释性、人员培训以及治理（隐私、公平、问责）是主要实施障碍	回顾ICU中AI在营养治疗领域的应用潜力、障碍及伦理考量，并提出实施路径	重症监护病房（ICU）患者的营养治疗	自然语言处理, 机器学习	NA	NA	机器学习, 深度学习, 自然语言处理, 强化学习	文本, 生理数据, 生物标志物数据	NA	NA	NA	NA	NA
6587	2026-01-14	Explainable Mammogram Analysis with EfficientNetV2 and Grad-CAM++ for Robust Cancer Diagnosis 2025-Dec-28, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16010105 PMID:41515600	研究论文	本文提出了一种结合EfficientNetV2、CBAM和Grad-CAM++的可解释深度学习框架，用于乳腺X线摄影图像的乳腺癌分类	提出了一种集成了CLAHE预处理、EfficientNetV2特征提取、CBAM注意力机制和Grad-CAM++可解释性技术的端到端框架，在多个公开数据集上实现了高精度分类并提供了模型决策的可视化解释	研究仅使用了公开数据集，未在更大规模或更具多样性的临床数据上进行验证，且未讨论模型在不同设备或采集参数下的泛化能力	开发一种高精度且可解释的深度学习系统，用于辅助乳腺X线摄影图像的乳腺癌自动诊断	乳腺X线摄影图像（乳腺X光片）	计算机视觉	乳腺癌	深度学习，图像处理	CNN	图像	三个公开数据集（MIAS, DDSM, InBreast）	未明确提及	EfficientNetV2, CBAM	准确率, F1分数, 敏感性, 时间复杂性	未明确提及
6588	2026-01-14	Quantifying Explainability in OCT Segmentation of Macular Holes and Cysts: A SHAP-Based Coverage and Factor Contribution Analysis 2025-Dec-27, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16010097 PMID:41515592	研究论文	本研究使用基于深度学习的模型对OCT图像中的黄斑裂孔和囊肿进行自动分割，并利用GradientSHAP进行可解释性量化分析	首次将SHAP可解释性方法应用于OCT黄斑裂孔和囊肿分割任务，提出了基于覆盖率和因子贡献的量化评估指标	数据集规模有限（125只眼睛），未在外部数据集验证模型泛化能力	开发自动分割OCT图像中黄斑裂孔和囊肿的深度学习模型，并定量评估模型决策可靠性	OCT黄斑体积图像中的黄斑裂孔和囊肿	计算机视觉	眼科疾病	光学相干断层扫描	CNN	医学图像	119名患者的125只眼睛，共3859张OCT B扫描图像	PyTorch	UNet-48	Dice系数，IoU，HD95，ECE，APILτ，ARILτ，Leakτ，COM-dist	NA
6589	2026-01-14	Factors Impacting the Performance of Deep Learning Detection of Pulmonary Emboli 2025-Dec-26, Journal of the American College of Radiology : JACR IF:4.0Q1 DOI:10.1016/j.jacr.2025.12.028 PMID:41456841	研究论文	本研究评估了一款FDA批准的商业肺栓塞检测AI模型在真实世界中的性能，并识别了影响其性能的技术、人口统计学和临床因素	首次在真实世界大规模临床数据中系统评估商业AI肺栓塞检测模型的性能，并量化了多种技术参数和临床合并症对模型性能的影响	研究为单中心回顾性研究，可能无法完全代表其他医疗机构的实际情况	评估AI肺栓塞检测模型在真实临床环境中的性能，并识别导致性能差异的因素，以指导产品选择和部署后监控	11,144例CT肺动脉造影检查	数字病理学	肺栓塞	CT肺动脉造影	深度学习模型	医学影像	11,144例CT检查，其中1,193例为肺栓塞阳性	NA	NA	敏感性, 阳性预测值	NA
6590	2026-01-14	Artificial Intelligence in Routine IVF Practice 2025-Dec-26, Biology DOI:10.3390/biology15010042 PMID:41514884	综述	本文综述了人工智能在常规体外受精实践中的应用、潜力、挑战及未来方向	系统性地从六个关键维度评估AI在IVF中的角色，并提出了负责任采用的综合路线图	大规模随机对照试验尚未能明确证明AI相比胚胎学家选择在每次移植的活产率上有统计学显著提升	评估人工智能在体外受精中的作用，并为生殖医学中负责任地采用AI提供全面路线图	体外受精（IVF）实践，包括胚胎选择、治疗个性化和结果预测	数字病理学	生殖系统疾病	深度学习，计算机视觉	NA	图像	NA	NA	NA	准确性	NA
6591	2026-01-14	The Impact of the Accelerometer Sampling Rate on the Performance of Machine and Deep Learning Models in Wearable Fall-Detection Systems 2025-Dec-26, Sensors (Basel, Switzerland) DOI:10.3390/s26010162 PMID:41516597	研究论文	本研究探讨了加速度计采样率对可穿戴跌倒检测系统中机器学习和深度学习模型性能的影响，旨在确定在准确性、稳定性和计算效率之间取得最佳平衡的采样率	首次系统性地评估了不同采样率（10、20、50、100 Hz）对多种代表性算法在跌倒检测任务中性能的影响，并通过多阶段验证（包括真实跌倒数据集和连续监测测试）确定了20 Hz为最佳平衡点	研究主要基于特定数据集（SisFall）和算法，可能未涵盖所有可能的传感器配置、算法变体或人群特征	确定可穿戴跌倒检测系统中能最佳平衡准确性、稳定性和计算效率的加速度计采样率	可穿戴跌倒检测系统，特别是基于惯性传感器（加速度计）的系统	机器学习	老年疾病	加速度计数据采集	CNN-LSTM, CNN, LSTM-BN, k-NN, SVM	时间序列传感器数据	使用SisFall数据集，并在FARSEEING、Free From Falls真实跌倒库以及为期七天的真实生活条件连续监测测试中进行验证	NA	CNN-LSTM, CNN, LSTM-BN	准确率, 灵敏度, 特异性	NA
6592	2026-01-14	HIPER-CHAD: Hybrid Integrated Prediction-Error Reconstruction-Based Anomaly Detection for Multivariate Indoor Environmental Time-Series Data 2025-Dec-26, Sensors (Basel, Switzerland) DOI:10.3390/s26010171 PMID:41516605	研究论文	本文提出了一种名为HIPER-CHAD的混合集成预测误差重建异常检测模型，用于在嘈杂的多元室内环境时间序列数据中可靠检测细微异常	将正常行为的时间建模与预测不确定性的概率建模分离，使用LSTM预测传感器读数，再通过VAE对残差向量建模，结合重建误差和KL散度形成统计基础的异常评分	NA	在嘈杂的多元室内环境时间序列数据中可靠检测细微异常	多元室内环境时间序列数据	机器学习	NA	时间序列分析	LSTM, VAE	时间序列数据	NA	NA	LSTM, VAE	F1-score, recall	NA
6593	2026-01-14	Individual Variability in Deep Learning-Based Joint Angle Estimation from a Single IMU: A Cross-Population Study 2025-Dec-26, Sensors (Basel, Switzerland) DOI:10.3390/s26010178 PMID:41516612	研究论文	本研究探讨了基于单个IMU和深度学习进行关节角度估计时个体间的变异性及其在不同人群间的泛化能力	首次系统研究了基于深度学习的单IMU关节角度估计方法在年轻成人、健康老年人和术前髋关节置换患者三个不同人群中的个体变异性与跨人群泛化性能	样本量相对较小，且仅研究了髋、膝、踝三个关节的角度，未包含其他关节或步态参数	评估深度学习模型从单个骨盆IMU信号估计关节角度的性能，并探究其在跨人群应用时的有效性和局限性	年轻成人、健康老年人（65岁以上）以及因髋关节骨关节炎计划进行髋关节置换术的术前患者（65岁以上）	机器学习	老年疾病	惯性测量单元（IMU）	CNN	IMU信号（时间序列数据）	51名参与者（17名年轻成人，20名健康老年人，14名术前患者）	NA	1D ResNet	NA	NA
6594	2026-01-14	Real-Time Radar-Based Hand Motion Recognition on FPGA Using a Hybrid Deep Learning Model 2025-Dec-26, Sensors (Basel, Switzerland) DOI:10.3390/s26010172 PMID:41516607	研究论文	本文提出了一种基于雷达的实时手部动作识别框架，结合信号预处理、混合CNN-SVM模型及FPGA硬件部署	引入将雷达信号转换为二值化图像的预处理方法，并设计了一种参数更少的混合CNN-SVM模型，在FPGA平台上实现了高效的实时部署	未明确提及数据集的具体规模或多样性限制，且硬件部署的精度相比PC设置略有下降	解决雷达手部动作识别中的传感器干扰、杂波和小数据集问题，实现实时高效的嵌入式部署	雷达信号处理与手部动作分类	计算机视觉	NA	雷达信号处理，深度学习	CNN, SVM	雷达信号，图像	NA	Vitis AI	CNN-SVM	分类准确率，执行时间，吞吐量	Xilinx Zynq ZCU102评估套件，Xilinx Kria KR260机器人入门套件，FPGA平台
6595	2026-01-14	IFIANet: Frequency Attention Network for Time-Frequency in sEMG-Based Motion Intent Recognition 2025-Dec-26, Sensors (Basel, Switzerland) DOI:10.3390/s26010169 PMID:41516608	研究论文	本文提出了一种名为IFIANet的创新深度学习框架，用于基于表面肌电信号的运动意图识别	设计了IFIA模块，融合全局频率信息以补偿时频变换中可能丢失的频率成分，从而增强特征的判别性和鲁棒性	NA	提高基于表面肌电信号的运动意图识别性能，以实现自然流畅的人机交互	下肢外骨骼系统的使用者	机器学习	NA	表面肌电信号	CNN, TCN	表面肌电信号	来自MyPredict1数据集的九名参与者	NA	CNN-TCN	平均识别准确率	NA
6596	2026-01-14	Mammogram Analysis with YOLO Models on an Affordable Embedded System 2025-Dec-25, Cancers IF:4.5Q1 DOI:10.3390/cancers18010070 PMID:41514583	研究论文	本研究评估了多种YOLO模型在低成本嵌入式系统上检测乳腺X光片中病变的性能	首次在嵌入式系统上集成并比较了YOLOv5、YOLOv8、YOLOv10、YOLOv11及RT-DETR等先进YOLO版本用于乳腺X光片分析，并开发了自定义的基于网络的标注工具以提高标注准确性	研究数据集主要来自泰国患者，可能限制了模型在其他人群中的泛化能力，且嵌入式系统的计算资源有限可能影响更复杂模型的部署	开发适用于资源有限环境的低成本计算机辅助检测系统，以自动化乳腺X光片中的病变检测与分类	乳腺X光片中的病变，包括良性肿块、良性钙化、良性相关特征、恶性肿块、恶性钙化和恶性相关特征	计算机视觉	乳腺癌	乳腺X光成像	YOLO, Transformer	图像	3169名患者	PyTorch	YOLOv5, YOLOv8, YOLOv10, YOLOv11, RT-DETR	准确率, 推理速度	NVIDIA Jetson Nano嵌入式系统, GPU系统
6597	2026-01-14	Monitoring and Control of the Direct Energy Deposition (DED) Additive Manufacturing Process Using Deep Learning Techniques: A Review 2025-Dec-25, Materials (Basel, Switzerland) DOI:10.3390/ma19010089 PMID:41515755	综述	本文系统综述了深度学习技术在激光定向能量沉积和电弧增材制造两种直接能量沉积增材制造过程中的应用	系统比较了深度学习在两种典型DED工艺中的应用场景、监控精度和适用性，并探讨了其在闭环参数调整和强化学习控制中的潜力	指出了当前数据质量和模型可解释性等瓶颈问题	为DED工艺的智能化升级和质量提升提供理论与工程参考	激光定向能量沉积和电弧增材制造两种直接能量沉积增材制造过程	机器学习	NA	NA	ANN, RNN, CNN, RL	工艺参数、光学场、热场、声学信号、多传感器融合数据	NA	NA	NA	监控精度	NA
6598	2026-01-14	Synergistically Enhanced Ta2O5/AgNPs SERS Substrate Coupled with Deep Learning for Ultra-Sensitive Microplastic Detection 2025-Dec-25, Materials (Basel, Switzerland) DOI:10.3390/ma19010090 PMID:41515756	研究论文	本文开发了一种高性能Ta2O5/AgNPs复合SERS基底，结合深度学习模型，用于超灵敏微塑料检测	通过形态调控和带隙工程构建Ta2O5/AgNPs复合SERS基底，结合电磁与化学增强机制，并创新性地提出结合小波变换、CNN和Transformer的多尺度深度学习模型以处理复杂环境下的光谱干扰	NA	开发一种用于环境监测的微塑料超灵敏检测与精确风险评估的新方法	微塑料（如PS、PET、PMMA）	机器学习	NA	表面增强拉曼散射（SERS）	CNN, Transformer	光谱数据	NA	NA	结合小波变换、CNN和Transformer的多尺度模型	分类准确率	NA
6599	2026-01-14	A TCN-BiLSTM and ANR-IEKF Hybrid Framework for Sustained Vehicle Positioning During GNSS Outages 2025-Dec-25, Sensors (Basel, Switzerland) DOI:10.3390/s26010152 PMID:41516586	研究论文	本文提出了一种结合深度学习与自适应卡尔曼滤波的混合框架，用于在GNSS信号中断期间维持车辆持续定位	提出了一种新颖的TCN-BiLSTM与ANR-IEKF混合框架，首次将时序卷积网络与双向长短期记忆网络结合用于生成伪GNSS测量值，并采用自适应噪声调节迭代扩展卡尔曼滤波器进行实时噪声统计动态估计与调整	研究仅使用单一真实世界车辆数据集进行验证，未在不同车型、更复杂城市环境或更长时间GNSS中断场景中进行广泛测试	解决复杂城市环境中GNSS信号频繁中断导致的集成导航系统性能下降问题，为自动驾驶应用提供持续可靠的定位解决方案	车辆定位系统，特别是在GNSS信号中断环境下的定位性能	机器学习	NA	GNSS/INS集成导航，深度学习，卡尔曼滤波	TCN, BiLSTM	车辆传感器数据（原始INS数据，GNSS测量值）	一个包含直线和转弯场景的真实世界车辆数据集	NA	TCN-BiLSTM混合架构	定位精度，误差（米）	NA
6600	2026-01-14	Classification of Point Cloud Data in Road Scenes Based on PointNet+ 2025-Dec-25, Sensors (Basel, Switzerland) DOI:10.3390/s26010153 PMID:41516587	研究论文	本研究基于PointNet+框架，通过深度学习技术对道路场景中的点云数据进行自动特征提取和分类，实现了高精度的物体识别	将点填充方法集成到预处理模块中，增强了PointNet++框架，并采用多种数据增强策略（如最远点采样、随机变换和高斯噪声注入）来提升模型性能	未明确讨论模型在极端天气或复杂动态环境下的泛化能力，以及计算资源需求的具体分析	实现道路场景中点云数据的自动化分类，以支持城市道路基础设施的测量和管理	道路场景中的点云数据，包括来自Princeton ModelNet40、ShapeNet和Sydney Urban Objects数据集的3D空间坐标和标注点云文件	计算机视觉	NA	深度学习，点云处理	PointNet++	点云数据	综合数据集，包含来自多个公开数据集的点云样本，具体数量未明确说明	NA	PointNet++，采用多尺度分组（MSG）和单尺度分组（SSG）方案	平均训练准确率，峰值单实例准确率，最佳类别准确率，测试集准确率，类别准确率	NA