• Stickler综合征的遗传图谱与分子通路：生物信息学揭示关键基因、核心模块及潜在药物靶点

  这篇生物信息学综述采用文本挖掘（TM）、蛋白互作网络（PPI）及富集分析，系统揭示了Stickler综合征（SS）的潜在关键基因（如COL2A1、COL11A1/A2等）与核心通路（如ECM组织、胶原纤维形成），并预测了13种FDA批准药物与部分枢纽基因的相互作用，为这一孤儿病的生物标志物发现和药物重定位研究提供了新框架。

  来源：PLOS One

  时间：2026-02-21

• 韩国全国队列研究：闭角治疗策略转变——激光周边虹膜切开术下降与白内障手术上升的并存趋势及其关联性分析

  本研究基于韩国全国健康信息数据库，首次大规模揭示了2016-2021年间，针对65岁及以上闭角型患者，白内障手术量显著上升而激光周边虹膜切开术（LPI）量持续下降的并存趋势。研究深入探讨了两者在时间上的负相关性、患者人口学特征，并发现高达92.1%的LPI患者在术后中位121天内接受了白内障手术，为临床实践中从LPI向更早进行晶状体摘除（白内障手术/透明晶状体摘除）的管理策略转变提供了有力的全国性证据。

  来源：PLOS One

  时间：2026-02-21

• 儿童头外伤后呕吐与体格检查对CT扫描预测价值的评估研究

  本研究针对儿童轻微头外伤后常见症状——呕吐是否应作为计算机断层扫描（CT）决策依据的临床难题展开。研究人员通过回顾性单中心队列分析发现，单纯呕吐与颅内病理学CT发现无显著关联，而综合体格检查异常则是重要的预测因子。这一结果提示，在儿童头外伤管理中，不应仅凭呕吐症状决定CT检查，应结合全面的体格评估，有助于减少不必要的辐射暴露，具有重要的临床指导意义。

  来源：Brain Disorders

  时间：2026-02-21

• 揭示MCI向AD转化的早期诊断中的群体稳健性问题及一种简单解决方案：具有自适应线性调制的解耦分类器

  针对基于MRI的深度学习模型在预测轻度认知障碍（MCI）向阿尔茨海默病（AD）转化时，在不同年龄组间存在准确率差异（群体稳健性问题），本文率先进行了系统性研究。研究者提出了一种名为DEAL（DEcoupled classifier with Adaptive Linear modulation）的轻量级新方法，该方法结合了基于非侵入性认知与人口统计学表格数据的线性特征调制与解耦分类器。实验表明，DEAL能够有效提升模型在老年组等弱势群体上的表现，并作为改进此类预测模型公平性与可靠性的实用基线方法。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• D-RetinoNet：基于深度双分支S2特征神经网络的糖尿病视网膜病变分期系统

  糖尿病视网膜病变（DR）早期检测对及时干预至关重要。现有模型多依赖单路径特征提取，导致DR分期分类精度受限。本文提出D-RetinoNet，采用Nested MEHA V-Net实现视网膜微血管异常（RMA）的精准分割，结合GraphNet和RegNetY构建双分支网络提取结构化（S²）与语义特征，并通过熵基特征选择降低冗余。实验表明，该模型在五级DR分类中达到99.64%的准确率，较DRNet13、DR-UNet等基准模型提升2.46%-3.85%。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 一种基于自我监督的表示迁移的多模态学习方法，用于髋关节发育不良的自动化诊断

  自动化发育性髋关节脱位（DDH）诊断框架基于自监督 Representation-Transfer 学习，融合多模态生理特征与结构增强模块，通过BYOL提取全局特征并微调少量标注数据，设计SMEM模块优化复杂背景下的关键解剖结构识别，结合MPDIoU损失函数增强位置鲁棒性，最终采用KAN分类器建模非线性解剖指标关系，显著提升低标注场景下的诊断精度和可解释性。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 增强峰值检测的注意力机制U-Net：基于深度学习的12导联心电图精准划界新方法

  心血管疾病是全球主要死因，心电图精准划界对早期诊断至关重要。针对现有自动化方法波形峰值检测能力不足、依赖预分割心搏、难以泛化至全长12导联心电图等问题，研究人员开展了“峰值注意力U-Net”主题研究。该研究提出一种新型深度学习模型，将注意力门集成到U-Net编码器-解码器架构中，实现了对P、QRS、T波及其峰值的精确识别。模型在LUDB数据集上评估，峰值检测F1分数显著优于文献次优模型，提升了13.67%（P峰）、12.19%（R峰）和11.45%（T峰）。该模型轻量高效，支持实时临床应用，有望推动生物医学信号处理领域心电图分析的自动化进程。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 一种基于骨骼数据和可穿戴传感器数据的多模态深度学习框架，用于识别偏瘫患者的步态特征

  本研究提出一种多模态融合框架用于偏瘫步态识别，结合深度相机获取的骨骼数据、足底压力传感器和惯性测量单元数据，通过注意力机制增强特征表达和门控融合策略整合多源数据，并引入中心损失优化特征学习。实验表明，该方法在48名受试者数据上达到92.58%的准确率，优于单模态及双模态方法，且正面视角骨骼数据表现最佳，模型关注踝部及足部传感器特征。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 通过双重结构一致性滤波分离检测和描述过程，实现鲁棒的多模态视网膜图像配准

  提出一种解耦式多模态视网膜图像配准框架，通过原始图像检测血管分叉点作为稳定解剖学标志，在分割域提取描述符，并引入DSCF优化配准流程，显著提升注册精度和鲁棒性。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• MSLP-S2MDEL：基于多尺度拉普拉斯金字塔的单目深度估计方法，适用于腹腔镜手术中的自主深度测量

  准确深度估计对腹腔镜手术导航至关重要，本文提出自监督单目深度估计框架MSLP-S2MDEL，通过多尺度拉普拉斯金字塔联合建模全局场景结构和细软组织边界，结合深度残差模块和坐标注意力机制提升空间特征表达，并采用亮度一致性自监督策略减少标注依赖。实验表明该框架在SCARED、Hamlyn和自建临床数据集上深度估计精度达96.6%，显著优于现有方法。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 基于图卷积网络和多模态融合的多标签胸部X光图像分类

  多标签胸部X光影像分类模型GCF-Net通过图卷积网络建模标签共现关系，结合多模态特征融合模块提升诊断效果。实验表明其在ChestX-ray14和CheXpert数据集上显著优于现有方法。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 视觉-触觉融合的类人手机器人抓取控制深度强化学习框架EP-DDPG

  本研究针对非结构化环境下五指仿人手机器人灵巧抓取任务中视觉与触觉模态信息融合不足的挑战，提出了一种新颖的深度强化学习框架EP-DDPG。该框架通过融合视觉与触觉感知、引入熵正则化和优先经验回放机制，显著提升了机器人的自主学习和抓取控制能力。实验结果表明，该框架在仿真和真实实验中均实现了高成功率和优异的泛化性能，为解决非结构场景下的机器人感知与操控一体化问题提供了创新思路。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 基于监督对比学习的自适应多尺度时频网络，用于运动想象解码

  本研究提出基于监督对比学习的自适应多尺度时空与时间-频率域融合网络（SCL-AMNet），通过双分支机制动态整合多尺度时空特征，结合对比损失与交叉熵损失提升EEG-MI分类的鲁棒性，在BCI IV-2a、OpenBMI、BCI III-4a数据集上达到86.46%、72.59%、85.21%的准确率，超越现有SOTA模型。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 1S-MambaMatch：一种半监督和一次性学习框架，结合多输入视觉状态空间模型用于皮肤病变分割

  皮肤病变分割中提出一种结合one-shot学习和Mamba模型的半监督框架1S-MambaMatch，通过Multi-input Visual State Space Model动态增强查询特征，并采用一致性正则化和自适应自监督损失函数。实验在ISIC 2018和PH2数据集上验证，仅用10%标注数据即达87.80%和92.29%的DSC，50%标注时接近全监督性能，参数仅3.7M，推理时间26.88ms。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• CDM-DL-PSI：一种基于疾病标签和患者特定信息的12导联心电图（ECG）生成条件扩散模型

  本文提出条件扩散模型CDM-DL-PSI，整合疾病标签与患者年龄、性别信息，通过MCFARN模块动态调整归一化参数，生成高保真、多样化的12导联心电图信号。实验表明其在PTB-XL和CPSC2018数据集上优于现有方法。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 在样本量有限的情况下，通过短语音录音预测吸烟状况：一项经过校准的留一法（即排除一个说话者数据进行建模）研究

  吸烟状态可通过短语音记录推断，本研究对比手工艺品谱系特征与预训练嵌入模型在小样本、独立说话人条件下的性能。手工艺品谱系（PS_ENet）结合弹性网络和逻辑回归，在严格LOSO验证下AUC达0.885，优于YAMNet、wav2vec 2.0和WavLM嵌入模型。决策曲线分析显示阈值0.05-0.30具有净收益优势。考虑人口统计学混杂因素，PS_ENet在年龄性别分层后仍保持增量诊断性能。研究确立了独立说话人评估框架，为后续生化验证研究提供样本量规划建议。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 利用深度学习对肺部声音进行分类以检测类风湿关节炎继发性间质性肺病

  为解决RA-ILD（类风湿关节炎继发性间质性肺病）早期诊断难题，本文提出了一套结合高通滤波、变分模式提取、谐波-冲击源分离（HPSS）及短时傅里叶变换（STFT）的预处理流程，并利用GoogLeNet进行深度学习分类。该方案在患者层面达到了87.8%的准确率，有望为基于廉价且安全的肺部听诊进行大规模筛查铺平道路。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• Band2CleanFormer：结合特定频段的信号处理与频段间的注意力机制，实现鲁棒的脑电图（EEG）去噪

  EEG去噪方法提出分频处理流程，将信号分解为六频段后分别用CNN/LSTM等模型去噪，再通过CNN-Transformer混合模型整合，有效抑制眼动和肌电噪声，保持脑电生理节律，在EEGDenoiseNet数据集上表现优于传统方法。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• TabFusion：一种双分支门控融合网络，结合表格表示和图像表示用于肝细胞癌的生存预测

  肝癌生存预测的TabFusion双分支融合网络研究，提出通过Tabular-to-Multi-Image策略将异构临床数据转换为多通道图像表示，结合MLP分支捕捉数值特征，并引入特征选择门控机制实现动态权重分配与可解释性提升。在SEER数据库和独立医院队列验证中，模型AUC分别达到0.8565和0.8330，显著优于传统机器学习、深度学习基线及预训练模型。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

• 通过逐步缩小视野范围和框架内特征迁移来提高计算机断层扫描图像中肾结石的分割效果

  肾结石CT图像分割双阶段深度学习框架，提出逐次范围缩减（SSR）和内部框架特征传递（IFT）方法，通过SSRNet分类筛选有效CT切片，再利用KSSNet实现97.44% Dice系数和95.01% Jaccard指数的精准分割，显著优于现有基准。

  来源：Biomedical Signal Processing and Control

  时间：2026-02-21

知名企业招聘：