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
1	2025-05-10	Artificial Intelligence-based Tumor Segmentation in Mouse Models of Lung Adenocarcinoma 2022, Journal of pathology informatics DOI:10.1016/j.jpi.2022.100007 PMID:35242446	研究论文	开发了一种基于深度学习的新模型，用于在数字扫描的H&E组织切片上分割肺肿瘤病灶	使用DeepLabV3+和UNet架构的深度学习模型进行肺肿瘤病灶的自动分割，减少了人工测量的时间和误差	不同染色标准化策略未显示出对基线模型的改进，假阳性率较高	提高肺腺癌小鼠模型中肿瘤负荷测量的准确性和效率	肺腺癌小鼠模型的H&E组织切片	数字病理学	肺腺癌	H&E染色	DeepLabV3+, UNet	图像	239只小鼠的H&E组织切片，分为训练集（137）、验证集（37）和测试集（65）
2	2024-11-19	Retraction: A comprehensive review of deep learning-based single image super-resolution 2022, PeerJ. Computer science DOI:10.7717/peerj-cs.621/retraction PMID:39554485	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3	2025-04-25	Unreferenced English articles' translation quality-oriented automatic evaluation technology using sparse autoencoder under the background of deep learning 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0270308 PMID:35830434	研究论文	本文提出了一种基于稀疏自编码器（SAE）和深度学习（DL）的自动翻译质量评估（TQA）模型，用于无参考英文文章的翻译质量评估	利用稀疏自编码器在深度学习背景下进行无监督学习，优化语言向量特征的提取，并将其引入自动翻译质量评估	未提及具体的数据集规模或模型在其他语言对上的泛化能力	实现无参考英文文章的高精度自动翻译质量评估	无参考英文文章的翻译质量	自然语言处理	NA	深度学习，稀疏自编码器（SAE）	SAE, AE	文本	句子数量从1,000增加到6,000
4	2025-04-21	Secure deep learning for distributed data against malicious central server 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0272423 PMID:35913921	研究论文	提出了一种针对分布式训练器的安全深度学习系统，可检测中央参数服务器的恶意活动并支持垂直和水平神经网络训练	系统能够检测中央服务器的恶意活动，并支持垂直和水平两种神经网络训练方式	NA	开发一个安全的深度学习系统，以保护分布式训练器免受中央服务器的恶意活动影响	分布式训练器和中央参数服务器	机器学习	NA	深度学习	神经网络	医学图像（磁共振和X射线图像）	NA
5	2025-03-14	The impact of trade and financial expansion on volatility of real exchange rate 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0262230 PMID:35061782	研究论文	本文研究贸易和金融开放对实际汇率波动的影响，并通过实证分析提供减少实际汇率波动的参考	结合物联网金融的创新商业模式，利用深度学习进行金融数据分析，探讨贸易和金融开放对实际汇率波动的影响	研究仅基于45个主要国家的面板数据，可能无法全面反映全球情况	探讨贸易和金融开放对实际汇率波动的影响，为减少实际汇率波动提供参考	45个主要国家的贸易和金融开放数据	金融数据分析	NA	深度学习（DL）	NA	面板数据	45个主要国家的数据
6	2025-03-01	Using deep learning to study emotional behavior in rodent models 2022, Frontiers in behavioral neuroscience IF:2.6Q3 DOI:10.3389/fnbeh.2022.1044492 PMID:36483523	综述	本文探讨了深度学习技术在动物行为实验中的应用，特别是如何利用不同模型架构和训练范式来获取行为状态的表示	利用深度学习技术从视频中提取姿势信息，并通过监督、无监督和自监督方法获取行为状态的细微信息	未提及具体实验数据或样本量，可能缺乏实证支持	研究深度学习技术在量化动物情绪行为中的应用	啮齿类动物模型中的情绪行为	机器学习	NA	深度学习	监督、无监督、自监督模型	视频	NA
7	2025-02-21	A Trust Management Model for IoT Devices and Services Based on the Multi-Criteria Decision-Making Approach and Deep Long Short-Term Memory Technique 2022-Jan-14, Sensors (Basel, Switzerland) DOI:10.3390/s22020634 PMID:35062594	研究论文	本文提出了一种基于多准则决策方法和深度长短期记忆技术的物联网设备和服务信任管理模型	结合SMART和LSTM算法，提出了一种新的物联网信任管理模型，有效处理大量数据和不断变化的行为	模型在处理大规模数据时的有效性仍需进一步验证	解决物联网设备和服务中的信任管理问题，提高安全性和可靠性	物联网设备和服务	物联网	NA	SMART, LSTM	LSTM	行为数据	不同大小的数据样本
8	2025-02-21	Large-Scale Textual Datasets and Deep Learning for the Prediction of Depressed Symptoms 2022, Computational intelligence and neuroscience DOI:10.1155/2022/5731532 PMID:35463265	研究论文	本研究提出了一种利用基于LSTM的循环神经网络（RNN）从大规模文本数据中识别自我感知抑郁症状的有效方法	使用LSTM-based RNN模型从文本中提取抑郁症状特征，超越了传统的基于词频的方法	方法的有效性依赖于正确的注释和基于症状的特征提取，可能在不同数据集上的泛化能力有限	通过深度学习技术预测抑郁症状，以辅助早期检测和治疗	文本数据，特别是描述自我感知抑郁症状的文本	自然语言处理	抑郁症	深度学习	LSTM-based RNN	文本	233337个数据集，来自Kaggle的自杀和抑郁检测数据集
9	2025-02-21	Music Emotion Classification Method Based on Deep Learning and Improved Attention Mechanism 2022, Computational intelligence and neuroscience DOI:10.1155/2022/5181899 PMID:35769273	研究论文	本文提出了一种基于深度学习和改进注意力机制的音乐情感分类方法，通过融合音频和歌词的多模态信息，提高了分类准确性和效率	创新点在于结合了CNN和LSTM网络，并引入了改进的注意力机制，以解决现有研究中单模态分析导致的信息丢失问题	未提及具体的数据集规模或多样性，可能影响模型的泛化能力	研究目标是提高音乐情感分类的准确性和效率	研究对象是音乐音频和歌词	自然语言处理	NA	TF-IDF, Word2vec, CNN, LSTM, 注意力机制	CNN-LSTM	音频, 文本	未提及具体样本数量
10	2025-02-21	Multimode Gesture Recognition Algorithm Based on Convolutional Long Short-Term Memory Network 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4068414 PMID:35281195	研究论文	本文提出了一种基于卷积长短期记忆网络的多模态手势识别算法，通过CNN自动提取多模态手势数据的深层特征，并利用LSTM网络构建时间序列模型，最终通过SoftMax分类器实现手势分类	结合卷积神经网络（CNN）和长短期记忆网络（LSTM）来自动提取和学习多模态手势数据的深层特征及其时间序列依赖关系，提高了手势识别的准确性和收敛性能	实验仅在VIVA和NVGesture两个动态手势数据集上进行，未涉及更多数据集或实际应用场景的验证	提高多模态手势识别的准确性和模型泛化能力	多模态手势数据	计算机视觉	NA	深度学习	CNN, LSTM	多模态数据（可能包括图像、视频等）	两个动态手势数据集（VIVA和NVGesture）
11	2025-02-21	STA-TSN: Spatial-Temporal Attention Temporal Segment Network for action recognition in video 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0265115 PMID:35298497	研究论文	本文提出了一种名为STA-TSN的空间-时间注意力时间片段网络，用于视频中的动作识别	引入了软注意力机制，使网络能够自适应地关注空间和时间中的关键特征，并提出了多尺度空间聚焦特征增强策略和基于LSTM的关键帧探索模块	未提及具体局限性	解决现有动作识别模型在长时动作识别中的误判问题	视频中的动作识别	计算机视觉	NA	深度学习	STA-TSN, LSTM	视频	四个公共数据集（UCF101, HMDB51, JHMDB, THUMOS14）
12	2025-02-21	A survival analysis based volatility and sparsity modeling network for student dropout prediction 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0267138 PMID:35512010	研究论文	本文提出了一种基于生存分析的波动性和稀疏性建模网络（SAVSNet），用于学生辍学预测	SAVSNet在端到端的深度学习框架中解决了数据波动性和稀疏性问题，通过卷积网络平滑波动时间序列，并使用LSTM保留原始数据信息，同时提出了时间缺失感知LSTM单元以减轻数据稀疏性的影响	NA	提高大规模开放在线课程（MOOC）中学生辍学预测的准确性和一致性	MOOC学生	机器学习	NA	生存分析	LSTM, 卷积网络	时间序列数据	两个真实世界的MOOC数据集
13	2025-02-21	Research on Impulse Power Load Forecasting Based on Improved Recurrent Neural Networks 2022, Computational intelligence and neuroscience DOI:10.1155/2022/2784563 PMID:35502351	研究论文	本文提出了一种基于改进循环神经网络的脉冲功率负荷预测模型	使用改进的长短期记忆（LSTM）网络来预测脉冲功率负荷，有效处理了数据中的噪声和随机性	未提及具体的数据集大小和实验环境，可能影响结果的普适性	提高脉冲功率负荷预测的准确性和可靠性	脉冲功率负荷数据	机器学习	NA	深度学习	LSTM	时间序列数据	未提及具体样本数量
14	2025-02-21	Emotion Analysis Model of Microblog Comment Text Based on CNN-BiLSTM 2022, Computational intelligence and neuroscience DOI:10.1155/2022/1669569 PMID:35535200	研究论文	本文提出了一种基于CNN-BiLSTM的深度学习模型，用于微博评论文本的情感分析	结合了双向长短期记忆网络（BiLSTM）和卷积神经网络（CNN）的优势，提高了情感分析的准确性	未提及模型在处理多语言或跨文化情感分析时的表现	提高微博评论文本情感分析的准确性和泛化能力	微博评论文本	自然语言处理	NA	深度学习	CNN-BiLSTM	文本	大规模未标记语料库
15	2025-02-21	Design of Financial Risk Control Model Based on Deep Learning Neural Network 2022, Computational intelligence and neuroscience DOI:10.1155/2022/5842039 PMID:35720891	研究论文	本文设计了一种基于深度学习神经网络的金融风控模型，旨在通过预处理金融数据和设计循环神经网络结构来降低金融风险	本文的创新点在于结合Borderline-SMOTE算法进行数据预处理，并引入LSTM神经网络处理具有时间序列特征的样本数据，提高了模型的准确性和欺诈客户识别能力	未提及具体的数据集规模或模型在实际金融环境中的泛化能力	设计一种基于深度学习神经网络的金融风控模型，以降低金融风险	金融数据及其风险控制	机器学习	NA	Borderline-SMOTE算法，LSTM神经网络	LSTM	金融数据	未提及具体样本数量
16	2025-02-21	Knowledge Graph-Enabled Text-Based Automatic Personality Prediction 2022, Computational intelligence and neuroscience DOI:10.1155/2022/3732351 PMID:35769270	研究论文	本文提出了一种基于知识图谱的文本自动人格预测方法，利用Big Five人格特质进行预测	本文的创新点在于结合知识图谱和深度学习模型进行文本自动人格预测，通过DBpedia知识库、NRC情感强度词典和MRC心理语言学数据库丰富知识图谱，提高了预测准确性	未明确提及具体局限性	研究目标是实现基于文本的自动人格预测，以改善人际关系	研究对象是基于文本内容的人格特征	自然语言处理	NA	知识图谱构建、深度学习	CNN, RNN, LSTM, BiLSTM	文本	未明确提及样本数量
17	2025-02-21	Vowel speech recognition from rat electroencephalography using long short-term memory neural network 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0270405 PMID:35737731	研究论文	本研究旨在通过双向长短期记忆（BiLSTM）网络和经典机器学习方法，识别大鼠大脑中可能与音素表示相关的特定成分，并在单次试验基础上区分每个元音刺激的大脑活动	使用BiLSTM网络直接从EEG信号中提取特征，无需额外的手工特征提取方法，实现了对元音刺激的高效分类	研究仅针对大鼠模型，未涉及人类或其他动物模型，且样本量较小	探索大鼠大脑中与音素表示相关的神经活动，并开发有效的语音识别分类方法	19只雄性Sprague-Dawley大鼠的双侧前听觉场EEG信号	自然语言处理	NA	EEG信号记录	BiLSTM	EEG信号	19只雄性Sprague-Dawley大鼠
18	2025-02-21	A Malicious Domain Detection Model Based on Improved Deep Learning 2022, Computational intelligence and neuroscience DOI:10.1155/2022/9241670 PMID:35795747	研究论文	本文提出了一种基于改进深度学习的恶意域名检测模型，结合了卷积神经网络（CNN）、时间卷积网络（TCN）和长短期记忆网络（LSTM）的优势，以提高检测效果	本文的创新点在于结合了三种不同的网络模型（CNN、TCN和LSTM）的优势，提出了一种改进的深度学习模型，用于恶意域名检测，效果优于单一或两种模型的组合	本文未提及模型的局限性	研究目的是提高恶意域名检测的准确性和回归率	恶意域名	机器学习	NA	深度学习	CNN, TCN, LSTM	文本	NA
19	2025-02-21	Application of Deep Learning Model in the Avoidance of Investment Risk of Multinational Enterprises 2022, Computational intelligence and neuroscience DOI:10.1155/2022/6578274 PMID:35800687	研究论文	本文旨在通过结合LSTM和CNN的优势，提出LSTM-CNN模型来提高汇率预测的准确性，从而有效避免跨国企业在投资过程中可能遇到的风险	结合LSTM和CNN的优势，提出LSTM-CNN模型用于预测股票波动趋势，提高了预测准确性	实验仅针对10只股票进行验证，样本量较小，可能影响模型的泛化能力	提高汇率预测的准确性，帮助跨国企业避免投资风险	跨国企业的投资风险	机器学习	NA	NA	LSTM-CNN	股票数据	10只股票
20	2025-02-21	Classification of Electrocardiography Hybrid Convolutional Neural Network-Long Short Term Memory with Fully Connected Layer 2022, Computational intelligence and neuroscience DOI:10.1155/2022/6348424 PMID:35860642	研究论文	本文提出了一种结合卷积神经网络（CNN）、长短期记忆网络（LSTM）和全连接层（FCL）的混合模型，用于心电图（ECG）信号的分类	创新点在于将CNN、LSTM和DNN结合在一个统一的架构中，用于ECG信号的分类和异常检测，并在不平衡数据集上表现出色	未提及具体的研究局限性	研究目的是通过深度学习技术自动化ECG信号的分类和异常检测	研究对象是心电图（ECG）信号	机器学习	心血管疾病	深度学习	CNN, LSTM, FCL	时间序列数据	使用MIT-BIH心律失常数据库中的ECG数据