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
61	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
62	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
63	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
64	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
65	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
66	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
67	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
68	2025-02-21	Prediction of hand, foot, and mouth disease epidemics in Japan using a long short-term memory approach 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0271820 PMID:35900968	研究论文	本研究使用长短期记忆（LSTM）方法预测日本手足口病的流行模式	首次使用LSTM模型对日本手足口病的流行进行提前四周的预测	模型仅基于日本的数据，可能不适用于其他地区	预测日本手足口病的流行模式	日本各都道府县的手足口病病例数据	机器学习	手足口病	长短期记忆（LSTM）	LSTM	时间序列数据	日本各都道府县每周报告的手足口病病例数
69	2025-02-21	A Comparison on LSTM Deep Learning Method and Random Walk Model Used on Financial and Medical Applications: An Example in COVID-19 Development Prediction 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4383245 PMID:36052038	研究论文	本研究旨在通过LSTM网络模型和随机游走模型，基于金融理论建立加密货币价格趋势模型，并应用于COVID-19发展预测	结合LSTM网络模型和随机游走模型，探索加密货币价格趋势预测，并应用于COVID-19发展预测，展示了不同参数设置下模型的特性	LSTM和随机游走模型在价格预测方面存在局限性，需要在模型准确性和实用性之间找到平衡	建立加密货币价格趋势模型，并应用于COVID-19发展预测	加密货币（比特币和以太坊）和COVID-19	机器学习	COVID-19	LSTM网络模型和随机游走模型	LSTM, 随机游走模型	金融数据, 医疗数据	NA
70	2025-02-21	Inversion of Rayleigh Wave Dispersion Curves via Long Short-Term Memory Combined with Particle Swarm Optimization 2022, Computational intelligence and neuroscience DOI:10.1155/2022/2640929 PMID:36590837	研究论文	本文提出了一种结合长短期记忆网络（LSTM）和粒子群优化（PSO）的方法（PSO-LSTM），用于提高瑞利波频散曲线反演的效果	创新点在于将LSTM网络与PSO结合，优化网络结构和参数，以提高频散曲线反演的精度和鲁棒性	本文的局限性在于仅使用了两个理论地质模型进行测试，实际应用中的数据复杂性和多样性可能影响模型的表现	研究目的是提高瑞利波频散曲线反演的精度和效率	研究对象为瑞利波频散曲线及其反演方法	地球物理勘探	NA	粒子群优化（PSO）、长短期记忆网络（LSTM）	PSO-LSTM	频散曲线数据	两个理论地质模型（Model 和 Model ）及美国怀俄明州的实际数据
71	2025-02-21	Deep Learning vs Traditional Models for Predicting Hospital Readmission among Patients with Diabetes 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128461	研究论文	本文比较了深度学习模型与传统模型在预测糖尿病患者30天内非计划性全因再入院风险中的表现	使用LSTM深度学习模型预测糖尿病患者的再入院风险，并发现其性能显著优于传统模型	研究仅基于电子健康记录（EHR）数据，未考虑其他可能影响再入院风险的因素	开发并比较不同模型在预测糖尿病患者再入院风险中的表现	36,641名糖尿病患者的2,836,569次就诊记录	机器学习	糖尿病	深度学习	LSTM	电子健康记录（EHR）数据	36,641名糖尿病患者的2,836,569次就诊记录
72	2025-02-19	Prediction of lung malignancy progression and survival with machine learning based on pre-treatment FDG-PET/CT 2022-Aug, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2022.104127 PMID:35810561	研究论文	本研究利用机器学习分析治疗前的FDG-PET/CT扫描，预测肺癌的进展和总体生存率	结合卷积神经网络（CNN）和随机生存森林（RSF）模型，利用FDG-PET/CT数据进行肺癌进展和生存率预测，并与传统放射组学方法进行比较	研究为回顾性分析，可能存在选择偏差，且样本量有限	预测肺癌的进展和总体生存率，以指导治疗决策和改善患者护理	肺癌患者	数字病理学	肺癌	FDG-PET/CT扫描	CNN, RSF	图像	1168个结节（来自965名患者）
73	2025-02-19	Automatic information extraction from childhood cancer pathology reports 2022-Jul, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooac049 PMID:35721398	研究论文	本文开发了基于深度学习的模型，用于从儿童癌症病理报告中自动提取信息并进行ICCC分类	首次开发了用于ICCC分类的机器学习模型，并比较了直接ICCC分类模型与基于ICD-O-3编码标准的模型的性能	模型在14.8%的模糊病理报告上无法足够自信地分配代码	开发自动信息提取模型以补充州癌症登记处的人工注释者	儿童癌症病理报告	自然语言处理	儿童癌症	深度学习	深度学习模型	文本	29,206份来自6个州癌症登记处的报告
74	2025-02-16	Deep-learning two-photon fiberscopy for video-rate brain imaging in freely-behaving mice 2022-03-22, Nature communications IF:14.7Q1 DOI:10.1038/s41467-022-29236-1 PMID:35318318	研究论文	本文介绍了一种深度学习辅助的双光子纤维镜技术，用于在自由行为的小鼠中进行视频速率的大脑成像	开发了高速扫描器和降采样方案以提高成像速度，并引入了深度学习算法以恢复图像质量，实现了在自由行为小鼠中进行高分辨率、高速度（26 fps）的成像	目前的技术仍受限于光机械尺寸和重量的限制	提高双光子纤维镜的成像速度，以更好地理解神经活动模式与行为之间的关系	自由行为的小鼠	计算机视觉	NA	双光子纤维镜成像	深度学习算法	视频	自由行为的小鼠
75	2025-02-16	Deep learning-based automated segmentation of resection cavities on postsurgical epilepsy MRI 2022, NeuroImage. Clinical DOI:10.1016/j.nicl.2022.103154 PMID:35988342	研究论文	本研究开发了一种基于深度学习的自动化分割算法，用于分析癫痫患者的术后MRI，并通过图形用户界面（GUI）估计术后脑体积，包括海马残留组织	开发了一种基于3个U-Net卷积神经网络的多数投票集成算法，用于分割手术切除部位，并部署了一个全自动的GUI管道，用于比较切除分割与术前成像	研究为回顾性研究，样本量相对较小（62名患者）	开发一种自动化分割算法，用于准确分割癫痫患者的术后MRI中的切除腔	62名接受切除手术的颞叶癫痫（TLE）患者的术后T1加权MRI	计算机视觉	癫痫	MRI	U-Net	图像	62名颞叶癫痫患者和40名对照受试者
76	2025-02-14	Resting state network mapping in individuals using deep learning 2022, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2022.1055437 PMID:36712434	研究论文	本文介绍了一种使用深度3D卷积神经网络（3DCNN）进行静息态网络（RSN）体素映射的新方法	使用深度3D卷积神经网络进行RSN体素映射，能够在个体水平上生成RSN定位图，且对噪声数据和较少的RS-fMRI时间点具有高度抵抗力	需要大量高质量数据进行训练，这在临床或研究环境中并不总是可用	开发一种能够在个体水平上生成静息态网络定位图的方法，以支持临床应用	健康参与者（n = 2010）的静息态功能MRI数据	计算机视觉	NA	功能MRI（RS-fMRI）	3D卷积神经网络（3DCNN）	图像	2010名健康参与者
77	2025-02-12	DL 101: Basic introduction to deep learning with its application in biomedical related fields 2022-11-20, Statistics in medicine IF:1.8Q1 DOI:10.1002/sim.9564 PMID:36041380	研究论文	本文提供了深度学习的基础介绍，并探讨了其在生物医学领域的应用	介绍了前馈神经网络（FNN）的基本概念及其强大的功能表示，并提供了选择神经网络超参数的指导	文章主要面向初学者，未深入探讨深度学习的高级技术细节	探讨深度学习在生物医学及其他相关领域的应用潜力	深度学习技术及其在生物医学领域的应用	机器学习	NA	深度学习	前馈神经网络（FNN）	NA	NA
78	2025-02-09	Learning with Context Encoding for Single-Stage Cranial Bone Labeling and Landmark Localization 2022-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-16452-1_28 PMID:39911317	研究论文	本文提出了一种新颖的上下文编码约束神经网络，用于单阶段颅骨标记和地标定位	设计并引入了一种新的上下文编码模块到U-Net架构中，并引入了一个新的辅助任务来建模不同解剖地标的相对空间配置	NA	提高颅骨分割和地标检测的准确性和效率	颅骨和颅骨地标	计算机视觉	NA	深度学习	U-Net	3D CT图像	274名儿童的3D CT图像数据集
79	2025-02-07	Response to: Significance and stability of deep learning-based identification of subtypes within major psychiatric disorders. Molecular Psychiatry (2022) 2022-09, Molecular psychiatry IF:9.6Q1 DOI:10.1038/s41380-022-01613-8 PMID:35681080	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
80	2025-02-06	Just How Confident Can We Be in Predicting Sports Injuries? A Systematic Review of the Methodological Conduct and Performance of Existing Musculoskeletal Injury Prediction Models in Sport 2022-10, Sports medicine (Auckland, N.Z.) DOI:10.1007/s40279-022-01698-9 PMID:35689749	系统综述	本文系统评估了运动医学中肌肉骨骼损伤预测模型的方法学实施和报告完整性	首次系统性地评估了运动医学中肌肉骨骼损伤预测模型的方法学质量和报告完整性，揭示了现有模型的普遍问题和改进需求	研究仅包括截至2021年6月的数据，且仅纳入英文和同行评审的研究，可能遗漏了其他语言或未发表的重要研究	评估运动医学中肌肉骨骼损伤预测模型的方法学实施和报告完整性，以指导临床实践	运动医学中的肌肉骨骼损伤预测模型	运动医学	肌肉骨骼损伤	回归分析、机器学习、深度学习	回归模型、机器学习模型、深度学习模型	NA	30项研究（204个模型）