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
121	2025-02-28	Artificial Intelligence-based System for Detecting Attention Levels in Students 2023-12-15, Journal of visualized experiments : JoVE DOI:10.3791/65931 PMID:38163270	研究论文	本文提出了一种基于人工智能的系统，用于检测学生的注意力水平，通过分析学生的情绪、视线方向、身体姿势和生物特征数据来帮助教师优化教学过程	创新点在于整合多种数据源（如情绪、视线、姿势和生物特征数据）来训练AI系统，以自动识别学生的注意力水平，并提出创建标注数据集和注意力分类器的方案	整合不同类型的数据具有挑战性，需要创建标注数据集，且依赖专家输入和现有研究进行准确标注	研究目标是利用AI技术自动检测学生的注意力水平，以帮助教师调整教学策略，优化教学效果	研究对象是课堂中的学生	机器学习	NA	深度学习	NA	图像、生物特征数据	未明确提及样本数量
122	2025-02-27	Skin Lesion Analysis and Cancer Detection Based on Machine/Deep Learning Techniques: A Comprehensive Survey 2023-Jan-04, Life (Basel, Switzerland) DOI:10.3390/life13010146 PMID:36676093	综述	本文对基于机器学习和深度学习技术的皮肤病变分析和癌症检测方法进行了全面调查	提供了迄今为止应用于皮肤病变检查的方法、技术和方法的广泛文献综述，包括预处理、分割、特征提取、选择和分类方法	由于复杂和罕见的特征，皮肤病变分析仍存在一些挑战	调查现有技术用于皮肤癌发现，找出障碍以帮助研究人员贡献于未来研究	皮肤病变和皮肤癌	计算机视觉	皮肤癌	深度学习和机器学习	NA	图像	NA
123	2025-02-27	Federated learning for diagnosis of age-related macular degeneration 2023, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2023.1259017 PMID:37901412	研究论文	本文提出了一种联邦学习方法，用于训练深度学习模型以分类年龄相关性黄斑变性（AMD），使用光学相干断层扫描图像数据	采用残差网络和视觉变换器编码器进行正常与AMD的二元分类，并整合了四种独特的域适应技术以解决由不同机构间数据分布不均引起的域转移问题	研究未探讨更深层次的模型和其他联邦学习策略的性能，未来需要进一步探索	研究目的是通过联邦学习方法提高年龄相关性黄斑变性的诊断准确性	年龄相关性黄斑变性（AMD）的光学相干断层扫描图像数据	计算机视觉	老年疾病	光学相干断层扫描	残差网络, 视觉变换器	图像	NA
124	2025-02-26	Deep Learning-Aided Modulation Recognition for Non-Orthogonal Signals 2023-May-31, Sensors (Basel, Switzerland) DOI:10.3390/s23115234 PMID:37299960	研究论文	本文旨在开发基于深度学习的自动调制识别方法，用于非正交传输信号的下行和上行链路	提出了基于双向长短期记忆网络（BiLSTM）的AMR方法，利用长期数据依赖性自动学习不规则信号星座形状，并引入迁移学习以提高识别准确性和鲁棒性；针对上行链路非正交信号，开发了基于注意力机制的时空融合网络，有效提取时空特征	未提及具体样本量或实验数据集的大小	开发高效的自动调制识别方法，适用于非正交传输系统	非正交传输信号的下行和上行链路	机器学习	NA	深度学习	BiLSTM, 注意力机制, CNN	信号数据	NA
125	2025-02-26	The Effect of Dataset Imbalance on the Performance of SCADA Intrusion Detection Systems 2023-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s23020758 PMID:36679553	研究论文	本研究探讨了数据集不平衡对SCADA入侵检测系统性能的影响	研究了数据不平衡对SCADA入侵检测系统的影响，并比较了多种数据平衡技术的效果	仅使用了两个不平衡数据集进行研究，可能无法涵盖所有情况	理解数据不平衡对深度学习SCADA入侵检测系统的影响	SCADA系统的入侵检测系统	机器学习	NA	深度学习算法	CNN-LSTM	SCADA系统数据	两个数据集：Morris电力数据集和CICIDS2017数据集
126	2025-02-25	Scribe: Next Generation Library Searching for DDA Experiments 2023-02-03, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.2c00672 PMID:36695531	研究论文	本文介绍了Scribe，一种新的库搜索引擎，旨在利用深度学习碎片预测软件如Prosit，通过预测FASTA数据库中每个肽的碎片和保留时间，提高数据依赖采集实验的灵敏度和定量精度	Scribe利用深度学习预测肽的碎片和保留时间，而非依赖高度策划的DDA库，从而提高了库搜索的灵敏度和定量精度	NA	提高数据依赖采集实验的库搜索效率和准确性	肽的碎片和保留时间	蛋白质组学	NA	深度学习碎片预测软件Prosit	NA	质谱数据	NA
127	2025-02-23	Predicting multiple sclerosis severity with multimodal deep neural networks 2023-11-09, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-023-02354-6 PMID:37946182	研究论文	本文提出了一种使用多模态深度神经网络预测多发性硬化症（MS）疾病严重程度的方法	首次整合结构化电子健康记录（EHR）数据、神经影像数据和临床笔记，构建多模态深度学习框架来预测MS严重程度，相比单模态数据模型，AUROC提高了19%	未明确提及具体局限性	通过早期和准确的MS疾病严重程度分类，减缓或预防疾病进展	多发性硬化症（MS）患者	机器学习	多发性硬化症	深度学习	多模态深度神经网络	结构化EHR数据、神经影像数据、临床笔记	未明确提及样本数量
128	2025-02-23	Automated classification of fat-infiltrated axillary lymph nodes on screening mammograms 2023-Nov, The British journal of radiology DOI:10.1259/bjr.20220835 PMID:37751215	研究论文	本文开发了一种基于深度学习的自动化管道，用于在筛查性乳腺X光片上分类脂肪浸润的腋窝淋巴结状态	首次使用自动化深度学习方法对脂肪浸润的腋窝淋巴结进行分类	需要大规模研究来确认脂肪浸润淋巴结与肥胖相关疾病之间的相关性，但受限于标记数据的稀缺	开发一种快速且可推广的工具，以辅助数据标记，并评估脂肪浸润淋巴结作为肥胖相关病理的影像生物标志物的作用	脂肪浸润的腋窝淋巴结	数字病理	肥胖相关疾病	深度学习	DL模型	图像	886张乳腺X光片（内部数据集）和70张乳腺X光片（外部测试集）
129	2025-02-22	Spatial and Compositional Biomarkers in Tumor Microenvironment Predicts Clinical Outcomes in Triple-Negative Breast Cancer 2023-Dec-20, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.18.572234 PMID:38187696	研究论文	本文通过成像质谱流式细胞术和计算算法，研究了三阴性乳腺癌肿瘤微环境的空间和组成特征，以预测临床结果	首次在单细胞分辨率下量化三阴性乳腺癌肿瘤微环境的细胞分布模式和空间组织，并利用深度学习模型预测患者对治疗的反应	样本量较小（58例患者），且仅针对三阴性乳腺癌，可能限制了结果的普适性	探索三阴性乳腺癌肿瘤微环境的特征及其与临床结果的关系，以发现新的治疗靶点	三阴性乳腺癌患者的肿瘤微环境	数字病理学	乳腺癌	成像质谱流式细胞术，深度学习	深度学习模型	图像数据	58例三阴性乳腺癌患者样本
130	2025-02-21	Deep Learning for Automated Measurement of Total Cardiac Volume for Heart Transplantation Size Matching 2023-Dec-28, Research square DOI:10.21203/rs.3.rs-3788726/v1 PMID:38234758	研究论文	本研究旨在通过深度学习技术自动测量心脏总体积（TCV），以促进心脏移植中的尺寸匹配	首次使用3D卷积神经网络（3D-CNN）自动计算TCV，提高了测量的准确性和效率	模型在移植心脏上的准确性略低于正常心脏，且样本量相对较小	开发一种快速且准确的TCV测量方法，以促进心脏移植中的尺寸匹配	0-30岁受试者的CT扫描图像	计算机视觉	心血管疾病	CT扫描	3D-CNN（结合Dense-Net和ResNet架构）	图像	270名受试者用于训练，44名受试者用于验证（其中36名正常，8名心脏病患者）
131	2025-02-21	Robust Epileptic Seizure Detection Using Long Short-Term Memory and Feature Fusion of Compressed Time-Frequency EEG Images 2023-Dec-02, Sensors (Basel, Switzerland) DOI:10.3390/s23239572 PMID:38067944	研究论文	本文提出了一种结合时间频率域特征和EEG信号统计属性的新型模型，用于癫痫发作检测	创新点在于将时间频率域特征与EEG信号的统计属性（如均值、中位数和方差）融合，并通过自编码器处理压缩的时间频率图像，使用LSTM网络进行优化	模型在复杂现实环境中的鲁棒性和精确性可能受到限制	提高癫痫发作检测的准确性和及时性	癫痫患者的EEG信号	机器学习	癫痫	自编码器	LSTM	EEG信号图像	Bonn癫痫数据集
132	2025-02-21	A Novel Classification Model Using Optimal Long Short-Term Memory for Classification of COVID-19 from CT Images 2023-12, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00852-7 PMID:37491543	研究论文	本文提出了一种基于鹈鹕优化算法的长短期记忆网络（POA-LSTM）方法，用于从CT图像中分类COVID-19	使用POA-LSTM模型进行COVID-19分类，结合了nnU-Net进行ROI分割和HRNet进行特征提取，提高了分类性能	未提及具体的数据集大小和多样性，可能影响模型的泛化能力	开发一种自动检测COVID-19的深度学习模型，以提高诊断准确性	COVID-19患者的CT扫描图像	计算机视觉	COVID-19	深度学习	LSTM, nnU-Net, HRNet	CT图像	NA
133	2025-02-21	A two-dimensional hydrodynamics prediction framework for mantle-undulated propulsion robot using multiple proper orthogonal decomposition and long short term memory neural network 2023-11-29, Bioinspiration & biomimetics IF:3.1Q2 DOI:10.1088/1748-3190/ad0daf PMID:37976535	研究论文	本文开发了一个基于深度学习的框架，用于预测在波动推进机器人（MUPRo）上的流体动力	提出了多重本征正交分解（MPOD）算法，有效识别MUPRo波动表面附近流体的全局和局部特征，并开发了基于MPOD算法和长短期记忆神经网络的流体动力预测框架	NA	开发一个能够经济且可靠地预测波动推进机器人流体动力的框架	波动推进机器人（MUPRo）	机器学习	NA	多重本征正交分解（MPOD）算法，长短期记忆神经网络（LSTM）	LSTM	流体动力数据	NA
134	2025-02-21	Application of bidirectional long short-term memory network for prediction of cognitive age 2023-11-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-47606-7 PMID:37980387	研究论文	本研究应用双向长短期记忆网络（BLSTM）算法分析台北慈济医院儿科脑电图实验室的EEG数据，以预测认知年龄	首次将BLSTM算法应用于EEG数据的认知年龄预测，并验证了其在识别不同年龄段儿童和青少年EEG数据中的有效性	对于智力障碍患者的EEG样本，预测准确率显著降低，表明个体智力在年龄预测中起主要作用	探讨深度学习工具在EEG分类中的应用，特别是用于预测认知年龄	儿童和青少年的EEG数据	机器学习	NA	EEG	BLSTM	EEG数据	来自台北慈济医院儿科脑电图实验室的EEG样本
135	2025-02-21	An Adaptive Intrusion Detection System in the Internet of Medical Things Using Fuzzy-Based Learning 2023-Nov-17, Sensors (Basel, Switzerland) DOI:10.3390/s23229247 PMID:38005635	研究论文	本文提出了一种基于模糊学习的自适应长短期记忆（LSTM）入侵检测系统（IDS），用于医疗物联网（IoMT）中的攻击检测	提出了一种动态调整训练周期和使用早停策略的模糊自调LSTM模型，以提高入侵检测的准确性和预测性	未提及具体的数据集规模或实验环境的局限性	开发更高效和准确的入侵检测系统，以应对医疗物联网中的网络攻击	医疗物联网（IoMT）设备	机器学习	NA	模糊学习，LSTM	LSTM	网络日志数据	未提及具体样本数量
136	2025-02-21	Novel integrated modelling based on multiplicative long short-term memory (mLSTM) deep learning model and ensemble multi-criteria decision making (MCDM) models for mapping flood risk 2023-Nov-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2023.118838 PMID:37595460	研究论文	本文提出了一种基于乘法长短期记忆（mLSTM）深度学习模型和多准则决策（MCDM）集成模型的新方法，用于绘制伊朗南部Minab-Shamil平原的洪水风险图	创新点在于首次将mLSTM深度学习模型与MCDM集成模型结合，用于生成高分辨率的洪水风险图	研究仅限于Minab-Shamil平原，未在其他地区验证模型的普适性	研究目的是开发一种集成方法，用于精确绘制洪水风险图，以支持洪水管理和减灾	研究对象是Minab-Shamil平原的洪水风险	机器学习	NA	深度学习，多准则决策	mLSTM, CODAS, EDAS, MOOSRA	地理空间数据	70%训练数据，30%测试数据
137	2025-02-21	AMGCN-L: an adaptive multi-time-window graph convolutional network with long-short-term memory for depression detection 2023-10-27, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad038b PMID:37844566	研究论文	本文提出了一种名为AMGCN-L的深度学习网络，用于通过脑电图（EEG）信号中的脑功能连接和时空特征自动分类抑郁和非抑郁人群	提出了一种结合自适应多时间窗口图卷积网络（GCN）和长短期记忆（LSTM）的新型网络AMGCN-L，用于抑郁检测	依赖于公开数据集，可能在实际临床应用中需要进一步验证	开发一种更客观的抑郁诊断方法	抑郁和非抑郁人群	机器学习	抑郁症	深度学习	GCN, LSTM	EEG信号	两个公开数据集：EEG数据患者库和计算工具，以及多模态开放数据集用于精神障碍分析
138	2025-02-21	Depressive Disorder Recognition Based on Frontal EEG Signals and Deep Learning 2023-Oct-23, Sensors (Basel, Switzerland) DOI:10.3390/s23208639 PMID:37896732	研究论文	本研究基于前额六通道脑电图（EEG）信号和深度学习模型，旨在实现准确且实用的抑郁症（DD）诊断	提出了一种结合多分辨率卷积神经网络（MRCNN）与长短期记忆（LSTM）或残差压缩激励（RSE）的深度学习模型，用于抑郁症的识别，并展示了在8-30 Hz EEG信号下的高分类准确率	研究样本量相对较小，仅包括41名抑郁症患者和34名健康对照者，可能影响模型的泛化能力	开发一种客观、准确、实用且自动化的抑郁症诊断技术	抑郁症患者和健康对照者的前额六通道EEG信号	机器学习	抑郁症	脑电图（EEG）信号分析	MRCNN-LSTM, MRCNN-RSE	EEG信号	41名抑郁症患者和34名健康对照者
139	2025-02-21	A novel bidirectional LSTM deep learning approach for COVID-19 forecasting 2023-10-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-44924-8 PMID:37863921	研究论文	本文开发了一种基于双向长短期记忆网络（Bi-LSTM）的深度学习模型，用于预测COVID-19疫情早期的每日新增病例数	使用双向LSTM架构进行COVID-19预测，并验证了在减少变量数量情况下仍能保持预测准确性	模型仅在疫情早期阶段进行了验证，未涵盖疫情后期或其他变种病毒的影响	预测COVID-19疫情早期的每日新增病例数	190个国家的COVID-19数据	机器学习	COVID-19	深度学习	Bi-LSTM	时间序列数据	190个国家的数据，时间跨度为2020年1月22日至2021年1月31日
140	2025-02-21	Spatial and temporal prediction of secondary crashes combining stacked sparse auto-encoder and long short-term memory 2023-Oct, Accident; analysis and prevention DOI:10.1016/j.aap.2023.107205 PMID:37413700	研究论文	本研究旨在开发一种预测次生事故时空位置的方法，通过结合堆叠稀疏自编码器（SSAE）和长短期记忆网络（LSTM）提出了一种混合深度学习模型SSAE-LSTM	提出了结合SSAE和LSTM的混合深度学习模型SSAE-LSTM，用于次生事故的时空预测，相比现有模型在时空预测性能上表现更优	研究仅基于加州I-880高速公路2017-2021年的交通和事故数据，可能限制了模型的泛化能力	开发次生事故时空位置的预测方法，以支持预防策略的实施	次生事故的时空位置	机器学习	NA	深度学习	SSAE-LSTM, PCA-LSTM, SSAE-SVM, BPNN	交通和事故数据	加州I-880高速公路2017-2021年的数据