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
21	2026-10-04	Classifying forensically important flies using deep learning to support pathologists and rescue teams during forensic investigations 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314533 PMID:39637032	研究论文	该论文提出使用计算机视觉和深度学习对法医重要成蝇按科和属进行分类，以支持病理学家和救援团队在刑事调查及灾难场景中的工作	将深度学习应用于法医昆虫学中成蝇的分类，提出使用配备摄像头的无人机进行大面积搜索，从而高效准确地估计死亡时间	未提及具体的局限性	利用计算机视觉和深度学习对法医重要成蝇进行分类，以支持病理学家和救援团队在刑事调查及危机情况下的工作	法医重要成蝇，包括Calliphoridae、Sarcophagidae、Rhiniidae三个科及其对应的Chrysomya、Lucilia、Sarcophaga、Rhiniinae、Stomorhina五个属	计算机视觉	NA	深度学习	迁移学习	图像	NA	NA	MobileNetV3-Large, VGG19	准确率, 推理时间	NA
22	2026-10-04	Recognition of Conus species using a combined approach of supervised learning and deep learning-based feature extraction 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313329 PMID:39652613	研究论文	该研究提出了一种结合随机森林（RF）和XGBoost（XGB）的集成学习策略，并利用基于深度学习的特征提取方法（VGG16）对芋螺（Conus）物种进行识别和分类。	提出了一种将随机森林与XGBoost相结合的集成学习策略，并采用VGG16深度学习模型进行特征提取，用于芋螺物种的识别，同时通过引入相关和不相关的海螺图像来评估模型的特异性。	文中未明确说明研究的具体局限性，但可能包括数据集仅限于芋螺图像、模型在其他软体动物数据集上的泛化能力尚未充分验证等。	利用机器学习和深度学习方法对芋螺（Conus）物种进行自动识别和分类，以解决传统分类学中因贝壳形态相似而难以区分的问题。	芋螺（Conus）物种的贝壳图像。	计算机视觉	NA	深度学习特征提取（VGG16）	随机森林（RF）、XGBoost（XGB）、卷积神经网络（CNN）	图像	47,600张芋螺贝壳图像（统一尺寸为224×224像素），按80:20的比例划分为训练集和测试集。	NA	VGG16、随机森林、XGBoost	准确率（Accuracy）、平均精度（Average Precision）、ROC曲线下面积（AUC）、学习曲线、验证曲线	NA
23	2026-10-04	Forecasting air pollution with deep learning with a focus on impact of urban traffic on PM10 and noise pollution 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313356 PMID:39656668	研究论文	本研究使用LSTM模型预测斯科普里多个地点的PM10水平，并分析城市交通对空气和噪音污染的影响	使用LSTM模型同时预测多个地点1、6、12、24小时的PM10水平，并利用COVID-19封锁期分析交通对污染的影响	研究仅基于斯科普里的数据，可能不适用于其他城市；模型预测时间范围有限	预测空气污染水平并评估城市交通对PM10和噪音污染的影响	斯科普里多个地点的PM10颗粒物水平和噪音污染	机器学习	NA	深度学习	RNN, LSTM	时间序列	历史空气质量测量数据和气象数据，具体样本量未提及	NA	LSTM	NA	NA
24	2026-10-01	DeepN4: Learning N4ITK Bias Field Correction for T1-weighted Images 2024-Apr, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-024-09655-9 PMID:38526701	研究论文	本文提出了一种名为DeepN4的深度学习网络，用于近似N4ITK偏置场校正，以实现T1加权MRI图像的便携、灵活和可微的预处理	使用深度学习网络在多个独立队列和扫描仪上训练，实现了对N4ITK偏置场校正的近似，并证明了其泛化能力	未明确提及	开发一种便携、灵活且完全可微的N4ITK偏置场校正的深度学习替代方法	T1加权MRI图像	医学图像处理	NA	MRI	深度学习网络	图像	八个独立队列，来自72个不同的扫描仪和年龄范围	NA	NA	峰值信噪比（PSNR）	NA
25	2026-10-01	DLLabelsCT: Annotation tool using deep transfer learning to assist in creating new datasets from abdominal computed tomography scans, case study: Pancreas 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313126 PMID:39625972	研究论文	该论文开发了名为DLLabelsCT的标注工具，利用深度学习模型加速腹部CT扫描中胰腺的标注过程	开发了DLLabelsCT标注工具，使用深度迁移学习辅助创建新数据集，显著加速标注过程	未明确说明，但可能受限于特定器官和数据集	加速医学图像标注过程，以支持深度学习模型的训练	腹部CT扫描图像，特别是胰腺	计算机视觉	胰腺癌	CT	CNN	图像	3715张CT扫描切片	NA	ResNet34, UNet	Dice相似系数	NA
26	2026-10-01	Multiscale effective connectivity analysis of brain activity using neural ordinary differential equations 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314268 PMID:39630698	研究论文	本文提出了一种名为msDyNODE的神经生物学驱动深度学习模型，用于描述多尺度脑通信，并通过模拟和电生理实验验证了其捕捉多尺度活动的能力	首次引入神经生物学驱动的深度学习模型msDyNODE，结合神经常微分方程来建模多尺度脑动力学和有效连接	仅通过模拟和电生理实验验证，未在更广泛的多模态数据集或临床应用中测试	开发多尺度动力学模型以描述支配认知和行为的脑通信	脑活动信号，包括模拟数据和电生理记录	机器学习	NA	电生理实验	神经常微分方程	模拟数据和电生理信号	NA	NA	msDyNODE	NA	NA
27	2026-10-01	SE-MAConvLSTM: A deep learning framework for short-term traffic flow prediction combining Squeeze-and-Excitation Network and Multi-Attention Convolutional LSTM Network 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312601 PMID:39636907	研究论文	设计了一种结合Squeeze-and-Excitation网络和多注意力卷积LSTM网络的深度学习框架SE-MAConvLSTM，用于短期交通流预测	提出了时空特征提取模块（STFEM），由CNN、SENet、ResNet和ConvLSTM组成，以捕捉时空相关性并处理通道权重；设计了多注意力模块（MAM）来建模交通流数据的接近性、周期性和趋势性；使用聚合模块整合STFEM最后一个时间区间的输出和多注意力模块的输出	仅在两个真实数据集上进行了实验，未在其他数据集或实际场景中验证；未讨论模型的计算复杂度和实时性；未与其他先进方法进行广泛比较	提高短期交通流预测的准确性，解决时空相关性捕获、通道权重影响以及接近性、周期性和趋势性比例影响三个难题	交通流数据，包括出租车、网约车和公共自行车流量	机器学习	NA	NA	CNN, SENet, ResNet, ConvLSTM, 注意力机制	时间序列数据	两个真实数据集	NA	SE-MAConvLSTM, CNN, SENet, ResNet, ConvLSTM, 多注意力模块	RMSE	NA
28	2026-10-01	Exploiting the features of deep residual network with SVM classifier for human posture recognition 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314959 PMID:39636954	研究论文	本文提出了一种结合ResNet-50深度特征与SVM分类器的混合架构，用于人体姿态识别和跌倒检测，并在多个数据集上取得了优于现有方法的性能	将ResNet-50提取的深度特征与SVM分类器在分类层进行融合，用于跌倒检测，并在多个数据集上验证了该混合架构在准确率和时间效率上的优势	未明确说明模型的泛化能力、计算复杂度以及对不同场景的适应性限制	分析基于深度学习的混合架构在跌倒检测中的性能，并比较不同分类器和深度学习网络的性能	人体姿态识别和跌倒检测	计算机视觉	老年疾病	深度学习	CNN, SVM	图像	使用了三个数据集：MCF（四种姿态）、URFD（四种姿态）、UPFD（四种姿态和两种姿态任务）	NA	ResNet-50, ResNet-101, VGG-19, InceptionV3, MobileNet, Xception	准确率	NA
29	2026-10-01	Effective feature selection based HOBS pruned- ELM model for tomato plant leaf disease classification 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315031 PMID:39637070	研究论文	本文提出了一种基于有效特征选择的HOBS剪枝-ELM模型，用于番茄植株叶片病害分类，构建了轻量级卷积神经网络架构并结合优化算法降低计算复杂度并提高分类准确率	提出了结合Elephant Herding Optimization（EHO）算法进行特征选择，并将基于Hessian的Optimal Brain Surgeon（HOBS）方法与剪枝的Extreme Learning Machine（ELM）集成，优化网络参数同时降低计算复杂度，实现了轻量级CNN框架	未明确提及	构建基于深度学习的轻量级卷积神经网络架构，用于番茄植株叶片生物胁迫的实时分类，解决传统CNN资源密集和耗时的缺点	番茄植株叶片	计算机视觉	植物病害	深度学习，卷积神经网络，优化算法	CNN	图像	8000张叶片图像，涵盖10个不同类别的番茄植株	NA	CNN，ELM，DenseNet，GhostNet，CACPNET	准确率，Cohen's kappa，训练时间，模型大小	NA
30	2026-10-01	geodl: An R package for geospatial deep learning semantic segmentation using torch and terra 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315127 PMID:39637071	研究论文	本文介绍了geodl这一R包，用于地理空间深度学习语义分割，基于torch和terra实现	首个在R语言环境中实现地理空间深度学习的包，无需安装Python/PyTorch环境，提供了UNet模型及多种辅助模块，实现了统一的焦点损失框架和标准评估指标	未明确提及	开发一个R包，用于地理空间深度学习语义分割，简化R语言中实现深度学习的环境配置	地理空间栅格数据，包括多波段、不同空间分辨率和坐标参考系统的数据	计算机视觉	NA	卷积神经网络	CNN	图像	NA	torch, luz	UNet	总体精度, 类别召回率（生产者精度）, 类别精确率（用户精度）, 类别F1分数	NA
31	2026-09-29	Application of Deep Learning in the Diagnosis of Alzheimer's and Parkinson's Disease: A Review 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230328113721 PMID:37021420	综述	本文综述了深度学习在阿尔茨海默病和帕金森病诊断中的应用，包括医学检查、深度学习模型、预处理技术、公开数据集及未来研究方向	聚焦于阿尔茨海默病和帕金森病的深度学习诊断模型，系统总结了MRI图像分析的预处理技术、不同阶段的深度学习应用、公开数据集，并强调了新型生物标志物在早期诊断中的潜在应用	更多研究集中于阿尔茨海默病而非帕金森病，深度学习技术在这些疾病检测中仍面临一些挑战和问题	总结深度学习在阿尔茨海默病和帕金森病诊断中的应用现状，探讨相关医学检查、模型框架、预处理技术、数据集及未来研究方向	阿尔茨海默病和帕金森病患者，特别是老年人群	医学图像分析	阿尔茨海默病、帕金森病	深度学习	深度学习模型（如卷积神经网络等）	MRI图像	NA	NA	NA	NA	NA
32	2026-09-29	Automated Brain Tumour Detection and Classification using Deep Features and Bayesian Optimised Classifiers 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230328092218 PMID:37018527	研究论文	该文提出了一种基于ResNet18预训练网络深度特征提取、特征融合和贝叶斯优化机器学习分类器的脑肿瘤自动检测与分类框架	结合预训练ResNet18网络的浅层与深层特征融合，并使用贝叶斯算法优化SVM、KNN和决策树分类器的超参数，以提升脑肿瘤检测与分类性能	未明确提及	构建计算机辅助诊断工具，利用机器学习和深度学习技术实现脑肿瘤的自动检测与分类	公开Kaggle数据集中的脑部MRI图像	计算机视觉	脑肿瘤	MRI	CNN	图像	NA	NA	ResNet18	准确率, 灵敏度, 特异度, 精确率, F1分数, 平衡分类率, 马修斯相关系数, Kappa系数	NA
33	2026-09-29	Computer-aided Diagnosis and Analysis of Skin Cancer from Dermoscopic Images in India 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230410092618 PMID:37038298	综述	本文介绍了印度皮肤癌的类型、诊断程序、发病率与死亡率统计数据，并综述了用于黑色素瘤检测的不同技术。	提供了印度1990年至2020年皮肤癌病例和死亡率的增长统计，并预测了2040年的趋势；总结了各种皮肤癌检测技术。	未明确提及	定义不同类型的皮肤癌、诊断程序和统计，展示印度皮肤癌的统计数据，并综述黑色素瘤检测技术。	皮肤癌（包括黑色素瘤和皮肤癌）在印度的统计数据及相关检测技术。	数字病理学	皮肤癌	自动分割技术、计算机辅助诊断、移动技术、深度学习、混合方法等	NA	NA	NA	NA	NA	NA	NA
34	2026-09-29	Diagnostic Performance of Deep Learning in Screened Mammogram: Systematic Review 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230417085624 PMID:37070450	系统综述	本文系统综述了基于深度学习的AI模型在乳腺X线筛查中的诊断准确性	系统性地评估了AI深度学习模型在乳腺X线筛查中的诊断性能，并特别关注了AI对放射科医生（尤其是新手）准确性的辅助提升	关于AI深度学习在临床环境中乳腺癌筛查有效性的证据不足；纳入研究多为回顾性，缺乏随机对照试验和大规模队列研究	探究基于人工智能的深度学习模型在乳腺癌检测中的诊断准确性	乳腺X线筛查图像及相关研究	医学图像分析	乳腺癌	深度学习	深度学习模型	图像	14项研究	NA	NA	灵敏度, 特异度, AUC	NA
35	2026-09-29	Analysis of COVID-19 CT Chest Image Classification using Dl4jMlp Classifier and Multilayer Perceptron in WEKA Environment 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230417090246 PMID:37070451	研究论文	在WEKA环境中使用多层感知机和不同图像滤波器对COVID-19胸部CT图像进行分类分析，并与深度学习分类器Dl4jMlp进行比较	在WEKA环境中系统比较了多层感知机结合不同图像滤波器（边缘直方图滤波器、颜色直方图均衡滤波器、颜色布局滤波器和Garbo滤波器）对COVID-19胸部CT图像的分类效果，并与深度学习分类器Dl4jMlp进行了全面对比	仅使用单一数据集，样本量有限，未详细说明数据集的规模和来源	分析和比较不同分类方法在COVID-19胸部CT图像分类中的效率	COVID-19胸部CT图像	计算机视觉, 医学图像分析	COVID-19	CT成像	多层感知机, 深度学习分类器	图像	NA	WEKA	多层感知机, Dl4jMlp	正确分类实例百分比	NA
36	2026-09-29	Hounsfield Unit Variations-based Liver Lesions Detection and Classification using Deep Learning 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230428121748 PMID:37132318	研究论文	本文提出了一种基于深度学习技术和CT图像上Hounsfield Unit密度变化的方法，用于肝脏病变的自动检测与分类	利用有造影和无造影CT图像上Hounsfield Unit密度的变化来精确定位肝脏病变并支持数据标注，结合Faster R-CNN、R-FCN、SSD和Mask R-CNN四种深度神经网络与迁移学习方法构建多期分类模型	未明确提及研究的局限性	实现常见肝脏病变的自动检测与分类，辅助医生解决依赖临床经验进行肝脏病变诊断和治疗的问题	肝脏病变（常见肝脏病变的多期CT图像）	数字病理学	肝癌	CT成像	CNN	图像	NA	NA	Faster R-CNN, R-FCN, SSD, Mask R-CNN	准确率	NA
37	2026-09-29	Modified Exigent Features Block in JAN Net for Analysing SPECT Scan Images to Diagnose Early-Stage Parkinson's Disease 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230605092654 PMID:37282573	研究论文	本文提出了一种名为JAN Net的新型卷积神经网络，用于分析SPECT扫描图像以诊断早期帕金森病，通过改进的紧急特征块提取纹状体的边缘和空间特征，并在PPMI数据集上验证了其性能	提出了一种新的CNN架构JAN Net，包含改进的紧急特征块，该块包含卷积层和加性层，能够提取纹状体的低层和高层特征，并通过加性层融合不同尺寸卷积核的特征，提高隐藏层神经元的可学习性	未明确提及	利用SPECT扫描图像准确诊断早期帕金森病	帕金森病患者的SPECT扫描图像	医学图像分析	帕金森病	SPECT扫描	CNN	图像	来自PPMI数据库的SPECT图像，选择了91个切片中的16个	NA	JAN Net	准确率	NA
38	2026-09-29	A Review on Imaging Techniques and Artificial Intelligence Models for Osteoporosis Prediction 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230608091911 PMID:37287308	综述	本文综述了用于骨质疏松症预测的成像技术和人工智能模型，涵盖图像分割、分类和故障检测	提出了基于领域的深度学习模型用于图像分类，并指出了现有文献方法中的缺陷	未具体说明，仅指出识别了现有文献方法中的缺陷	综述用于预测骨质疏松症的图像处理技术和深度学习方法	骨质疏松症相关的医学图像（X射线、CT、MRI）	医学图像分析	骨质疏松症	X射线, CT, MRI	深度学习模型	图像	NA	NA	NA	NA	NA
39	2026-09-28	Survival analysis using deep learning with medical imaging 2024-05-01, The international journal of biostatistics DOI:10.1515/ijb-2022-0113 PMID:37312249	研究论文	本文综述了用于医学影像的生存分析深度学习方法，并通过脑胶质瘤组织学数据集比较了深度学习方法与Cox模型方法	比较了多种深度学习生存分析方法与Cox模型方法在组织学图像上的性能，为影像生存分析提供了实证参考	仅在脑胶质瘤组织学数据集上进行比较，样本类型单一，未涵盖其他影像模态或疾病类型	综述并比较深度学习方法和Cox模型方法在医学影像时间至事件数据建模中的表现	脑胶质瘤组织学影像数据	数字病理学	脑胶质瘤	组织学成像	CNN	图像	NA	NA	NA	NA	NA
40	2026-09-28	A fact based analysis of decision trees for improving reliability in cloud computing 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0311089 PMID:39625991	研究论文	本文通过对比多种机器学习算法在云计算故障预测中的准确性与可靠性，并提出改进的决策树（J48）算法以提高准确率并减少故障预测误差	对AdaBoostM1、Bagging、决策树（J48）、深度学习（Dl4jMLP）和朴素贝叶斯树（NB Tree）五种算法在云计算故障预测中的准确性和故障预测能力进行了对比分析，并基于结果对决策树（J48）算法进行了改进，使其达到最高准确率和较少故障预测误差	算法复杂度未充分优化，NB Tree算法复杂度较差，耗时1.01秒，而J48虽然复杂度较好（0.11秒），但仍有改进空间	比较不同机器学习算法在云计算环境中的准确性和故障预测能力，以提高云计算的可靠性	云计算环境中的故障预测和可靠性分析	机器学习	NA	NA	决策树, AdaBoostM1, Bagging, 深度学习, 朴素贝叶斯树	NA	NA	NA	决策树（J48）, AdaBoostM1, Bagging, Dl4jMLP, NB Tree	准确率	NA