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
2001	2025-03-01	CLTNet: A Hybrid Deep Learning Model for Motor Imagery Classification 2025-Jan-27, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci15020124 PMID:40002457	研究论文	本文提出了一种名为CLTNet的混合深度学习模型，用于改进基于脑电图（EEG）的运动想象（MI）分类	CLTNet模型创新性地结合了卷积神经网络（CNN）、长短期记忆网络（LSTM）和Transformer模块，以更全面地理解运动想象期间EEG信号的特征	NA	改进基于EEG的运动想象分类，以促进脑机接口（BCI）技术的应用	运动想象EEG信号	机器学习	NA	NA	CNN, LSTM, Transformer	EEG信号	BCI IV 2a和BCI IV 2b数据集
2002	2025-03-01	A Robust Method for Real Time Intraoperative 2D and Preoperative 3D X-Ray Image Registration Based on an Enhanced Swin Transformer Framework 2025-Jan-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12020114 PMID:40001635	研究论文	本文提出了一种基于增强Swin Transformer框架的实时术中2D和术前3D X射线图像配准方法，用于图像引导手术中的病灶定位	采用双通道Swin Transformer特征提取器，结合注意力机制和特征金字塔，提高了2D X射线和3D CT图像配准的速度和精度	NA	提高图像引导手术中2D X射线和3D CT图像配准的准确性和效率	术中2D X射线图像和术前3D CT图像	计算机视觉	NA	深度学习	Swin Transformer	图像	来自开源数据集的三个不同感兴趣区域
2003	2025-03-01	Predicting Epileptic Seizures Using EfficientNet-B0 and SVMs: A Deep Learning Methodology for EEG Analysis 2025-Jan-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12020109 PMID:40001629	研究论文	本研究提出了一种结合EfficientNet-B0卷积神经网络和六种支持向量机（SVM）集成投票机制的框架，用于癫痫发作预测	该框架首次将EfficientNet-B0与SVM集成结合，利用归一化短时傅里叶变换（STFT）和通道相关性特征从EEG信号中提取频谱和空间信息，提高了预测的准确性和鲁棒性	研究仅在CHB-MIT数据集上进行了验证，未在其他数据集上测试其泛化能力	开发一种高效的癫痫发作预测方法，以改善癫痫患者的管理和干预时机	癫痫患者的EEG信号	机器学习	癫痫	短时傅里叶变换（STFT）	EfficientNet-B0, SVM	EEG信号	CHB-MIT数据集
2004	2025-03-01	A Future Picture: A Review of Current Generative Adversarial Neural Networks in Vitreoretinal Pathologies and Their Future Potentials 2025-Jan-24, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines13020284 PMID:40002698	综述	本文回顾了当前生成对抗网络（GANs）在玻璃体视网膜病变中的应用及其未来潜力	探讨了GANs在眼科领域的应用，特别是其在提高诊断准确性、扩展成像技术能力及预测治疗反应方面的潜力	当前GAN模型在可靠性和准确性方面面临挑战	探索GANs在视网膜疾病诊断和治疗监测中的临床应用	玻璃体视网膜病变	计算机视觉	视网膜疾病	生成对抗网络（GANs）	GAN	图像	NA
2005	2025-03-01	Segmentation of ADPKD Computed Tomography Images with Deep Learning Approach for Predicting Total Kidney Volume 2025-Jan-22, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines13020263 PMID:40002677	研究论文	本文提出了一种基于深度学习的框架，用于自动分割ADPKD患者的CT图像以预测总肾脏体积（TKV）	开发了一个逐步框架，能够稳健处理非增强CT（NCCT）和增强CT（CCT）图像，确保样本利用的平衡和跨模态的一致性表现	缺乏对CT模态变化的深入研究	通过自动分割ADPKD患者的CT图像来预测总肾脏体积（TKV）	ADPKD患者的CT图像	计算机视觉	肾脏疾病	深度学习	SSD, Inception V2, DeepLab V3+	CT图像	NA
2006	2025-03-01	TSF-MDD: A Deep Learning Approach for Electroencephalography-Based Diagnosis of Major Depressive Disorder with Temporal-Spatial-Frequency Feature Fusion 2025-Jan-21, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12020095 PMID:40001616	研究论文	本文提出了一种名为TSF-MDD的深度学习方法，用于基于脑电图（EEG）的重度抑郁症（MDD）诊断，通过融合时间、空间和频率域信息来提高诊断准确性和效率	TSF-MDD方法首次将时间、空间和频率域信息整合到一个四维表示中，并使用3D-CNN和CapsNet模型进行跨域特征提取，同时采用独立于受试者的数据划分策略以避免数据泄露	尽管TSF-MDD在Mumtaz2016数据集上表现出色，但其在其他数据集上的泛化能力仍需进一步验证	开发一种自动化诊断系统，以提高重度抑郁症的诊断准确性和效率	重度抑郁症（MDD）患者	机器学习	重度抑郁症	脑电图（EEG）	3D-CNN, CapsNet	EEG信号	Mumtaz2016公共数据集
2007	2025-03-01	Deep Learning-Based Drug Compounds Discovery for Gynecomastia 2025-Jan-21, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines13020262 PMID:40002676	研究论文	本研究利用基于深度学习的计算方法发现潜在的男性乳房发育症药物化合物	结合文本挖掘和人工智能在药物发现中的有效性，为男性乳房发育症提供新的治疗途径	需要进一步的实验验证和预测模型的优化以支持新药开发	发现男性乳房发育症的潜在药物化合物	男性乳房发育症相关基因和药物化合物	机器学习	男性乳房发育症	文本挖掘、生物过程探索、通路富集、蛋白质-蛋白质相互作用网络构建、药物-靶点相互作用分析	DeepPurpose	基因数据、药物数据	177个与男性乳房发育症相关的基因
2008	2025-03-01	Artificial Intelligence in the Surgery-First Approach: Harnessing Deep Learning for Enhanced Condylar Reshaping Analysis: A Retrospective Study 2025-Jan-21, Life (Basel, Switzerland) DOI:10.3390/life15020134 PMID:40003543	研究论文	本研究利用人工智能和深度学习技术，分析手术优先方法（SFA）与传统手术延迟方法（SLA）在正颌手术中的髁突行为，评估其效果	首次将深度学习和卷积神经网络（CNN）应用于髁突形态的快速、精确分析，显著减少了分割时间	研究为回顾性分析，样本量相对较小（77例患者），且仅在一家医院进行，可能影响结果的普遍性	评估手术优先方法（SFA）与传统手术延迟方法（SLA）在正颌手术中对髁突形态的影响	77名接受正颌手术的患者（18名SFA，59名SLA）	数字病理	NA	锥形束计算机断层扫描（CBCT）	卷积神经网络（CNN）	3D图像	77名患者（18名SFA，59名SLA）
2009	2024-12-18	Correction: Deep Learning to Estimate Cardiovascular Risk From Chest Radiographs 2025-Jan, Annals of internal medicine IF:19.6Q1 DOI:10.7326/ANNALS-24-03386 PMID:39680924	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2010	2025-03-01	Unifying fragmented perspectives with additive deep learning for high-dimensional models from partial faceted datasets 2025, NPJ biological physics and mechanics DOI:10.1038/s44341-025-00009-3 PMID:40012561	研究论文	本文提出了一种机器学习方法，通过整合分面数据子集来重建系统的完整视图，使用条件分布进行建模	提出了一种结合多项式回归和神经网络模型的方法，能够从部分数据集中成功重建系统，并随着测量变量的增加提高预测准确性	方法仅在机械弹簧网络和8维生物网络的两个示例中进行了验证，尚未在更广泛的生物系统中测试	旨在通过整合分面数据子集，重建复杂生物系统的完整视图，以量化分子元素对生物功能的贡献	机械弹簧网络和涉及衰老标志物P53的8维生物网络	机器学习	NA	多项式回归和神经网络	多项式回归模型和神经网络模型	单细胞数据	NA
2011	2025-03-01	MAEMC-NET: a hybrid self-supervised learning method for predicting the malignancy of solitary pulmonary nodules from CT images 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1507258 PMID:40012977	研究论文	本文提出了一种名为MAEMC-NET的深度学习模型，用于从CT图像中预测孤立性肺结节的恶性程度	MAEMC-NET结合了生成式（Masked AutoEncoder）和对比式（Momentum Contrast）自监督学习方法，以学习CT图像中孤立性结节的内部和相互间的表示	研究仅涉及494名患者，样本量相对较小	解决肺肉芽肿性结节（PGN）与实性肺腺癌（SLA）在CT形态特征上的相似性，提高术前诊断的准确性	孤立性肺结节	计算机视觉	肺癌	CT成像	MAEMC-NET（结合Masked AutoEncoder和Momentum Contrast）	CT图像	494名患者
2012	2025-03-01	MRpoxNet: An enhanced deep learning approach for early detection of monkeypox using modified ResNet50 2025 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076251320726 PMID:40013075	研究论文	本文介绍了一种增强的深度学习模型MRpoxNet，基于改进的ResNet50架构，用于从数字皮肤病变图像中早期检测猴痘	MRpoxNet通过扩展ResNet50的层数并引入额外的卷积、ReLU、dropout和批量归一化层，提高了诊断准确性和临床可靠性	未来需要进一步扩展数据集并增强模型对多样化临床场景的多模态适应性	开发一种高效的深度学习模型，用于早期检测猴痘	数字皮肤病变图像	计算机视觉	猴痘	深度学习	改进的ResNet50	图像	初始1156张图像，增强至6116张图像，分为猴痘、非猴痘和正常皮肤三类
2013	2025-02-28	Towards Trustworthy AI in Healthcare: Epistemic Uncertainty Estimation for Clinical Decision Support 2025-Jan-31, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm15020058 PMID:39997335	研究论文	本文探讨了在医疗决策支持系统中实现可信赖AI的重要性，特别是通过估计认知不确定性来提高系统的可靠性	提出了使用Spectral Normalized Neural Gaussian Process (SNGP)模型来量化知识不确定性，相比传统的神经网络集成方法，提供了更可靠的不确定性估计	研究主要基于低维玩具数据集和MIMIC3研究中的电子健康记录（EHR）数据，可能无法完全代表所有临床场景	提高AI在医疗决策支持系统中的可靠性和可信赖性	电子健康记录（EHR）数据，特别是重症监护病房住院患者的死亡率预测	机器学习	NA	Spectral Normalized Neural Gaussian Process (SNGP), 神经网络集成 (ENN)	Encoder-Only Transformer, SNGP, ENN	时间序列数据（EHR）	MIMIC3研究中的电子健康记录（EHR）数据
2014	2025-02-28	An Online Evaluation Method for Random Number Entropy Sources Based on Time-Frequency Feature Fusion 2025-Jan-27, Entropy (Basel, Switzerland) DOI:10.3390/e27020136 PMID:40003132	研究论文	本文提出了一种基于时频特征融合的在线随机数熵源评估方法，通过神经网络预测随机序列的下一位，并引入了一种新的深度学习架构FFT-ATT-LSTM	提出了一种新的深度学习架构FFT-ATT-LSTM，结合了简化的软注意力机制和快速傅里叶变换，有效融合时域和频域特征，提高了预测精度	NA	解决传统熵源评估方法难以在线部署的问题，实现在线检测熵源质量	随机数熵源	机器学习	NA	快速傅里叶变换（FFT），软注意力机制	FFT-ATT-LSTM	随机序列数据	NA
2015	2025-02-28	Semantic-Guided Transformer Network for Crop Classification in Hyperspectral Images 2025-Jan-26, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11020037 PMID:39997540	研究论文	本文提出了一种语义引导的Transformer网络（SGTN），用于高光谱图像中的作物分类，旨在提高分类精度和鲁棒性	提出了多尺度空间-光谱信息提取（MSIE）模块和语义引导注意力（SGA）模块，结合两阶段特征提取结构，有效克服了现有深度学习方法的局限性	未提及具体的数据集规模限制或模型计算复杂度问题	提高高光谱遥感图像中作物分类的精度和鲁棒性	高光谱遥感图像中的农作物	计算机视觉	NA	高光谱遥感	Transformer	图像	Indian Pines、Pavia University和Salinas基准数据集
2016	2025-02-28	Machine Learning-Based Approaches for Breast Density Estimation from Mammograms: A Comprehensive Review 2025-Jan-26, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11020038 PMID:39997539	综述	本文全面回顾了基于机器学习的乳腺密度估计方法，重点关注从乳腺X线照片中估计乳腺密度的技术	强调机器学习方法在乳腺密度估计中的应用，特别是传统机器学习和深度学习方法，如支持向量机（SVMs）和卷积神经网络（CNNs）	当前研究存在主观性和成本效率低的问题	改进乳腺密度估计方法，以提高乳腺癌的早期检测和诊断	乳腺X线照片	计算机视觉	乳腺癌	机器学习	SVM, CNN	图像	NA
2017	2025-02-28	Optimizing Deep Learning Models for Climate-Related Natural Disaster Detection from UAV Images and Remote Sensing Data 2025-Jan-24, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11020032 PMID:39997534	研究论文	本研究利用人工智能从无人机图像和遥感数据中检测与气候相关的自然灾害	创建了一个新的数据集，优化了机器学习模型，并首次将荒漠化作为深度学习检测的自然灾害之一	研究仅考虑了洪水和荒漠化两种自然灾害，且数据集规模相对较小	优化深度学习模型以检测与气候相关的自然灾害	洪水和荒漠化自然灾害	计算机视觉	NA	深度学习	CNN, DenseNet201, VGG16, ResNet50	图像	6334张无人机和卫星图像
2018	2025-02-28	GCNet: A Deep Learning Framework for Enhanced Grape Cluster Segmentation and Yield Estimation Incorporating Occluded Grape Detection with a Correction Factor for Indoor Experimentation 2025-Jan-24, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11020034 PMID:39997536	研究论文	本文提出了一种名为GCNet的深度学习框架，用于增强葡萄串分割和产量估计，通过引入遮挡葡萄检测和校正因子来解决室内实验中的挑战	GCNet框架结合了深度学习技术和校正因子，首次在葡萄串分割中引入了遮挡调整，提高了在叶子和葡萄串紧凑情况下的分割精度，为农业室内成像分析设定了新标准	该研究主要针对室内实验环境，未涉及户外自然环境下的葡萄产量估计	提高葡萄产量估计的准确性，特别是在室内环境下	葡萄串	计算机视觉	NA	深度学习	GCNet	图像	NA
2019	2025-02-28	Mining Suicidal Ideation in Chinese Social Media: A Dual-Channel Deep Learning Model with Information Gain Optimization 2025-Jan-24, Entropy (Basel, Switzerland) DOI:10.3390/e27020116 PMID:40003113	研究论文	本文提出了一种基于中文社交媒体的双通道深度学习模型DSI-BTCNN，用于识别自杀意念，并通过信息增益优化提高检测能力	提出了一种新的双通道模型DSI-BTCNN，结合信息增益优化的IDFN融合机制，有效分配计算资源以捕捉与自杀相关的关键特征	模型仅在中文社交媒体数据上进行了评估，未涉及其他语言或平台的数据	通过深度学习模型及时识别社交媒体上的自杀意念，以支持全球自杀预防工作	中文社交媒体数据	自然语言处理	NA	深度学习	DSI-BTCNN（双通道卷积神经网络）	文本	定制数据集
2020	2025-02-28	Immunohistochemistry-Free Enhanced Histopathology of the Rat Spleen Using Deep Learning 2025-Jan, Toxicologic pathology IF:1.4Q4 DOI:10.1177/01926233241303907 PMID:39726256	研究论文	本文开发了一种深度学习模型，用于从H&E染色切片中定量分析大鼠脾脏的相关区域，包括动脉周围淋巴鞘、滤泡、生发中心和边缘区	创新点在于无需免疫组化染色，直接利用H&E染色切片通过深度学习模型高精度识别脾脏各区域	目前仅应用于正常大鼠脾脏，未来需扩展至其他淋巴组织	提高免疫系统增强组织病理学评估的准确性和精确性，同时提升病理学家的工作效率	大鼠脾脏	数字病理学	NA	深度学习	深度学习模型	图像	正常大鼠脾脏切片