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
2341	2025-01-29	Machine learning and deep learning to improve prevention of anastomotic leak after rectal cancer surgery 2025-Jan-27, World journal of gastrointestinal surgery IF:1.8Q2 DOI:10.4240/wjgs.v17.i1.101772 PMID:39872776	研究论文	本文探讨了机器学习和深度学习在预测和预防直肠癌手术后吻合口漏（AL）中的应用	利用AI技术分析临床数据，识别术前和术中的风险因素，提供术中反馈，以减少AL的发生	未提及具体的数据集大小或模型验证的详细结果	提高直肠癌手术后吻合口漏的预防效果	直肠癌手术患者	机器学习	直肠癌	机器学习和深度学习	NA	临床数据	NA
2342	2025-01-30	Deep 3D-DIC using a coarse-to-fine network for robust and accurate 3D shape and displacement measurements 2025-Jan-27, Optics express IF:3.2Q2 DOI:10.1364/OE.549759 PMID:39876362	研究论文	本文提出了一种基于深度学习的3D数字图像相关（3D-DIC）方法，通过粗到细的网络G-RAFT实现大范围且精确的图像位移估计	提出了一种新的学习型3D-DIC方法，结合GMA网络和RAFT-DIC技术，解决了传统方法在大位移估计和精度上的不足	虽然方法在复杂表面场景中表现出色，但未明确提及其在其他特定场景或数据上的适用性	解决传统数字图像相关方法在三维测量中的局限性，特别是大位移估计和精度问题	三维形状和位移测量	计算机视觉	NA	深度学习，数字图像相关（DIC）	G-RAFT, GMA, RAFT-DIC	图像	未明确提及具体样本数量
2343	2025-01-30	Deep learning-based polarization 3D imaging method for underwater targets 2025-Jan-27, Optics express IF:3.2Q2 DOI:10.1364/OE.541298 PMID:39876365	研究论文	本文提出了一种基于深度学习的偏振3D成像方法，用于水下目标的3D形状重建	提出了一种基于Attention UNet的网络框架，用于水下偏振图像的3D重建，解决了方位角模糊问题并减少了纹理损失	缺乏公开的水下偏振3D成像数据集，需要自行模拟Jerlov Type I水条件进行数据采集	开发高精度的水下3D成像技术，解决光在水中的吸收和散射问题	水下目标的3D形状重建	计算机视觉	NA	偏振成像	Attention UNet	图像	模拟Jerlov Type I水条件下采集的水下偏振图像数据集
2344	2025-01-30	Accurate deep learning based method for real-time directly modulated laser modeling 2025-Jan-27, Optics express IF:3.2Q2 DOI:10.1364/OE.549604 PMID:39876387	研究论文	本文介绍了一种基于深度学习的实时直接调制激光器建模方法，旨在通过降低计算复杂度实现高精度	采用双向长短期记忆网络（BiLSTM）并结合高级特征重校准和非线性拟合技术，提出了一种新的数据驱动方法，用于实时模拟直接调制激光器的动态行为	未提及具体局限性	开发一种高精度且计算复杂度低的直接调制激光器实时建模方法	直接调制激光器（DMLs）	机器学习	NA	深度学习	BiLSTM, LSTM, RNN	NA	NA
2345	2025-01-30	Predicting Chern numbers in photonic crystals using generative adversarial network-based data augmentation 2025-Jan-27, Optics express IF:3.2Q2 DOI:10.1364/OE.544553 PMID:39876434	研究论文	本文提出了一种基于生成对抗网络（GAN）的数据增强方法，用于预测二维光子晶体的Chern数，解决了训练数据不足的问题	提出了一种数值到图像的生成对抗网络（GAN）数据增强方法，显著提高了Chern数预测的准确性	方法主要针对二维光子晶体，尚未验证在其他复杂物理系统中的适用性	通过深度学习结合麦克斯韦方程，预测二维光子晶体的Chern数，以实现光子功能传输和控制的优化	二维光子晶体	机器学习	NA	生成对抗网络（GAN）	GAN	数值数据、图像数据	未明确说明样本数量
2346	2025-01-30	Unpaired learning for digital holographic reconstruction and generation 2025-Jan-27, Optics express IF:3.2Q2 DOI:10.1364/OE.551211 PMID:39876466	研究论文	本文提出了一种新的深度学习方法，利用较少的未配对数据训练神经网络，以减少对标记数据的需求，并实现数字全息重建和生成	首次展示了基于物理的高质量实验全息模拟器，能够同时重建复杂振幅并生成实验合成全息图	需要进一步验证该方法在不同数据集和实际应用中的泛化能力	解决数字全息术中传统数值重建方法的问题，如不准确、耗时的解包裹或需要捕捉多个不同衍射距离的全息图	数字全息重建和生成	计算机视觉	NA	CycleGAN	GAN	图像	未明确说明样本数量
2347	2025-01-30	Multifrequency spherical cloak in microwave frequencies enabled by deep learning 2025-Jan-13, Optics express IF:3.2Q2 DOI:10.1364/OE.542482 PMID:39876236	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2348	2025-01-30	Graph model-aided optimal iterative decoding technique for LDPC in optical fiber communication 2025-Jan-13, Optics express IF:3.2Q2 DOI:10.1364/OE.534637 PMID:39876298	研究论文	本文提出了一种新的迭代LDPC解码技术GMNN-BP，结合了深度学习和信念传播算法的优势	设计了GMNN-BP解码技术，利用图模型作为深度学习和信念传播算法之间的桥梁，减少了训练数据需求并提高了性能	未提及具体局限性	提高LDPC解码的性能和效率	LDPC解码技术	机器学习	NA	图模型神经网络-信念传播（GMNN-BP）	图模型神经网络	编码数据	使用IEEE 802.3ca标准LDPC码字进行测试
2349	2025-01-30	Physics-informed deep learning for 3D modeling of light diffraction from optical metasurfaces 2025-Jan-13, Optics express IF:3.2Q2 DOI:10.1364/OE.544116 PMID:39876311	研究论文	本文提出了一种基于物理信息神经网络（PINN）的无数据深度学习方法，用于更高效地计算3D光学超表面的光衍射、模拟相应的偏振效应和波前操控	该方法仅从由矢量麦克斯韦方程、Floquet-Bloch边界条件和完美匹配层（PML）表示的物理规律中学习，无需依赖数据，显著提高了计算速度和准确性	NA	研究目的是通过深度学习方法提高光学超表面光衍射计算的效率和准确性	3D光学超表面的光衍射、偏振效应和波前操控	机器学习	NA	物理信息神经网络（PINN）	PINN	NA	NA
2350	2025-01-30	Real-time acoustic monitoring of laser paint removal based on deep learning 2025-Jan-13, Optics express IF:3.2Q2 DOI:10.1364/OE.545906 PMID:39876315	研究论文	本文介绍了一种基于深度学习的实时声学监测方法，用于激光除漆过程中的状态监控	首次将深度学习技术应用于激光除漆过程的实时声学监测，并开发了基于CNN模型的实时监测系统	NA	实现激光除漆过程的实时声学监测	激光除漆过程中产生的声学信号	机器学习	NA	深度学习	CNN	声学信号	NA
2351	2025-01-29	Multi-class Classification of Retinal Eye Diseases from Ophthalmoscopy Images Using Transfer Learning-Based Vision Transformers 2025-Jan-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01416-7 PMID:39871038	研究论文	本研究探索了一种基于迁移学习的视觉变换器（ViTs）和卷积神经网络（CNNs）的方法，用于从眼底图像中分类视网膜疾病，特别是糖尿病视网膜病变、青光眼和白内障	使用眼科特定的预训练ViT骨干网络，显著提高了分类准确性，展示了在医学影像中更广泛应用的潜力	NA	准确识别和分析不同的眼部疾病，包括青光眼、糖尿病视网膜病变和白内障	眼底图像	计算机视觉	眼科疾病	深度学习（DL）	ResNet50, DenseNet121, Inception-ResNetV2, 视觉变换器（ViT）	图像	4217张眼底图像
2352	2025-01-29	In Vivo Confocal Microscopy for Automated Detection of Meibomian Gland Dysfunction: A Study Based on Deep Convolutional Neural Networks 2025-Jan-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01174-y PMID:39871043	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2353	2025-01-29	Validation of UniverSeg for Interventional Abdominal Angiographic Segmentation 2025-Jan-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01349-7 PMID:39871044	研究论文	本研究探讨了使用UniverSeg模型进行介入性腹部血管造影分割的可行性，该模型是一种缺乏固有血管造影训练的跨学习分割模型	首次在介入性血管造影数据上验证了UniverSeg模型的自动分割能力，并展示了其在血管疾病建模和影像研究中的潜力	研究仅基于回顾性数据，且样本量有限，可能影响模型的泛化能力	验证UniverSeg模型在介入性血管造影分割中的有效性，以支持血管疾病的评估和影像研究	234名接受介入性荧光透视检查的患者，共261次采集，303张最大对比度图像	计算机视觉	心血管疾病	介入性荧光透视	UniverSeg	图像	234名患者，261次采集，303张图像
2354	2025-01-29	Deep Drug-Target Binding Affinity Prediction Base on Multiple Feature Extraction and Fusion 2025-Jan-21, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c08048 PMID:39866608	研究论文	本文提出了一种基于多特征提取和融合的深度药物-靶标结合亲和力预测模型BTDHDTA，旨在提高药物发现中的预测准确性	BTDHDTA模型通过双向门控循环单元（GRU）、Transformer编码器和扩张卷积提取药物和靶标的全局、局部及其相关性特征，并引入结合卷积神经网络和高速公路连接的模块来融合药物和蛋白质的深层特征	模型在特征提取和融合过程中可能仍存在一定的计算复杂性和数据依赖性	提高药物-靶标结合亲和力（DTA）预测的准确性，以促进药物发现	药物和靶标数据	机器学习	NA	深度学习	BTDHDTA（结合GRU、Transformer编码器、扩张卷积和CNN的模型）	序列数据	三个基准数据集（Davis、KIBA和Metz）以及3137种FDA批准药物与SARS-CoV-2复制相关蛋白的结合亲和力预测
2355	2025-01-28	Plant Detection in RGB Images from Unmanned Aerial Vehicles Using Segmentation by Deep Learning and an Impact of Model Accuracy on Downstream Analysis 2025-Jan-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11010028 PMID:39852341	研究论文	本文提出了一种基于深度学习的图像分割方法，用于从无人机获取的图像中检测五种植物，并探讨了模型精度对后续分析的影响	通过结合无人机图像和深度学习算法，提出了一种新的植物检测方法，并分析了模型精度对纹理特征估计的影响	不同分辨率和标记质量的图像对模型性能的影响可能导致对田间种植模式特性的错误结论	提高无人机图像中植物检测的准确性，并评估其对后续纹理特征分析的影响	五种植物	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	12个正射影像和17个来自Roboflow服务的数据集
2356	2025-01-28	Deep Learning in Oral Hygiene: Automated Dental Plaque Detection via YOLO Frameworks and Quantification Using the O'Leary Index 2025-Jan-20, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15020231 PMID:39857115	研究论文	本研究利用先进的YOLO架构自动检测牙菌斑的三个阶段（新、成熟和过度成熟），并通过O'Leary指数进行量化，以增强早期干预并减少对人工视觉评估的依赖	首次将YOLOv9、YOLOv10和YOLOv11等YOLO架构应用于牙菌斑检测，并在不同成像条件下验证了其可行性	研究样本量较小（177人），且仅使用了RGB图像，未涉及其他类型的医学影像数据	通过自动检测牙菌斑阶段，优化临床工作流程，支持早期诊断，并减轻低资源社区的口腔健康负担	牙菌斑的三个阶段（新、成熟和过度成熟）	计算机视觉	口腔疾病	YOLO架构	YOLOv9, YOLOv10, YOLOv11	RGB图像	177人，共531张RGB图像
2357	2025-01-29	A Feature-Enhanced Small Object Detection Algorithm Based on Attention Mechanism 2025-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s25020589 PMID:39860960	研究论文	本文提出了一种基于注意力机制的特征增强小目标检测算法，旨在解决无人机图像中小目标检测的挑战	使用YOLOv8s作为基础框架，引入多层次特征融合算法和注意力机制，改进小目标特征提取，并采用动态检测头和Slideloss、ShapeIoU等技术提升检测性能	未提及算法在极端环境或复杂背景下的表现，也未讨论计算资源消耗和实时性	提升无人机图像中小目标检测的准确性和召回率	无人机图像中的小目标	计算机视觉	NA	多层次特征融合算法、注意力机制、动态检测头、Slideloss、ShapeIoU	YOLOv8s	图像	VisDrone2019和AI-TODv1.5数据集
2358	2025-01-28	Blink Detection Using 3D Convolutional Neural Architectures and Analysis of Accumulated Frame Predictions 2025-Jan-19, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11010027 PMID:39852340	研究论文	本文提出并比较了用于检测视频帧序列中眨眼的深度学习架构，并提出了结合形态学处理和水域分割的帧预测累加器来检测眨眼及其起止帧	提出了两种不同的3D卷积神经网络（简单的3D CNN和3D ResNet）以及结合分类器的3D自编码器，并引入了帧预测累加器结合形态学处理和水域分割的新方法	样本量相对较小，仅涉及9名参与者的训练数据和8名参与者的测试数据	开发一种有效的眨眼检测方法，用于临床条件和疲劳状态的评估	视频帧序列中的眨眼	计算机视觉	NA	深度学习	3D CNN, 3D ResNet, 3D autoencoder	视频	9名参与者的训练数据和8名参与者的测试数据，共162,400帧和1172次眨眼
2359	2025-01-28	Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS) 2025-Jan-19, Cancers IF:4.5Q1 DOI:10.3390/cancers17020315 PMID:39858097	研究论文	本研究旨在开发一种基于卷积神经网络（CNN）的模型，用于多中心数据集中的胶质瘤分割，以增强术中超声（ioUS）图像的可解释性	利用多中心数据集开发CNN模型进行胶质瘤分割，支持多中心ioUS图像分割的可行性	未来工作需增强分割细节并探索实时临床应用	开发CNN模型用于胶质瘤分割，以增强术中超声图像的可解释性	胶质瘤患者	数字病理	胶质瘤	CNN	nnU-Net	2D图像	197名受试者（训练集141名，测试集56名，外部验证集53名）
2360	2025-01-28	TBF-YOLOv8n: A Lightweight Tea Bud Detection Model Based on YOLOv8n Improvements 2025-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s25020547 PMID:39860916	研究论文	本文提出了一种基于YOLOv8n改进的轻量级茶叶芽检测模型TBF-YOLOv8n，旨在提高茶叶芽检测的效率和精度	通过引入高效的分布式移位卷积（DSConv）改进C2f模块，结合坐标注意力（CA）机制、SIOU_Loss函数和动态样本上采样算子（DySample），显著提升了模型的检测精度和效率	未提及模型在实际茶园环境中的泛化能力和对不同光照、遮挡等复杂条件的适应性	解决深度学习检测模型计算复杂度高的问题，推动茶叶产业的智能化升级	茶叶芽	计算机视觉	NA	深度学习	YOLOv8n改进模型（TBF-YOLOv8n）	图像	未明确提及具体样本数量