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
21	2025-06-01	Reducing annotation effort in agricultural data: simple and fast unsupervised coreset selection with DINOv2 and K-means 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1546756 PMID:40438735	research paper	该研究提出了一种结合DINOv2和K-means的无监督核心集选择方法，以减少农业数据标注的工作量	结合了最新的基础模型DINOv2作为特征选择器与K-means聚类方法，提出了一种简单有效的核心集选择方法	未提及方法在大规模数据集上的扩展性或计算效率	减少农业应用中深度学习模型训练所需的标注数据量	农业数据	machine learning	NA	DINOv2, K-means	multiclass classification model	image	在两个不同数据集上进行了验证，具体样本量未提及
22	2025-06-01	Deep learning-based anomaly detection for precision field crop protection 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1576756 PMID:40438741	research paper	提出了一种结合IMSFNet和AROS的新型框架，用于精准农业中的异常检测和资源优化	整合了多模态数据融合和时空建模的IMSFNet，以及基于实时环境反馈的AROS资源优化策略	未提及具体实验样本量和跨地区应用的普适性验证	优化精准农业中的作物保护和资源利用效率	农田作物健康异常（病虫害爆发、疾病传播、营养缺乏等）	精准农业	NA	多模态数据融合（无人机、卫星、地面传感器、气象站数据）	IMSFNet（集成多模态智能农业网络）	多源时空数据	NA
23	2025-06-01	Optimizing drug synergy prediction through categorical embeddings in deep neural networks 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf033 PMID:40438791	研究论文	本文研究了在深度神经网络中使用分类嵌入来优化药物协同预测	利用分类嵌入捕捉类别元素间的相似性，特别是在数据稀缺情况下表现出优势	未提及具体的数据集规模或模型验证的局限性	提高药物协同作用的预测准确性	药物组合的协同作用	机器学习	癌症	深度神经网络	DNN	药物组合数据	NA
24	2025-06-01	A deep learning-based algorithm for the detection of personal protective equipment 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0322115 PMID:40440260	研究论文	提出一种基于YOLOv8n改进的深度学习算法，用于提高建筑工地个人防护装备(PPE)的检测准确率	设计了多尺度组卷积模块(MSGP)和多尺度特征扩散金字塔网络(MFDPN)，引入可变形卷积网络v2(DCNV2)模块处理几何尺度变换，并应用结构化剪枝技术降低计算和参数负载	未提及模型在其他场景或不同类型PPE上的泛化能力	提高建筑工地个人防护装备的检测准确率	建筑工地监控图像中的个人防护装备	计算机视觉	NA	深度学习	YOLOv8n改进模型(MFD-YOLO)	图像	未明确说明具体样本数量，仅提及建筑工地监控图像
25	2025-06-01	Do Sharpness-Based Optimizers Improve Generalization in Medical Image Analysis? 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/ACCESS.2025.3568641 PMID:40443707	research paper	本文评估了基于锐度的优化器在医学图像分析中提高深度学习模型泛化性能的效果	首次在医学图像数据集上全面评估了多种基于锐度的优化器，发现SAM是唯一能一致提升泛化性能的方法	仅评估了三种医学图像数据集，结果可能不适用于所有医学图像类型	评估基于锐度的优化器在医学图像分析中提高模型泛化性能的效果	医学图像数据集（乳腺超声、胸部X光和结肠组织病理学图像）	digital pathology	breast cancer, lung disease, colon disease	deep learning optimization	CNN, vision transformers	image	三种医学图像数据集
26	2025-06-01	Advances in Electrocardiogram-Based Artificial Intelligence Reveal Multisystem Biomarkers 2025, Journal of clinical & experimental cardiology PMID:40443717	review	本文讨论了基于心电图（ECG）的人工智能（AI）在临床心脏病学中的应用进展、局限性、未来方向及公平性考量	使用基于ECG的深度学习模型识别心脏壁运动异常，并超越人类专家解读	讨论了当前深度学习模型在ECG应用中的局限性及未来改进方向	探讨AI在临床心脏病学中的诊断、预后和治疗应用	心电图（ECG）数据	machine learning	cardiovascular disease	Deep Learning (DL)	DL	ECG数据	NA
27	2025-06-01	XLLC-Net: A lightweight and explainable CNN for accurate lung cancer classification using histopathological images 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0322488 PMID:40445896	research paper	介绍了一种轻量级且可解释的CNN模型XLLC-Net，用于从组织病理学图像中准确分类肺癌	提出了一种轻量级且可解释的CNN模型XLLC-Net，具有高效的训练速度和较高的分类准确率，同时集成了可解释AI技术以增强模型透明度	仅使用了LC25000数据集中的三类肺癌数据进行研究，未涵盖其他类型的肺癌或更广泛的数据集	开发一种轻量级且可解释的深度学习模型，用于肺癌的准确分类	肺癌的组织病理学图像	digital pathology	lung cancer	CNN	XLLC-Net	image	LC25000数据集中的三类肺癌数据
28	2025-06-01	EODA: A three-stage efficient outlier detection approach using Boruta-RF feature selection and enhanced KNN-based clustering algorithm 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0322738 PMID:40445940	研究论文	提出了一种名为EODA的三阶段高效异常值检测方法，结合Boruta-RF特征选择和增强的KNN聚类算法	通过Boruta-RF特征选择减少数据规模，改进KNN算法以提高聚类阶段的最近邻识别准确性，并高效识别聚类数据集中的显著异常值	未提及具体的数据规模限制或计算资源需求	提高异常值检测的准确性和效率	UCI机器学习库中的八个数据集	机器学习	NA	Boruta-RF特征选择，KNN聚类算法	Random Forest, KNN	结构化数据	八个UCI机器学习库数据集
29	2025-06-01	Deep learning reconstruction of free-breathing, diffusion-weighted imaging of the liver: A comparison with conventional free-breathing acquisition 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320362 PMID:40445963	research paper	本研究比较了使用深度学习重建的自由呼吸扩散加权成像（FB-DL-DWI）与传统自由呼吸扩散加权成像（FB-C-DWI）在肝脏MRI中的图像质量和实体性肝脏局灶性病变（FLL）评估	首次将深度学习重建技术应用于自由呼吸扩散加权成像，显著提高了图像质量和病变检测率，同时缩短了扫描时间	FB-DL-DWI表现出比FB-C-DWI更强的伪影感觉	比较两种扩散加权成像技术在肝脏MRI中的表现	199名接受临床肝脏MRI检查的患者	digital pathology	liver disease	diffusion-weighted imaging (DWI), deep learning reconstruction	deep learning	MRI images	199名患者（其中110名患有慢性肝病），138个实体性肝脏局灶性病变
30	2025-06-01	Prediction of drug-target interactions based on substructure subsequences and cross-public attention mechanism 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0324146 PMID:40445972	研究论文	提出了一种基于子结构序列和交叉公共注意力机制的药物-靶标相互作用预测模型SSCPA-DTI	采用多特征信息挖掘模块(MIMM)提取药物和蛋白质的原始和子结构特征，并利用交叉公共注意力模块(CPA)整合特征和提取相互作用信息，提高了预测准确性和可解释性	仅在三个公共数据集上进行了实验，可能需要更多数据验证模型的泛化能力	提高药物-靶标相互作用预测的准确性和可解释性	药物和蛋白质的相互作用	机器学习	NA	深度学习	SSCPA-DTI	序列数据(药物SMILES序列和蛋白质序列)	三个公共数据集
31	2025-06-01	Enhancing the dataset of CycleGAN-M and YOLOv8s-KEF for identifying apple leaf diseases 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321770 PMID:40445983	研究论文	本研究提出了一种基于深度学习的方法，通过增强CycleGAN-M网络和改进YOLOv8s-KEF模型，提高苹果叶病害识别的准确性和鲁棒性	使用多尺度注意力机制增强CycleGAN-M网络生成合成样本，改进YOLOv8s-KEF模型的特征提取能力，特别是针对小病灶和复杂纹理的识别	模型大小增加了6MB，可能会影响在资源受限设备上的部署	提高苹果叶病害识别的准确性和鲁棒性，解决数据集有限、样本量小和识别精度低的问题	苹果叶病害	计算机视觉	植物病害	深度学习	CycleGAN-M, YOLOv8s-KEF	图像	NA
32	2025-06-01	ArsenicNet: An efficient way of arsenic skin disease detection using enriched fusion Xception model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0322405 PMID:40446004	research paper	本研究提出了一种名为ArsenicNet的深度学习模型，用于高效检测砷皮肤疾病	结合Xception模型和Inception模块的融合方法，命名为ArsenicNet，在砷皮肤疾病检测中表现出色	数据集仅包含1287个样本，且基于孟加拉国人群，可能限制模型的泛化能力	开发一种高效准确的砷皮肤疾病检测方法，以应对饮用水砷污染带来的健康风险	砷皮肤疾病患者	digital pathology	砷中毒	深度学习	Xception与Inception模块融合的ArsenicNet	image	1287个样本（来自孟加拉国人群）
33	2025-06-01	Segmentation-based deep 2D-3D multibranch learning approach for effective hyperspectral image classification 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321559 PMID:40446012	research paper	提出了一种基于分割的深度2D-3D多分支学习方法，用于高光谱图像分类	结合了Segmented Principal Component Analysis (SPCA)和minimum-Redundancy-Maximum-Relevance (mRMR)技术，提出了一种新颖的多层多分支2D-3D CNN模型	未明确提及具体限制	解决高光谱图像分类中的数据冗余、计算成本高、样本量不足和维度诅咒等问题	高光谱图像(HSIs)	computer vision	NA	Segmented Principal Component Analysis (SPCA), minimum-Redundancy-Maximum-Relevance (mRMR)	2D-3D CNN	hyperspectral image	Salinas Scene, University of Pavia, and Indian Pines hyperspectral image datasets
34	2025-05-31	Classification of Major Depressive Disorder Using Vertex-Wise Brain Sulcal Depth, Curvature, and Thickness with a Deep and a Shallow Learning Model 2025-Jan-24, ArXiv PMID:39975425	research paper	该研究利用深度学习模型和浅层学习模型，基于顶点级别的大脑沟深度、曲率和厚度特征，对重度抑郁症（MDD）进行分类	首次整合顶点级别的皮层形态特征，并比较DenseNet和SVM在MDD分类中的性能，同时应用ComBat协调工具消除多中心数据的潜在干扰效应	两种分类器在未见过的中心数据上表现接近随机水平，表明当前特征和分类器组合无法有效区分MDD和健康对照组	探索基于脑形态学特征的MDD自动诊断方法	重度抑郁症患者（MDD）和健康对照组（HC）	神经影像分析	重度抑郁症	脑形态学特征分析，ComBat数据协调	DenseNet, SVM	脑结构MRI数据	7,012名参与者（2,772名MDD患者和4,240名HC），来自30个中心
35	2025-05-31	An interpretable multi-scale convolutional attention residual neural network for glioma grading with Raman spectroscopy 2025-Jan-23, Analytical methods : advancing methods and applications IF:2.7Q1 DOI:10.1039/d4ay02068e PMID:39686848	研究论文	本文提出了一种多尺度卷积注意力残差网络（M-SCA ResNet），用于通过拉曼光谱对胶质瘤进行分级	结合多尺度通道和空间注意力机制以及残差结构，提升了模型的特征提取能力，并通过Grad-CAM增强了模型的可解释性	NA	提高胶质瘤分级的准确性和可解释性，辅助医生制定个性化手术方案	高级别胶质瘤（HGG）、低级别胶质瘤（LGG）和正常组织	数字病理	胶质瘤	拉曼光谱	M-SCA ResNet	光谱数据	NA
36	2025-05-31	Integrating pharmacogenomics and cheminformatics with diverse disease phenotypes for cell type-guided drug discovery 2025-Jan-20, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-025-01431-x PMID:39833831	研究论文	提出了一种基于网络的统计方法Pathopticon，整合药物基因组学和化学信息学数据，用于细胞类型依赖的药物发现	开发了Pathopticon方法，结合细胞类型特异性基因-药物扰动网络与化学信息学数据，改进了药物发现的预测性能	方法依赖于现有数据库（如CMap、Enrichr、ChEMBL）的数据质量和覆盖范围	开发一种细胞类型特异性的药物发现和重新定位平台	药物基因组学和化学信息学数据，以及多种疾病表型	计算药物发现	血管疾病	QUIZ-C统计方法、qPCR实验	网络分析方法	基因表达数据、化学结构数据	569个疾病特征（来自Enrichr数据库）、73个基因集（来自MSigDB）
37	2025-05-31	Using artificial intelligence and statistics for managing peritoneal metastases from gastrointestinal cancers 2025-Jan-15, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elae049 PMID:39736152	research paper	本研究探讨了人工智能和统计方法在分析和处理胃肠道癌症引起的腹膜转移中的应用	比较了AI方法与传统统计方法在腹膜转移管理中的表现，发现深度学习方法表现最佳	样本量是影响模型预测准确性的关键因素，但研究未涉及具体样本量数据	探索AI和统计方法在胃肠道癌症腹膜转移管理中的应用	腹膜转移（PM）由胃肠道癌症引起	machine learning	gastrointestinal cancers	conventional machine learning (ML), deep learning (DL), biostatistics, logistic models	ML, DL	NA	NA
38	2025-05-31	A hybrid machine learning approach for the personalized prognostication of aggressive skin cancers 2025-Jan-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-024-01329-9 PMID:39779875	research paper	该研究开发了一种名为'DeepMerkel'的基于网络的个性化预后工具，用于Merkel细胞癌（MCC）的个性化生存预测	结合深度学习特征选择和改进的XGBoost框架，开发了首个针对MCC的个性化预后工具，并通过国际临床队列验证了其预测性能优于现有基于人群的预后分期系统	未提及具体样本量或数据收集的限制	开发个性化机器学习预后工具，用于Merkel细胞癌（MCC）的生存预测	Merkel细胞癌（MCC）患者	machine learning	skin cancer	deep learning feature selection, XGBoost	XGBoost	clinical information	NA
39	2025-05-31	HVSeeker: a deep-learning-based method for identification of host and viral DNA sequences 2025-Jan-06, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giaf037 PMID:40372723	research paper	HVSeeker是一种基于深度学习的方法，用于区分细菌和噬菌体序列	HVSeeker结合了两种独立的模型（DNA序列和蛋白质分析）以及三种预处理方法（填充、contigs组装和滑动窗口），在识别未知噬菌体基因组方面表现出色	NA	开发一种能够从混合宏基因组中准确识别宿主和病毒序列的方法	细菌和噬菌体序列	bioinformatics	NA	deep learning	HVSeeker（包含DNA序列和蛋白质分析两个独立模型）	DNA序列和蛋白质序列	测试数据来自NCBI和IMGVR数据库，序列长度范围200到1,500碱基对
40	2025-05-31	Foundation models in ophthalmology: opportunities and challenges 2025-Jan-01, Current opinion in ophthalmology IF:3.0Q1 DOI:10.1097/ICU.0000000000001091 PMID:39329204	review	本文探讨了眼科学中基础模型的机遇与挑战，特别是RETFound和大型语言模型（如GPT-4和Gemini）的应用	介绍了首个眼科学基础模型RETFound，并探讨了大型语言模型在眼科学任务中的表现	高质量眼科学数据集的缺乏以及训练多模态模型所需的巨大计算资源	探索眼科学中基础模型和大型语言模型的发展机遇与挑战	眼科学基础模型和大型语言模型	digital pathology	NA	NA	RETFound, GPT-4, Gemini	multimodal data	NA