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
61	2025-05-31	Rice disease detection method based on multi-scale dynamic feature fusion 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1543986 PMID:40433155	research paper	提出了一种基于多尺度动态特征融合的水稻病害检测方法，旨在提高复杂农田环境中水稻叶片病害检测的准确性，并便于深度学习模型在移动终端上的部署以实现快速实时推理	引入了YOLOv11-MSDFF-RiceD网络，采用ParameterNet概念设计了FlexiC3k2Net模块和高效多尺度特征融合模块（EMFFM），优化了模型的性能并减少了计算复杂度和内存占用	在准确率提升方面仅有1.7%的改进，可能在某些高精度要求的场景下表现有限	提高水稻叶片病害检测的准确性，并优化模型以适应移动终端的部署	水稻叶片病害	computer vision	plant disease	deep learning	YOLOv11-MSDFF-RiceD	image	NA
62	2025-05-31	Integration of smart sensors and phytoremediation for real-time pollution monitoring and ecological restoration in agricultural waste management 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1550302 PMID:40433163	研究论文	本文提出了一种结合生物地球化学模型和深度学习技术的Bio-DANN模型，用于提高农业废物管理和生态恢复中污染物监测和预测的准确性	结合生物地球化学模型和深度学习技术，提出Bio-DANN模型，实时处理多维环境数据，显著提高了污染物监测和生态恢复预测的准确性	未提及模型在极端环境条件下的表现或长期稳定性	开发一种高精度的污染物监测和生态恢复预测技术，以应对全球气候变化和生态退化问题	农业废物管理和生态恢复中的污染物监测与预测	环境科学与深度学习	NA	深度学习技术，包括DNN和注意力机制	Bio-DANN（结合生物地球化学模型和深度学习）	多维环境数据	基于Open Soil Data和NEON数据集进行实验
63	2025-05-31	TS-Resformer: a model based on multimodal fusion for the classification of music signals 2025, Frontiers in neurorobotics IF:2.6Q3 DOI:10.3389/fnbot.2025.1568811 PMID:40433555	研究论文	提出了一种基于多模态融合的音乐信号分类模型TS-Resformer，用于解决音乐流派分类中的特征提取不足和时间序列信息丢失问题	融合残差网络与Transformer编码层的Res-Transformer模型，以及结合不同注意力机制的TS-Resformer模型，设计了时频注意力机制以充分提取音乐的低级特征	未提及模型在大规模数据集上的泛化能力及计算资源消耗情况	提高音乐流派分类的准确率和效率	音乐信号	机器学习	NA	短时傅里叶变换、Mel滤波器、对数压缩	Res-Transformer, TS-Resformer	音频信号	FMA-small数据集
64	2025-05-31	A comprehensive review of machine learning for heart disease prediction: challenges, trends, ethical considerations, and future directions 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1583459 PMID:40433606	review	本文全面回顾了机器学习在心脏病预测中的应用，包括技术进展、挑战和未来前景	展示了机器学习方法从传统分类器到混合深度学习和联邦学习框架的进展，并讨论了伦理问题和模型透明度	讨论了数据集限制和模型透明度问题	开发人工智能驱动的临床适用心脏病预测系统	心脏病预测的机器学习应用	machine learning	cardiovascular disease	机器学习	CNN-LSTM, 混合深度学习, 联邦学习	医疗健康数据	NA
65	2025-05-31	Deep learning classification of drainage crossings based on high-resolution DEM-derived geomorphological information 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1561281 PMID:40433605	研究论文	本研究利用高分辨率数字高程模型（HRDEM）衍生的地貌信息，开发了先进的CNN模型EfficientNetV2，用于排水交叉分类	首次将HRDEM衍生的地貌特征（如POS、几何曲率和TPI）与先进的CNN模型结合，用于排水交叉分类，并通过XAI技术解释关键图像片段	研究未明确说明样本量大小，且仅测试了特定类型的HRDEM数据层	提高排水交叉分类的准确性	排水交叉	计算机视觉	NA	LiDAR, InSAR	CNN, EfficientNetV2	图像	NA
66	2025-05-31	Performance of deep learning models for automatic histopathological grading of meningiomas: a systematic review and meta-analysis 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1536751 PMID:40433621	系统综述和荟萃分析	本文通过系统综述和荟萃分析评估深度学习模型在脑膜瘤自动病理分级中的诊断性能	首次全面评估深度学习模型在脑膜瘤分级中的表现，并提供了高精度的诊断性能数据	研究中存在中等到高度的异质性（I2 = 79.7%）	评估深度学习模型在脑膜瘤自动病理分级中的诊断性能	脑膜瘤患者的影像数据	数字病理	脑膜瘤	深度学习	DL	影像数据	27项研究，涉及13,130名患者
67	2025-05-31	DualDistill: a dual-guided self-distillation approach for carotid plaque analysis 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1554578 PMID:40443518	research paper	提出一种名为DualDistill的自蒸馏框架，用于提高颈动脉斑块超声视频分类的准确性和泛化性能	引入了两种新策略：帧内关系引导策略以捕捉长期时间依赖性，以及时空注意力引导策略以减少无关特征和噪声的影响	研究基于有限的数据集（317个颈动脉斑块超声视频），可能影响模型的泛化能力	提高颈动脉斑块分类的准确性，以可靠评估心血管疾病风险	颈动脉斑块的超声视频	computer vision	cardiovascular disease	self-distillation	3D ResNet50	video	317个颈动脉斑块超声视频
68	2025-05-29	Deep learning-based malaria parasite detection: convolutional neural networks model for accurate species identification of Plasmodium falciparum and Plasmodium vivax 2025-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87979-5 PMID:39885248	research paper	该研究提出了一种基于卷积神经网络（CNN）的模型，用于从厚血涂片中准确分类感染疟原虫（P. falciparum和P. vivax）和未感染的白细胞	该模型通过七通道输入显著提高了疟原虫物种识别的准确性，解决了以往模型难以区分不同疟原虫物种的问题	模型尚未在实际质量图像上进行全面测试，目前正在开发适用于偏远地区的综合检测工具	提高疟疾诊断的准确性，特别是疟原虫物种的精确识别	感染P. falciparum、P. vivax的细胞和未感染的白细胞	digital pathology	malaria	CNN	CNN	image	12,954例（测试集），64,126例（交叉验证）
69	2025-05-29	Deep Learning for the Accurate Prediction of Triggered Drug Delivery 2025-01, IEEE transactions on nanobioscience IF:3.7Q3 DOI:10.1109/TNB.2024.3426291 PMID:39018211	研究论文	本研究利用深度学习技术准确预测触发式药物递送系统中药物的释放行为	结合实验测量与深度学习技术开发预测模型，显著优于线性预测方法	未提及具体临床验证结果或人体试验数据	提高化疗药物递送的精确性和有效性	脂质体和金属有机框架纳米载体	机器学习	癌症	深度学习	深度学习模型	实验测量数据	未明确说明样本数量
70	2025-05-29	High-Risk Sequence Prediction Model in DNA Storage: The LQSF Method 2025-01, IEEE transactions on nanobioscience IF:3.7Q3 DOI:10.1109/TNB.2024.3424576 PMID:38976468	研究论文	本文介绍了一种名为LQSF的创新方法，利用深度学习模型预测DNA存储中的高风险序列，以提高存储效率和减少错误	提出了LQSF方法，首次在DNA存储技术中引入主动序列过滤，利用深度学习模型在编码阶段预测和过滤低质量序列	未提及具体的数据集规模限制或模型在不同类型DNA序列上的泛化能力	提高DNA存储技术的效率和准确性，减少合成和测序阶段的错误	DNA存储中的序列质量预测	机器学习	NA	深度学习	Alexnet, VGG16, VGG19	DNA序列数据	未提及具体样本数量，但使用了多种神经网络和测试集进行广泛训练和测试
71	2025-05-29	Automated Radiology Report Generation: A Review of Recent Advances 2025, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2024.3408456 PMID:38829752	综述	本文对自动放射学报告生成（ARRG）的最新进展进行了方法论回顾，包括数据集评估、深度学习训练方法、模型架构、临床知识整合技术和模型评估技术	全面评估了当代ARRG方法，包括数据集特性、深度学习训练方法、最先进模型架构、临床知识整合技术和模型评估技术，并分析了定量结果和未来发展方向	未提及具体研究中的样本量限制或数据偏差问题	回顾和评估自动放射学报告生成（ARRG）领域的最新研究进展	自动放射学报告生成（ARRG）的研究方法和技术	医学影像分析	NA	深度学习、对比学习、强化学习	CNN、transformer模型	医学影像、文本报告	NA
72	2025-05-29	Deep Learning in Breast Cancer Imaging: A Decade of Progress and Future Directions 2025, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2024.3357877 PMID:38265911	review	本文综述了过去十年深度学习在乳腺癌影像分析中的进展，并探讨了未来的研究方向	全面回顾了深度学习在乳腺癌影像分析中的应用，并提出了未来研究的挑战和潜在方向	未提及具体的技术局限性，主要是对现有研究的总结和未来方向的探讨	总结深度学习在乳腺癌影像分析中的进展，并探讨未来研究方向	乳腺癌影像数据，包括乳腺X光、超声、磁共振成像和数字病理图像	digital pathology	breast cancer	NA	deep learning	image	NA
73	2025-05-29	Skeleton-guided 3D convolutional neural network for tubular structure segmentation 2025-Jan, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-024-03215-x PMID:39264412	研究论文	提出了一种结合骨架信息的3D深度学习网络，用于提高管状结构分割的准确性	引入了骨架引导模块和sigmoid-adaptive Tversky损失函数，专门用于骨架分割	NA	提高管状结构在医学图像中的分割准确性	胸部CT体积图像和腹部CT体积图像中的管状结构	计算机视觉	NA	3D卷积网络	CNN	3D医学图像	90例胸部CT体积图像和35例腹部CT体积图像
74	2025-05-29	Melanoma Breslow Thickness Classification Using Ensemble-Based Knowledge Distillation With Semi-Supervised Convolutional Neural Networks 2025-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3465929 PMID:39302772	研究论文	该研究利用半监督卷积神经网络和基于集成知识蒸馏的方法，对黑色素瘤的Breslow厚度进行分类	采用半监督学习和多教师集成知识蒸馏方法，提高了黑色素瘤分类任务的性能	研究依赖于多个数据集，可能存在数据异质性问题	开发一种自动深度学习诊断系统，支持医学专家对黑色素瘤的分类和Breslow厚度预测	黑色素瘤的dermoscopic图像	数字病理学	黑色素瘤	半监督学习、知识蒸馏	CNN	图像	四个不同来源的数据集
75	2025-05-29	MFRC-Net: Multi-Scale Feature Residual Convolutional Neural Network for Motor Imagery Decoding 2025-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3467090 PMID:39316474	research paper	提出了一种轻量级的多尺度特征残差卷积神经网络（MFRC-Net）用于运动想象解码	结合了时间多尺度残差卷积块和跨域双流空间卷积块，显著提升了轻量级模型的性能	未提及模型在其他数据集上的泛化能力	提高运动想象解码的准确性和降低计算资源需求	脑电图（EEG）信号	machine learning	NA	EEG信号处理	CNN	EEG信号	BCI Competition IV 2a数据集和SHU数据集
76	2025-05-29	Data- and Physics-Driven Deep Learning Based Reconstruction for Fast MRI: Fundamentals and Methodologies 2025, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2024.3485022 PMID:39437302	综述	本文综述了利用数据和物理驱动模型加速MRI扫描的最新进展，包括算法展开模型、增强方法、即插即用模型以及生成模型方法	探讨了数据模型与物理基础的协同整合，包括多线圈硬件加速和采样模式优化，并提出了数据协调和联邦学习在MRI重建中的潜在作用	未提及具体实验数据或样本量，可能缺乏实证支持	提高MRI扫描速度，改善患者舒适度和图像质量	MRI扫描技术和图像重建方法	医学影像处理	NA	并行成像、同时多层成像	生成模型、算法展开模型	医学影像数据	NA
77	2025-05-29	Solving the Inverse Problem of Electrocardiography for Cardiac Digital Twins: A Survey 2025, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2024.3486439 PMID:39453795	综述	本文全面回顾了解决心电图逆问题的方法、验证策略、临床应用及未来展望	将最先进的方法分为确定性和概率性两类，包括传统和基于深度学习的技术，并探讨了物理定律与深度学习模型结合的潜力	存在准确捕捉动态电生理、获取准确领域知识以及量化预测不确定性等挑战	推动心脏数字孪生（CDTs）的研究，解决心电图逆问题以重建心脏源并估计患者特异性电生理参数	心脏数字孪生（CDTs）和心电图（ECG）数据	数字病理学	心血管疾病	深度学习与传统计算方法的结合	深度学习模型	ECG数据	NA
78	2025-05-29	A Survey of Few-Shot Learning for Biomedical Time Series 2025, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2024.3492381 PMID:39504299	综述	本文全面回顾和比较了生物医学时间序列应用中的少样本学习方法	探讨了少样本学习在克服生物医学时间序列数据标注稀缺方面的创新应用	讨论了少样本学习方法相对于传统数据驱动方法的临床局限性和挑战	旨在提供生物医学时间序列少样本学习的当前研究现状及其对未来研究和应用的启示	生物医学时间序列数据	机器学习	NA	少样本学习	NA	时间序列数据	NA
79	2025-05-29	International multicenter validation of AI-driven ultrasound detection of ovarian cancer 2025-Jan, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-024-03329-4 PMID:39747679	research paper	该研究开发并验证了基于transformer的神经网络模型，用于超声图像中卵巢癌的检测	首次在国际多中心验证了AI驱动的超声检测卵巢癌的模型，并展示了其超越人类专家的诊断性能	研究为回顾性研究，缺乏前瞻性验证	验证AI驱动的超声检测卵巢癌的模型性能	卵巢病变的超声图像	digital pathology	ovarian cancer	deep learning	transformer-based neural network	image	17,119张超声图像来自3,652名患者，覆盖20个中心的8个国家
80	2025-05-29	DSTCNet: Deep Spectro-Temporal-Channel Attention Network for Speech Emotion Recognition 2025-01, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3304516 PMID:37624721	research paper	提出了一种深度谱时通道注意力网络（DSTCNet）用于语音情感识别，通过整合谱时通道注意力模块提升情感表示能力	引入了谱时通道（STC）注意力模块，能够沿时间、频率和通道维度推断3D注意力图，更关注关键时间帧、频率范围和特征通道区域	未明确讨论模型在跨语种或噪声环境下的泛化能力	提升语音情感识别的表示学习能力	语音情感信号	natural language processing	NA	深度学习	CNN with STC attention modules	语音频谱图	Berlin EmoDB和IEMOCAP数据库