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
11101	2025-02-21	Artificial Intelligence for Diabetic Foot Screening Based on Digital Image Analysis: A Systematic Review 2025-Feb-17, Journal of diabetes science and technology IF:4.1Q2 DOI:10.1177/19322968251317521 PMID:39960227	系统综述	本文系统回顾了基于数字图像分析的人工智能技术在糖尿病足筛查中的应用	探讨了人工智能在糖尿病足筛查中的潜力，特别是深度学习方法的应用	需要进一步评估临床适用性，包括伦理问题和患者数据安全性，以及开发更全面的数据集	识别并分析使用数字图像分析开发AI模型进行糖尿病足筛查的研究	糖尿病足筛查	计算机视觉	糖尿病	数字图像分析	人工神经网络（ANNs）和卷积神经网络（CNNs）	热成像或足部热图	2214篇相关文章，其中9篇符合纳入标准
11102	2025-02-21	Super-resolution synthetic MRI using deep learning reconstruction for accurate diagnosis of knee osteoarthritis 2025-Feb-17, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-01911-z PMID:39961957	研究论文	本研究评估了深度学习重建（DLR）技术在合成MRI（SyMRI）上的准确性，包括T2测量和DLR合成MRI（SyMRIDL）在膝关节骨关节炎（KOA）患者中的诊断性能，以常规MRI为标准参考	使用深度学习重建技术生成合成MRI图像，提供准确的T2测量值，能够更自信地从正常外观的软骨中识别早期软骨退化	样本量相对较小（36名志愿者和70名患者），且研究时间较短（2023年5月至10月）	评估DLR合成MRI在膝关节骨关节炎诊断中的准确性和性能	膝关节骨关节炎患者和志愿者	医学影像	膝关节骨关节炎	深度学习重建（DLR），合成MRI（SyMRI）	深度学习模型	MRI图像	36名志愿者和70名患者
11103	2025-02-21	Multi-label software requirement smells classification using deep learning 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86673-w PMID:39962114	研究论文	本研究开发了一种基于深度学习的多标签软件需求异味分类模型，用于检测单个需求中的多种软件需求异味	首次将LSTM、Bi-LSTM和GRU等高级神经网络架构与ELMo和Word2Vec等词嵌入技术结合，用于多标签软件需求异味分类	研究仅基于8120个需求数据集，可能无法覆盖所有类型的软件需求异味	提高软件需求异味检测的自动化水平，减少人工检测的时间和错误	软件需求异味	自然语言处理	NA	深度学习	LSTM, Bi-LSTM, GRU	文本	8120个需求数据集
11104	2025-02-21	A deep learning framework based on structured space model for detecting small objects in complex underwater environments 2025-Feb-17, Communications engineering DOI:10.1038/s44172-025-00367-9 PMID:39962196	研究论文	本文提出了一种结合结构化空间模型（SSM）与特征增强的创新方法，专门用于复杂水下环境中的小目标检测	结合结构化空间模型（SSM）与特征增强，开发了高精度、轻量级的检测模型UWNet，显著提高了计算效率并保持了高检测精度	未提及具体局限性	解决水下目标检测中精度与模型效率及实时性能的平衡问题	水下环境中的小目标，如海星和扇贝	计算机视觉	NA	结构化空间模型（SSM）与特征增强	UWNet	图像	未提及具体样本数量
11105	2025-02-21	Stacked encoding and AutoML-based identification of lead-zinc small open pit active mines around Rampura Agucha in Rajasthan state, India 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89672-z PMID:39962260	研究论文	本研究旨在通过Sentinel 2图像分析，利用机器学习算法检测和分类印度拉贾斯坦邦Rampura Agucha周围的铅锌露天矿区域	结合多种波段比率和光谱指数，使用深度学习堆叠编码器和15种不同的机器学习分类器，提高了复杂矿区及其周边地物特征的检测精度	研究仅限于Sentinel 2图像数据，未涉及其他遥感数据源	检测和分类铅锌露天矿区域及其周边地物特征	印度拉贾斯坦邦Rampura Agucha周围的铅锌露天矿区域	机器学习	NA	Sentinel 2图像分析	extra tree classifier (et), light gradient boosting machine classifier (lightgbm), random forest classifier (rf)	卫星图像	NA
11106	2025-02-21	Deep convolutional neural network-based enhanced crowd density monitoring for intelligent urban planning on smart cities 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90430-4 PMID:39962323	研究论文	本文提出了一种基于深度卷积神经网络的增强型人群密度监测技术，用于智能城市规划	提出了DCNNCDM-IUP技术，结合SE-DenseNet和ConvLSTM方法，通过红狐优化算法进行超参数选择，提高了人群密度监测的准确性	未提及具体的数据集规模或实际应用中的潜在挑战	开发一种高效的人群密度监测技术，以支持智能城市的交通管理、公共安全和城市规划	智能城市中的人群密度监测	计算机视觉	NA	深度学习（DL）、高斯滤波（GF）、红狐优化（RFO）	SE-DenseNet、ConvLSTM	图像、时间序列数据	未提及具体样本数量
11107	2025-02-21	Comparison of YOLO-based sorghum spike identification detection models and monitoring at the flowering stage 2025-Feb-17, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01338-z PMID:39962585	研究论文	本研究比较了基于YOLO的高粱穗识别检测模型，并评估了其在开花期的监测效果	首次对不同高度和天气条件下的YOLO模型性能进行了比较研究，并确定了YOLOv8m为最有效的模型	研究仅基于2023年采集的图像数据，未考虑更多年份或更广泛的环境条件	评估数据集大小对模型准确性的影响，并预测高粱开花期	高粱开花期的穗识别	计算机视觉	NA	无人机图像采集	YOLOv5, YOLOv8, YOLOv9, YOLOv10	图像	200到350张图像，分别在15米和30米高度采集
11108	2025-02-21	Exploring autonomous methods for deepfake detection: A detailed survey on techniques and evaluation 2025-Feb-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2025.e42273 PMID:39968137	综述	本文对深度伪造检测的自主方法进行了详细调查，分析了相关技术和评估方法	本文综合了2018年至2024年间的最新研究，探讨了利用先进机器学习、计算机视觉和音频分析技术的创新检测方法	研究仅限于2018年至2024年间的最新研究，可能未涵盖早期的重要进展	提高数字生态系统的安全性和意识，通过推进对自主检测和评估方法的理解	深度伪造媒体（图像、视频和音频）	计算机视觉	NA	深度学习模型	NA	图像、视频、音频	NA
11109	2025-02-21	Application of one-class classification using deep learning technique improves the classification of subvisible particles 2025-Feb, Journal of pharmaceutical sciences IF:3.7Q2 DOI:10.1016/j.xphs.2024.11.023 PMID:39615881	研究论文	本研究探讨了深度学习技术如何提高一类分类器在亚可见颗粒分类中的性能	首次将深度学习技术与一类分类器结合，用于亚可见颗粒的分类，显著提高了分类效果	研究仅针对特定类型的蛋白质聚集体（免疫球蛋白G和清蛋白衍生的聚集体）进行了测试，未涵盖所有可能的亚可见颗粒类型	提高亚可见颗粒分类的准确性和效率	亚可见颗粒，特别是免疫球蛋白G和清蛋白衍生的聚集体	计算机视觉	NA	深度学习	一类分类器	图像	使用了硅油（SO）和两种蛋白质聚集体（免疫球蛋白G衍生的聚集体和清蛋白衍生的聚集体）的数据集
11110	2025-02-21	Diagnosis Anthracnose of Chili Pepper Using Convolutional Neural Networks Based Deep Learning Models 2025-Feb, The plant pathology journal DOI:10.5423/PPJ.OA.11.2024.0178 PMID:39916419	研究论文	本研究应用深度学习模型（MobileNet、ResNet50v2和Xception）通过迁移学习诊断辣椒炭疽病，旨在确定准确和高效疾病诊断所需的最小数据集大小	通过迁移学习方法，评估不同数据集大小对模型性能的影响，为农业应用中的数据可用性和模型性能平衡提供实用指南	需要大量标注数据集，获取成本较高	研究辣椒炭疽病的早期和准确检测方法，以减少产量损失和市场价值下降	辣椒（Capsicum annuum L.）	计算机视觉	植物病害	迁移学习	CNN（MobileNet、ResNet50v2、Xception）	图像	500、1,000、2,000、3,000和4,000个样本
11111	2025-02-21	Automated Segmentation of Trunk Musculature with a Deep CNN Trained from Sparse Annotations in Radiation Therapy Patients with Metastatic Spine Disease 2025-Jan-20, medRxiv : the preprint server for health sciences DOI:10.1101/2025.01.13.25319967 PMID:39974027	研究论文	本研究提出了一种深度学习方法，用于从临床CT图像中分割躯干肌肉的完整体积，使用稀疏注释数据进行训练	使用稀疏注释数据训练的2D nnU-Net模型成功分割了癌症患者临床CT数据中20个胸腰椎肌肉的整个体积，显著提高了分割效率和泛化能力	模型仅在148名癌症患者的CT图像上进行了训练和验证，可能需要更多样化的数据集来进一步提高模型的泛化能力	量化由于疾病或治疗引起的肌肉变化，并支持生物力学建模以评估椎体负荷，从而改善椎体骨折风险的个性化评估	148名癌症患者的临床CT图像	数字病理学	脊柱转移性疾病	CT成像	2D nnU-Net	图像	148名癌症患者的2,009张轴向CT图像
11112	2025-02-20	A deep learning method for total-body dynamic PET imaging with dual-time-window protocols 2025-Mar, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-07012-1 PMID:39688700	研究论文	本文开发了一种深度学习算法，能够从双时间窗协议预测动态图像，从而缩短动态正电子发射断层扫描（PET）的扫描时间	提出了一种双向序列到序列模型（Bi-AT-Seq2Seq），并引入注意力机制，显著优于单向或无注意力机制的模型	研究样本量相对较小，且仅限于肺结节和乳腺结节患者	缩短动态PET扫描时间，提高临床应用的可行性	70名肺结节或乳腺结节患者	医学影像分析	肺结节, 乳腺结节	动态PET/CT扫描	Bi-AT-Seq2Seq	医学影像	70名患者（32名男性，平均年龄53.61±13.53岁）
11113	2025-02-20	Deep learning-based intratumoral and peritumoral features for differentiating ocular adnexal lymphoma and idiopathic orbital inflammation 2025-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11275-5 PMID:39702637	研究论文	本文评估了基于深度学习的肿瘤内和肿瘤周围特征在区分眼附属器淋巴瘤（OAL）和特发性眼眶炎症（IOI）中的价值	使用基于注意力的融合模型融合了肿瘤内和肿瘤周围区域以及多个MR序列提取的特征，显著提高了诊断性能	研究中未发现肿瘤周围特征与肿瘤内特征在性能上有显著差异	评估深度学习在区分OAL和IOI中的应用价值	97名经病理学确认的OAL和IOI患者	数字病理学	眼附属器淋巴瘤, 特发性眼眶炎症	深度学习	基于注意力的融合模型	MR图像	97名患者（43名OAL，54名IOI）
11114	2025-02-20	Identifying influential nodes in brain networks via self-supervised graph-transformer 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109629 PMID:39731922	研究论文	本文提出了一种基于图变换器的自监督图重建框架（SSGR-GT），用于识别脑网络中的关键节点	采用自监督深度学习模型，无需手动特征提取，直接从数据中学习有意义的表示，结合图变换器提取脑图的局部和全局特征，并通过图融合技术结合功能和结构信息进行多模态分析	依赖于自监督学习的效果，可能受限于数据质量和模型训练过程	识别脑网络中的关键节点（I-nodes），以增强对脑工作机制的理解	脑网络中的关键节点	脑成像	NA	自监督深度学习，图变换器	Graph-Transformer	脑图数据	56个关键节点
11115	2025-02-20	Enhanced brain tumor detection and segmentation using densely connected convolutional networks with stacking ensemble learning 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109703 PMID:39862469	研究论文	本研究旨在通过实施先进的堆叠集成学习（SEL）方法，提高脑肿瘤（BT）检测和分割的准确性和分类效果	提出了一种名为SEL-DenseNet201的堆叠DenseNet201作为元模型，结合了六种不同的基础模型，以增强脑肿瘤MRI图像的分割性能	研究中未提及样本的具体数量，且未讨论模型在实际临床环境中的适用性和泛化能力	提高脑肿瘤检测和分割的准确性，以支持早期诊断和治疗规划	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	MRI图像分析	DenseNet201, MobileNet-v3, 3D-CNN, VGG-16, VGG-19, ResNet50, AlexNet	图像	NA
11116	2025-02-20	A robust and generalized framework in diabetes classification across heterogeneous environments 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109720 PMID:39864329	研究论文	本研究提出了一种鲁棒的机器学习框架，用于在不同人群中预测糖尿病，使用PIMA和BD两个不同的数据集进行验证	提出了一个跨异构环境的糖尿病分类框架，通过数据集内、数据集间和部分融合数据集验证技术，全面评估模型的泛化能力和性能	模型在跨数据集验证时性能下降，尤其是在BD数据集上训练并在PIMA数据集上测试时，准确率仅为74%	开发一个鲁棒的机器学习框架，以提高糖尿病预测在不同人群中的泛化能力和准确性	女性人群中的糖尿病预测	机器学习	糖尿病	机器学习	XGBoost, Random Forest, Gradient Boosting, 深度学习模型	结构化数据	PIMA和BD两个数据集
11117	2025-02-20	Enhancing cardiovascular disease classification in ECG spectrograms by using multi-branch CNN 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109737 PMID:39864336	研究论文	本文提出并比较了一维（1D）、二维（2D）卷积神经网络（CNN）和多分支卷积神经网络（MB-CNN）在从一维（1D）心电图（ECG）记录的频谱图中分类各种心血管疾病（CVD）的性能	提出了一种多分支卷积神经网络（MB-CNN），能够捕捉不同层次的抽象特征，从而提高了心血管疾病的分类精度	NA	提高从心电图频谱图中分类心血管疾病的准确性	心血管疾病（包括扩张型心肌病、肥厚型心肌病、心肌梗死和冠状动脉疾病）	计算机视觉	心血管疾病	连续小波变换（CWT）	1D CNN, 2D CNN, MB-CNN	图像（ECG频谱图）	MIT-BIH数据库中的5类ECG记录
11118	2025-02-20	OCDet: A comprehensive ovarian cell detection model with channel attention on immunohistochemical and morphological pathology images 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109713 PMID:39864335	研究论文	本文提出了一种名为OCDet的卵巢细胞检测模型，该模型结合了通道注意力机制，能够在免疫组化和形态学病理图像上全面检测多种卵巢癌细胞	OCDet模型首次结合了通道注意力机制，能够高效提取病理特征，并在多种卵巢癌细胞的检测上表现出色	虽然OCDet在卵巢癌细胞检测上表现出色，但其在其他癌症类型上的应用潜力尚未完全验证	开发一种高效的深度学习框架，用于卵巢癌病理诊断中的多种细胞检测	卵巢癌相关的多种细胞，包括CD3、CD8、CD20阳性淋巴细胞、中性粒细胞和多倍体巨癌细胞	数字病理	卵巢癌	深度学习	CSPDarkNet结合Efficient Channel Attention模块	图像	未明确提及具体样本数量
11119	2025-02-20	A deep architecture based on attention mechanisms for effective end-to-end detection of early and mature malaria parasites in a realistic scenario 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109704 PMID:39869986	研究论文	本文提出了一种基于深度学习和注意力机制的计算机辅助检测框架，用于有效检测和分类疟疾寄生虫的所有感染阶段，并支持多物种识别	该研究扩展了YOLO-SPAM和YOLO-PAM模型，结合注意力机制，提高了疟疾寄生虫检测的准确性和诊断实用性	NA	开发一种自动化疟疾检测解决方案，以支持病理学家并增强现实世界中的诊断实践	疟疾寄生虫	计算机视觉	疟疾	深度学习	YOLO-SPAM, YOLO-PAM	图像	三个公开可用的数据集
11120	2025-02-20	Detecting IDH and TERTp mutations in diffuse gliomas using 1H-MRS with attention deep-shallow networks 2025-Mar, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109736 PMID:39874812	研究论文	本研究开发了深度学习分类器，利用质子磁共振波谱（1H-MRS）和一维卷积神经网络（1D-CNN）架构来识别胶质瘤中的IDH和TERTp突变	使用注意力机制的深浅网络（ADSN）进行突变检测，并利用Grad-CAM技术解释模型的决策过程	样本量相对较小，仅包括225名患者	开发非侵入性方法，用于术前检测胶质瘤中的IDH和TERTp突变，以帮助预后和治疗计划	225名成人半球弥漫性胶质瘤患者的1H-MRS数据	数字病理学	胶质瘤	1H-MRS, 深度学习	1D-CNN, 注意力深浅网络（ADSN）	光谱数据	225名患者（117名IDH突变，108名IDH野生型；99名TERTp突变，100名TERTp野生型）