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
11261	2025-02-05	GGSYOLOv5: Flame recognition method in complex scenes based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0317990 PMID:39888970	研究论文	本文提出了一种基于深度学习的复杂场景火焰识别方法GGSYOLOv5	在YOLOv5网络的骨干部分添加了全局注意力机制（GAM），并在特征融合部分添加了无参数注意力机制，最后在输出端使用分组随机卷积（GSConv）替换了原始卷积	NA	提高复杂场景下火焰识别的准确率和实时性	火焰	计算机视觉	NA	深度学习	YOLOv5	图像	NA
11262	2025-02-05	Automatic detection of main pancreatic duct dilation and pancreatic parenchymal atrophy based on a shape feature in abdominal contrast-enhanced CT images 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014504 PMID:39895855	研究论文	本研究开发并评估了一种基于形状特征的算法，用于自动检测腹部增强CT图像中的主胰管扩张和胰腺实质萎缩	提出了一种新的形状特征——90th DP比率，用于自动检测主胰管扩张和胰腺实质萎缩	研究样本量较小，仅使用了56张腹部增强CT图像	开发并评估一种自动检测主胰管扩张和胰腺实质萎缩的算法	腹部增强CT图像	计算机视觉	胰腺疾病	深度学习卷积神经网络（CNN）	CNN	图像	56张腹部增强CT图像
11263	2025-02-05	A review of deep learning in blink detection 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2594 PMID:39896005	综述	本文综述了深度学习在眨眼检测领域的研究进展，分析了多种经典深度学习模型在实际应用中的表现，并总结了常用的数据集和评估指标	系统总结了深度学习在眨眼检测中的应用，对比了不同方法的优缺点，并指出了未来的研究方向	当前研究缺乏系统性的总结和对比，且面临训练数据不平衡、复杂环境干扰、实时处理问题和应用设备限制等挑战	全面回顾基于深度学习的眨眼检测方法的研究进展，帮助研究人员清晰了解该领域的各种方法	眨眼检测方法	计算机视觉	NA	深度学习	CNN, LSTM, GAN等	图像	NA
11264	2025-02-05	Deep learning for enhanced risk management: a novel approach to analyzing financial reports 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2661 PMID:39896001	研究论文	本文提出了一种混合金融风险预测模型（HFRP），结合卷积神经网络（CNN）和长短期记忆网络（LSTM），以提高金融风险预测的准确性和稳定性	提出了结合CNN和LSTM的混合金融风险预测模型（HFRP），显著提高了金融风险预测的准确性和稳定性	未提及具体的数据集大小或样本来源，可能影响模型的泛化能力	提高金融风险预测的准确性和稳定性，以支持更好的风险管理决策	金融报告中的定量和定性数据	机器学习	NA	CNN, LSTM	混合模型（HFRP）	文本数据	未提及具体样本数量
11265	2025-02-05	Hybrid deep learning approach for brain tumor classification using EfficientNetB0 and novel quantum genetic algorithm 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2556 PMID:39896007	研究论文	本文提出了一种结合深度学习与量子遗传算法的新方法，用于脑肿瘤的自动多类分类	结合预训练的EfficientNetB0模型与量子遗传算法，提出了一种新的特征选择方法，显著提高了脑肿瘤分类的准确性和可靠性	未提及具体的数据集大小和多样性，可能影响模型的泛化能力	开发一种高精度、高可靠性的脑肿瘤自动分类方法	脑肿瘤	医学影像	脑肿瘤	深度学习与量子遗传算法结合	EfficientNetB0与量子遗传算法	图像	未提及具体样本数量
11266	2025-02-05	Foreign object debris detection in lane images using deep learning methodology 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2570 PMID:39896023	研究论文	本文提出了一种基于视频的深度学习方法，用于检测机场跑道上的外来物碎片（FOD），以提高检测的准确性和鲁棒性	提出了一种新的视频深度学习方法，结合对象分类和定位模块，有效降低了雷达检测的高成本	未提及具体的数据集规模和实验环境限制	降低机场跑道外来物碎片检测的成本，提高检测效率和安全性	机场跑道上的外来物碎片（FOD）	计算机视觉	NA	深度学习	NA	视频	大规模视频数据集
11267	2025-02-05	Modified MobileNetV2 transfer learning model to detect road potholes 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2519 PMID:39896032	研究论文	本文提出了一种改进的MobileNetV2迁移学习模型，用于检测道路坑洞	引入了一种改进的MobileNetV2（MMNV2）模型，通过在MobileNetV2框架中添加一个五层预训练网络，提高了分类、检测和预测的准确性	NA	提高道路坑洞检测的准确性和效率	道路坑洞	计算机视觉	NA	迁移学习、深度学习	改进的MobileNetV2（MMNV2）	图像	5000张道路图像
11268	2025-02-05	EFNet: estimation of left ventricular ejection fraction from cardiac ultrasound videos using deep learning 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2506 PMID:39896038	研究论文	本文提出了一种名为EFNet的深度学习方法，用于从心脏超声视频中直接估计左心室射血分数（EF）	EFNet结合了卷积神经网络（CNN）和Transformer模型，并引入了残差Transformer模块（RTM），以分析心脏超声视频的时空特征	方法的性能可能受到超声视频质量和操作者依赖性的影响	开发一种精确且可解释的深度学习方法，用于从心脏超声视频中自动预测左心室射血分数	心脏超声视频	计算机视觉	心血管疾病	深度学习	CNN, Transformer	视频	EchoNet-Dynamic数据集
11269	2025-02-05	Edge and texture aware image denoising using median noise residue U-net with hand-crafted features 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2449 PMID:39896035	研究论文	本文提出了一种结合中值噪声残差U-Net和手工特征的方法，用于边缘和纹理感知的图像去噪	在U-Net的输入层中加入手工特征，提高了模型的学习能力，并通过中值滤波器和图像梯度信息估计噪声，提升了去噪性能	模型在有限训练数据集上训练，未使用图像增强技术，可能影响泛化能力	提高图像去噪的性能，特别是在高噪声水平下	噪声图像	计算机视觉	NA	中值滤波，梯度信息提取	U-Net	图像	NA
11270	2025-02-05	The value of AI for assessing longitudinal brain metastases treatment response 2025 Jan-Dec, Neuro-oncology advances IF:3.7Q2 DOI:10.1093/noajnl/vdae216 PMID:39896076	研究论文	本文探讨了AI在评估脑转移瘤治疗反应中的价值，比较了手动和自动（基于深度学习）的病灶轮廓绘制方法	使用自动轮廓绘制和体积测量方法，提高了评估的稳定性和结果预测能力，减少了观察者间的变异性	研究样本量较小（49名患者），且为回顾性研究，可能影响结果的普遍性	提高脑转移瘤患者治疗后随访的准确性和效率，优化治疗决策	脑转移瘤患者	数字病理学	脑转移瘤	深度学习	NA	MRI图像	49名患者，184次MRI研究，448个病灶
11271	2025-02-05	Dynamics of spindle assembly and position checkpoints: Integrating molecular mechanisms with computational models 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.12.021 PMID:39897055	综述	本文综述了有丝分裂检查点的分子机制与计算模型的整合，探讨了从简单蛋白质相互作用到全系统模拟的数学模型框架	通过计算模型揭示检查点动态的多尺度特性，包括驱动纺锤体组装检查点（SAC）激活的双稳态开关和纺锤体位置检查点（SPOC）信号的空间组织原则	在整合空间和时间尺度、优化参数估计以及提高空间建模精度方面仍存在挑战	通过计算模型深入理解有丝分裂检查点的系统级行为，为癌症研究和治疗开发提供理论基础	有丝分裂检查点的分子机制和系统级行为	计算生物学	癌症	单分子成像、数据驱动算法、深度学习	常微分方程、随机模拟、基于规则的模型、化学组织理论	分子相互作用数据、活细胞成像数据	NA
11272	2025-02-05	Explainable deep learning identifies patterns and drivers of freshwater harmful algal blooms 2025-Jan, Environmental science and ecotechnology IF:14.0Q1 DOI:10.1016/j.ese.2024.100522 PMID:39897111	研究论文	本文开发了一种可解释的深度学习方法，用于识别淡水有害藻华的模式和驱动因素	结合LSTM模型和解释技术，能够捕捉复杂模式并提供对关键藻华驱动因素的可解释性见解	数据可用性不均和藻类过程的强区域特异性可能导致模型泛化能力受限	解决淡水有害藻华（HABs）建模中的关键挑战，包括区域特异性和数据限制	中国湖泊和水库中的藻类密度	机器学习	NA	LSTM模型	LSTM	时间序列数据	102个中国湖泊和水库的三年数据
11273	2025-02-05	Quantifying the Characteristics of Diabetic Retinopathy in Macular Optical Coherence Tomography Angiography Images: A Few-Shot Learning and Explainable Artificial Intelligence Approach 2025-Jan, Cureus DOI:10.7759/cureus.76746 PMID:39897224	研究论文	本文探讨了使用少样本学习和可解释人工智能方法在糖尿病视网膜病变（DR）分期分类中的应用，以提高光学相干断层扫描血管成像（OCTA）图像的准确性	结合少样本学习（FSL）和自注意力机制的可解释人工智能（XAI）方法，解决了在数据有限的情况下进行DR分期分类的挑战	研究样本量较小，仅包含206张OCTA图像，可能影响模型的泛化能力	提高糖尿病视网膜病变（DR）分期分类的准确性，特别是在数据有限的情况下	糖尿病视网膜病变（DR）患者的光学相干断层扫描血管成像（OCTA）图像	计算机视觉	糖尿病视网膜病变	光学相干断层扫描血管成像（OCTA）	ResNet-50, DenseNet-161, MobileNet-v2, MTUNet	图像	206张OCTA图像（104例非增殖性糖尿病视网膜病变和102例增殖性糖尿病视网膜病变）
11274	2025-02-05	Automatic etiological classification of stroke thrombus digital photographs using a deep learning model 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1534845 PMID:39897943	研究论文	本研究开发了一种基于深度学习的模型，用于自动分类缺血性中风血栓的病因，利用机械取栓术获取的血栓数字图像	首次将深度学习技术应用于中风血栓的自动病因分类，结合图像分割和分类网络，提高了分类的准确性和精确性	样本量相对较小（166例患者），且仅在一个医院进行，可能限制了模型的泛化能力	开发一种自动分类缺血性中风血栓病因的深度学习模型	接受机械取栓术的大血管闭塞中风患者	数字病理学	心血管疾病	深度学习	卷积神经网络（CNN）	图像	166例患者
11275	2024-12-28	Network embedding: The bridge between water distribution network hydraulics and machine learning 2025-Apr-01, Water research IF:11.4Q1 DOI:10.1016/j.watres.2024.123011 PMID:39721501	研究论文	本文提出了一种新的水分配网络嵌入（WDNE）方法，将水分配网络的液压关系转化为适合机器学习算法的向量形式	提出了WDNE方法，首次将水分配网络的液压特性有效整合到机器学习中，并通过两种深度自编码器嵌入模型同时保留液压关系和属性信息	未提及具体局限性	解决水分配网络管理问题，提升机器学习算法在水分配网络中的应用效率	水分配网络（WDNs）	机器学习	NA	深度自编码器嵌入模型	自编码器	网络拓扑数据	未提及具体样本数量
11276	2025-02-04	Rapid in vivo EPID image prediction using a combination of analytically calculated attenuation and AI predicted scatter 2025-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.17549 PMID:39607282	研究论文	本文提出了一种结合分析计算衰减和AI预测散射的深度学习方法，用于快速预测体内EPID图像	使用深度学习方法替代传统的蒙特卡罗算法，显著提高了预测速度，并仅需患者信息进行训练	部分图像的通过率较低，原因包括CBCT伪影和患者在CBCT与治疗之间的运动	测试使用患者数据创建深度学习模型以预测IMRT治疗中体内EPID图像的可行性和可靠性	IMRT治疗中的体内EPID图像	数字病理	NA	卷积神经网络（CNN）	CNN	图像	193个IMRT场/图像，来自93名患者，以及75个用于进一步验证的图像
11277	2025-02-04	A comprehensive review on early detection of drusen patterns in age-related macular degeneration using deep learning models 2025-Feb, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2024.104454 PMID:39716627	综述	本文综述了使用深度学习模型早期检测年龄相关性黄斑变性（AMD）中玻璃膜疣模式的全面研究	提出了一种基于深度学习的模型，通过结合局部和全局知识来优化AMD早期阶段的玻璃膜疣检测	现有模型由于眼底图像分辨率问题，难以准确预测玻璃膜疣区域	研究目的是通过深度学习技术早期检测AMD中的玻璃膜疣模式	研究对象是年龄相关性黄斑变性（AMD）患者的眼底图像	计算机视觉	老年疾病	深度学习	深度学习模型	图像	NA
11278	2025-02-04	Multi-Dimensional Features Extraction for Voice Pathology Detection Based on Deep Learning Methods 2025-Feb-01, Journal of voice : official journal of the Voice Foundation IF:2.5Q1 DOI:10.1016/j.jvoice.2024.12.048 PMID:39894721	研究论文	本文提出了一种基于深度学习的多维特征提取方法，用于语音病理检测	提出了一种结合Gammatonegram特征与TKEO Scalogram特征的特征提取方案，命名为CGT Scalogram	NA	提高语音病理检测的准确性	健康语音与病理语音	自然语言处理	语音障碍	深度学习	ResNet	语音信号	Saarbrucken语音数据库
11279	2025-02-04	Enhancing feature-aided data association tracking in passive sonar arrays: An advanced Siamese network approach 2025-Feb-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0035577 PMID:39898705	研究论文	本文提出了一种基于Siamese网络的高级网络BiChannel-SiamDinoNet，用于改进被动声纳阵列中的特征辅助数据关联跟踪方法	提出了BiChannel-SiamDinoNet网络，结合Siamese网络和联合概率数据关联框架，通过声学目标的特征结构形成嵌入空间，使系统对变化更加鲁棒，并能有效区分测量和目标之间的差异	未提及具体局限性	改进被动声纳阵列中的多目标跟踪方法，提高在复杂海洋场景中的性能	被动声纳阵列中的多目标跟踪	机器学习	NA	深度学习	Siamese网络	声学信号	未提及具体样本数量
11280	2025-02-03	Automating container damage detection with the YOLO-NAS deep learning model 2025 Jan-Mar, Science progress IF:2.6Q2 DOI:10.1177/00368504251314084 PMID:39887245	研究论文	本研究利用YOLO-NAS深度学习模型自动化检测集装箱损伤，以提高全球供应链中的产品质量、物流效率和安全性	首次将YOLO-NAS模型应用于集装箱损伤检测，解决了海港复杂条件下的高速、高精度需求	尽管YOLO-NAS在实时评估能力上表现优异，但其他模型如Fmask-RCNN和MobileNetV2在训练精度上较高，但缺乏实时评估能力	开发自动化集装箱损伤检测解决方案，以提高港口物流的效率和安全性	集装箱损伤检测	计算机视觉	NA	深度学习	YOLO-NAS	图像	NA