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
11281	2025-02-03	A review on real time implementation of soft computing techniques in thermal power plant 2025-Feb, Network (Bristol, England) DOI:10.1080/0954898X.2024.2429721 PMID:39601783	综述	本文综述了2019年至2023年间关于利用软计算技术（包括AI-ML和DL）提高热电厂生产力的研究	提供了对现有研究的全面总结，并评估了传统AI方法在提高热电厂生产力方面的有效性	仅限于2019年至2023年间的研究，可能未涵盖所有相关研究	提高热电厂的生产力	热电厂	机器学习	NA	AI-ML, DL	NA	NA	NA
11282	2025-02-03	Hybrid deep learning based stroke detection using CT images with routing in an IoT environment 2025-Feb-01, Network (Bristol, England) DOI:10.1080/0954898X.2025.2452280 PMID:39893512	研究论文	本文提出了一种基于混合深度学习的CT图像中风检测方法，结合物联网技术进行数据传输	提出了一种新的Jaccard_Residual SqueezeNet模型，用于从CT图像中预测中风，并结合物联网技术进行数据传输	未提及具体的研究局限性	提高中风病变的早期检测和准确分割，以改善治疗效果和减少长期残疾	CT图像中的中风病变	计算机视觉	中风	CT成像	Jaccard_Residual SqueezeNet	图像	未提及具体样本数量
11283	2025-02-03	DICOM LUT is a Key Step in Medical Image Preprocessing Towards AI Generalizability 2025-Jan-31, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01418-5 PMID:39890738	研究论文	本研究探讨了医学图像预处理对深度学习模型性能的影响，特别是直方图均衡化（HE）和感兴趣值查找表（VOI-LUT）变换在胸部X光片（CXR）中的应用	揭示了直方图均衡化增强对模型性能的显著影响，特别是在泛化能力方面，并指出仅使用HE增强数据集训练的模型在外部验证集上表现较差，表明可能存在过拟合和信息丢失	研究仅针对胸部X光片，未涵盖其他类型的医学图像	探讨医学图像预处理技术对深度学习模型性能的影响，特别是对泛化能力的影响	胸部X光片（CXR）	计算机视觉	肺气肿	直方图均衡化（HE）和感兴趣值查找表（VOI-LUT）变换	深度学习分类器	图像	内部CXR数据集生成的两个基线数据集，并在两个外部数据集上进行评估
11284	2025-02-03	MMnc: Multi-modal interpretable representation for non-coding RNA classification and class annotation 2025-Jan-31, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf051 PMID:39891346	研究论文	本文介绍了一种名为MMnc的可解释深度学习方法，用于将非编码RNA分类到功能组中	MMnc利用基于注意力的多模态数据集成方法，整合序列、二级结构和表达等多种数据源，确保学习有意义的表示，并处理部分样本中缺失的数据源	NA	旨在通过深度学习技术对非编码RNA进行功能分类和注释	非编码RNA	机器学习	NA	深度学习	基于注意力的多模态数据集成模型	序列、二级结构、表达数据	NA
11285	2025-02-03	Versatile waste sorting in small batch and flexible manufacturing industries using deep learning techniques 2025-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87226-x PMID:39885307	研究论文	本研究评估了Segment Anything Model (SAM)系列深度学习架构在机器人垃圾分类中分离高度可变物体的能力，提出了一种基于SAM架构的通用视觉垃圾分类两步程序	提出了一种基于SAM架构的两步程序，消除了开发专用垃圾分类和分割算法的必要性，并显著减少了适应不同用例的时间和成本	NA	评估深度学习架构在机器人垃圾分类中的应用能力，以提高生产率和降低费用	高度可变物体	计算机视觉	NA	深度学习	SAM, FastSAM, MobileSAMv2, EfficientSAM, MobileNetV2, VGG19, Dense-Net, Squeeze-Net, ResNet, Inception-v3	图像	四个用例（漂浮垃圾、城市垃圾、电子垃圾和智能垃圾桶）
11286	2025-02-03	Deep Learning Prediction of Drug-Induced Liver Toxicity by Manifold Embedding of Quantum Information of Drug Molecules 2025-Jan, Pharmaceutical research IF:3.5Q2 DOI:10.1007/s11095-024-03800-4 PMID:39663331	研究论文	本文介绍了一种利用深度学习和分子表面电子属性的流形嵌入来预测药物诱导肝毒性的方法	创新点在于将分子表面的局部电子属性映射到低维流形嵌入，并将其作为深度学习模型的分子输入	未提及具体局限性	研究目的是预测药物诱导的肝毒性（DILI）	研究对象是药物分子	机器学习	肝病	深度学习	深度学习模型	分子数据	NA
11287	2025-02-03	Automated recognition and segmentation of lung cancer cytological images based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0317996 PMID:39888907	研究论文	本研究开发了一种基于YOLOv8算法的深度学习模型，用于肺病变的术中细胞学图像分割，以提高肺癌细胞识别的速度和准确性	首次将YOLOv8算法应用于肺癌细胞学图像的分割和识别，实现了像素级别的图像分割和快速定位	模型在测试集上的平均像素精度和平均交并比分别为0.80和0.70，仍有提升空间	开发一种自动化方法，用于快速定位和识别肺癌细胞学图像中的病变区域	肺癌细胞学图像，包括胸水细胞学和支气管肺泡灌洗液细胞学图像	计算机视觉	肺癌	深度学习	YOLOv8	图像	未明确提及具体样本数量
11288	2025-02-02	The influence of a deep learning tool on the performance of oral and maxillofacial radiologists in the detection of apical radiolucencies 2025-Feb-01, Dento maxillo facial radiology DOI:10.1093/dmfr/twae054 PMID:39656660	研究论文	本研究评估了深度学习模型对口腔放射科医生在检测根尖周透亮区方面的影响，并分析了经验、诊断时间和专业对诊断结果的影响	首次评估了深度学习模型在口腔放射科医生检测根尖周透亮区中的实际应用效果，并分析了影响诊断结果的关键因素	样本量较小（68张影像），且仅使用了深度学习模型的测试版，可能影响结果的普遍性	评估深度学习模型对口腔放射科医生检测根尖周透亮区的影响，并分析影响诊断结果的因素	口腔放射科医生和68张根尖周X光片	数字病理	口腔疾病	深度学习	深度学习模型（Denti.AI）	影像	68张根尖周X光片
11289	2025-02-02	On-chip deep residual photonic neural networks using optical-electrical shortcut connections 2025-Feb-01, Optics letters IF:3.1Q2 DOI:10.1364/OL.549158 PMID:39888773	研究论文	本文提出了一种片上深度残差光子神经网络架构（Res-PNN），通过使用光电快捷连接来解决深度光子神经网络训练中的梯度消失和爆炸问题	提出了光电快捷连接的设计，通过功率分配器、波长解复用器和光电探测器直接连接光学权重层的输入和输出，从而稳定训练更深的PNN	未提及具体硬件实现的复杂性和成本问题	解决深度光子神经网络训练中的梯度消失和爆炸问题，提升分类准确率	片上光子神经网络	机器学习	NA	光电快捷连接	Res-PNN	图像	CIFAR-10和CIFAR-100数据集
11290	2025-02-02	Multi-modal framework for battery state of health evaluation using open-source electric vehicle data 2025-Jan-29, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-56485-7 PMID:39880811	研究论文	本文提出了一种基于深度学习的多模态框架，用于利用开源电动汽车数据进行电池健康状态评估	提出了一个深度学习驱动的多模态框架，能够有效利用历史车辆数据进行电池健康状态评估，并公开了300辆电动汽车的现场数据以促进进一步研究	研究依赖于特定数据集，可能限制了模型的泛化能力	开发高效、准确且成本效益高的电池健康状态评估方法，以提升电动汽车电池管理系统的性能	300辆不同类型的电动汽车的运营数据	机器学习	NA	深度学习	多模态框架	运营数据	300辆电动汽车的三年运营数据
11291	2025-02-02	Enhanced hybrid attention deep learning for avocado ripeness classification on resource constrained devices 2025-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87173-7 PMID:39880865	研究论文	本文提出了一种混合注意力卷积神经网络（HACNN）模型，用于在资源受限设备上进行鳄梨成熟度分类	结合了空间、通道和自注意力模块的混合注意力机制，以增强局部特征并捕捉全局关系，从而进行更全面的特征提取	尽管ShuffleNetV1（1.0x）模型消耗资源最少，但其测试准确率仅为82.89%，不足以满足实际应用需求	提高在资源受限设备上鳄梨成熟度分类的准确性和可行性	鳄梨成熟度分类	计算机视觉	NA	混合注意力机制	HACNN, EfficientNet-B3, ShuffleNetV1, MobileNetV3 Large	图像	14,000张图像
11292	2025-02-02	Learning by making - student-made models and creative projects for medical education: systematic review with qualitative synthesis 2025-Jan-29, BMC medical education IF:2.7Q1 DOI:10.1186/s12909-025-06716-8 PMID:39881268	系统综述	本文通过系统综述探讨了创造性项目学习对医学生元认知和知识获取的影响	本文创新性地总结了创造性项目学习在医学教育中的应用及其对学生学习效果的积极影响	研究存在任务要求高、认知和情感强度大、与学生专业身份不匹配等挑战	探讨创造性项目学习对医学生教育成果的影响	医学生	医学教育	NA	系统综述与定性合成	NA	定量、定性及混合方法研究数据	17项研究（2010年至2022年发表）
11293	2025-02-02	Enhancing furcation involvement classification on panoramic radiographs with vision transformers 2025-Jan-29, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-05431-6 PMID:39881302	研究论文	本研究评估了Vision Transformer (ViT)在分类全景X光片中磨牙是否具有分叉受累(FI)方面的性能，并与几种常用的传统深度学习模型进行了比较	首次将Vision Transformer (ViT)应用于全景X光片中的分叉受累分类，并展示了其相较于传统深度学习模型的优越性能	研究仅使用了全景X光片数据，未结合CBCT等更高精度的影像数据	评估Vision Transformer (ViT)在全景X光片中分类磨牙分叉受累的性能	磨牙的分叉受累分类	计算机视觉	牙科疾病	深度学习	Vision Transformer (ViT), Multi-Layer Perceptron (MLP), VGGNet, GoogLeNet	图像	506张全景X光片中的1,568颗牙齿图像
11294	2025-02-02	Deep Learning-Based Identification of Echocardiographic Abnormalities From Electrocardiograms 2025-Jan, JACC. Asia DOI:10.1016/j.jacasi.2024.10.012 PMID:39886205	研究论文	本研究开发了一种深度学习模型，用于从心电图（ECG）全面预测超声心动图检查结果	使用卷积神经网络（CNN）从ECG预测包括左心异常、瓣膜性心脏病和右心异常在内的多种超声心动图检查结果，并通过逻辑回归分析创建了一个综合预测模型	研究未提及模型在不同人群或临床环境中的普适性和稳定性	开发一种深度学习模型，用于从心电图（ECG）全面预测超声心动图检查结果，以辅助早期诊断和治疗未检测到的心脏病	心电图（ECG）和超声心动图数据	机器学习	心血管疾病	卷积神经网络（CNN）和逻辑回归分析	CNN	心电图（ECG）和超声心动图数据	229,439对来自8个中心的ECG和超声心动图数据集
11295	2024-11-24	[Ecological sustainability of deep learning in pathology : A modeling study] 2025-Feb, Pathologie (Heidelberg, Germany) DOI:10.1007/s00292-024-01382-x PMID:39578266	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
11296	2025-02-01	Development of multistage crop yield estimation model using machine learning and deep learning techniques 2025-Feb, International journal of biometeorology IF:3.0Q2 DOI:10.1007/s00484-024-02829-9 PMID:39643782	研究论文	本研究应用机器学习和深度学习技术，基于多元气象时间序列数据，开发了用于估计旁遮普五个地区小麦产量的多阶段模型	创新点在于结合了多种机器学习模型（SMLR、ANN、SVR、RF和DNN）和多阶段作物生长数据，进行小麦产量估计	研究仅限于旁遮普五个地区的小麦产量估计，可能无法直接推广到其他地区或作物	研究目的是开发一个多阶段小麦产量估计模型，以提高产量预测的准确性	研究对象是旁遮普五个地区的小麦产量和气象数据	机器学习	NA	多元气象时间序列数据分析	SMLR, ANN, SVR, RF, DNN	时间序列数据	34年的小麦产量和气象数据
11297	2025-02-01	Let it shine: Autofluorescence of Papanicolaou-stain improves AI-based cytological oral cancer detection 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109498 PMID:39662319	研究论文	本研究通过多模态成像和深度多模态信息融合，改进基于AI的口腔癌细胞学检测	引入荧光成像和多模态信息融合策略，提升细胞学样本的诊断信息量和分类性能	详细的细胞级注释不可行，限制了模型性能的评估和结果解释	改进基于AI的口腔癌早期检测方法	健康人群和癌症患者的刷检细胞学样本	数字病理学	口腔癌	多模态成像（亮场和荧光显微镜成像）	弱监督深度学习，Co-Attention Fusion Network (CAFNet)	图像	健康人群和癌症患者的刷检细胞学样本
11298	2025-02-01	Metaproteomics Beyond Databases: Addressing the Challenges and Potentials of De Novo Sequencing 2025-Jan-31, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202400321 PMID:39888246	观点文章	本文探讨了在宏蛋白质组学中，从头测序技术的演变、优势、局限性和未来机遇	本文强调了从头测序技术在检测未测序物种和提供微生物群落功能洞察方面的潜力，并介绍了从手动注释到基于图、标签和深度学习的先进方法的演变	从头测序技术仍面临复杂微生物组分析中的挑战，且依赖于现有的蛋白质数据库可能限制了其应用	探讨从头测序在宏蛋白质组学中的应用及其对微生物群落研究的贡献	微生物群落蛋白质	宏蛋白质组学	NA	从头测序	基于图、标签和深度学习的方法	质谱数据	NA
11299	2025-02-01	Bayesian deep learning applied to diabetic retinopathy with uncertainty quantification 2025-Jan-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2025.e41802 PMID:39882466	研究论文	本文提出了一种基于贝叶斯深度学习的糖尿病视网膜病变分类方法，并通过不确定性量化提高了诊断的准确性和可靠性	使用贝叶斯卷积神经网络（CNN）结合变分推断（VI）和蒙特卡洛dropout（MC-dropout）方法，量化模型预测的不确定性	未提及具体局限性	提高糖尿病视网膜病变分类的准确性和可靠性	糖尿病视网膜病变（DR）	医学影像分析	糖尿病视网膜病变	贝叶斯深度学习	CNN, BCNN-VI, BCNN-MC-dropout	图像	APTOS 2019和Messidor-2两个基准数据集
11300	2025-02-01	Automatic Identification of Adenoid Hypertrophy via Ensemble Deep Learning Models Employing X-ray Adenoid Images 2025-Jan-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01423-8 PMID:39885079	研究论文	本研究采用集成深度学习方法，通过X射线腺样体图像自动识别腺样体肥大	使用集成深度学习模型对腺样体肥大进行分类，并比较了不同卷积神经网络模型在掩码和非掩码X射线图像上的性能	研究仅使用了来自单一医院的数据集，可能限制了模型的泛化能力	优化深度学习模型用于医学图像分类，特别是腺样体肥大的自动检测	腺样体肥大的X射线图像	计算机视觉	腺样体肥大	深度学习	CNN（包括EfficientNet, MobileNet, ResNet50, ResNet152, VGG16, Xception）	图像	来自Batman Training and Research Hospital的X射线图像数据集