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
901	2025-02-25	Optimizing potato leaf disease recognition: Insights DENSE-NET-121 and Gaussian elimination filter fusion 2025-Feb-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2025.e42318 PMID:39991243	研究论文	本文提出了一种基于深度学习的混合模型DENSE-NET-121与2D高斯消元滤波器，用于通过早期检测马铃薯叶片病害来提高产量	结合DENSE-NET-121和2D高斯消元滤波器，实现了前所未有的训练和验证准确率，并显著降低了训练和验证损失	NA	提高马铃薯产量，通过早期检测叶片病害	马铃薯叶片	计算机视觉	马铃薯病害	深度学习	DENSE-NET-121	图像	来自Kaggle数据集的三种马铃薯叶片类别（早疫病、健康、晚疫病）
902	2025-02-25	A Physics-Informed Deep Learning Model for MRI Brain Motion Correction 2025-Feb-13, ArXiv PMID:39990792	研究论文	本研究介绍了一种物理信息驱动的深度学习模型PI-MoCoNet，用于MRI脑部运动校正，通过整合空间和k空间信息来消除运动伪影，提高图像质量和诊断可靠性	PI-MoCoNet无需显式运动参数估计，通过结合空间和k空间信息来校正运动伪影，创新性地使用了U-net与Swin Transformer模块结合的架构，并引入了三种损失函数进行优化	研究主要基于模拟的运动伪影数据，实际临床环境中的复杂运动可能未被完全覆盖	开发一种高效的MRI脑部运动校正方法，以提高图像质量和诊断可靠性	MRI脑部图像	计算机视觉	NA	深度学习	U-net, Swin Transformer	图像	IXI和MR-ART数据集
903	2025-02-24	Design and developing a robot-assisted cell batch microinjection system for zebrafish embryo 2025-Feb-20, Microsystems & nanoengineering IF:7.3Q1 DOI:10.1038/s41378-024-00809-y PMID:39979250	研究论文	本文开发了一种新型的自动化系统，用于斑马鱼胚胎的细胞微注射	首次提出并集成了具有微力感知功能的微注射器，以判断细胞是否成功穿刺，并采用深度学习模型检测斑马鱼胚胎的卵黄中心，定位注射针在卵黄中的位置，从而提高细胞注射的精度	NA	提高斑马鱼胚胎细胞微注射的效率和精度	斑马鱼胚胎	生物医学工程	NA	微流控芯片技术，深度学习	深度学习模型	图像	NA
904	2025-02-24	FaultSeg: A Dataset for Train Wheel Defect Detection 2025-Feb-20, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-04557-0 PMID:39979297	研究论文	本文介绍了FaultSeg数据集，用于全球铁路运输中自动检测火车车轮缺陷	提出了一个包含829张手动注释图像的数据集，用于训练和测试深度学习模型，以自动检测火车车轮的缺陷	数据集仅包含829张图像，可能不足以涵盖所有可能的缺陷类型和场景	开发一个用于自动检测火车车轮缺陷的数据集，以提高铁路运输的安全性	火车车轮的缺陷检测	计算机视觉	NA	深度学习	YOLOv9	图像	829张手动注释的火车车轮缺陷图像
905	2025-02-24	Design of tomato picking robot detection and localization system based on deep learning neural networks algorithm of Yolov5 2025-Feb-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90080-6 PMID:39979369	研究论文	本文提出了一种基于YOLOv5深度学习算法和SGBM算法的番茄检测与定位系统，以提高复杂环境下番茄的检测精度和三维定位	结合YOLOv5深度学习算法和SGBM算法，实现了番茄在复杂环境下的高精度检测和三维定位	实验仅在温室环境下进行，未涉及其他复杂农业环境	提高番茄采摘机器人在复杂环境下的检测和定位精度	番茄	计算机视觉	NA	YOLOv5深度学习算法, SGBM算法	YOLOv5	图像	640张番茄图像
906	2025-02-22	Author Correction: Cough2COVID-19 detection using an enhanced multi layer ensemble deep learning framework and CoughFeatureRanker 2025-Feb-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90514-1 PMID:39979555	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
907	2025-02-24	Plantar Thermogram Analysis Using Deep Learning for Diabetic Foot Risk Classification 2025-Feb-20, Journal of diabetes science and technology IF:4.1Q2 DOI:10.1177/19322968251316563 PMID:39980256	研究论文	本研究使用热成像技术和深度学习对糖尿病患者进行足部溃疡风险分层	结合热成像和深度学习技术进行糖尿病足部溃疡风险分类	样本量较小，且模型的特异性较低	开发一种非侵入性方法来识别糖尿病足部溃疡风险患者	成年糖尿病患者	计算机视觉	糖尿病	热成像技术	深度学习神经网络	热成像图像	153张热成像图像（训练集98张，测试集55张）
908	2025-02-24	UAS-based MT-YOLO model for detecting missed tassels in hybrid maize detasseling 2025-Feb-19, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01341-4 PMID:39972352	研究论文	本研究介绍了MT-YOLO模型，利用深度学习和无人机系统（UAS）来替代或辅助人工检测杂交玉米去雄过程中遗漏的雄穗	MT-YOLO模型在检测遗漏雄穗方面表现出显著的改进，特别是在早期雄穗阶段，当雄穗部分被叶片包裹时，这是一个关键但未被充分探索的挑战	NA	提高杂交玉米种子生产中去雄效率	杂交玉米去雄过程中遗漏的雄穗	计算机视觉	NA	深度学习	MT-YOLO	图像	包含不同光照条件、种植密度和生长阶段的多样化雄穗图像数据集
909	2025-02-24	Structure-Based Deep Learning Framework for Modeling Human-Gut Bacterial Protein Interactions 2025-Feb-17, Proteomes IF:4.0Q2 DOI:10.3390/proteomes13010010 PMID:39982320	研究论文	本研究提出了一种基于深度学习的框架，利用结构数据预测人类与肠道细菌蛋白质之间的相互作用	该框架结合了基于图的蛋白质表示和变分自编码器（VAEs），通过双向交叉注意力模块融合结构嵌入来预测相互作用，解决了蛋白质相互作用数据集中的类别不平衡问题	实验数据稀疏，可能影响模型的泛化能力	研究人类与肠道细菌蛋白质之间的相互作用网络，以揭示其对人类健康的影响	人类蛋白质与肠道细菌蛋白质	机器学习	NA	深度学习	变分自编码器（VAEs）	结构数据	NA
910	2025-02-24	Advancing Privacy-Preserving Health Care Analytics and Implementation of the Personal Health Train: Federated Deep Learning Study 2025-Feb-06, JMIR AI DOI:10.2196/60847 PMID:39912580	研究论文	本文介绍了一种名为Personal Health Train（PHT）的创新联邦学习基础设施，用于在保护数据隐私的同时进行医疗数据分析，并应用于肺癌患者的胸部CT图像中的肿瘤体积分割	提出了PHT框架，结合了安全聚合服务器，确保在联邦学习过程中数据不离开医院，解决了数据隐私问题	虽然展示了概念验证的可行性，但实际大规模应用仍需进一步验证其性能和稳定性	开发并验证一种能够在保护数据隐私的前提下，实现跨机构协作的联邦深度学习基础设施	肺癌患者的胸部CT图像	数字病理	肺癌	联邦学习（FL）	深度学习神经网络	图像	12家医院，覆盖8个国家，4大洲
911	2025-02-23	Lightweight visual localization algorithm for UAVs 2025-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88089-y PMID:39971988	研究论文	本文介绍了一种名为Lightv8nPnP的轻量级视觉定位算法模型，旨在使基于深度学习的无人机视觉定位算法更加轻量化	引入了GhostConv构建GDetect检测头模块，采用Wise-IoU作为边界框回归损失函数，并基于无人机航空数据集样本特性修改YOLOv8n网络结构，创建了TrimYOLO网络结构	未提及具体的数据集规模或多样性限制	开发一种高效的视觉定位算法模型，以实现无人机的精确三维定位	无人机	计算机视觉	NA	深度学习	YOLOv8n, TrimYOLO	图像	未提及具体样本数量
912	2025-02-23	Assessment of hydrological loading displacement from GNSS and GRACE data using deep learning algorithms 2025-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90363-y PMID:39972111	研究论文	本文介绍了一种使用3D卷积神经网络（3D-CNN）估算水文负荷位移的新方法	使用3D-CNN方法显著提高了水文负荷位移的反演精度，相比传统的负荷格林函数反演技术，最大偏差减少了1.34毫米，绝对最小偏差减少了1.47毫米，绝对平均偏差减少了79.6%，标准偏差减少了31.4%	研究仅限于中国云南省及其邻近地区的41个GNSS站点的数据，可能不适用于其他地区	精确评估陆地水负荷位移（TWLD）对大地测量观测和高精度动态参考框架的建立和维护的影响	云南省及其邻近地区的41个GNSS站点的垂直位移时间序列数据	机器学习	NA	3D卷积神经网络（3D-CNN）	3D-CNN	时间序列数据	41个GNSS站点的数据
913	2025-02-23	Genetic insights into the shared molecular mechanisms of Crohn's disease and breast cancer: a Mendelian randomization and deep learning approach 2025-Feb-18, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-01978-6 PMID:39964572	研究论文	本研究旨在探索克罗恩病与乳腺癌之间的潜在遗传联系，重点关注可能具有治疗相关性的可药物基因	结合孟德尔随机化和深度学习方法来研究两种疾病之间的遗传联系，并预测基因-药物相互作用	研究结果仅为初步发现，需要进一步实验验证	探索克罗恩病与乳腺癌之间的遗传联系，识别可能的治疗靶点	克罗恩病和乳腺癌的遗传数据	机器学习	克罗恩病, 乳腺癌	孟德尔随机化, 深度学习	深度学习	单核苷酸多态性(SNP)	NA
914	2025-02-23	Integrating D-S evidence theory and multiple deep learning frameworks for time series prediction of air quality 2025-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87935-3 PMID:39966417	研究论文	本研究提出了一种结合D-S证据理论和多种深度学习模型的时间序列预测框架，用于提高空气质量预测的准确性和鲁棒性	结合D-S证据理论和多种深度学习模型，通过融合多个模型的预测结果和可靠性，提高了长期空气质量预测的准确性	研究仅基于中国三个具有气候特征的城市的数据，可能无法完全代表其他地区的空气质量预测情况	提高空气质量时间序列数据的预测准确性，以提前识别和预警空气污染事件	中国三个具有气候特征的城市	机器学习	NA	D-S证据理论	MLP, RNN, CNN, LSTM, BI-LSTM, GRU	时间序列数据	三个城市的空气质量数据，包含五种空气污染物指标
915	2025-02-23	Research on variable-length control chart pattern recognition based on sliding window method and SECNN-BiLSTM 2025-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86849-4 PMID:39966459	研究论文	本文提出了一种基于滑动窗口方法和SE-attention CNN与Bi-LSTM（SECNN-BiLSTM）的可变长度控制图识别方法	结合滑动窗口方法和SE-attention CNN与Bi-LSTM，提出了一种新的可变长度控制图识别方法	未提及具体局限性	提高可变长度控制图的识别效率和准确性	可变长度控制图	机器学习	NA	滑动窗口方法、SE-attention CNN、Bi-LSTM	CNN、LSTM	一维和二维矩阵数据	未提及具体样本数量
916	2025-02-23	Jointly exploring client drift and catastrophic forgetting in dynamic learning 2025-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89873-6 PMID:39966528	研究论文	本文提出了一个统一的分析框架，用于联合建模空间和时间偏移，以更接近真实动态环境的模拟	首次联合分析客户端漂移和灾难性遗忘，提出了一种统一的分析框架，并发现适度的空间和时间偏移组合可以提高模型性能	未提及具体的数据集或实验规模，可能缺乏广泛的验证	研究在动态环境中联合解决客户端漂移和灾难性遗忘问题，以提高深度学习模型的鲁棒性	联邦学习和持续学习中的模型性能	机器学习	NA	深度学习	NA	NA	NA
917	2025-02-23	Developing a semi-automated technique of surface water quality analysis using GEE and machine learning: A case study for Sundarbans 2025-Feb-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2025.e42404 PMID:39981364	研究论文	本研究提出了一种半自动化的方法，利用机器学习模型结合现场和遥感数据评估孙德尔本斯的水质	结合Google Earth Engine (GEE)和AutoML，利用深度学习库创建动态、自适应模型，提高预测精度	数据可用性的可变性以及机器学习预测动态水系统时固有的不确定性	开发一种半自动化的水质分析技术，以支持可持续环境管理实践和孙德尔本斯应对新兴气候挑战的韧性	孙德尔本斯的水质参数（海表温度、总悬浮固体、浊度、盐度和pH值）	机器学习	NA	机器学习算法、Empirical Bayesian Kriging (EBK)模型、Google Earth Engine (GEE)、AutoML	深度学习模型	现场数据和遥感数据	NA
918	2025-02-23	Mentorship advances antimicrobial use surveillance systems in low- and middle-income countries 2025-Feb, JAC-antimicrobial resistance IF:3.7Q2 DOI:10.1093/jacamr/dlae212 PMID:39734490	研究论文	本文探讨了在低收入和中等收入国家（LMICs）中，通过导师制培训方法来推进抗菌药物使用（AMU）监测系统的实施	提出了导师制作为一种有效的培训方法，以解决LMICs中AMU监测系统实施中的人员短缺问题	研究主要基于尼泊尔、巴基斯坦、巴布亚新几内亚和东帝汶的经验，可能不适用于所有LMICs	探讨导师制在LMICs中AMU监测系统实施中的有效性	低收入和中等收入国家的AMU专业人员	公共卫生	NA	导师制培训	NA	NA	2019年至2023年间在尼泊尔、巴基斯坦、巴布亚新几内亚和东帝汶进行的1至2年导师制项目
919	2025-01-30	Author Correction: AIVariant: a deep learning-based somatic variant detector for highly contaminated tumor samples 2025-Feb, Experimental & molecular medicine DOI:10.1038/s12276-025-01405-4 PMID:39875568	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
920	2025-02-22	Actigraphy against 32-hour polysomnography in patients with suspected idiopathic hypersomnia 2025-Feb-20, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70007 PMID:39979124	研究论文	本研究旨在验证基于活动记录仪的睡眠-觉醒预测算法在疑似特发性嗜睡症患者中的有效性，并与商业算法进行比较	使用深度学习中的序列到序列长短期记忆网络（S2S）进行睡眠-觉醒参数预测，并发现其优于现有的商业算法	研究样本仅限于疑似特发性嗜睡症患者，且未探讨算法在其他类型睡眠障碍中的表现	验证活动记录仪在嗜睡症患者中的有效性，并开发更准确的睡眠-觉醒预测算法	疑似特发性嗜睡症患者	机器学习	嗜睡症	活动记录仪（Actigraphy）和多导睡眠图（Polysomnography）	序列到序列长短期记忆网络（S2S LSTM）	时间序列数据	206名嗜睡症患者，其中126名患者的数据被用于分析