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
1061	2025-02-09	Deepstack-ACE: A deep stacking-based ensemble learning framework for the accelerated discovery of ACE inhibitory peptides 2025-Feb, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.12.005 PMID:39709069	研究论文	本文提出了一种基于深度堆叠的集成学习框架Deepstack-ACE，用于精确识别ACE抑制肽	提出了一个新颖的深度堆叠集成学习框架，结合了多种深度学习方法和word2vec嵌入技术，显著提高了ACE抑制肽的识别准确性和鲁棒性	未提及具体的数据集大小或实验复杂性可能带来的限制	加速发现ACE抑制肽，为开发新药物提供指导	ACE抑制肽	机器学习	心血管疾病	word2vec嵌入技术	LSTM, CNN, MLP, GRU, RNN	序列数据	NA
1062	2025-02-09	Inferring multi-slice spatially resolved gene expression from H&E-stained histology images with STMCL 2025-Feb, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2024.11.016 PMID:39755346	研究论文	本文提出了一种名为STMCL的多模态对比学习框架，用于从H&E染色的组织学图像中推断空间基因表达	STMCL框架整合了组织学图像、基因表达特征和位置信息，能够更准确地预测空间基因表达谱，并捕捉癌症特异性高表达基因	NA	开发一种成本效益更高的方法，从H&E染色的组织学图像中预测空间基因表达	多切片空间转录组数据集	数字病理学	癌症	深度学习	对比学习框架	图像、基因表达数据	四种不同类型的多切片空间转录组数据集
1063	2025-02-08	A joint three-plane physics-constrained deep learning based polynomial fitting approach for MR electrical properties tomography 2025-Feb-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121054 PMID:39863005	研究论文	本文提出了一种结合物理约束和深度学习的多项式拟合方法，用于磁共振电特性成像，以提高电导率估计的准确性和计算效率	结合物理约束的深度学习框架，通过在三平面上联合优化神经网络权重，提高了电导率估计的准确性和计算效率	需要大量的训练数据，且对未见数据的泛化能力有限	提高磁共振电特性成像中电导率估计的准确性和计算效率	体内组织的电特性	数字病理	NA	磁共振电特性成像	深度学习	3D数据	模拟的异质脑模型
1064	2025-02-08	NovoRank: Refinement for De Novo Peptide Sequencing Based on Spectral Clustering and Deep Learning 2025-Feb-07, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.4c00300 PMID:39739539	研究论文	本文介绍了NovoRank，一种基于谱聚类和深度学习的后处理工具，用于提高肽段测序的准确性	NovoRank结合谱聚类和深度学习模型，通过重新排序候选肽段来提升肽段测序工具的准确性和召回率	未明确提及具体局限性	提高基于质谱的蛋白质组学中肽段测序的准确性	质谱数据中的肽段序列	机器学习	NA	质谱分析	深度学习模型	质谱数据	未明确提及具体样本数量
1065	2025-02-08	Diffusion transformer model with compact prior for low-dose PET reconstruction 2025-Feb-07, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/adac25 PMID:39832449	研究论文	本文提出了一种基于扩散变换器模型（DTM）的低剂量PET重建方法，以提高图像重建质量	首次将扩散模型与变换器模型结合用于PET重建，解决了低剂量PET图像重建中的噪声和模糊问题	未提及具体的数据集规模或模型训练时间等限制	提高低剂量PET图像的重建质量，减少辐射暴露	低剂量PET图像	医学影像	NA	扩散变换器模型（DTM）	扩散模型与变换器模型	PET图像	未提及具体样本数量，但包括体模和患者数据集
1066	2025-02-08	A novel deep learning framework for retinal disease detection leveraging contextual and local features cues from retinal images 2025-Feb-07, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03314-0 PMID:39918766	研究论文	本文提出了一种新的深度学习框架，用于从视网膜图像中提取上下文和局部特征线索，以准确分类视网膜疾病	提出了一种结合全局上下文信息和局部细粒度信息的深度学习框架，通过DCM-CNN和LP-CNN模块的协同工作，克服了眼底图像中的类间相似性、类内变异、局部信息有限等挑战	NA	提高视网膜疾病的自动诊断准确性	视网膜图像	计算机视觉	视网膜疾病	深度学习	Densely Connected Multidilated Convolution Neural Network (DCM-CNN), Local-Patch-based Convolution Neural Network (LP-CNN)	图像	两个公开的基准数据集：RFMiD和ODIR-5K
1067	2025-02-08	Evaluation of deep learning-based scatter correction on a long-axial field-of-view PET scanner 2025-Feb-07, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07120-6 PMID:39918764	研究论文	本文评估了基于深度学习的散射校正方法在长轴视野PET扫描仪上的性能	提出了一种基于卷积神经网络U-Net架构的深度学习方法，用于估计散射正弦图，并在长轴视野PET系统上进行了评估	尽管在[18F]-PSMA数据集上表现一致，但该方法未使用[18F]-PSMA数据进行训练	评估深度学习方法在长轴视野PET系统上的散射校正性能	长轴视野PET系统的散射校正	医学影像	NA	深度学习，蒙特卡罗模拟	CNN U-Net	正弦图，图像数据	7个[18F]-FDG和[18F]-PSMA临床数据集
1068	2025-02-08	Automated detection of traumatic bleeding in CT images using 3D U-Net# and multi-organ segmentation 2025-Feb-06, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/adae14 PMID:39854772	研究论文	本文提出了一种使用3D U-Net#和多器官分割的深度学习方法来自动检测CT图像中的创伤性出血	结合多器官分割方法，显著减少了出血检测过程中的假阳性	需要进一步减少假阳性以提高临床应用的可行性	提高创伤性出血在CT图像中的自动检测准确性和效率	创伤性出血	计算机视觉	创伤	深度学习	3D U-Net#	CT图像	来自四个机构的延迟期对比增强创伤CT图像数据集
1069	2025-02-08	Comparison of data augmentation and classification algorithms based on plastic spectroscopy 2025-Feb-06, Analytical methods : advancing methods and applications IF:2.7Q1 DOI:10.1039/d4ay01759e PMID:39817628	研究论文	本文提出了一种基于C-GAN的塑料光谱生成模型，并通过数据增强方法系统分析和比较了不同分类算法在塑料光谱数据上的性能	提出了一种基于C-GAN的塑料光谱生成模型，有效解决了样本不足的问题，并通过多种方法验证了生成光谱的真实性	数据样本的收集仍然存在挑战，且不同光谱设备的化学分类特征解释可能有限	通过数据增强和分类算法比较，提高塑料光谱数据的分类准确性	塑料光谱数据	机器学习	NA	傅里叶变换红外光谱（FTIR）、拉曼光谱（RAMAN）、激光诱导击穿光谱（LIBS）	C-GAN、SVM、BP、KNN、RF、DT、GoogleNet、ResNet	光谱数据	公共数据集中的塑料光谱数据
1070	2024-12-21	Correction to: A review of multimodal deep learning methods for genomic-enabled prediction in plant breeding 2025-Feb-05, Genetics IF:3.3Q2 DOI:10.1093/genetics/iyae200 PMID:39704758	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1071	2025-02-08	MtCro: multi-task deep learning framework improves multi-trait genomic prediction of crops 2025-Feb-05, Plant methods IF:4.7Q1 DOI:10.1186/s13007-024-01321-0 PMID:39910577	研究论文	本文介绍了一种名为MtCro的多任务深度学习框架，用于提高作物多性状基因组预测的准确性	MtCro通过多任务学习方法，在共享参数空间中同时捕捉多种植物表型，解决了现有深度学习模型忽视不同表型间相关性的问题	NA	提高作物多性状基因组预测的准确性，加速植物遗传育种进程	作物基因组数据	机器学习	NA	深度学习	多任务学习	基因组数据	Wheat2000、Wheat599和Maize8652数据集
1072	2025-02-08	UniLF: A novel short-term load forecasting model uniformly considering various features from multivariate load data 2025-Feb-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88566-4 PMID:39905068	研究论文	本文提出了一种新的短期负荷预测模型UniLF，该模型统一考虑了多元负荷数据的多种特征，以提高预测精度	UniLF模型基于Transformer框架，设计了卷积增强融合嵌入方法、特征重构分解块和核心掩码引导的多尺度交互自注意力机制，以全面利用多元负荷数据的三个特征：协变量的影响、多尺度特征和局部-全局变化	NA	提高短期负荷预测的准确性，以支持电力系统的经济和稳定运行	多元负荷数据	机器学习	NA	深度学习	Transformer	多元负荷数据	来自澳大利亚、巴拿马和奥地利的三个负荷数据集
1073	2025-02-06	Author Correction: Sentiment analysis of the Hamas-Israel war on YouTube comments using deep learning 2025-Feb-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-80821-4 PMID:39905118	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1074	2025-02-08	Ensemble of feature augmented convolutional neural network and deep autoencoder for efficient detection of network attacks 2025-Feb-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88243-6 PMID:39905125	研究论文	本文提出了一种新颖的深度学习技术集成方法，以提高网络入侵检测系统（NIDS）中数据包流分类的效率	提出了一种集成特征增强卷积神经网络（FA-CNN）和深度自编码器的新方法，用于网络攻击检测	NA	提高网络入侵检测系统中数据包流分类的效率和准确性	网络流量数据	机器学习	NA	深度学习	CNN, 深度自编码器	网络流量数据	使用NSL-KDD和CICDS2017基准数据集进行实验
1075	2025-02-06	Author Correction: Synthetic augmentation of cancer cell line multi-omic datasets using unsupervised deep learning 2025-Feb-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-56686-0 PMID:39905123	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1076	2025-02-08	Using deep learning model integration to build a smart railway traffic safety monitoring system 2025-Feb-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88830-7 PMID:39905256	研究论文	本研究旨在通过集成目标检测、分割、机器学习和通知系统，构建一个智能铁路交通安全系统	结合Mask R-CNN、YOLO v3和XGBoost模型，以及LINE bot通知系统，实现了铁路安全的智能监控	未提及系统的实时性能评估和长期稳定性测试	构建一个智能铁路交通安全监控系统，以预防相关事故	铁路交通安全监控	计算机视觉	NA	目标检测、分割、机器学习	Mask R-CNN, YOLO v3, XGBoost	图像	未明确提及样本数量
1077	2025-02-08	Deep learning-based CT-free attenuation correction for cardiac SPECT: a new approach 2025-Feb-04, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01570-y PMID:39905320	研究论文	本文提出了一种基于深度学习的无CT衰减校正方法，用于心脏SPECT成像	提出了一种新的基于深度学习的无CT衰减校正方法，通过多尺度特征对齐和对抗学习技术，显著提高了无CT衰减校正的性能	研究样本量相对较小，训练集和测试集分别为167和35例	开发一种无需CT扫描的心脏SPECT成像衰减校正方法	心脏SPECT成像	医学影像处理	心血管疾病	深度学习	3D U-Net	图像	训练集167例，测试集35例
1078	2025-02-08	UTR-Insight: integrating deep learning for efficient 5' UTR discovery and design 2025-Feb-04, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-025-11269-7 PMID:39905334	研究论文	本文介绍了UTR-Insight，一个结合预训练语言模型和CNN-Transformer架构的模型，用于高效发现和设计5' UTR	UTR-Insight模型在随机和内生5' UTRs中分别解释了89.1%和82.8%的核糖体负载变异，超越了现有模型	NA	提高mRNA稳定性和翻译效率，用于治疗	5' UTRs	自然语言处理	NA	深度学习	CNN-Transformer	序列数据	数十万条来自灵长类、小鼠和病毒的内生5' UTRs
1079	2025-02-08	Quantifying the tumour vasculature environment from CD-31 immunohistochemistry images of breast cancer using deep learning based semantic segmentation 2025-Feb-04, Breast cancer research : BCR IF:6.1Q1 DOI:10.1186/s13058-024-01950-2 PMID:39905431	研究论文	本文提出了一种基于深度学习的语义分割方法，用于从乳腺癌CD-31免疫组化图像中自动测量血管参数，以详细描述血管形态	使用U-Net卷积神经网络自动分割血管结构和肿瘤区域，并首次在3D组织学分析中提供更全面的血管形态可视化	样本量较小，仅使用了36张部分注释的全切片图像和21张额外图像	研究乳腺癌肿瘤血管环境及其与周围细胞和组织类型的关系	乳腺癌CD-31免疫组化图像	数字病理学	乳腺癌	免疫组化（IHC）	U-Net	图像	36张部分注释的全切片图像（来自27名患者）和21张额外图像（来自15名患者）
1080	2025-02-08	Transitioning from wet lab to artificial intelligence: a systematic review of AI predictors in CRISPR 2025-Feb-04, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-06013-w PMID:39905452	综述	本文系统回顾了CRISPR-Cas9系统中人工智能预测器的应用，旨在通过AI算法优化CRISPR-Cas9的多步骤过程	本文为AI研究人员提供了一个独特的平台，以深入理解CRISPR-Cas9多步骤过程中的生物学基础，并详细介绍了80个可用的CRISPR-Cas9系统相关数据集	现有的AI预测器性能有限，许多步骤仍依赖于昂贵且耗时的湿实验室实验	通过AI算法优化CRISPR-Cas9系统的多步骤过程	CRISPR-Cas9系统及其多步骤过程	机器学习	癌症、遗传病、遗传性疾病	CRISPR-Cas9	机器学习、深度学习	数据集	80个CRISPR-Cas9系统相关数据集