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
1201	2024-12-07	A green and efficient method for detecting nicosulfuron residues in field maize using hyperspectral imaging and deep learning 2025-Feb-15, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2024.136724 PMID:39637793	研究论文	研究开发了一种基于高光谱成像和深度学习的绿色高效方法，用于检测田间玉米中的烟嘧磺隆残留	提出了HerbiResNet模型，用于预测和分类玉米叶中的除草剂残留，显著优于传统的回归模型和经典神经网络	NA	实现对田间玉米中烟嘧磺隆残留的准确快速检测，以优化喷洒策略和实施化学修复	六种不同抗性和敏感性的玉米品种，在两种除草剂浓度下的残留水平	计算机视觉	NA	高光谱成像	HerbiResNet	光谱数据	六种玉米品种，两种除草剂浓度下的低、中、高残留水平
1202	2024-12-22	Online monitoring of Haematococcus lacustris cell cycle using machine and deep learning techniques 2025-Feb, Bioresource technology IF:9.7Q1 DOI:10.1016/j.biortech.2024.131976 PMID:39675638	研究论文	本研究开发了一种自动化在线监测系统，用于分类Haematococcus lacustris细胞周期的四个不同阶段	本研究首次将基于决策树的机器学习和深度学习卷积神经网络算法应用于Haematococcus lacustris细胞周期的在线监测	本研究仅在实验室规模的培养系统中验证了模型的有效性，尚未在大规模工业应用中进行测试	开发一种在线监测系统，用于优化从Haematococcus lacustris中生产虾青素的工艺	Haematococcus lacustris细胞周期	机器学习	NA	卷积神经网络	CNN	图像	NA
1203	2025-01-28	A prognostic and predictive model based on deep learning to identify optimal candidates for intensity-modulated radiotherapy alone in patients with stage II nasopharyngeal carcinoma: A retrospective multicenter study 2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110660 PMID:39645201	研究论文	本研究开发并验证了一个结合深度学习MRI特征和临床信息的预后和预测模型，用于识别仅需强度调制放疗（IMRT）的低风险II期鼻咽癌患者	结合深度学习MRI特征和临床信息，使用3DResNet和eXtreme Gradient Boosting模型进行整合，显著提高了预测性能	研究为回顾性多中心研究，可能存在选择偏倚	开发并验证一个预后和预测模型，以识别仅需IMRT的低风险II期鼻咽癌患者	II期鼻咽癌患者	数字病理	鼻咽癌	3DResNet, eXtreme Gradient Boosting	深度学习模型	MRI图像, 临床信息	999名II期鼻咽癌患者
1204	2025-01-28	Deep learning dose prediction to approach Erasmus-iCycle dosimetric plan quality within seconds for instantaneous treatment planning 2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110662 PMID:39647528	研究论文	本研究探讨了训练数据集大小和模型大小对Erasmus-iCycle GT计划剂量预测准确性的影响，以实现即时治疗计划	使用深度学习方法快速预测患者特定的3D剂量分布，以实现即时治疗计划，显著提高临床工作效率、患者等待时间和治疗质量	即使使用1000名患者的训练数据，预测准确性尚未达到收敛，仍需进一步研究	研究如何通过深度学习方法实现即时治疗计划，以提高临床工作效率和患者治疗质量	1250名前列腺癌患者	数字病理	前列腺癌	深度学习	Hierarchically Densely Connected U-Nets	3D剂量分布数据	1250名前列腺癌患者
1205	2025-01-28	Deep learning-assistance significantly increases the detection sensitivity of neurosurgery residents for intracranial aneurysms in subarachnoid hemorrhage 2025-Feb, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia IF:1.9Q4 DOI:10.1016/j.jocn.2024.110971 PMID:39673838	研究论文	本研究评估了深度学习模型在提高神经外科住院医师通过CT血管造影检测颅内动脉瘤敏感性方面的有效性	首次将深度学习模型应用于神经外科住院医师的动脉瘤检测培训，显著提高了检测敏感性，特别是在小动脉瘤的检测上	研究样本量较小，仅包含104例患者的CTA扫描，且仅涉及三名住院医师	评估深度学习模型在提高神经外科住院医师检测颅内动脉瘤敏感性方面的效果	104例动脉瘤性蛛网膜下腔出血患者的CTA扫描，共126个动脉瘤	数字病理	颅内动脉瘤	CT血管造影（CTA）	深度学习模型（DLM）	图像	104例患者的CTA扫描，共126个动脉瘤
1206	2025-01-28	Incorporating patient-specific prior clinical knowledge to improve clinical target volume auto-segmentation generalisability for online adaptive radiotherapy of rectal cancer: A multicenter validation 2025-Feb, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110667 PMID:39675574	研究论文	本研究探讨了在直肠癌在线自适应放疗中，通过结合患者特定的临床先验知识来提高临床靶区自动分割的泛化能力	创新点在于使用治疗前的分割作为患者特定的先验知识，结合基于人群的分割变异，提高了深度学习模型在多中心数据上的泛化能力	研究仅针对直肠癌患者，且样本来自三个中心，可能限制了结果的广泛适用性	研究目的是提高在线自适应放疗中临床靶区自动分割的泛化能力	研究对象为中等风险或局部晚期直肠癌患者	数字病理	直肠癌	深度学习	深度学习模型	MRI图像	来自三个中心的直肠癌患者
1207	2025-01-27	Regional PM2.5 prediction with hybrid directed graph neural networks and Spatio-temporal fusion of meteorological factors 2025-Feb-01, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2024.125404 PMID:39613176	研究论文	本文提出了一种基于深度学习的混合有向图神经网络方法，用于预测区域PM2.5浓度，并考虑了相邻城市之间的区域传输相互作用	结合图神经网络（GNN）和长短期记忆网络（LSTM）进行时空编码，显著提高了PM浓度预测的准确性，并在华北平原的48小时预测中表现出色	模型主要应用于华北平原，可能在其他地区的适用性需要进一步验证	优化空气质量预测和管理	区域PM2.5浓度	机器学习	NA	深度学习	混合有向图神经网络（GNN + LSTM）	时空数据	NA
1208	2025-01-27	Predictive analysis of COVID-19 occurrence and vaccination impacts across the 50 US states 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109493 PMID:39626459	研究论文	本研究旨在通过机器学习模型评估疫苗接种在COVID-19确诊病例和死亡病例中的有效性，并使用外部验证确保对接种人群的最佳保护	开发了一个深度学习LSTM模型，用于分析疫苗接种在预测COVID-19病例和死亡中的有效性，并通过内部和外部验证评估模型性能	研究仅基于美国CDC的数据，可能无法完全适用于其他国家的疫情情况	评估COVID-19疫苗接种在减少确诊病例和死亡病例中的有效性	美国50个州的COVID-19确诊病例和死亡病例	机器学习	COVID-19	深度学习	LSTM	时间序列数据	2021年至2023年美国CDC收集的数据
1209	2025-01-27	Interpretable prediction of drug-drug interactions via text embedding in biomedical literature 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109496 PMID:39626457	研究论文	本研究提出了一种基于层次注意力机制的深度学习模型，通过生物医学文献预测药物-药物相互作用（DDIs）及其类型	使用预训练的生物医学语言模型和双向长短期记忆网络结合层次注意力机制，有效捕捉药物特性并预测DDIs，同时通过注意力机制解释预测结果	未提及模型在更大规模数据集上的泛化能力或实际临床应用中的验证	预测药物-药物相互作用及其类型，以确保安全用药	药物-药物相互作用（DDIs）	自然语言处理	NA	深度学习	双向长短期记忆网络（BiLSTM）与层次注意力网络	文本	164种DDI类型
1210	2025-01-27	A smart CardioSenseNet framework with advanced data processing models for precise heart disease detection 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109473 PMID:39631110	研究论文	本文提出了一种名为CardioSenseNet的智能框架，用于精确检测心脏病，该框架通过先进的数据处理模型提高了检测的准确性和效率	引入了新的数据预处理方法DGPN、特征选择方法STHIO和预测模型SADNet，这些方法在特征表示、特征选择和预测准确性方面具有创新性	未提及具体的数据集限制或模型在实际应用中的潜在问题	提高心脏病检测的准确性和效率，以支持心血管健康管理	心脏病患者的数据	机器学习	心血管疾病	深度学习	SADNet	结构化数据	使用了Cleveland和CVD等基准数据集
1211	2025-01-27	Leveraging deep transfer learning and explainable AI for accurate COVID-19 diagnosis: Insights from a multi-national chest CT scan study 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109461 PMID:39631112	研究论文	本文提出了一种基于深度迁移学习和可解释AI的自动化计算机辅助诊断框架XCT-COVID，用于从胸部CT扫描图像中准确预测COVID-19感染	首次在一个统一框架内开发了三种不同的模型，利用了之前未探索的大数据集和两个广泛使用的小数据集，并通过可解释AI分析模型功能	在图像质量较低的小数据集上性能显著下降	提高COVID-19诊断的准确性和可解释性	胸部CT扫描图像	计算机视觉	COVID-19	深度迁移学习	CNN（VGG16）	图像	大数据集和两个小数据集
1212	2025-01-27	Advancing cancer diagnosis and prognostication through deep learning mastery in breast, colon, and lung histopathology with ResoMergeNet 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109494 PMID:39637456	研究论文	本文介绍了一种名为ResoMergeNet的深度学习模型，用于乳腺癌、结肠癌和肺癌的组织病理学图像的多类和二分类癌症分类	ResoMergeNet集成了Resboost机制和ConvmergeNet机制，增强了特征表示和提取，提高了诊断准确性	模型在泛化到不同临床环境时可能仍面临挑战	提高癌症诊断和预后的准确性，减少诊断错误和人为偏见	乳腺癌、结肠癌和肺癌的组织病理学图像	数字病理学	乳腺癌、结肠癌、肺癌	深度学习	ResoMergeNet	图像	LC-25000和BreakHis数据集
1213	2025-01-27	Progress on the development of prediction tools for detecting disease causing mutations in proteins 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109510 PMID:39637461	综述	本文综述了用于识别蛋白质中致病突变的预测方法的发展，包括现有数据库、基于序列和结构的特征，以及基于机器学习、深度学习和大型语言模型的计算工具	强调了在预测癌症、神经退行性疾病、传染病以及膜蛋白相关突变热点方面的进展，并讨论了现有方法的局限性和可能的改进	现有方法存在局限性，需要进一步改进以提高预测准确性	开发预测工具以识别蛋白质中的致病突变，从而深入理解疾病的分子机制并制定治疗策略	蛋白质中的氨基酸残基突变	生物信息学	癌症、神经退行性疾病、传染病	机器学习、深度学习、大型语言模型	NA	序列数据、结构数据	NA
1214	2025-01-27	Predicting cancer content in tiles of lung squamous cell carcinoma tumours with validation against pathologist labels 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109489 PMID:39637460	研究论文	本文提出了一种模型，用于从肺鳞状细胞癌（SqCC）肿瘤的数字化全切片图像（WSIs）中排除非癌组织，以提高模型训练的准确性	提出了一种能够预测肺鳞状细胞癌肿瘤切片中癌症含量的模型，并通过病理学家标签进行验证	模型在癌症阈值50%时的AUC为0.83，假阳性主要出现在癌症周围组织、癌症含量低于50%的切片以及免疫活性高的区域，假阴性主要出现在显微切割缺陷区域	开发一种模型，用于从肺鳞状细胞癌的WSIs中排除非癌组织，以提高治疗生物标志物预测的研究效率	肺鳞状细胞癌（SqCC）肿瘤的数字化全切片图像（WSIs）	数字病理学	肺癌	深度学习	VGG16	图像	来自35个不同中心的116个肿瘤WSIs
1215	2025-01-27	Challenges and solutions of deep learning-based automated liver segmentation: A systematic review 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109459 PMID:39642700	系统综述	本文系统回顾了基于深度学习的自动化肝脏分割面临的挑战及其解决方案	对2016年至2022年间发表的88篇相关文献进行了全面分析，将肝脏分割挑战分为五大类，并详细探讨了每类挑战的解决方案	研究仅限于Scopus和ScienceDirect数据库中的文献，可能未涵盖所有相关研究	分析肝脏分割在先前研究中的挑战，并识别研究者为应对这些挑战对网络模型所做的修改及其他增强措施	医学图像中的肝脏分割	数字病理学	肝脏疾病	深度学习	NA	医学图像	88篇文献
1216	2025-01-27	Protein-protein interaction detection using deep learning: A survey, comparative analysis, and experimental evaluation 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109449 PMID:39644584	综述	本文对用于检测蛋白质-蛋白质相互作用（PPIs）的各种深度学习（DL）技术和算法进行了全面分析，并提供了详细的实证和实验评估	本文通过实证和实验评估，比较了不同深度学习技术在PPI检测中的表现，并提出了未来改进方向	深度神经网络（DNNs）存在过拟合和低可解释性的问题，长短期记忆网络（LSTMs）在可扩展性方面存在挑战	评估和比较深度学习技术在蛋白质-蛋白质相互作用检测中的性能	蛋白质-蛋白质相互作用（PPIs）	机器学习	NA	深度学习（DL）	DNNs, CNNs, GSNs, LSTMs	生物序列数据	NA
1217	2025-01-27	Interpretable deep learning architecture for gastrointestinal disease detection: A Tri-stage approach with PCA and XAI 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109503 PMID:39647242	研究论文	本研究提出了一种用于胃肠道疾病检测的可解释深度学习架构，采用三阶段方法结合PCA和XAI技术	提出了一种轻量级的三阶段架构，结合了PSE-CNN、PCA和DELM，并在最大的胃肠道疾病数据集GastroVision上进行了验证，同时使用了多种XAI方法提高模型的可解释性	未提及具体局限性	开发一种能够自动分类胃肠道疾病的计算机辅助诊断系统	胃肠道疾病	数字病理学	胃肠道疾病	深度学习	PSE-CNN, PCA, DELM	图像	8000张图像，涵盖27种胃肠道疾病
1218	2025-01-27	Domain generalization for mammographic image analysis with contrastive learning 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109455 PMID:39657447	研究论文	本文提出了一种新的对比学习方法MSVCL+，用于提高深度学习模型在乳腺图像分析中的风格泛化能力	开发了多风格和多视角的无监督自学习方案MSVCL+，以增强深度学习模型对风格多样性的鲁棒性	需要进一步验证在更多不同风格的数据集上的泛化能力	提高乳腺图像分析任务的域泛化能力	乳腺图像	计算机视觉	乳腺癌	对比学习	深度学习模型	图像	多个供应商风格域和多个公共数据集的乳腺图像
1219	2025-01-27	Natural compounds for Alzheimer's prevention and treatment: Integrating SELFormer-based computational screening with experimental validation 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109523 PMID:39657444	研究论文	本研究开发并应用了一种结合SELFormer和深度学习技术的新型计算管道，用于预测具有阿尔茨海默病治疗潜力的天然化合物，并通过实验验证其效果	结合了基于Transformer架构的化学语言模型SELFormer和深度学习技术，提出了一种新的计算管道，用于筛选和验证天然化合物的治疗潜力	研究主要依赖于计算预测和体外实验，缺乏体内实验验证	开发一种计算和实验相结合的方法，用于筛选和验证具有阿尔茨海默病治疗潜力的天然化合物	天然化合物及其对阿尔茨海默病相关基因的活性	自然语言处理	阿尔茨海默病	SELFormer、深度学习、分子对接分析、体外实验	Transformer、深度学习模型	化学结构数据、基因表达数据	17种高活性天然化合物
1220	2025-01-27	MRI classification of progressive supranuclear palsy, Parkinson disease and controls using deep learning and machine learning algorithms for the identification of regions and tracts of interest as potential biomarkers 2025-Feb, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109518 PMID:39662313	研究论文	本研究旨在开发和比较基于人工智能的MRI分析算法，以区分进行性核上性麻痹（PSP）、帕金森病（PD）和健康对照组，通过分析大脑结构和微结构的变化	本研究首次比较了多种机器学习方法和深度学习神经网络在区分PSP、PD和健康对照组中的应用，并识别了关键的大脑区域和纤维束作为潜在的生物标志物	研究样本来自多个站点，可能存在数据异质性，且样本量相对较小	比较多种机器学习方法和深度学习神经网络在区分PSP、PD和健康对照组中的应用，并识别关键的大脑区域和纤维束	进行性核上性麻痹（PSP）、帕金森病（PD）患者和健康对照组	医学影像分析	神经退行性疾病	扩散张量成像（DTI）和T1加权成像（T1-w）	随机森林算法和深度学习神经网络	MRI图像	74名PSP患者、63名健康对照组（3.0T多站点数据），66名PSP患者、66名PD患者、44名健康对照组（1.5T单站点数据）