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
1	2024-12-15	Automated Detection of Central Retinal Artery Occlusion Using OCT Imaging via Explainable Deep Learning 2025 Mar-Apr, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100630 PMID:39669299	研究论文	本文展示了使用深度学习模型通过OCT影像自动检测视网膜中央动脉阻塞（CRAO）的能力	本文提出了一种可解释的深度学习模型，用于在OCT数据上检测CRAO，并展示了其在多分类任务中的高准确性	本文仅进行了回顾性外部验证研究，未来需要进一步的前瞻性研究来验证模型的临床应用	开发和验证一种深度学习模型，用于通过OCT影像自动检测视网膜中央动脉阻塞（CRAO）	视网膜中央动脉阻塞（CRAO）及其鉴别诊断	计算机视觉	眼科疾病	深度学习	深度学习模型	图像	来自德国蒂宾根大学医学中心和汉堡-埃彭多夫大学医学中心的患者的OCT数据
2	2024-12-13	Deep learning-assisted surface-enhanced Raman spectroscopy detection of intracellular reactive oxygen species 2025-Mar-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2024.127222 PMID:39556973	研究论文	本文结合表面增强拉曼光谱（SERS）技术和深度学习，建立了一种基于神经网络的细胞内活性氧（ROS）智能检测方法	本文创新性地将SERS技术与深度学习相结合，利用神经网络模型提高了SERS分析能力，并实现了对细胞内ROS的初步浓度预测	本文仅以过氧亚硝酸盐（ONOO）和次氯酸盐（ClO）的同时检测为模板，未来可能需要扩展到更多种类的ROS检测	实现细胞内活性氧的智能分析，以促进疾病的快速诊断	细胞内活性氧（ROS），特别是过氧亚硝酸盐（ONOO）和次氯酸盐（ClO）	机器学习	NA	表面增强拉曼光谱（SERS）	神经网络模型（ENN）和一维卷积神经网络模型（1D-CNN）	光谱数据	AuNP/4-MPBA/2-MP纳米探针的SERS光谱数据
3	2024-12-12	Adaptive Multicore Dual-Path Fusion Multimodel Extraction of Heterogeneous Features for FAIMS Spectral Analysis 2025-Mar, Rapid communications in mass spectrometry : RCM IF:1.8Q2 DOI:10.1002/rcm.9967 PMID:39658821	研究论文	本文提出了一种自适应多核双路径融合多模型提取异构特征的模型，用于FAIMS光谱分析	通过多模型特征提取实现多网络互补，自适应特征融合模块调整特征大小和维度融合，多核双路径融合能够捕捉和整合多尺度和多层次的信息	NA	提高FAIMS光谱分析的分析效果和工作效率	FAIMS光谱数据	机器学习	NA	FAIMS	多模型特征提取	光谱数据	小样本数据
4	2024-09-30	Toward understanding the role of genomic repeat elements in neurodegenerative diseases 2025-Mar-01, Neural regeneration research IF:5.9Q1 DOI:10.4103/NRR.NRR-D-23-01568 PMID:38886931	综述	本文综述了基因组重复元件在神经退行性疾病中的作用	本文首次系统地探讨了基因组重复区域在多种神经退行性疾病中的作用，并介绍了长读长测序技术和深度学习语言模型在识别和理解重复元件变异功能影响方面的应用	本文主要基于现有研究和综述，未提供新的实验数据或模型	探讨基因组重复元件在神经退行性疾病中的作用及其分子机制	基因组重复元件及其在神经退行性疾病中的变异	基因组学	神经退行性疾病	长读长测序技术	深度学习语言模型	基因组数据	NA