深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
1381	2025-10-07	A Fine-grained Hemispheric Asymmetry Network for accurate and interpretable EEG-based emotion classification 2025-Apr, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107127 PMID:39809039	研究论文	提出一种基于脑电图信号的细粒度半球不对称网络，用于准确且可解释的情绪分类	首次在2Hz窄频带内利用半球不对称特征进行情绪分类，并设计三阶段训练流程增强模型性能	仅在两个公开数据集上进行验证，需要更多样化的数据验证泛化能力	开发基于脑电图的准确可解释情绪分类方法	人类情绪状态	机器学习	NA	脑电图(EEG)	深度学习	脑电图信号	SEED和SEED-IV两个公开数据集	NA	FG-HANet	准确率	NA
1382	2025-10-07	Using deep learning for ultrasound images to diagnose chronic lateral ankle instability with high accuracy 2025-Apr, Asia-Pacific journal of sports medicine, arthroscopy, rehabilitation and technology DOI:10.1016/j.asmart.2025.01.001 PMID:39911312	研究论文	本研究使用深度学习分析踝关节超声图像，实现慢性外侧踝关节不稳的高精度诊断	首次将深度学习应用于超声图像诊断慢性外侧踝关节不稳，并采用遮挡敏感性方法可视化模型关注的关键区域	样本量较小（仅60个踝关节），需更大规模研究验证	评估深度学习在超声图像上诊断慢性外侧踝关节不稳的准确性	慢性外侧踝关节不稳患者的距腓前韧带	计算机视觉	运动系统疾病	超声成像	深度学习	图像	60个踝关节（30个对照组，30个损伤组），共4000张图像	NA	三种预训练深度学习模型	准确率, 精确率, 召回率, 特异性, F1分数, AUC	NA
1383	2025-10-07	Predicting bone metastasis risk of colorectal tumors using radiomics and deep learning ViT model 2025-Apr, Journal of bone oncology IF:3.1Q2 DOI:10.1016/j.jbo.2024.100659 PMID:39902382	研究论文	本研究结合影像组学和Vision Transformer深度学习技术，开发预测结直肠癌骨转移风险的模型	首次将Vision Transformer模型应用于结直肠癌骨转移风险预测，并采用双模态CT图像和晚期融合策略	回顾性研究，样本量有限（155例），需要更大规模多中心研究验证	开发预测结直肠癌骨转移风险的精准模型	结直肠癌患者	计算机视觉	结直肠癌	CT成像	Vision Transformer, SVM, KNN, Random Forest, LightGBM, XGBoost	CT图像	155例结直肠癌患者（81例有骨转移，74例无骨转移）	NA	Vision Transformer	AUC-ROC, 准确率, 敏感性, 特异性	NA
1384	2025-02-05	Structure and oxygen saturation recovery of sparse photoacoustic microscopy images by deep learning 2025-Apr, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2025.100687 PMID:39896070	研究论文	本研究提出了一种名为Mask-enhanced U-net (MeU-net)的深度学习模型，用于恢复稀疏采样的光声显微镜（PAM）结构和功能图像	引入了自适应血管注意力掩码模块，专注于血管信息恢复，并设计了血管特定的损失函数以提高恢复精度	现有方法很少能有效恢复功能图像	提高光声显微镜成像速度和恢复精度	小鼠大脑和耳朵的稀疏采样光声显微镜图像	计算机视觉	NA	光声显微镜（PAM）	U-net	图像	小鼠大脑和耳朵的模拟数据，稀疏度为4×、8×、12×	NA	NA	NA	NA
1385	2025-02-05	Self-supervised light fluence correction network for photoacoustic tomography based on diffusion equation 2025-Apr, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2025.100684 PMID:39896066	研究论文	本文提出了一种基于深度学习的自监督光流校正方法，用于定量光声断层成像中的吸收系数分布估计	提出了一种自监督的QPAT网络模型SQPA-Net，通过将基于扩散方程的光流估计引入损失函数，指导模型学习光声光传输的隐式表示	缺乏真实数据用于监督网络训练	解决定量光声断层成像中吸收系数分布估计的问题	生物组织	计算机视觉	NA	深度学习	SQPA-Net	图像	模拟和小动物成像实验	NA	NA	NA	NA
1386	2024-12-28	Network embedding: The bridge between water distribution network hydraulics and machine learning 2025-Apr-01, Water research IF:11.4Q1 DOI:10.1016/j.watres.2024.123011 PMID:39721501	研究论文	本文提出了一种新的水分配网络嵌入（WDNE）方法，将水分配网络的液压关系转化为适合机器学习算法的向量形式	提出了WDNE方法，首次将水分配网络的液压特性有效整合到机器学习中，并通过两种深度自编码器嵌入模型同时保留液压关系和属性信息	未提及具体局限性	解决水分配网络管理问题，提升机器学习算法在水分配网络中的应用效率	水分配网络（WDNs）	机器学习	NA	深度自编码器嵌入模型	自编码器	网络拓扑数据	未提及具体样本数量	NA	NA	NA	NA
1387	2025-10-07	A novel particle size distribution correction method based on image processing and deep learning for coal quality analysis using NIRS-XRF 2025-Apr-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2024.127427 PMID:39709828	研究论文	提出一种结合图像处理和深度学习的颗粒尺寸分布校正方法，用于改善NIRS-XRF煤质分析中的预测精度	首次将Segment Anything Model和Spatial Transformer Network应用于煤样颗粒尺寸分布的校正，建立了颗粒尺寸分布与灰分测量误差的关联模型	仅使用56个煤样本进行验证，样本规模相对较小；校正范围限定在0∼1mm颗粒尺寸	解决颗粒尺寸分布变化对NIRS-XRF煤质分析精度的影响	煤炭样本	计算机视觉, 机器学习	NA	近红外光谱, X射线荧光光谱, 图像处理	CNN, STN, SAM	图像, 光谱数据	56个煤样本（48个0.2mm标准样本，8个0∼1mm校正样本）	NA	Segment Anything Model, Spatial Transformer Network, Convolutional Neural Network	标准偏差, 平均绝对误差, 均方根预测误差	NA
1388	2025-01-05	Throw out an oligopeptide to catch a protein: Deep learning and natural language processing-screened tripeptide PSP promotes Osteolectin-mediated vascularized bone regeneration 2025-Apr, Bioactive materials IF:18.0Q1 DOI:10.1016/j.bioactmat.2024.11.011 PMID:39734571	研究论文	本文利用深度学习和自然语言处理技术筛选出一种三肽PSP，该肽能够促进血管化骨再生，并通过激活Osteolectin介导的血管-骨通讯来增强骨髓干细胞的成骨分化	结合深度学习和自然语言处理技术，开发了一种新的算法来筛选潜在的促血管生成肽，特别是从262个相关蛋白的内在无序区域中筛选出具有生物活性的三肽PSP	研究主要基于小鼠模型，尚未在人体中进行验证	开发一种更安全、更有效的替代传统细胞因子疗法的方法，以促进血管化骨再生	三肽PSP及其在血管化骨再生中的作用	自然语言处理	骨再生	深度学习（DL）、自然语言处理（NLP）	复合模型（DL和NLP结合）	蛋白质序列数据	262个相关蛋白的内在无序区域	NA	NA	NA	NA