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
1801	2025-04-09	An efficient method for chili pepper variety classification and origin tracing based on an electronic nose and deep learning 2025-Jul-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.143850 PMID:40101378	研究论文	本文提出了一种结合电子鼻和深度学习的方法，用于辣椒品种分类和产地溯源	提出了一种传感器感知卷积网络（SACNet），集成了电子鼻技术，通过传感器注意力模块自适应关注各传感器的重要性，并引入局部感知和广域感知结构以捕获气体信息特征	方法依赖于电子鼻系统的气体样本采集，可能在实际应用中受到环境因素的影响	解决辣椒品种和产地快速准确识别的问题	辣椒	机器学习	NA	电子鼻（e-nose）	CNN（SACNet）	气体数据	三个数据集（Dataset A、B、C），具体样本数量未提及
1802	2025-04-06	Code-Free Deep Learning Glaucoma Detection on Color Fundus Images 2025 Jul-Aug, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100721 PMID:40182983	研究论文	本研究评估了无代码深度学习(CFDL)在眼底图像中检测青光眼的性能，并与专家设计的模型进行了比较	使用无代码深度学习(CFDL)方法，使无编程经验的临床医生能够构建自己的AI模型，用于青光眼筛查	未提及具体局限性	评估无代码深度学习在青光眼检测中的性能	眼底图像	计算机视觉	青光眼	深度学习	CFDL模型	图像	101442张标记的眼底图像
1803	2025-04-02	A damage identification method for aviation structure integrating Lamb wave and deep learning with multi-dimensional feature fusion 2025-Jul, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107623 PMID:40058116	研究论文	提出了一种结合Lamb波和多维特征融合深度学习的航空结构损伤识别方法	该方法首次将Lamb波信号的一维和二维处理与多维特征融合深度学习模型相结合，提升了损伤信息的时空表征能力，并尝试了跨几何传感器阵列的迁移研究	未明确说明方法在更复杂损伤场景下的适用性以及实际工程应用中的计算成本	解决航空结构健康监测中复杂传感信号的多维损伤信息提取和有效利用问题	航空器切割截面的结构损伤	结构健康监测	NA	Lamb波信号处理、Gramian角场(GAF)转换	包含1D分支网络(Inception-v1+BiLSTM)和2D分支网络(连续卷积+BiLSTM)的融合深度学习模型	一维时间序列信号、二维图像数据	未明确说明具体样本数量，但提到使用真实飞机切割截面的传感信号
1804	2025-04-02	Feature compensation and network reconstruction imaging with high-order helical modes in cylindrical waveguides 2025-Jul, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107631 PMID:40101471	研究论文	提出了一种基于特征补偿和网络重建的逐步反演方法，结合高阶螺旋导波技术，用于管道缺陷的高分辨率成像	结合深度学习的高阶螺旋导波技术，扩展成像视野并实现管道缺陷的高分辨率成像	在有限视角条件下准确反演弱特征缺陷仍具挑战性	提高管道缺陷检测的准确性和分辨率	管道缺陷	无损检测	NA	高阶螺旋导波技术、深度学习	深度学习模型	超声波信号	50个随机选择的缺陷样本
1805	2025-03-25	Ink classification in historical documents using hyperspectral imaging and machine learning methods 2025-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.125916 PMID:40049019	研究论文	本研究探索了使用高光谱成像和机器学习技术对历史文献中的墨水进行分类	结合高光谱成像和多种机器学习方法（包括传统算法和深度学习模型）进行墨水分类，并在具有挑战性的条件下实现高准确率	仅针对三种特定类型的墨水进行分类，可能不适用于其他类型的墨水	开发非侵入性的墨水识别和映射方法，以促进历史文献的保护和分析	历史文献中的墨水（纯金属没食子酸墨水、含碳墨水和非含碳墨水）	计算机视觉	NA	高光谱成像	SVM, KNN, LDA, Random Forest, PLS-DA, DL-based model	图像	模拟样本和历史文献样本