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	2025-03-25	Stacked long and short-term memory (SLSTM) - assisted terahertz spectroscopy combined with permutation importance for rapid red wine varietal identification 2025-Aug-15, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.127650 PMID:40037161	研究论文	该研究利用太赫兹时域光谱结合深度学习技术，快速无损地鉴别不同品种的红酒，以正确识别红酒标签	首次将堆叠长短时记忆(SLSTM)模型与太赫兹光谱技术结合，并引入排列重要性进行特征选择，以提高红酒品种鉴别的准确性和效率	基于排列重要性的特征选择模型在准确率上略低于全频段模型	开发一种快速、准确且无损的红酒品种鉴别方法，以维护市场秩序和消费者权益	不同品种的红酒	机器学习	NA	太赫兹时域光谱(THz-TDS)	SLSTM	光谱数据	NA
2	2025-03-16	Fingerprinting of Boletus bainiugan: FT-NIR spectroscopy combined with machine learning a new workflow for storage period identification 2025-Aug, Food microbiology IF:4.5Q1 DOI:10.1016/j.fm.2025.104743 PMID:40086983	研究论文	本文提出了一种结合FT-NIR光谱和机器学习的新工作流程，用于识别牛肝菌的储存期	结合FT-NIR光谱和机器学习，特别是CNN和BPNN模型，用于识别牛肝菌的储存期，提供了一种低成本且用户友好的解决方案	未提及具体的研究局限性	开发一种实时确定牛肝菌储存期的方法，以确保食品安全和真实性	831个储存0、1和2年的牛肝菌样本	机器学习	NA	高效液相色谱（HPLC）和傅里叶变换近红外光谱（FT-NIR）	卷积神经网络（CNN）、反向传播神经网络（BPNN）、数据驱动的软独立建模类类比（DD-SIMCA）、偏最小二乘回归（PLSR）	光谱数据	831个牛肝菌样本
3	2025-03-12	Adaptive boundary-enhanced Dice loss for image segmentation 2025-Aug, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2025.107741 PMID:40061446	研究论文	本文提出了一种自适应边界增强的Dice损失函数（ABeDice），用于提高医学图像分割的准确性	ABeDice损失函数结合了指数递归互补（ERC）函数与传统Dice损失，通过动态调整预测概率分布，优先考虑高概率区域，从而提升分割性能	NA	提高医学图像分割的准确性	医学图像	计算机视觉	NA	深度学习	Swin-Unet	图像	三个公开数据集（REFUGE、ISIC2018、RIT-Eyes）
4	2025-03-11	In-situ dynamic correction of progressive ablation fluctuations in laser-induced breakdown spectroscopy (LIBS) using Raman spectroscopy and deep learning 2025-Aug-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.127762 PMID:39999584	研究论文	本研究开发了一种基于拉曼光谱的原位动态校正方法，用于优化和校正激光诱导击穿光谱（LIBS）动态烧蚀过程中的波动特性	结合拉曼光谱和深度学习建模，设计了原位在线反馈校正系统，显著提高了LIBS等离子体温度的分类模型性能	NA	提高LIBS作为高精度分析工具的性能	金属样品的连续LIBS烧蚀过程	机器学习和光谱分析	NA	拉曼光谱和激光诱导击穿光谱（LIBS）	深度卷积神经网络（CNN）	光谱数据	NA
5	2025-03-11	Intelligent characterization multi-components in Yangxinshi tablet by online comprehensive two-dimensional liquid chromatography-quadrupole time-of-flight mass spectrometry combined with deep learning-assisted mass defect filtering classification and multidimensional data annotation strategy 2025-Aug-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.127821 PMID:40020613	研究论文	本文建立了一种智能分析养心氏片（YXST）中多种化学成分的综合表征策略	开发了深度学习辅助的质量缺陷过滤智能分类、优选离子捕获列表和主动排除（DLA-MDF-PIL-AE）数据采集模式，结合在线二维液相色谱-四极杆飞行时间质谱（2DLC-Q-TOF-MS/MS）技术	NA	智能分析养心氏片中的多种化学成分	养心氏片（YXST）中的化学成分	自然语言处理	NA	在线二维液相色谱-四极杆飞行时间质谱（2DLC-Q-TOF-MS/MS）	深度学习	质谱数据	228种化合物，包括80种黄酮类、52种生物碱、36种酚酸、15种萜类、17种皂苷和28种其他化合物