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
221	2025-05-17	A Novel 3D Approach with a CNN and Swin Transformer for Decoding EEG-Based Motor Imagery Classification 2025-May-05, Sensors (Basel, Switzerland) DOI:10.3390/s25092922 PMID:40363359	研究论文	本文提出了一种结合CNN和Swin Transformer的新型端到端解码网络，用于提高基于EEG的运动想象分类的准确性	将EEG信号转换为三维数据结构，结合一维和二维卷积进行时空特征提取，并使用3D Swin Transformer模块进行深度特征探索	方法在不同BCI任务中的适用性及临床实施的潜力有待进一步探索	提高基于EEG的运动想象分类的准确性	脑电图(EEG)信号	脑机接口	肌肉或神经损伤	EEG信号处理	CNN和Swin Transformer	EEG信号	BCI Competition IV-2a数据集
222	2025-05-17	Efficient Deep Learning Model Compression for Sensor-Based Vision Systems via Outlier-Aware Quantization 2025-May-05, Sensors (Basel, Switzerland) DOI:10.3390/s25092918 PMID:40363355	research paper	提出了一种针对传感器视觉系统的高效深度学习模型压缩方法，通过异常值感知量化（OAQ）提高量化精度	提出异常值感知量化（OAQ）方法，有效重塑权重分布以减少异常值对量化精度的影响，并与现有量化方案正交兼容	未提及具体在哪些传感器或实际应用场景中的限制	优化资源受限环境下传感器视觉系统中的深度学习模型效率	深度学习模型的量化方法	computer vision	NA	量化方法（OAQ）	CNN（如ResNet20）	image	未明确提及具体样本数量
223	2025-05-17	A Transfer Learning Framework for Predicting and Interpreting Drug Responses via Single-Cell RNA-Seq Data 2025-May-04, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms26094365 PMID:40362602	research paper	该研究提出了一个基于迁移学习的框架，用于通过单细胞RNA测序数据预测和解释药物反应	设计了一个共享编码器将批量和单细胞测序数据对齐到统一的潜在空间，并通过稀疏解码器增强模型的可解释性	临床样本获取有限，且scRNA-seq药物反应数据的系统性收集和利用仍有限	提高药物反应预测的准确性和可解释性	单细胞RNA测序数据	machine learning	cancer	scRNA-seq	transfer learning	RNA sequencing data	五个scRNA-seq数据集
224	2025-05-17	Aircraft Wake Vortex Recognition Method Based on Improved Inception-VGG16 Hybrid Network 2025-May-04, Sensors (Basel, Switzerland) DOI:10.3390/s25092909 PMID:40363346	研究论文	提出了一种基于改进的Inception-VGG16混合网络的飞机尾涡识别方法	结合改进的InceptionB和InceptionC模块进行多尺度特征并行提取，后端采用VGG16的层次结构进行深度特征提取，显著提高了分类准确率	未提及模型在其他机场或不同气象条件下的泛化能力	解决飞机尾涡准确识别的挑战	飞机尾涡	计算机视觉	NA	深度学习	Inception-VGG16混合网络	二维多普勒雷达径向速度数据	3530个风场样本
225	2025-05-17	Deep Learning-Based Synthetic CT for Personalized Treatment Modality Selection Between Proton and Photon Therapy in Thoracic Cancer 2025-May-03, Cancers IF:4.5Q1 DOI:10.3390/cancers17091553 PMID:40361479	研究论文	本研究开发了一种基于深度学习的合成CT（sCT）工作流程，用于在胸部癌症治疗中比较质子与光子疗法的优势	利用深度学习预测的sCT仅基于诊断CT（dCT）进行治疗方案比较，为临床决策提供支持	研究样本量较小（训练集46例，测试集15例），可能影响模型的泛化能力	开发个性化治疗模式选择工具，优化胸部癌症患者的放射治疗方案	胸部癌症患者	数字病理	胸部癌症	深度学习	U-Net	CT图像	46例训练样本（公共数据库）+15例测试样本（机构患者）
226	2025-05-17	Role and Potential of Artificial Intelligence in Biomarker Discovery and Development of Treatment Strategies for Amyotrophic Lateral Sclerosis 2025-May-02, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms26094346 PMID:40362582	review	本文探讨了人工智能在肌萎缩侧索硬化症（ALS）生物标志物发现和治疗策略开发中的角色和潜力	综述了AI在ALS生物标志物发现、诊断准确性和治疗开发中的创新应用，包括AlphaFold和深度学习模型在蛋白质组学和神经影像学中的革命性进展	未提及具体研究样本量或实验验证结果	探索AI在ALS生物标志物发现和治疗策略开发中的应用	肌萎缩侧索硬化症（ALS）	machine learning	neurodegenerative disease	omics, neuroimaging	deep learning	omics data, neuroimaging data	NA
227	2025-05-17	Exploring Smartphone-Based Edge AI Inferences Using Real Testbeds 2025-May-02, Sensors (Basel, Switzerland) DOI:10.3390/s25092875 PMID:40363312	研究论文	本文探讨了基于智能手机的边缘AI在实时计算机视觉推理中的竞争力	研究了智能手机集群在边缘AI中的应用潜力，特别是在实时计算机视觉推理任务中的性能表现	实验仅使用了五款低/中端智能手机和三款SBC，样本范围和多样性有限	评估智能手机集群在边缘AI实时计算机视觉推理中的性能表现	智能手机集群和单板计算机(SBC)在边缘AI任务中的性能比较	计算机视觉	NA	深度学习模型推理	预训练DL模型	图像流数据	8个异构边缘节点(5款智能手机和3款SBC)
228	2025-05-17	MHFS-FORMER: Multiple-Scale Hybrid Features Transformer for Lane Detection 2025-May-02, Sensors (Basel, Switzerland) DOI:10.3390/s25092876 PMID:40363313	research paper	提出了一种基于Transformer的端到端模型MHFS-FORMER，用于解决复杂场景下的车道检测问题	设计了MHFNet融合多尺度特征与Transformer Encoder，引入多参考可变形注意力模块增强模型表示能力，并开发了ShuffleLaneNet探索多尺度车道特征的通道和空间信息	未明确提及具体限制	提升复杂场景下车道检测的准确性和实时性	车道检测	computer vision	NA	NA	Transformer (MHFS-FORMER, MHFNet, ShuffleLaneNet)	image	TuSimple和CULane数据集
229	2025-05-17	Microfluidics with Machine Learning for Biophysical Characterization of Cells 2025-May, Annual review of analytical chemistry (Palo Alto, Calif.) DOI:10.1146/annurev-anchem-061622-025021 PMID:39999863	综述	本文探讨了微流控技术与机器学习在细胞生物物理特性表征中的协同作用	整合人工智能方法（包括机器学习和深度学习）与微流控技术，以解决高通量微流控系统数据分析的挑战	未提及具体的技术实施细节或实验验证结果	提升细胞生物物理特性表征的准确性和效率，促进新的生物学发现	细胞的生物物理特性	生物医学工程	NA	微流控技术、机器学习和深度学习	NA	微流控实验产生的高通量数据	NA
230	2025-05-17	Automatic Quantification of Serial PET/CT Images for Pediatric Hodgkin Lymphoma Using a Longitudinally Aware Segmentation Network 2025-May, Radiology. Artificial intelligence DOI:10.1148/ryai.240229 PMID:39969278	研究论文	开发了一种纵向感知分割网络（LAS-Net），用于量化儿童霍奇金淋巴瘤患者的连续PET/CT图像	LAS-Net引入了纵向交叉注意力机制，使得PET1的相关特征能够为PET2的分析提供信息	研究为回顾性研究，可能受到数据收集时间的限制	开发一种能够量化儿童霍奇金淋巴瘤患者连续PET/CT图像的自动分割网络	儿童霍奇金淋巴瘤患者的连续PET/CT图像	数字病理学	霍奇金淋巴瘤	PET/CT成像	CNN	图像	297名儿童患者（内部数据集200名，外部测试数据集97名）
231	2025-05-17	Deep Learning Methods in the Imaging of Hepatic and Pancreaticobiliary Diseases 2025 May-Jun 01, Journal of clinical gastroenterology IF:2.8Q2 DOI:10.1097/MCG.0000000000002125 PMID:40193287	综述	本文综述了深度学习和机器学习在肝胆胰疾病影像诊断中的应用	AI通过高敏感性和特异性提高诊断准确性，CNN算法增强图像分析并减少变异性	AI在这些胃肠病学专业领域的应用主要局限于实验性试验	提高肝胆胰疾病的检测、评估和治疗规划	肝胆胰疾病的影像诊断	数字病理学	肝胆胰疾病	深度学习、机器学习	CNN	影像	NA
232	2025-05-17	Peptide Property Prediction for Mass Spectrometry Using AI: An Introduction to State of the Art Models 2025-May, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202400398 PMID:40211610	综述	本文综述了基于质谱的蛋白质组学中用于肽性质预测的最先进的机器学习和深度学习模型	介绍了预测消化性、保留时间、电荷状态分布、碰撞截面、碎片离子强度和可检测性等多种肽性质的模型	当前模型在处理多样化的翻译后修饰和仪器变异性方面存在困难，需要大规模、协调的数据集和标准化的评估指标	为肽性质预测开发可访问和可复现的模型	质谱中的肽性质	机器学习	NA	质谱	机器学习和深度学习模型	质谱数据	NA
233	2025-05-17	Circular RNA discovery with emerging sequencing and deep learning technologies 2025-May, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-025-02157-7 PMID:40247051	综述	本文总结了环状RNA（circRNA）在基因调控和疾病发病机制中的新兴作用，以及利用新兴测序技术和深度学习技术进行circRNA发现和功能分析的最新突破	结合长读长和单细胞RNA测序技术与深度学习算法，以前所未有的分辨率和规模研究circRNA	circRNA低表达水平及与线性RNA的高序列相似性给检测和表征带来挑战	探索circRNA的发现、表征和功能分析算法，以及其在生物医学应用中的潜力	环状RNA（circRNA）	生物信息学	NA	长读长测序、单细胞RNA测序	深度学习	RNA序列数据	NA
234	2025-05-17	Deep learning approach in undergraduate nursing students and their relationship with learning outcomes: A latent profile analysis 2025-May, Nurse education in practice IF:3.3Q1 DOI:10.1016/j.nepr.2025.104379 PMID:40279950	研究论文	本研究通过潜在剖面分析识别了本科护理学生深度学习方法的潜在类型，并分析了这些类型的影响因素及其与学习成果的关系	首次在护理教育中应用潜在剖面分析方法识别学生的深度学习类型，并探讨了不同类型与学习成果的关系	研究设计为横断面调查，无法确定因果关系；样本仅来自中国两所医科大学，可能限制结果的普适性	探索本科护理学生的深度学习类型及其与学习成果的关系	本科护理学生	教育心理学	NA	潜在剖面分析(LPA)、单因素方差分析、多项逻辑回归分析、BCH方法	NA	问卷调查数据	来自中国两所医科大学的891名本科护理学生
235	2025-05-03	Correction to: DOMSCNet: a deep learning model for the classification of stomach cancer using multi-layer omics data 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf218 PMID:40314061	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
236	2025-05-17	Deep Learning Assisted Outer Volume Removal for Highly-Accelerated Real-Time Dynamic MRI 2025-May-01, ArXiv PMID:40342862	研究论文	提出一种新型外部体积去除（OVR）方法，通过深度学习辅助消除实时动态MRI中的混叠伪影	结合复合时间图像和深度学习模型，无需修改采集协议即可有效去除非心脏区域的混叠伪影	未明确说明模型在不同患者群体或病理条件下的泛化能力	提高实时电影MRI在高加速因子下的图像质量	心脏动态MRI图像	医学影像分析	心血管疾病	深度学习辅助MRI重建	PD-DL（物理驱动深度学习）	MRI k空间数据	NA
237	2025-05-17	MMsurv: a multimodal multi-instance multi-cancer survival prediction model integrating pathological images, clinical information, and sequencing data 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf209 PMID:40366860	研究论文	提出了一种名为MMSurv的多模态深度学习模型，用于整合病理图像、临床信息和测序数据以预测多种癌症患者的生存率	提出了一种基于紧凑双线性池化和Transformer的新型多模态融合方法，并采用双层多实例学习模型去除与预后无关的图像块，同时通过细胞分割增强模型的可解释性	仅在TCGA的六种癌症类型上进行了评估，未在其他数据集上验证	提高癌症患者生存率预测的准确性	癌症患者	数字病理学	多癌症	深度学习，测序，细胞分割	MMSurv（基于紧凑双线性池化和Transformer的多模态融合模型）	病理图像，临床信息，测序数据	TCGA中的六种癌症类型数据
238	2025-05-17	Evolving and Novel Applications of Artificial Intelligence in Cancer Imaging 2025-Apr-30, Cancers IF:4.5Q1 DOI:10.3390/cancers17091510 PMID:40361437	综述	本文综述了人工智能在癌症影像学中的新兴应用及其对筛查、诊断和治疗的革命性影响	深入探讨了AI在癌症影像学中的最新应用，包括风险预测、肿瘤检测与分类、治疗预后预测等，并强调了多学科合作的重要性	AI在医疗领域的整合面临数据准确性、患者隐私保护和模型泛化性等挑战，需要更多临床验证和跨机构研究	概述人工智能在肿瘤影像学中的应用及其局限性，推动精准医疗和患者治疗效果提升	癌症影像学中的AI应用	数字病理学	癌症	深度学习、机器学习	深度学习框架	影像数据	NA
239	2025-05-17	Multi-Modal Graph Neural Networks for Colposcopy Data Classification and Visualization 2025-Apr-30, Cancers IF:4.5Q1 DOI:10.3390/cancers17091521 PMID:40361447	research paper	提出了一种基于图神经网络的多模态框架，用于宫颈病变分类和可视化	整合了阴道镜图像、分割掩码和图表示的多模态数据，提高了病变分类的准确性	需要多模态数据输入，可能增加数据收集和处理的复杂性	改进宫颈病变分类方法，实现早期宫颈癌检测	宫颈病变数据	digital pathology	cervical cancer	GNN, LIME	GCNConv	image, graph	NA
240	2025-05-17	Advanced Feature Extraction for Cervical Cancer Image Classification: Integrating Neural Feature Extraction and AutoInt Models 2025-Apr-30, Sensors (Basel, Switzerland) DOI:10.3390/s25092826 PMID:40363261	research paper	本研究提出了一种结合神经特征提取器和AutoInt模型的深度学习框架，用于宫颈癌图像分类	整合了基于预训练VGG16架构的神经特征提取器(NFE)和用于自动特征交互学习的AutoInt模型，提出了一种新颖的分类框架	未提及模型在临床环境中的实际应用验证	提高宫颈癌图像分类的准确性，特别是在资源有限的环境中	宫颈癌图像数据集	digital pathology	cervical cancer	deep learning	VGG16, AutoInt, KNN, LGBM, Extra Trees, LDA	image	公开可用的宫颈癌图像数据集(具体数量未提及)