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
3081	2025-04-11	Retraction: Harnessing the power of AI: Advanced deep learning models optimization for accurate SARS-CoV-2 forecasting 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321233 PMID:40203015	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3082	2025-04-12	Utilizing a deep learning model based on BERT for identifying enhancers and their strength 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320085 PMID:40203028	研究论文	提出了一种基于BERT和CNN的深度学习模型DNABERT2-Enhancer，用于识别增强子及其强度	结合BERT模型进行特征提取和CNN模型进行分类，通过迁移学习优化增强子识别任务，性能优于现有预测器	未提及具体的数据集规模或模型在其他数据集上的泛化能力	提高增强子及其活动强度的识别准确性	DNA序列中的增强子	自然语言处理	NA	深度学习	BERT, CNN	DNA序列	未提及具体样本数量
3083	2025-04-12	Deep learning-based improved side-channel attacks using data denoising and feature fusion 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315340 PMID:40203055	研究论文	本文提出了一种基于深度学习的改进侧信道攻击方法，结合数据去噪和特征融合技术	提出基于InceptionNet的网络结构减少训练参数并提升攻击效率，以及基于LU-Net的网络结构用于去噪，保留信号的时间连贯性和空间细节	NA	提升侧信道攻击的效率和准确性	侧信道攻击的数据集（ASCAD和DPA Contest v4）	机器学习	NA	深度学习	InceptionNet, LU-Net, LSTM	侧信道数据	ASCAD数据集和DPA Contest v4数据集
3084	2025-04-12	Development of anatomically accurate digital organ models for surgical simulation and training 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320816 PMID:40203219	研究论文	开发了一个基于深度学习的系统，用于自动提取器官表面数据并生成精确的数字器官模型，以用于手术模拟和训练	利用nnU-Net和3D Slicer的AutoSegmentator扩展，结合Blender的CAD功能，实现了自动提取器官数据并支持手动调整，提高了数据的准确性	未提及具体样本量或验证数据集的规模，可能影响结果的普适性	开发高精度的数字器官模型，以支持手术模拟和训练	人体器官和血管的三维模型	数字病理学	NA	nnU-Net, 3D Slicer, Blender	nnU-Net	DICOM图像数据	NA
3085	2025-04-12	Global burden and future trends of head and neck cancer: a deep learning-based analysis (1980-2030) 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320184 PMID:40203229	research paper	该研究利用深度学习模型HNCP-T分析了1980年至2021年全球头颈癌（HNC）的疾病负担，并预测了2022年至2030年的未来趋势	使用基于Transformer的模型HNCP-T预测头颈癌的未来趋势，并量化了估计年度百分比变化（EAPC）	研究依赖于GBD 2021数据集，可能未涵盖所有地区的详细数据	评估全球头颈癌的疾病负担并预测未来趋势，以指导卫生优先事项和决策制定	204个国家的头颈癌年龄标准化发病率（ASIR）、死亡率（ASDR）和残疾调整生命年（DALYs）	digital pathology	head and neck cancer	deep learning	Transformer-based model (HNCP-T)	epidemiological data	204 countries from 1980 to 2021
3086	2025-04-12	Optimizing CNN for pavement distress detection via edge-enhanced multi-scale feature fusion 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319299 PMID:40203245	研究论文	该研究提出了一种名为边缘增强多尺度特征融合（EE-MSFF）的创新机制，通过结合传统边缘检测技术和深度卷积神经网络（DCNNs）来优化路面裂缝检测	提出EE-MSFF机制，通过多尺度特征提取增强边缘信息，减少复杂背景的干扰，提高模型对裂缝区域的关注	模型在复杂背景数据集RDD2020上的分类准确率为88.68%，仍有提升空间	优化基于深度学习的路面损伤分类，提高模型的鲁棒性和泛化能力	路面裂缝检测	计算机视觉	NA	边缘检测技术（Sobel, Prewitt, Laplacian）	CNN	图像	RDD2020数据集和Concrete_Data_Week3数据集
3087	2025-04-12	Prediction models for sleep quality among frontline medical personnel during the COVID-19 pandemic: cross-sectional study based on internet new media 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1406062 PMID:40206166	研究论文	本研究通过横断面调查和多种预测模型，探讨了COVID-19疫情期间上海一线医务人员的睡眠质量及其影响因素	首次在COVID-19疫情期间对医务人员睡眠质量进行多模型预测比较，发现深度学习模型具有最佳预测性能	研究采用横断面设计，无法确定因果关系；样本仅来自上海地区，可能限制结果的普适性	分析影响医务人员睡眠质量的因素并开发预测模型，为制定干预策略提供依据	COVID-19疫情期间上海一线医务人员	机器学习	COVID-19	问卷调查（PSQI量表）、多变量逐步逻辑回归分析	LG, DL, NB, ANN, RF, GBT	问卷数据	训练测试集1060人，独立验证集266人
3088	2025-04-12	Beyond plaque segmentation: a combined radiomics-deep learning approach for automated CAD-RADS classification 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1536239 PMID:40206480	研究论文	本研究开发了一种结合放射组学和自编码器特征的机器学习方法，用于从心脏计算机断层扫描图像中自动评估冠状动脉狭窄程度	首次探索了结合放射组学和自编码器特征的方法进行狭窄程度评估	未提及具体局限性	开发自动化冠状动脉狭窄程度评估方法	冠状动脉疾病患者的计算机断层扫描图像	数字病理学	心血管疾病	放射组学分析和自编码器特征提取	随机森林分类器	医学影像	220名患者的2548张心脏计算机断层扫描图像
3089	2025-04-12	Utility of osteoporosis screening based on estimation of bone mineral density using bidirectional chest radiographs with deep learning models 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1499670 PMID:40206487	研究论文	本研究探讨了利用深度学习模型通过双向胸部X光片估计骨密度（BMD）进行骨质疏松筛查的临床效用	提出了一种基于双向胸部X光片（正面和侧面）的深度学习模型，用于估计骨密度并进行骨质疏松筛查，相比单视角X光片提高了准确度	研究样本仅来自单一医疗机构，可能影响结果的普遍性	评估基于双向胸部X光片和深度学习的骨质疏松筛查方法的临床效用	1624名年龄≥20岁、接受过DXA和双向胸部X光检查的患者	数字病理学	骨质疏松症	深度学习	Inception-ResNet-V2	图像	1624名患者
3090	2025-04-12	CNN-TumorNet: leveraging explainability in deep learning for precise brain tumor diagnosis on MRI images 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1554559 PMID:40206584	研究论文	本文提出了一种名为CNN-TumorNet的卷积神经网络，用于在MRI图像上精确诊断脑肿瘤，并通过LIME技术增强模型的可解释性	结合LIME技术提升深度学习模型的可解释性，使其在保持高准确率的同时更易于临床医生理解和接受	深度学习模型仍存在'黑箱'问题，尽管使用了LIME，医生可能仍难以完全信任和理解模型的决策过程	开发一种高精度且可解释的深度学习模型，用于脑肿瘤的早期诊断	MRI图像中的脑肿瘤	数字病理学	脑肿瘤	MRI	CNN	图像	NA
3091	2025-04-12	A feasibility study of deep learning prediction model for VMAT patient-specific QA 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1509449 PMID:40206587	研究论文	本研究介绍了一种深度学习模型，利用治疗计划系统(TPS)和蒙特卡洛(MC)模拟的独立剂量验证软件计算的剂量，旨在更准确地预测VMAT患者特定QA中的伽马通过率(GPR)	使用深度学习模型结合TPS和MC模拟数据预测GPR，提高了预测的准确性和效率	研究仅基于710个临床VMAT计划，样本量可能不足以覆盖所有临床情况	提高VMAT患者特定质量保证(QA)的效率和准确性	710个临床VMAT计划	机器学习	NA	蒙特卡洛模拟	CNN	剂量分布数据	710个临床VMAT计划
3092	2025-04-12	Deep learning for steganalysis: evaluating model robustness against image transformations 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1532895 PMID:40206705	research paper	本研究评估了基于深度学习的隐写分析模型在常见图像变换下的鲁棒性	首次系统地评估了多种深度学习模型在图像变换下的隐写分析性能，并比较了它们的鲁棒性	仅评估了有限的图像变换类型，未考虑更复杂的现实场景	评估深度学习模型在图像变换条件下的隐写分析性能	五种深度学习模型（EfficientNet、SRNet、ResNet、Xu-Net和Yedroudj-Net）	computer vision	NA	深度学习	EfficientNet, SRNet, ResNet, Xu-Net, Yedroudj-Net	图像	BOSSBase数据集
3093	2025-04-12	Identification of FDFT1 and PGRMC1 as New Biomarkers in Nonalcoholic Steatohepatitis (NASH)-Related Hepatocellular Carcinoma by Deep Learning 2025, Journal of hepatocellular carcinoma IF:4.2Q2 DOI:10.2147/JHC.S505752 PMID:40206734	研究论文	本研究通过深度学习等方法筛选出NASH相关肝癌的新型生物标志物FDFT1和PGRMC1	首次结合深度学习、WGCNA和PPI网络筛选NASH相关肝癌特征基因，并验证FDFT1和PGRMC1的诊断价值	研究主要基于小鼠模型，需要进一步在人类样本中验证	探索NASH相关肝癌的新型生物标志物	NAFLD小鼠模型和NASH相关肝癌特征基因	生物信息学	肝癌	深度学习、WGCNA、PPI网络、实时定量PCR、单细胞测序	NNs	基因组数据	NAFLD小鼠模型
3094	2025-04-12	Deep learning-enabled transformation of anterior segment images to corneal fluorescein staining images for enhanced corneal disease screening 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.02.039 PMID:40206787	研究论文	开发了一种基于GAN的人工智能系统Gancor，用于将眼前段图像转化为角膜荧光素染色图像，以增强角膜疾病的筛查	利用GAN将AS图像转化为CFS图像，提高了远程诊断的效率和准确性	样本主要来自特定医院和地区，可能影响模型的泛化能力	开发一种远程诊断角膜疾病的系统	9669张眼前段图像和对应的角膜荧光素染色图像，以及967对通过智能手机拍摄的AS-CFS图像	数字病理学	角膜疾病	GAN	GAN	图像	9669张AS图像和对应的CFS图像，以及967对AS-CFS图像
3095	2025-04-12	NeuroFusionNet: cross-modal modeling from brain activity to visual understanding 2025, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2025.1545971 PMID:40207297	research paper	本文提出了一种创新的深度学习模型NeuroFusionNet，通过整合fMRI信号与图像特征来增强对视觉信息的理解	引入了Mutli-scale fMRI Timeformer模块和fMRI-guided loss函数，有效整合图像与大脑活动信息	NA	通过整合fMRI信号与图像特征来增强对视觉信息的理解	fMRI信号和图像特征	machine learning	NA	fMRI	NeuroFusionNet, Mutli-scale fMRI Timeformer	image, fMRI信号	NA
3096	2025-04-12	Prediction of Anti-rheumatoid Arthritis Natural Products of Xanthocerais Lignum Based on LC-MS and Artificial Intelligence 2025, Combinatorial chemistry & high throughput screening IF:1.6Q3 DOI:10.2174/0113862073282138240116112348 PMID:38299408	研究论文	利用LC-MS和人工智能技术预测和筛选黄栌木中抗风湿性关节炎的活性化合物	结合LC-MS和AI技术，构建并整合多种机器学习与深度学习模型，显著提高了预测天然产物活性的效率和准确性	研究仅针对黄栌木中的化合物，未验证其他天然产物的适用性	发现更有效且安全的天然产物用于治疗风湿性关节炎	黄栌木中的化合物	机器学习	风湿性关节炎	LC-MS, HPLC-Q-Exactive-MS	logistic regression, k-nearest neighbors, support vector machines, random forest, XGBoost, GCN	质谱数据	69种黄栌木中的化合物
3097	2025-04-12	ODD-Net: a hybrid deep learning architecture for image dehazing 2024-Dec-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82558-6 PMID:39715769	research paper	提出了一种名为ODD-Net的混合深度学习架构，用于图像去雾	结合了预训练的A-Net和T-Net模型，在大气散射模型中实现了卓越的去雾质量，特别是在传输图估计和深度测量方面超越了现有技术	深度学习方法需要大量数据集和计算资源	提高户外拍摄图像的可见度和对比度	受雾霾影响的图像	computer vision	NA	dilated convolution, batch normalisation, ReLU activation functions, multiscale convolutions, nonlinear regression	CNN	image	NA
3098	2025-04-12	Deep Learning Model for Predicting Neurodevelopmental Outcome in Very Preterm Infants Using Cerebral Ultrasound 2024-Dec, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2024.09.003 PMID:40206534	研究论文	开发深度学习模型，结合新生儿颅脑超声和临床变量，预测极早产儿3岁时的神经发育障碍	首次将CNN模型应用于颅脑超声和临床变量的结合，以预测极早产儿的神经发育障碍	研究为回顾性设计，且仅在单一地区进行，可能影响模型的泛化能力	预测极早产儿3岁时的神经发育障碍	极早产儿（胎龄220-306周）	数字病理	神经发育障碍	颅脑超声（CUS）	CNN, elastic net (EN)	图像, 临床数据	619名极早产儿，包含4184张颅脑超声图像
3099	2025-04-12	Sparse Annotation is Sufficient for Bootstrapping Dense Segmentation 2024-Nov-14, Research square DOI:10.21203/rs.3.rs-5339143/v1 PMID:39606484	研究论文	提出一种基于深度学习的方法，通过稀疏的2D标注快速生成密集的3D分割，用于生物成像数据的实例分割任务	开发了一种新颖的深度学习方法，能够从单一切片上的少量对象稀疏标注中快速生成密集的3D分割，显著减少了人工标注时间和非专家标注的需求	未明确提及方法的适用范围或在不同类型生物成像数据上的泛化能力	解决生物成像数据中密集3D重建的实例分割任务，减少生成训练数据所需的人工标注时间和专家依赖	大脑神经纤维网中的树突、轴突和胶质细胞过程	数字病理	NA	深度学习	NA	图像	未明确提及具体样本数量，但涉及大型图像体积
3100	2025-04-12	Sparse Annotation is Sufficient for Bootstrapping Dense Segmentation 2024-Oct-26, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.14.599135 PMID:38915491	research paper	提出了一种基于深度学习的新方法，通过稀疏的2D标注快速生成密集的3D分割，用于生物成像数据的实例分割任务	开发了一种能够从稀疏标注快速生成密集3D分割的深度学习方法，显著减少了人工标注时间和所需专家知识	未提及该方法在其他类型生物组织或成像模态上的适用性	解决生物成像数据中密集3D重建所需的训练数据生成效率问题	大脑神经纤维网（包括树突、轴突和胶质细胞过程）	digital pathology	NA	serial section electron microscopy	deep learning-based method	3D image	未明确提及具体样本数量