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
3421	2025-04-01	Meeting Global Health Needs via Infectious Disease Forecasting: Development of a Reliable Data-Driven Framework 2025-Mar-21, JMIR public health and surveillance IF:3.5Q1 DOI:10.2196/59971 PMID:40116728	研究论文	开发了一个标准化、可靠且可信赖的传染病预测框架和可视化仪表盘，用于支持全球健康决策	构建了一个适用于多种建模技术、传染病和全球地点的标准化预测流程，并采用集成技术选择最佳模型	没有适用于所有疾病、地区和国家的单一最佳模型	满足实时传染病预测的操作决策需求，支持基于证据的公共卫生决策和政策	六种人畜共患传染病（布鲁氏菌病、弯曲杆菌病、中东呼吸综合征、Q热、蜱传脑炎和土拉菌病）在四大洲八个国家的预测	机器学习	传染病	统计、机器学习和深度学习模型	集成模型	人口统计、景观、气候和社会经济因素等多维特征数据	四大洲八个国家的六种传染病数据，平均特征数为2326
3422	2025-04-01	Structure information preserving domain adaptation network for fault diagnosis of Sucker Rod Pumping systems 2025-Mar-21, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107392 PMID:40157234	研究论文	本文提出了一种结构信息保留域适应网络（SIP-DAN），用于抽油机系统的故障诊断，以提高模型的泛化能力	提出了SIP-DAN方法，通过子域对齐实现结构信息保留的域适应，并设计了分类器投票辅助对齐（CVAA）机制来处理目标域缺乏故障类别信息的问题	未明确提及具体样本量或实验条件的限制	提高抽油机系统故障诊断模型的泛化能力	抽油机系统（Sucker Rod Pumping systems）	机器学习	NA	模糊聚类算法，局部最大均值差异（LMMD）损失优化	SIP-DAN	NA	NA
3423	2025-04-01	AI and Smart Devices in Cardio-Oncology: Advancements in Cardiotoxicity Prediction and Cardiovascular Monitoring 2025-Mar-20, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060787 PMID:40150129	review	本文综述了人工智能和智能心脏设备在心脏肿瘤学中的应用，特别是在心脏毒性预测和心血管监测方面的进展	整合AI和智能心脏设备，提升心血管风险评估、早期检测和实时监测心脏毒性的能力	面临数据标准化、监管审批和公平获取等挑战	探讨AI和智能设备在心脏肿瘤学中的应用，以改善患者预后	癌症患者的心血管并发症	machine learning	cardiovascular disease	machine learning (ML), deep learning (DL)	NA	biosensor data, ECG data	NA
3424	2025-04-01	A Novel Diagnostic Framework with an Optimized Ensemble of Vision Transformers and Convolutional Neural Networks for Enhanced Alzheimer's Disease Detection in Medical Imaging 2025-Mar-20, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060789 PMID:40150131	research paper	提出了一种新颖的诊断框架，结合优化的视觉变换器和卷积神经网络集合，用于增强阿尔茨海默病在医学影像中的检测	提出了一种结合ViT-B16和三种CNN模型（VGG19、ResNet152V2和EfficientNetV2B3）的加权平均集成技术，并使用Grasshopper优化算法确保高性能	未提及具体的数据集局限性或模型泛化能力的测试范围	开发一个高效、准确的阿尔茨海默病早期检测框架	阿尔茨海默病患者的大脑磁共振影像（MRI）	digital pathology	geriatric disease	深度学习与医学影像分析	ViT-B16, VGG19, ResNet152V2, EfficientNetV2B3	image	使用'OASIS'基准数据集中的大量脑部MRI影像
3425	2025-04-01	A Comparative Study of Machine Learning and Deep Learning Models for Automatic Parkinson's Disease Detection from Electroencephalogram Signals 2025-Mar-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060773 PMID:40150115	research paper	本研究比较了机器学习和深度学习模型在利用脑电图信号自动检测帕金森病方面的性能	结合先进的频谱特征工程与机器学习和深度学习模型，提出了一种创新的基于EEG的PD检测方法	需要增强特征集、增加受试者数量以及提高模型在不同环境中的泛化能力	开发一种更可靠和高效的帕金森病早期检测技术	帕金森病患者和健康受试者的脑电图信号	machine learning	Parkinson's disease	EEG信号分析	SVM, CNN	EEG信号	UC San Diego Resting State EEG数据集和IOWA数据集
3426	2025-04-01	Deep Learning Models to Detect Anterior Cruciate Ligament Injury on MRI: A Comprehensive Review 2025-Mar-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060776 PMID:40150118	综述	本文综述了深度学习模型在MRI上检测前交叉韧带（ACL）损伤的当前应用	提供了关于深度学习在ACL撕裂检测中应用的全面和批判性综述，并识别了该领域的新兴趋势和挑战	仍需要技术发展以在日常实践中实施	回顾深度学习模型在MRI上检测ACL损伤的应用	前交叉韧带（ACL）损伤	数字病理学	运动损伤	MRI	深度学习模型	图像	23篇相关文章
3427	2025-04-01	Melanoma Skin Cancer Recognition with a Convolutional Neural Network and Feature Dimensions Reduction with Aquila Optimizer 2025-Mar-18, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060761 PMID:40150103	research paper	该研究开发了一种结合CNN特征提取和Aquila优化器降维的黑色素瘤皮肤癌识别系统	首次将CNN与Aquila优化器结合用于黑色素瘤检测，显著提升了分类准确率和计算效率	研究仅使用了公开数据集，未在临床环境中进行验证	开发高效准确的黑色素瘤自动检测系统	皮肤镜图像中的黑色素瘤病变	digital pathology	melanoma	CNN特征提取结合Aquila优化器降维	CNN	image	三个公开数据集(ISIC 2019/ISBI 2016/ISBI 2017)
3428	2025-04-01	Predicting Dairy Calf Body Weight from Depth Images Using Deep Learning (YOLOv8) and Threshold Segmentation with Cross-Validation and Longitudinal Analysis 2025-Mar-18, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani15060868 PMID:40150397	研究论文	该研究利用深度学习和阈值分割技术预测断奶前犊牛的体重，以提高农场管理效率	结合YOLOv8深度学习分割与阈值分割方法，首次在早期时间点预测后期犊牛体重，并比较了多种预测模型的性能	样本量较小（63头荷斯坦犊牛和5头泽西犊牛），且仅20头荷斯坦犊牛进行了手动称重	开发非接触式测量方法，预测断奶前犊牛的体重，以评估生长、饲料效率、健康和断奶准备情况	荷斯坦和泽西品种的断奶前犊牛	计算机视觉	NA	深度学习和阈值分割	YOLOv8, LR, XGBoost, LMM	深度图像	63头荷斯坦犊牛和5头泽西犊牛，其中20头荷斯坦犊牛进行了手动称重
3429	2025-04-01	Benchmarking Interpretability in Healthcare Using Pattern Discovery and Disentanglement 2025-Mar-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030308 PMID:40150773	research paper	该研究评估了模式发现与解缠（PDD）系统在医疗保健领域的可解释性，通过无监督学习算法处理临床笔记以辅助决策	提出了一种无监督学习算法PDD，其在可解释性输出和聚类结果方面表现与监督深度学习模型相当，并通过全局可解释性弥补了特征重要性排名和事后分析的局限性	特征重要性排名和事后分析在临床诊断中存在局限性	评估和比较医疗保健领域AI决策的可解释性技术	临床笔记和ICD-9代码	natural language processing	NA	Term Frequency-Inverse Document Frequency, Topic Modeling	unsupervised learning algorithm	text	MIMIC-IV数据集
3430	2025-04-01	CBR-Net: A Multisensory Emotional Electroencephalography (EEG)-Based Personal Identification Model with Olfactory-Enhanced Video Stimulation 2025-Mar-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030310 PMID:40150774	research paper	提出了一种基于多感官情感EEG的个人识别模型CBR-Net，并建立了包含视频和嗅觉增强视频刺激的多感官情感EEG数据集	首次结合CNN、BiLSTM和残差连接构建CBR-Net模型，并验证嗅觉增强视频刺激对提升EEG信号情感强度的有效性	未说明模型在不同人群或跨文化场景下的泛化能力	提高基于EEG的个人识别准确率	多感官刺激下的情感EEG信号	machine learning	NA	EEG信号采集与分析	CNN-BiLSTM-Residual Network (CBR-Net)	多模态数据（EEG信号+视频/嗅觉刺激）	未明确说明被试者数量
3431	2025-04-01	Improved A-Line and B-Line Detection in Lung Ultrasound Using Deep Learning with Boundary-Aware Dice Loss 2025-Mar-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030311 PMID:40150775	research paper	提出了一种结合Transformer编码器和边界感知Dice损失的新型分割模型TransBound-UNet，用于提高肺部超声图像中A线和B线的检测和分割精度	集成了基于Transformer的编码器和边界感知Dice损失，提高了关键结构的准确分割	未提及具体的数据集多样性或模型在不同设备或条件下的泛化能力	提高肺部超声图像中A线和B线的自动检测和分割精度	肺部超声图像中的A线和B线	digital pathology	lung cancer	deep learning	TransBound-UNet (结合Transformer和UNet)	image	4599张肺部超声图像
3432	2025-04-01	Self-Supervised Z-Slice Augmentation for 3D Bio-Imaging via Knowledge Distillation 2025-Mar-17, ArXiv PMID:40093360	研究论文	提出了一种名为ZAugNet的自监督深度学习方法，用于提高生物图像中的z分辨率	结合生成对抗网络（GAN）和知识蒸馏技术，实现了在不牺牲准确性的情况下最大化预测速度，并开发了支持非均匀切片间距数据集的扩展版本ZAugNet+	未提及具体的局限性	提高三维生物显微镜图像的z分辨率	三维生物显微镜图像	数字病理学	NA	深度学习	GAN	图像	未提及具体样本数量
3433	2025-04-01	Enhanced Methodology and Experimental Research for Caged Chicken Counting Based on YOLOv8 2025-Mar-16, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani15060853 PMID:40150382	research paper	提出了一种基于YOLOv8改进的笼养鸡计数算法YOLO-CCA，通过集成CoordAttention机制和Reversible Column Networks骨干网络，提高了计数准确率和效率	YOLO-CCA算法通过集成CoordAttention机制和Reversible Column Networks骨干网络，显著提高了YOLOv8-small模型的准确率和平均精度，并开发了基于阈值的连续帧检测方法	在Jetson AGX Orin工业计算机上部署时，识别率略有下降至93.2%	提高笼养鸡计数的准确性和效率，支持智能化家禽养殖转型	笼养鸡	computer vision	NA	YOLO-CCA, CoordAttention, Reversible Column Networks	YOLOv8-small	image	80个笼子，共493只鸡
3434	2025-04-01	Advancing Diabetic Retinopathy Screening: A Systematic Review of Artificial Intelligence and Optical Coherence Tomography Angiography Innovations 2025-Mar-15, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060737 PMID:40150080	系统性综述	本文综述了人工智能（AI）与光学相干断层扫描血管成像（OCTA）在糖尿病视网膜病变（DR）筛查中的创新应用	整合先进的深度学习（DL）和机器学习（ML）算法与OCTA成像，显著提高了DR筛查的准确性和早期检测能力	需要更多多中心研究和真实世界验证以最大化这些创新工具的临床影响	探讨AI与OCTA在DR筛查中的应用及其对诊断准确性和临床工作流程的改进	糖尿病视网膜病变（DR）患者	数字病理学	糖尿病视网膜病变	光学相干断层扫描血管成像（OCTA）	CNN, 注意力机制模型, Vision Transformers (ViTs)	图像	32项研究
3435	2025-04-01	Breaking Barriers in Thyroid Cytopathology: Harnessing Deep Learning for Accurate Diagnosis 2025-Mar-14, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030293 PMID:40150757	research paper	该研究探讨了人工智能技术在甲状腺细胞病理学中的应用，特别是用于诊断最常见的甲状腺癌类型——乳头状甲状腺癌（PTC）	提出了两种深度学习框架：基于CNN的TCS-CNN用于小区域分类，以及基于注意力机制的AD-MIL模型用于大区域预测	研究仅针对乳头状甲状腺癌（PTC），未涵盖其他甲状腺疾病类型	提高甲状腺细胞病理学诊断的准确性和效率	甲状腺细胞病理学图像	digital pathology	thyroid cancer	fine-needle aspiration cytology (FNAC)	CNN, attention-based deep multiple instance learning (AD-MIL)	image	NA
3436	2025-04-01	Heart Sound Classification Based on Multi-Scale Feature Fusion and Channel Attention Module 2025-Mar-14, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12030290 PMID:40150754	research paper	提出了一种名为CAFusionNet的心音分类模型，通过多尺度特征融合和通道注意力模块提高分类性能	结合多尺度特征融合和通道注意力模块，显著提升了心音分类的准确率	数据集规模有限，采用了同质迁移学习方法来缓解这一问题	提高心音分类的准确性和效率	心音信号	machine learning	cardiovascular disease	CNN	CAFusionNet	audio	公共数据集与自有数据集的组合
3437	2025-04-01	A Hybrid Deep Learning-Based Feature Selection Approach for Supporting Early Detection of Long-Term Behavioral Outcomes in Survivors of Cancer: Cross-Sectional Study 2025-Mar-13, JMIR bioinformatics and biotechnology DOI:10.2196/65001 PMID:40080820	研究论文	开发了一种基于混合深度学习的特征选择方法，用于预测癌症幸存者的长期负面行为结果	提出了一种新的两阶段特征选择算法，结合多度量多数投票过滤器和深度丢弃神经网络，动态自动选择最佳特征集	研究样本量较小（102名急性淋巴细胞白血病幸存者），且仅在中国香港的一家公立医院进行治疗的患者中进行	提高机器学习分类器预测癌症幸存者长期负面行为结果的能力	急性淋巴细胞白血病的年轻幸存者（评估时年龄15-39岁，癌症诊断后超过5年）	机器学习	急性淋巴细胞白血病	混合深度学习	深度丢弃神经网络	临床和社会环境因素数据	102名急性淋巴细胞白血病幸存者
3438	2025-04-01	Deep Learning Models Based on Pretreatment MRI and Clinicopathological Data to Predict Responses to Neoadjuvant Systemic Therapy in Triple-Negative Breast Cancer 2025-Mar-13, Cancers IF:4.5Q1 DOI:10.3390/cancers17060966 PMID:40149299	research paper	开发基于治疗前MRI和临床病理数据的深度学习模型，用于预测三阴性乳腺癌患者对新辅助系统治疗的病理完全缓解	利用多参数乳腺MRI和临床病理数据，结合3D深度学习框架，预测三阴性乳腺癌患者对新辅助系统治疗的响应	模型在内部和外部测试数据集中的AUC值分别为0.76和0.72，仍有提升空间	预测三阴性乳腺癌患者对新辅助系统治疗的病理完全缓解	282名I-III期三阴性乳腺癌患者	digital pathology	breast cancer	multiparametric breast MRI (DCE, DWI)	ResNeXt50, ResNet18	image, clinical data	282名患者（内部测试数据集）及I-SPY 2试验数据（外部测试数据集）
3439	2025-04-01	Multi-Modal Fusion and Longitudinal Analysis for Alzheimer's Disease Classification Using Deep Learning 2025-Mar-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060717 PMID:40150060	research paper	本研究介绍了一种名为FusionNet的创新框架，旨在通过整合多模态和纵向成像数据来提升阿尔茨海默病（AD）的分类准确性	FusionNet通过结合MRI、PET和CT扫描数据，利用GAN进行数据增强、轻量级神经网络架构和深度度量学习，显著提高了AD的诊断准确性并实现了早期检测和持续监测	NA	提升阿尔茨海默病的诊断准确性，实现早期检测和持续监测	阿尔茨海默病患者的多模态和纵向成像数据	digital pathology	geriatric disease	MRI, PET, CT	GAN, lightweight neural architectures, deep metric learning	image	NA
3440	2025-04-01	Leveraging Attention-Based Deep Learning in Binary Classification for Early-Stage Breast Cancer Diagnosis 2025-Mar-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15060718 PMID:40150061	research paper	本研究探讨了基于注意力的深度学习模型与传统机器学习方法在乳腺癌早期诊断中的结合应用	利用高效的通道-空间注意力网络（ECSAnet）进行二分类，通过先进的注意力机制增强空间和通道维度的特征提取	研究仅基于BreakHis数据集，未涉及其他类型的数据或多模态方法	提高乳腺癌早期诊断的准确性和效率	乳腺癌组织病理学图像	digital pathology	breast cancer	deep learning, machine learning	ECSAnet, Decision Trees, Logistic Regression	image	BreakHis数据集中的组织病理学图像，包含良性和恶性肿瘤，放大倍数为40×、100×、200×和400×