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
4621	2025-03-12	stAI: a deep learning-based model for missing gene imputation and cell-type annotation of spatial transcriptomics 2025-Feb-27, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkaf158 PMID:40057378	研究论文	本文介绍了一种基于深度学习的模型stAI，用于解决单细胞空间转录组学（scST）数据中的基因缺失插补和细胞类型注释问题	stAI模型通过联合嵌入scST和参考scRNA-seq数据，利用两个独立的编码器-解码器模块，在潜在空间中以监督方式进行插补和注释，显著提高了未测量基因（尤其是标记基因）的预测准确性和细胞类型注释的精确度	尽管stAI在多个数据集上表现出色，但其性能可能受到参考scRNA-seq数据质量和数量的限制	解决单细胞空间转录组学数据中的基因缺失插补和细胞类型注释问题	单细胞空间转录组学（scST）数据	数字病理学	NA	空间转录组学技术	深度学习模型（编码器-解码器模块）	RNA转录水平数据	多个平台生成的数据集，涉及不同数量的测量基因
4622	2025-03-12	[Generative artificial intelligence ChatGPT in clinical nutrition - Advances and challenges] 2025-Feb-26, Nutricion hospitalaria IF:1.2Q4 DOI:10.20960/nh.05692 PMID:40066572	研究论文	本文探讨了生成式人工智能ChatGPT在临床营养学中的应用进展与挑战	ChatGPT在营养评估、个性化干预建议和患者进展监测方面展现了潜力，特别是在计算热量需求和推荐营养丰富的食物方面表现出色	ChatGPT在解释非语言线索、进行体格检查、整合多种医疗条件以及确保膳食计划的准确性方面存在不足，生成的计划可能出现显著的热量偏差和微量营养素失衡	研究ChatGPT在临床营养管理中的应用潜力及其局限性	临床营养管理中的患者	自然语言处理	NA	机器学习和深度学习	ChatGPT	临床记录数据	NA
4623	2025-03-12	Concordance-based Predictive Uncertainty (CPU)-Index: Proof-of-concept with application towards improved specificity of lung cancers on low dose screening CT 2025-Feb, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2024.103055 PMID:39721356	研究论文	本文介绍了一种新的基于一致性的预测不确定性（CPU）指数，通过其在肺癌筛查（LCS）预测中的应用，展示了其在提高风险评估方面的有效性	提出了CPU-Index框架，通过结合亚组分析和个性化AI时间到事件模型的见解，改进了肺癌筛查的预测透明度和可靠性	个性化AI时间到事件模型存在透明度问题和来自截尾数据的偏差	提高肺癌筛查的预测准确性和风险评估	肺癌筛查中的低剂量CT（LDCT）影像和患者人口统计数据	数字病理学	肺癌	低剂量CT（LDCT）放射组学	神经多任务逻辑回归时间到事件模型	影像和文本	3,326名在2015年1月1日至2020年6月30日期间接受LDCT进行LCS的患者
4624	2025-03-12	Comparing ECG Lead Subsets for Heart Arrhythmia/ECG Pattern Classification: Convolutional Neural Networks and Random Forest 2025-Feb, CJC open IF:2.5Q2 DOI:10.1016/j.cjco.2024.10.012 PMID:40060210	研究论文	本研究比较了深度学习（DL）和传统机器学习（CML）方法在心律失常/心电图（ECG）模式分类中的表现，特别是使用减少的ECG导联子集时的性能	首次比较了DL和CML方法在减少ECG导联子集情况下的心律失常/ECG模式分类性能，并识别了最优的ECG导联子集	研究仅使用了PhysioNet Cardiology Challenge 2020的公开数据集，可能无法完全代表所有临床场景	评估卷积神经网络（CNN）和随机森林（RF）模型在使用减少的ECG导联子集时对心律失常/ECG模式分类的准确性	心律失常/ECG模式分类	机器学习	心血管疾病	卷积神经网络（CNN），随机森林（RF）	CNN, RF	ECG数据	PhysioNet Cardiology Challenge 2020的公开数据集
4625	2025-03-12	Artificial Intelligence in Myopic Maculopathy: A Comprehensive Review of Identification, Classification, and Monitoring Using Diverse Imaging Modalities 2025-Feb, Cureus DOI:10.7759/cureus.78685 PMID:40062093	综述	本文综述了人工智能（AI）在近视性黄斑病变识别、分类和监测中的应用，主要使用传统成像技术如眼底摄影和光学相干断层扫描（OCT）	本文综合分析了2018年至2024年间发表的13项研究，探讨了机器学习和深度学习算法在高度近视病例诊断、分类和随访中的角色，揭示了AI模型在疾病诊断中的支持作用	大多数研究集中在中国，且主要关注近视性黄斑变性和高度近视患者，可能限制了结果的普遍性	探讨AI工具在近视性黄斑病变检测中的有效性和实用性	近视性黄斑病变患者	数字病理学	近视性黄斑病变	眼底摄影, 光学相干断层扫描（OCT）	ResNet-18, ResNet-50, ResNet-101, DeepLabv3+, DarkNet-19, Efficient Net (B0/B7), VOLO-D2, Efficient Former, ALFA-Mix+, XGBoost	图像	13项研究，主要来自中国
4626	2025-03-12	AI-powered innovations in pancreatitis imaging: a comprehensive literature synthesis 2025-01, Abdominal radiology (New York) DOI:10.1007/s00261-024-04512-4 PMID:39133362	综述	本文综述了人工智能在胰腺炎影像诊断中的创新应用及其对临床支持的改进	探讨了深度学习模型在胰腺炎非侵入性诊断中的应用及其潜力	讨论了当前AI在胰腺炎早期检测和管理中的方法学限制	提高胰腺炎的早期识别和诊断准确性	胰腺炎患者	数字病理学	胰腺炎	深度学习	深度学习模型	影像数据	NA
4627	2025-03-12	Automated Deep Learning-Based Finger Joint Segmentation in 3-D Ultrasound Images With Limited Dataset 2025-01, Ultrasonic imaging IF:2.5Q2 DOI:10.1177/01617346241277178 PMID:39295443	研究论文	本文提出了一种基于深度学习的自动化方法，用于在受类风湿性关节炎影响的手指关节的超声图像中分割滑膜	利用深度学习技术自动化分割超声图像中的滑膜，特别是在有限数据集的情况下，通过数据增强策略提高模型性能	研究基于有限的数据集（18个3-D超声体积，来自9名患者），且地面真实标注稀疏，可能影响模型的泛化能力	开发一种自动化工具，用于更高效和标准化地筛查类风湿性关节炎	类风湿性关节炎患者的手指关节超声图像	计算机视觉	类风湿性关节炎	深度学习	卷积神经网络（CNN）	3-D超声图像	18个3-D超声体积，来自9名类风湿性关节炎患者
4628	2025-03-12	CBAM-RIUnet: Breast Tumor Segmentation With Enhanced Breast Ultrasound and Test-Time Augmentation 2025-01, Ultrasonic imaging IF:2.5Q2 DOI:10.1177/01617346241276411 PMID:39283069	研究论文	本研究提出了一种名为CBAM-RIUnet的深度学习模型，用于在乳腺超声图像中自动分割乳腺肿瘤，以提高计算机辅助诊断（CAD）的效果	CBAM-RIUnet模型结合了卷积块注意力模块（CBAM）和残差初始深度可分离卷积，能够消除无关特征并专注于感兴趣区域，显著提升了分割精度	未提及具体的研究局限性	提高乳腺超声图像中乳腺肿瘤的自动分割精度，以支持计算机辅助诊断	乳腺超声图像中的乳腺肿瘤	计算机视觉	乳腺癌	深度学习	CBAM-RIUnet（基于Unet结构的深度学习模型）	图像	未提及具体样本数量
4629	2025-03-12	Contrastive self-supervised learning for neurodegenerative disorder classification 2025, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2025.1527582 PMID:40034453	研究论文	本文探讨了对比自监督学习在神经退行性疾病分类中的应用，特别是阿尔茨海默病（AD）和额颞叶变性（FTLD）的分类	使用对比自监督学习方法训练深度学习模型，无需大量标注数据，且模型表现与最先进的监督学习方法相当	需要进一步验证在更大规模和多样化的数据集上的泛化能力	研究自监督学习模型在神经退行性疾病分类中的应用及其可解释性	阿尔茨海默病（AD）和额颞叶变性（FTLD）患者及认知正常对照组（CN）的T1加权MRI扫描数据	计算机视觉	神经退行性疾病	对比自监督学习	深度卷积神经网络（CNN）	T1加权MRI扫描图像	2,694个T1加权MRI扫描样本，来自四个数据集：ADNI、AIBL和FTLDNI
4630	2025-03-12	Using machine learning models for cuffless blood pressure estimation with ballistocardiogram and impedance plethysmogram 2025, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2025.1511667 PMID:40060031	研究论文	本文探讨了利用机器学习模型通过心冲击图和阻抗体积描记图进行无袖带血压估计的方法	提出了一种结合一维卷积神经网络（1D CNN）和门控循环单元（GRU）的堆叠模型，用于分类心冲击图和阻抗体积描记图信号的质量，并使用随机森林（RF）和XGBoost模型估计血压	研究仅涉及17名健康受试者，样本量较小，且血压升高是通过运动实现的，可能不适用于所有人群	提高无袖带血压测量的准确性，以适用于移动健康（mHealth）应用	心冲击图（BCG）和阻抗体积描记图（IPG）信号	机器学习	心血管疾病	深度学习，机器学习	1D CNN, GRU, 随机森林（RF）, XGBoost	信号数据	17名健康受试者
4631	2025-03-11	A novel approach to Indian bird species identification: employing visual-acoustic fusion techniques for improved classification accuracy 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1527299 PMID:40061023	研究论文	本文提出了一种新颖的视觉-声学融合技术，用于提高印度鸟类物种识别的准确性	采用视觉-声学融合技术，结合DCNN和LSTM网络，显著提高了物种识别的准确性	NA	提高印度鸟类物种识别的准确性，以支持生物多样性监测和生态保护	印度鸟类物种	计算机视觉	NA	视觉-声学融合技术	DCNN, LSTM	图像, 声音	iBC53（印度鸟鸣）数据集
4632	2025-03-12	Leveraging deep learning for plant disease and pest detection: a comprehensive review and future directions 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1538163 PMID:40061031	综述	本文综述了深度学习在植物病害和害虫检测中的应用，探讨了其挑战、机遇及未来发展方向	深入分析了深度学习在植物病害和害虫检测中的最新进展，并预测了未来研究方向	未提及具体实验数据或样本量，主要基于现有研究的总结和分析	探讨深度学习在农业诊断中的应用，特别是植物病害和害虫检测	植物病害和害虫	计算机视觉	NA	深度学习	分类、检测和分割网络	图像	NA
4633	2025-03-12	Advanced applications in chronic disease monitoring using IoT mobile sensing device data, machine learning algorithms and frame theory: a systematic review 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1510456 PMID:40061474	系统综述	本文综述了利用物联网移动传感设备数据、机器学习算法和框架理论在慢性疾病监测中的高级应用	引入了基于深度学习、紧框架方法和实时监测系统的先进模型，展示了方法学上的创新	存在数据收集、算法选择和用户交互方面的潜在偏见和弱点	探讨物联网和人工智能技术在特定慢性疾病管理中的应用	心血管疾病、癌症、慢性呼吸系统疾病和糖尿病等主要慢性疾病	机器学习	心血管疾病、癌症、慢性呼吸系统疾病、糖尿病	物联网移动传感设备、机器学习算法（如ANN、SVM、RF、深度学习模型）	ANN、SVM、RF、深度学习模型	传感器数据	NA
4634	2025-03-12	Leveraging a hybrid convolutional gated recursive diabetes prediction and severity grading model through a mobile app 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2642 PMID:40062236	研究论文	本文提出了一种新型的深度学习机制——卷积门控递归单元（CGRU），用于糖尿病的早期检测和严重程度分级，并通过移动应用实现	提出了一种新的深度学习技术CGRU，通过从数据中提取时空特征来提高预测准确性，并利用聚类算法对患者进行分类以确定糖尿病的严重程度	研究仅限于在单一数据集上进行，缺乏对多样化数据集的验证	提高糖尿病早期检测和严重程度分级的准确性和可靠性	糖尿病患者	机器学习	糖尿病	深度学习	CGRU（卷积门控递归单元）	结构化数据	BRFSS数据集
4635	2025-03-12	Lung image segmentation with improved U-Net, V-Net and Seg-Net techniques 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2700 PMID:40062241	研究论文	本研究提出了基于U-Net、V-Net和Seg-Net架构的三种分割模型，以提高肺结核检测的准确性	通过采用先进的预处理技术、注意力机制和非局部块，提升了分割精度	未提及模型在实际临床环境中的验证情况	提高肺结核的准确诊断	肺结核的肺部图像	计算机视觉	肺结核	深度学习	U-Net, V-Net, Seg-Net	图像	Shenzhen和Montgomery数据库中的样本
4636	2025-03-12	A systematic review of deep learning techniques for apple leaf diseases classification and detection 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2655 PMID:40062248	系统综述	本文系统回顾了深度学习技术在苹果叶病分类和检测中的应用	对2016年至2024年间发表的45篇相关文章进行了系统分析，评估了该领域的最新发展、方法和研究需求	仅限于分析已发表的文章，未涉及未发表或正在进行的研究	准确及时地诊断苹果叶病，以减少产量损失和经济影响	苹果叶病	计算机视觉	苹果叶病	深度学习	NA	图像	45篇文章
4637	2025-03-12	Lightweight-CancerNet: a deep learning approach for brain tumor detection 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2670 PMID:40062242	研究论文	本文提出了一种名为Lightweight-CancerNet的深度学习架构，用于高效准确地检测脑肿瘤	提出了一种新的深度学习架构Lightweight-CancerNet，结合MobileNet和NanoDet，实现了高精度和低计算资源需求	未提及具体局限性	开发一种高效且准确的脑肿瘤检测方法	脑肿瘤	计算机视觉	脑肿瘤	深度学习	MobileNet, NanoDet	磁共振成像（MRI）图像	两个MRI数据集
4638	2025-03-12	Classification of sleep apnea syndrome using the spectrograms of EEG signals and YOLOv8 deep learning model 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2718 PMID:40062247	研究论文	本研究利用从多导睡眠图（PSG）记录中获取的脑电图（EEG）信号的频谱图，以及YOLOv8深度学习模型，对睡眠呼吸暂停综合征进行分类	使用YOLOv8模型进行四分类（轻度、中度、重度呼吸暂停及健康），填补了现有文献中关于四分类EEG信号分类参数减少方法的空白，并减少了模型参数数量	现有文献中关于四分类EEG信号分类的参数减少方法尚未充分探讨，存在局限性	分类睡眠呼吸暂停综合征，并评估参数减少方法在EEG分类中的性能	从PSG记录中获取的EEG信号	机器学习	睡眠呼吸暂停综合征	短时傅里叶变换（STFT）	YOLOv8	图像（频谱图）	未明确提及样本数量
4639	2025-03-12	AI augmented edge and fog computing for Internet of Health Things (IoHT) 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2431 PMID:40062251	综述	本文探讨了人工智能增强的边缘和雾计算在健康物联网（IoHT）中的应用，旨在满足现代医疗系统对实时健康数据收集和分析的需求	结合人工智能技术，提出了边缘和雾计算在健康物联网中的应用，并探讨了资源管理、低延迟和安全性等关键要素	未提及具体的技术实现细节和实验验证	研究边缘和雾计算架构及其在健康物联网中的应用，以满足实时健康数据收集和分析的需求	健康物联网（IoHT）系统及其相关技术	物联网	NA	人工智能、深度学习、5G、统一通信即服务（UCaaS）、窄带物联网（NB-IoT）、区块链技术	NA	健康数据	NA
4640	2025-03-12	Enhancing breast cancer prediction through stacking ensemble and deep learning integration 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2461 PMID:40062255	研究论文	本研究通过集成模型和深度学习模型的堆叠集成技术，评估并提升了乳腺癌诊断的准确性	创新点在于将多种集成方法（如Random Forest、XGBoost等）与深度学习模型（如CNN、RNN等）结合，使用堆叠集成方法提升乳腺癌预测的准确性	研究仅基于Breast Cancer Wisconsin (Diagnostic)数据集，未在其他数据集上验证模型的泛化能力	提升乳腺癌诊断的准确性，为医疗决策支持系统提供高精度的预测模型	乳腺癌诊断	机器学习	乳腺癌	堆叠集成技术	CNN, RNN, GRU, BILSTM, LSTM, Random Forest, XGBoost, LightGBM, ExtraTrees, HistGradientBoosting, AdaBoost, GradientBoosting, CatBoost	医疗数据	Breast Cancer Wisconsin (Diagnostic)数据集