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
4721	2025-04-06	Deep learning-based breast cancer diagnosis in breast MRI: systematic review and meta-analysis 2025-Feb-05, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11406-6 PMID:39907762	meta-analysis	本文通过系统回顾和荟萃分析评估了深度学习模型在乳腺MRI中诊断乳腺癌的性能	首次对深度学习模型在乳腺MRI诊断乳腺癌中的性能进行了全面的系统回顾和荟萃分析	研究中存在较大的内在变异性，且仅有21项研究符合定量分析条件	评估深度学习模型在乳腺MRI诊断乳腺癌中的性能	乳腺癌诊断	digital pathology	breast cancer	MRI	CNN, HCM	image	40项研究（其中21项符合定量分析）
4722	2025-04-06	Large Generative Model Impulsed Lightweight Gaze Estimator via Deformable Approximate Large Kernel Pursuit 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3529379 PMID:40031234	研究论文	提出了一种新型轻量级网络结构，通过可变形近似大核和大型生成模型的隐式蒸馏，实现了高效且高精度的视线估计	设计了可变形近似大核的轻量级网络结构，并利用大型生成模型（Stable Diffusion V1.5）的泛化能力进行隐式蒸馏	未明确提及具体限制	开发高效且高精度的轻量级视线估计方法，适用于移动交互平台	视线估计模型	计算机视觉	NA	深度学习	轻量级网络结构（含可变形近似大核），Stable Diffusion V1.5	图像	未明确提及具体样本数量
4723	2025-04-06	Trustworthy Limited Data CT Reconstruction Using Progressive Artifact Image Learning 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3534559 PMID:40031253	研究论文	提出了一种名为渐进伪影图像学习（PAIL）的展开框架，用于有限数据CT重建，旨在解决现有深度学习方法在泛化性和稳定性方面的不足	通过残差域模块（RDM）、图像域模块（IDM）和小波域模块（WDM）三个关键模块的协作，逐步去除伪影并重建CT图像，同时通过小波压缩感知增强网络稳定性	方法在模拟CT数据集、临床心脏数据集和羊肺数据集上验证，但未提及在其他类型数据集上的表现	提高有限数据CT重建的质量和效率，减少辐射暴露或加速扫描过程	有限数据CT重建	数字病理	NA	深度学习	PAIL（包含RDM、IDM和WDM模块）	CT图像	两个模拟CT数据集、一个临床心脏数据集和一个羊肺数据集
4724	2025-04-06	Deep Underwater Image Quality Assessment With Explicit Degradation Awareness Embedding 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3539477 PMID:40031436	研究论文	本文提出了一种新型的深度学习模型EDANet，用于水下图像质量评估，通过显式嵌入退化感知信息来提高模型性能	设计了EDANet模型，采用两阶段训练策略，先通过DIDNet子网络推断退化残差图，再将其嵌入DQENet子网络以增强退化感知能力	未提及具体的数据集规模限制或模型在特定场景下的适用性限制	改进水下图像质量评估的准确性和可靠性	水下退化图像	计算机视觉	NA	深度学习	EDANet (包含DIDNet和DQENet子网络)	图像	在两个基准数据集上进行了测试（未提及具体样本数量）
4725	2025-04-06	ADStereo: Efficient Stereo Matching With Adaptive Downsampling and Disparity Alignment 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3540282 PMID:40031538	research paper	本文提出了一种高效的立体匹配方法ADStereo，通过自适应下采样和视差对齐模块来平衡精度和计算效率	提出了自适应下采样模块（ADM）和视差对齐模块（DAM），以解决传统方法中因下采样操作导致的特征丢失和空间错位问题	未提及具体局限性	提高立体匹配算法在实时应用中的准确性和计算效率	立体匹配算法	computer vision	NA	NA	ADStereo	image	多个公共基准测试数据集（如KITTI stereo 2015）
4726	2025-04-06	Joint Spatial and Frequency Domain Learning for Lightweight Spectral Image Demosaicing 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3536217 PMID:40031727	research paper	提出了一种基于联合空间和频域信息学习的轻量级光谱图像去马赛克方法	结合空间和频域信息学习，提出无参数的光谱图像初始化策略和高效的空间-频率变换网络	未明确提及具体局限性	提高光谱图像去马赛克的重建质量和效率	光谱图像	computer vision	NA	Fourier transform, deep learning	spatial-frequency transformer network	image	模拟和真实数据（未明确提及具体数量）
4727	2025-04-06	Local-Global Correlation Fusion-Based Graph Neural Network for Remaining Useful Life Prediction 2025-Jan, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3330487 PMID:37983145	研究论文	提出一种基于局部-全局相关性融合的图神经网络框架（LOGO），用于剩余使用寿命（RUL）预测	结合局部和全局信息有效建模传感器相关性，提出自适应融合机制和序列微图定义方法	未明确说明方法在极端工况或传感器故障情况下的鲁棒性	提升复杂系统中剩余使用寿命预测的准确性	多传感器监测的工业设备系统	机器学习	NA	图神经网络（GNN）	GNN	时间序列传感器数据	未明确说明具体样本数量
4728	2025-04-06	Enlightened prognosis: Hepatitis prediction with an explainable machine learning approach 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319078 PMID:40173410	research paper	该研究探讨了使用传统机器学习模型预测肝炎感染的效果，并特别关注了SVM模型的优异表现	采用了多种机器学习模型进行比较，并通过超参数调优和集成建模技术提升性能，同时进行了模型可解释性分析	未提及模型在更大规模或多样化数据集上的泛化能力	提高肝炎感染的预测准确性和及时性	肝炎感染病例	machine learning	hepatitis	机器学习模型比较和超参数调优	SVM, logistic regression, decision trees, random forest, MLP	医疗数据	NA
4729	2025-04-06	Advancing enterprise risk management with deep learning: A predictive approach using the XGBoost-CNN-BiLSTM model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319773 PMID:40179109	研究论文	本研究提出了一种基于深度学习的风险管理模型XGBoost-CNN-BiLSTM，用于提升风险事件的预测和检测能力	结合XGBoost的结构化数据处理能力、CNN的特征提取能力和BiLSTM的时间序列处理能力，全面捕捉风险事件的关键特征	未提及模型在实时风险预测中的表现或计算资源需求	提升企业风险管理的预测和检测能力	企业风险事件	机器学习	NA	深度学习	XGBoost-CNN-BiLSTM	结构化数据和时间序列数据	多个数据集（如S&P 500历史数据集）
4730	2025-04-06	Using deep learning artificial intelligence for sex identification and taxonomy of sand fly species 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320224 PMID:40179129	研究论文	开发了一种基于深度学习的AI系统，用于沙蝇的性别鉴定和物种分类	利用卷积神经网络、迁移学习和生殖器与咽部图像的早期融合技术，实现了超过95%的分类准确率	研究仅针对三种沙蝇亚属，可能不适用于其他沙蝇种类	为沙蝇的性别鉴定和物种分类提供自动化且准确的解决方案	沙蝇（Phlebotomus alexandri, Phlebotomus papatasi, 和 Phlebotomus sergenti）	计算机视觉	利什曼病	深度学习	CNN	图像	两年内本地捕获和制备的样本
4731	2025-04-06	MDNN-DTA: a multimodal deep neural network for drug-target affinity prediction 2025, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2025.1527300 PMID:40182923	研究论文	介绍了一种名为MDNN-DTA的多模态深度神经网络模型，用于预测药物-靶标亲和力（DTA）	该模型能够直接从靶蛋白序列准确预测DTA，无需依赖蛋白质3D结构，这在药物发现中具有重要意义	未明确提及具体局限性	提高药物-靶标亲和力预测的效率和准确性	药物分子和靶蛋白的序列	机器学习	NA	深度学习	GCN和CNN	生物序列数据	未明确提及样本数量
4732	2025-04-06	DeePathNet: A Transformer-Based Deep Learning Model Integrating Multiomic Data with Cancer Pathways 2024-12-01, Cancer research communications IF:2.0Q3 DOI:10.1158/2767-9764.CRC-24-0285 PMID:39530738	research paper	DeePathNet是一种基于Transformer的深度学习模型，整合了多组学数据与癌症通路，用于增强癌症分析	整合癌症特异性生物通路，使用基于Transformer的深度学习模型，在预测药物反应、癌症类型和亚型方面优于现有模型	NA	增强癌症分析，预测药物反应、癌症类型和亚型	癌症通路和多组学数据	machine learning	cancer	transformer-based deep learning	Transformer	multiomic data	NA
4733	2025-04-06	Domain Progressive Low-dose CT Imaging using Iterative Partial Diffusion Model 2024-Nov-07, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3492260 PMID:39509314	研究论文	提出了一种基于迭代部分扩散模型（IPDM）的新型域渐进低剂量CT成像框架，以解决现有深度学习方法在低剂量CT成像中的泛化性问题	利用迭代部分扩散模型完成去噪任务，同时减少时间消耗和收敛困难；提出条件引导采样方法减轻采样偏差；基于像素级噪声估计的自适应权重策略逐步调整引导强度	未明确提及具体局限性	提高低剂量CT成像的质量和泛化能力	低剂量CT图像	计算机视觉	NA	扩散模型	迭代部分扩散模型（IPDM）	CT图像	多样化的数据集（未明确提及具体样本数量）
4734	2025-04-06	N2GNet tracks gait performance from subthalamic neural signals in Parkinson's disease 2024-Oct-31, Research square DOI:10.21203/rs.3.rs-5112726/v1 PMID:39574884	研究论文	本研究提出了一种名为N2GNet的深度学习回归模型，能够从帕金森病患者丘脑底核局部场电位（STN LFPs）实时追踪步态表现	N2GNet是一种新型深度学习模型，能够利用全面的频带（不仅限于β频段）从STN LFPs中追踪步态表现，相比现有算法具有更高的相关性和性能	研究样本量较小（18名帕金森病患者），且仅在原地踏步任务中验证了模型性能	开发一种能够实时追踪帕金森病患者步态表现的深度学习模型，以改进自适应脑深部电刺激（DBS）疗法	帕金森病患者的丘脑底核局部场电位和步态表现	机器学习	帕金森病	局部场电位（LFP）记录	深度学习回归模型（N2GNet）	神经信号（LFP）和力学数据（地面反作用力）	18名帕金森病患者
4735	2025-04-06	A Hierarchical Framework With Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems 2024-Oct-21, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3477320 PMID:39437286	研究论文	提出了一种分层框架HSTCL，用于复杂自适应系统中涌现现象的检测，通过学习系统和代理表示来解决现有方法的不足	设计了时空编码器（STEs）来捕捉代理间的非线性关系和系统的复杂演化，并通过自监督学习保持时空一致性	未提及具体的数据集规模或实验设置的局限性	检测复杂自适应系统中的涌现现象，以监控系统状态并预警有害现象	复杂自适应系统（CASs）及其交互代理	机器学习	NA	时空变换器	transformer	时空数据	三个数据集
4736	2025-04-06	An Automated Deep Learning-Based Framework for Uptake Segmentation and Classification on PSMA PET/CT Imaging of Patients with Prostate Cancer 2024-Oct, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01104-y PMID:38587770	研究论文	开发并评估了一种基于深度学习的自动化框架，用于在前列腺癌患者的PSMA PET/CT成像上进行摄取分割和分类	采用解剖学先验引导策略，使深度学习框架专注于PSMA高摄取病变，并构建了多模态决策融合分类框架	样本量相对有限（193例扫描），且仅来自两个机构	自动化全身肿瘤负荷评估	前列腺癌患者的PSMA PET/CT扫描图像	数字病理学	前列腺癌	PSMA PET/CT成像	CNN, 多模态决策融合框架	医学影像	193例[F]DCFPyL PET/CT扫描（137例用于训练和内部测试，56例用于外部测试）
4737	2025-04-06	Few-shot Class-incremental Learning for Retinal Disease Recognition 2024-Sep-18, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3457915 PMID:39292587	研究论文	本文提出了一种名为Re-FSCIL的新框架，用于少样本类增量视网膜疾病识别，通过整合RETFound模型和细粒度模块，采用前向兼容训练策略和监督对比学习来提高模型的适应性和特征判别能力	提出Re-FSCIL框架，整合RETFound模型和细粒度模块，采用前向兼容训练策略和监督对比学习，显著提升了少样本类增量学习在视网膜疾病识别中的性能	NA	开发能够持续学习新类别且保留现有知识的深度学习模型，特别适用于视网膜疾病诊断系统	视网膜疾病	数字病理	视网膜疾病	监督对比学习，特征融合	RETFound	图像	两个新基准数据集RFMiD38和JSIEC39
4738	2025-04-06	Timely ICU Outcome Prediction Utilizing Stochastic Signal Analysis and Machine Learning Techniques with Readily Available Vital Sign Data 2024-09, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3416039 PMID:38889027	research paper	该研究提出了一种结合随机信号分析和机器学习技术的新方法，用于从ICU患者的实时生命体征时间序列中提取具有强预测能力的特征，以实现准确及时的ICU结果预测	该方法通过随机信号分析和机器学习技术提取有意义的特征，显著提高了ICU结果预测的准确性，超越了包括APACHE IV和深度学习模型在内的基线方法	该方法可能仍面临模型可解释性不足的问题，限制了其在临床实践中的广泛应用	开发一种新方法，用于准确及时地预测ICU患者的结果，以减轻重症监护需求带来的经济和医疗负担	ICU患者的实时生命体征时间序列数据	machine learning	NA	随机信号分析，机器学习	NA	时间序列数据	NA
4739	2025-04-06	Contrastive Learning for Joint Normal Estimation and Point Cloud Filtering 2024-Aug, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2023.3263866 PMID:37030701	research paper	提出了一种新颖的深度学习方法，用于联合估计点云法线和滤波点云	引入了基于3D块的对比学习框架，将噪声作为增强手段，训练能够生成鲁棒点云块表示的特征编码器，并通过联合损失同时估计点法线和位移	NA	解决点云滤波和法线估计这两个3D领域的基础研究问题	点云数据	computer vision	NA	对比学习	深度学习	3D点云	NA
4740	2024-08-07	Trend Identification and Prediction of Worker Stress Rate Using Deep Learning Algorithm in Indonesia 2024-08, Workplace health & safety IF:2.3Q1 DOI:10.1177/21650799241263623 PMID:38907692	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA