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
481	2025-06-15	Advancing bioinformatics with large language models: components, applications and perspectives 2025-Jan-31, ArXiv PMID:38259343	综述	本文全面概述了大型语言模型（LLMs）在生物信息学中的关键组成部分、应用及未来展望	探讨了LLMs在解决生物信息学问题上的潜力，特别是在基因组学、转录组学、蛋白质组学、药物发现和单细胞分析等领域的应用	未提及具体的实验验证或性能比较	推动生物信息学领域的发展，优化LLMs的使用并促进进一步创新	大型语言模型（LLMs）及其在生物信息学中的应用	生物信息学	NA	自监督学习、半监督学习	Transformer	文本、基因组数据、转录组数据、蛋白质组数据	NA
482	2025-06-15	Optimising deep learning models for ophthalmological disorder classification 2025-01-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-75867-3 PMID:39856068	研究论文	本文利用深度学习模型对眼科疾病进行分类，采用基于迁移学习的CNN方法	使用MobileNet模型结合Adam优化器，在眼科疾病分类中取得了89.64%的测试准确率	仅使用了ODIR数据库中的数据进行实验，可能在其他数据集上表现不同	优化深度学习模型以提高眼科疾病分类的准确性	眼科疾病（如高血压、青光眼、糖尿病视网膜病变）	计算机视觉	眼科疾病	fundus imaging	CNN, MobileNet	image	ODIR数据库中的眼底图像（患者左右眼）
483	2025-06-15	Detection of cervical cell based on multi-scale spatial information 2025-01-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87165-7 PMID:39856153	研究论文	提出了一种基于多尺度空间信息的宫颈细胞检测方法，以提高宫颈癌筛查和诊断的效率	设计了多尺度空间信息增强模块（MSA）和通道注意力增强模块（CAE），有效捕捉和整合不同尺度的空间信息，并动态优化关键特征	未提及具体的数据集规模或多样性限制，也未讨论模型在其他数据集上的泛化能力	提高宫颈癌筛查和诊断的效率和准确性	宫颈细胞	数字病理学	宫颈癌	深度学习	Sparse R-CNN	图像	NA
484	2025-06-15	Phyla: Towards a foundation model for phylogenetic inference 2025-Jan-22, bioRxiv : the preprint server for biology DOI:10.1101/2025.01.17.633626 PMID:39896621	研究论文	本文介绍了Phyla，一种专为系统发育推理设计的混合状态空间变换器架构，旨在通过树损失函数实现序列推理和系统发育树重建的最新性能	Phyla采用了一种新颖的混合状态空间变换器架构和树损失函数，专注于序列间的推理能力，而非传统的单个序列学习	NA	开发一个用于系统发育推理的基础模型，提升计算生物学中序列分析和系统发育推理的性能	蛋白质序列和系统发育树	计算生物学	NA	深度学习	混合状态空间变换器	蛋白质序列数据	NA
485	2025-06-15	Interpretable machine learning model for outcome prediction in patients with aneurysmatic subarachnoid hemorrhage 2025-Jan-20, Critical care (London, England) DOI:10.1186/s13054-024-05245-y PMID:39833976	研究论文	开发了一种可解释的深度学习模型，用于预测动脉瘤性蛛网膜下腔出血患者的功能结果	结合SHAP方法增强模型的可解释性，并通过多中心数据验证模型的稳健性	研究仅基于日本五家医院的数据，可能限制了模型的泛化能力	优化动脉瘤性蛛网膜下腔出血患者的早期康复策略	718名动脉瘤性蛛网膜下腔出血患者	机器学习	脑血管疾病	深度学习	深度学习模型	临床数据	718名患者
486	2025-06-15	Artificial intelligence: the human response to approach the complexity of big data in biology 2025-Jan-06, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giaf057 PMID:40504538	综述	本文探讨了人工智能在生命科学中的应用，特别是在处理高通量组学数据时的作用	强调了基于组学的预测分析在系统生物学中的作用，以及创新的AI分析方法在理解复杂生物系统中的价值	未具体提及研究的局限性	探讨人工智能在生命科学中的应用及其对组学数据分析的影响	植物科学、动物科学和微生物学中的生物过程和生态系统动态	机器学习	NA	高通量组学数据分析	深度学习	组学数据	NA
487	2025-06-15	Improving lung cancer diagnosis and survival prediction with deep learning and CT imaging 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0323174 PMID:40498724	研究论文	该论文提出了一种结合深度学习和CT影像的方法，用于改善肺癌的诊断和生存预测	使用卷积神经网络建模肺癌风险与肺部形态之间的非线性关系，并提出了结合小批量损失和二元交叉熵的方法来预测肺癌发生和死亡风险	未提及具体的数据集局限性或模型泛化能力问题	提高肺癌的诊断准确性和生存预测效果	肺癌患者	计算机视觉	肺癌	CT成像	3D CNN	医学影像	国家肺癌筛查试验数据集
488	2025-06-15	An ensemble-based 3D residual network for the classification of Alzheimer's disease 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0324520 PMID:40498744	研究论文	本研究提出了一种基于深度学习的集成方法，用于阿尔茨海默病的分类	采用加权概率的集成方法整合3D残差网络的结果，并引入CBAM注意力机制增强模型性能	数据量有限，需通过数据增强技术来提升准确率	早期诊断轻度认知障碍（MCI）以延缓阿尔茨海默病（AD）的进展	阿尔茨海默病（AD）及其前驱阶段轻度认知障碍（MCI）患者	数字病理学	老年病	深度学习	3D ResNet-18, 3D ResNet-34, 3D ResNet-50	图像	NA
489	2025-06-15	In-depth exploration of software defects and self-admitted technical debt through cutting-edge deep learning techniques 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0324847 PMID:40498858	研究论文	提出了一种利用深度学习技术同时识别和分类自承认技术债务（SATD）及软件缺陷的创新方法	首次结合深度学习技术同时处理SATD和软件缺陷的识别与分类，并采用Transformer模型如GPT-3提升性能	未明确提及模型在小规模或特定领域软件项目中的泛化能力	提升软件质量评估与维护的全面性，优化技术债务与缺陷的认知及维护资源分配	软件注释中的自承认技术债务（SATD）及相关缺陷	自然语言处理	NA	深度学习架构（LSTM, BI-LSTM, GRU, BI-GRU）及Transformer模型（BERT, GPT-3）	LSTM, GRU, BERT, GPT-3	文本（软件注释）	来自Apache、Mozilla Firefox和Eclipse等仓库的多样化项目数据，含SATD示例和缺陷实例
490	2025-06-15	Interpretable deep learning for gastric cancer detection: a fusion of AI architectures and explainability analysis 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1596085 PMID:40510366	研究论文	本文提出了一种结合多种深度学习架构和可解释性分析的胃癌检测方法	融合了VGG16、RESNET50和MobileNetV2三种深度学习架构，并采用LIME技术提高模型决策的可解释性	未提及具体的数据集来源和样本多样性问题	开发高精度且可解释的胃癌检测系统以支持临床决策	胃癌的医学影像检测	数字病理学	胃癌	深度学习融合架构、LIME可解释性分析	VGG16、RESNET50、MobileNetV2融合模型	医学影像	NA
491	2025-06-15	Deep learning-based action recognition for analyzing drug-induced bone remodeling mechanisms 2025, Frontiers in pharmacology IF:4.4Q1 DOI:10.3389/fphar.2025.1564157 PMID:40510423	research paper	提出了一种基于深度学习的动作识别框架，用于分析药物诱导的骨重塑机制	结合图神经网络（GNNs）和动态信号传播模型，识别驱动骨重塑的关键分子相互作用，并集成预测药理学相互作用模型以量化药物-靶点相互作用	未提及具体实验样本量或数据来源的局限性	优化治疗干预并减少骨健康管理中的不良反应	药物诱导的骨重塑机制	machine learning	geriatric disease	graph neural networks (GNNs), dynamic signal propagation model	GNN	multi-scale biological data	NA
492	2025-06-15	Graph convolutional neural networks improved target-specific scoring functions for cGAS and kRAS in virtual screening 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.05.023 PMID:40510763	研究论文	本研究通过结合分子图和卷积神经网络，提高了针对cGAS和kRAS蛋白的靶向特异性评分函数在虚拟筛选中的外推能力和准确性	首次将图卷积神经网络应用于靶向特异性评分函数的开发，显著提升了虚拟筛选的准确性和外推性能	研究仅针对cGAS和kRAS两种蛋白进行验证，需要更多靶点验证其普适性	提高虚拟筛选中靶向特异性评分函数的准确性和外推能力	cGAS和kRAS蛋白	机器学习	NA	分子对接、虚拟筛选	图卷积神经网络(GCN)、传统机器学习模型	分子图数据	NA
493	2025-06-15	Random splicing assisted deep learning for breast cancer cell line classification via Raman spectroscopy 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.05.051 PMID:40510766	研究论文	本文开发了一种名为随机拼接-卷积神经网络（RS-CNN）的深度学习框架，用于通过拉曼光谱对乳腺癌细胞系进行分类	通过随机拼接同一细胞系的拉曼光谱，RS-CNN增强了特征光谱特征，同时扩大了数据集规模并改善了信号质量	NA	开发一种深度学习框架以提高拉曼光谱在癌症识别中的准确性和效率	六种乳腺癌细胞系	数字病理学	乳腺癌	拉曼光谱	RS-CNN（随机拼接-卷积神经网络）	光谱数据	每种细胞系450个光谱，数据有限条件下为100个光谱/细胞系
494	2025-06-15	A Deep Learning Application of Capsule Endoscopic Gastric Structure Recognition Based on a Transformer Model 2024-Oct-01, Journal of clinical gastroenterology IF:2.8Q2 DOI:10.1097/MCG.0000000000001972 PMID:38457410	research paper	本研究开发了一种基于Transformer模型的深度学习应用，用于胶囊内窥镜胃部结构识别，以提高内窥镜图像识别的临床适用性	首次将Transformer模型应用于胶囊内窥镜胃部结构识别，并展示了与内窥镜医师相当的高诊断准确性	研究仅使用了单中心数据，可能影响模型的泛化能力	建立胶囊内窥镜胃部结构识别模型，提高深度学习在内窥镜图像识别中的临床应用	胶囊内窥镜视频中的15种上消化道结构	computer vision	gastric lesions	deep learning	Transformer	video	3343个无线胶囊内窥镜视频用于无监督预训练，2433个用于训练，118个用于验证
495	2025-06-15	MRGazer: decoding eye gaze points from functional magnetic resonance imaging in individual space 2024-Aug-13, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad6185 PMID:38986464	research paper	提出了一种名为MRGazer的框架，用于从个体空间的功能磁共振成像(fMRI)数据中预测眼球注视点	MRGazer跳过了fMRI共配准步骤，简化了处理流程，实现了端到端的眼球注视回归	NA	开发一个高效、简单且准确的深度学习框架，用于从fMRI数据预测眼球运动	眼球运动和功能磁共振成像(fMRI)数据	machine learning	NA	fMRI	residual network	fMRI数据	NA
496	2025-06-15	Discrete Representation Learning for Multivariate Time Series 2024-Aug, Proceedings of the ... European Signal Processing Conference (EUSIPCO). EUSIPCO (Conference) DOI:10.23919/eusipco63174.2024.10715138 PMID:40510730	research paper	本文提出了一种基于高斯过程的多元时间序列离散表示学习方法	使用Gumbel-softmax重参数化技巧解决离散潜在变量在深度学习模型中的不可微问题，实现联合聚类和嵌入	NA	开发多元时间序列的离散表示学习方法以提高可解释性	多元时间序列数据	machine learning	NA	Gumbel-softmax reparameterization	Gaussian processes	multivariate time series	合成数据和真实fMRI数据
497	2025-06-15	Toward calibration-free motor imagery brain-computer interfaces: a VGG-based convolutional neural network and WGAN approach 2024-Jul-31, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad6598 PMID:39029497	研究论文	本研究提出了一种基于VGG卷积神经网络和Wasserstein生成对抗网络（WGAN）的无校准运动想象脑机接口方法，旨在提高跨被试运动想象脑电信号分类的准确性	采用WGAN生成合成频谱图像以扩充训练数据集，并结合改进的VGG-CNN分类器，实现了无需目标被试校准数据的跨被试分类	研究仅使用了公开的基准数据集进行验证，未在实际临床环境中测试	开发无需校准的运动想象脑机接口系统，提高跨被试分类性能	运动想象脑电信号	脑机接口	NA	EEG信号处理，深度学习	VGG-CNN, WGAN	EEG频谱图像	BCI competition IV-2B, IV-2A和IV-1基准数据集，采用留一被试交叉验证
498	2025-06-15	SQI-DOANet: electroencephalogram-based deep neural network for estimating signal quality index and depth of anaesthesia 2024-Jul-30, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad6592 PMID:39029477	研究论文	提出了一种基于脑电图（EEG）的深度神经网络SQI-DOANet，用于评估信号质量指数（SQI）和麻醉深度（DOA）	结合了信号质量评估网络（SQINet）和麻醉深度分析网络（DOANet），通过双注意力模块和多层感知机模块提取多通道、多尺度及时间信息	未提及模型在实时应用中的性能或计算效率	提高手术中麻醉深度监测的准确性	脑电图信号	机器学习	NA	脑电图（EEG）	CNN, 双注意力模块, 门控多层感知机	脑电图信号	大型VitalDB数据库
499	2025-06-15	A practical machine learning approach for predicting the quality of 3D (bio)printed scaffolds 2024-Jul-25, Biofabrication IF:8.2Q1 DOI:10.1088/1758-5090/ad6374 PMID:39008994	research paper	本研究提出了一种实用的机器学习方法，用于预测3D（生物）打印支架的质量	提供了最全面的开源数据集，并应用了从无监督到监督学习的多种AI技术，开发了一个具有六层隐藏层的全连接神经网络	AI在组织工程中的应用常因缺乏全面可靠的数据而受到阻碍	预测3D（生物）打印支架的质量	3D（生物）打印支架	machine learning	NA	AI, machine learning, deep learning	XGBoost, Gradient Boosting, Extra Trees Classifier, Random Forest Classifier, LightGBM, fully connected neural network	dataset on 3D-printed scaffolds	1171 scaffolds, 60 biomaterials, 49 cell lines
500	2025-06-15	A hybrid model for the detection of retinal disorders using artificial intelligence techniques 2024-Jul-10, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad5db2 PMID:38955139	research paper	该研究提出了一种结合机器学习和深度学习技术的混合模型，用于自动分类视网膜疾病	提出了一种新的框架，结合了多种分类器（SVM、K-NN、DT、EM）和InceptionV3 CNN特征提取器，实现了高精度的视网膜疾病分类	未提及模型在临床环境中的实际应用效果或泛化能力	开发一种自动化的视网膜疾病分类方法	视网膜疾病（脉络膜新生血管、糖尿病性黄斑水肿、玻璃膜疣）和正常病例	computer vision	视网膜疾病	OCT（光学相干断层扫描）	SVM、K-NN、DT、EM、InceptionV3 CNN	image	18000张OCT图像