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
6281	2025-02-21	Robust Epileptic Seizure Detection Using Long Short-Term Memory and Feature Fusion of Compressed Time-Frequency EEG Images 2023-Dec-02, Sensors (Basel, Switzerland) DOI:10.3390/s23239572 PMID:38067944	研究论文	本文提出了一种结合时间频率域特征和EEG信号统计属性的新型模型，用于癫痫发作检测	创新点在于将时间频率域特征与EEG信号的统计属性（如均值、中位数和方差）融合，并通过自编码器处理压缩的时间频率图像，使用LSTM网络进行优化	模型在复杂现实环境中的鲁棒性和精确性可能受到限制	提高癫痫发作检测的准确性和及时性	癫痫患者的EEG信号	机器学习	癫痫	自编码器	LSTM	EEG信号图像	Bonn癫痫数据集
6282	2025-02-21	A Novel Classification Model Using Optimal Long Short-Term Memory for Classification of COVID-19 from CT Images 2023-12, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00852-7 PMID:37491543	研究论文	本文提出了一种基于鹈鹕优化算法的长短期记忆网络（POA-LSTM）方法，用于从CT图像中分类COVID-19	使用POA-LSTM模型进行COVID-19分类，结合了nnU-Net进行ROI分割和HRNet进行特征提取，提高了分类性能	未提及具体的数据集大小和多样性，可能影响模型的泛化能力	开发一种自动检测COVID-19的深度学习模型，以提高诊断准确性	COVID-19患者的CT扫描图像	计算机视觉	COVID-19	深度学习	LSTM, nnU-Net, HRNet	CT图像	NA
6283	2025-02-21	A two-dimensional hydrodynamics prediction framework for mantle-undulated propulsion robot using multiple proper orthogonal decomposition and long short term memory neural network 2023-11-29, Bioinspiration & biomimetics IF:3.1Q2 DOI:10.1088/1748-3190/ad0daf PMID:37976535	研究论文	本文开发了一个基于深度学习的框架，用于预测在波动推进机器人（MUPRo）上的流体动力	提出了多重本征正交分解（MPOD）算法，有效识别MUPRo波动表面附近流体的全局和局部特征，并开发了基于MPOD算法和长短期记忆神经网络的流体动力预测框架	NA	开发一个能够经济且可靠地预测波动推进机器人流体动力的框架	波动推进机器人（MUPRo）	机器学习	NA	多重本征正交分解（MPOD）算法，长短期记忆神经网络（LSTM）	LSTM	流体动力数据	NA
6284	2025-02-21	Application of bidirectional long short-term memory network for prediction of cognitive age 2023-11-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-47606-7 PMID:37980387	研究论文	本研究应用双向长短期记忆网络（BLSTM）算法分析台北慈济医院儿科脑电图实验室的EEG数据，以预测认知年龄	首次将BLSTM算法应用于EEG数据的认知年龄预测，并验证了其在识别不同年龄段儿童和青少年EEG数据中的有效性	对于智力障碍患者的EEG样本，预测准确率显著降低，表明个体智力在年龄预测中起主要作用	探讨深度学习工具在EEG分类中的应用，特别是用于预测认知年龄	儿童和青少年的EEG数据	机器学习	NA	EEG	BLSTM	EEG数据	来自台北慈济医院儿科脑电图实验室的EEG样本
6285	2025-02-21	An Adaptive Intrusion Detection System in the Internet of Medical Things Using Fuzzy-Based Learning 2023-Nov-17, Sensors (Basel, Switzerland) DOI:10.3390/s23229247 PMID:38005635	研究论文	本文提出了一种基于模糊学习的自适应长短期记忆（LSTM）入侵检测系统（IDS），用于医疗物联网（IoMT）中的攻击检测	提出了一种动态调整训练周期和使用早停策略的模糊自调LSTM模型，以提高入侵检测的准确性和预测性	未提及具体的数据集规模或实验环境的局限性	开发更高效和准确的入侵检测系统，以应对医疗物联网中的网络攻击	医疗物联网（IoMT）设备	机器学习	NA	模糊学习，LSTM	LSTM	网络日志数据	未提及具体样本数量
6286	2025-02-21	Novel integrated modelling based on multiplicative long short-term memory (mLSTM) deep learning model and ensemble multi-criteria decision making (MCDM) models for mapping flood risk 2023-Nov-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2023.118838 PMID:37595460	研究论文	本文提出了一种基于乘法长短期记忆（mLSTM）深度学习模型和多准则决策（MCDM）集成模型的新方法，用于绘制伊朗南部Minab-Shamil平原的洪水风险图	创新点在于首次将mLSTM深度学习模型与MCDM集成模型结合，用于生成高分辨率的洪水风险图	研究仅限于Minab-Shamil平原，未在其他地区验证模型的普适性	研究目的是开发一种集成方法，用于精确绘制洪水风险图，以支持洪水管理和减灾	研究对象是Minab-Shamil平原的洪水风险	机器学习	NA	深度学习，多准则决策	mLSTM, CODAS, EDAS, MOOSRA	地理空间数据	70%训练数据，30%测试数据
6287	2025-02-21	AMGCN-L: an adaptive multi-time-window graph convolutional network with long-short-term memory for depression detection 2023-10-27, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad038b PMID:37844566	研究论文	本文提出了一种名为AMGCN-L的深度学习网络，用于通过脑电图（EEG）信号中的脑功能连接和时空特征自动分类抑郁和非抑郁人群	提出了一种结合自适应多时间窗口图卷积网络（GCN）和长短期记忆（LSTM）的新型网络AMGCN-L，用于抑郁检测	依赖于公开数据集，可能在实际临床应用中需要进一步验证	开发一种更客观的抑郁诊断方法	抑郁和非抑郁人群	机器学习	抑郁症	深度学习	GCN, LSTM	EEG信号	两个公开数据集：EEG数据患者库和计算工具，以及多模态开放数据集用于精神障碍分析
6288	2025-02-21	Depressive Disorder Recognition Based on Frontal EEG Signals and Deep Learning 2023-Oct-23, Sensors (Basel, Switzerland) DOI:10.3390/s23208639 PMID:37896732	研究论文	本研究基于前额六通道脑电图（EEG）信号和深度学习模型，旨在实现准确且实用的抑郁症（DD）诊断	提出了一种结合多分辨率卷积神经网络（MRCNN）与长短期记忆（LSTM）或残差压缩激励（RSE）的深度学习模型，用于抑郁症的识别，并展示了在8-30 Hz EEG信号下的高分类准确率	研究样本量相对较小，仅包括41名抑郁症患者和34名健康对照者，可能影响模型的泛化能力	开发一种客观、准确、实用且自动化的抑郁症诊断技术	抑郁症患者和健康对照者的前额六通道EEG信号	机器学习	抑郁症	脑电图（EEG）信号分析	MRCNN-LSTM, MRCNN-RSE	EEG信号	41名抑郁症患者和34名健康对照者
6289	2025-02-21	A novel bidirectional LSTM deep learning approach for COVID-19 forecasting 2023-10-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-44924-8 PMID:37863921	研究论文	本文开发了一种基于双向长短期记忆网络（Bi-LSTM）的深度学习模型，用于预测COVID-19疫情早期的每日新增病例数	使用双向LSTM架构进行COVID-19预测，并验证了在减少变量数量情况下仍能保持预测准确性	模型仅在疫情早期阶段进行了验证，未涵盖疫情后期或其他变种病毒的影响	预测COVID-19疫情早期的每日新增病例数	190个国家的COVID-19数据	机器学习	COVID-19	深度学习	Bi-LSTM	时间序列数据	190个国家的数据，时间跨度为2020年1月22日至2021年1月31日
6290	2025-02-21	Spatial and temporal prediction of secondary crashes combining stacked sparse auto-encoder and long short-term memory 2023-Oct, Accident; analysis and prevention DOI:10.1016/j.aap.2023.107205 PMID:37413700	研究论文	本研究旨在开发一种预测次生事故时空位置的方法，通过结合堆叠稀疏自编码器（SSAE）和长短期记忆网络（LSTM）提出了一种混合深度学习模型SSAE-LSTM	提出了结合SSAE和LSTM的混合深度学习模型SSAE-LSTM，用于次生事故的时空预测，相比现有模型在时空预测性能上表现更优	研究仅基于加州I-880高速公路2017-2021年的交通和事故数据，可能限制了模型的泛化能力	开发次生事故时空位置的预测方法，以支持预防策略的实施	次生事故的时空位置	机器学习	NA	深度学习	SSAE-LSTM, PCA-LSTM, SSAE-SVM, BPNN	交通和事故数据	加州I-880高速公路2017-2021年的数据
6291	2025-02-21	An adaptive embedding procedure for time series forecasting with deep neural networks 2023-Oct, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2023.08.051 PMID:37729787	研究论文	本文提出了一种基于自适应嵌入机制的深度学习方案，用于时间序列预测	提出了一种新颖的自适应嵌入机制，用于提取输入时间序列的压缩表示，并用于后续预测	未明确提及具体局限性	解决时间序列预测问题	时间序列数据	机器学习	NA	深度学习	双向长短期记忆网络（LSTM）	时间序列数据	未明确提及具体样本数量
6292	2025-02-21	A Stacked Long Short-Term Memory Approach for Predictive Blood Glucose Monitoring in Women with Gestational Diabetes Mellitus 2023-Sep-20, Sensors (Basel, Switzerland) DOI:10.3390/s23187990 PMID:37766044	研究论文	本研究旨在通过使用长短期记忆（LSTM）递归神经网络模型，基于GDm-Health平台收集的时间序列数据，开发基准血糖预测模型，并建议优化的临床复查计划以减少血糖稳定的孕妇的总体血液检测次数	这是首个基于机器学习的研究，提出了优化的血糖监测频率（7天监测以预测未来14天的血糖），并且所提出的模型基于指尖血糖测试的准确性与使用连续血糖监测（CGM）读数的一小时预测模型的基准性能相当	研究仅基于GDm-Health平台的数据，可能无法完全代表所有妊娠糖尿病患者的血糖模式	开发基准血糖预测模型，并建议优化的临床复查计划以减少血糖稳定的孕妇的总体血液检测次数	妊娠糖尿病（GDM）患者	机器学习	妊娠糖尿病	LSTM递归神经网络	LSTM	时间序列数据	1110名患者的190,396次血糖读数
6293	2025-02-21	Improving DNA 6mA Site Prediction via Integrating Bidirectional Long Short-Term Memory, Convolutional Neural Network, and Self-Attention Mechanism 2023-09-11, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00698 PMID:37603823	研究论文	本文提出了一种新的元方法Co6mA，通过整合双向长短期记忆网络（BiLSTM）、卷积神经网络（CNN）和自注意力机制（SAM）来提高DNA N6-甲基腺嘌呤（6mA）位点预测的性能	提出了一种新的元方法Co6mA，整合了BiLSTM、CNN和SAM，通过组合两种不同的深度学习模型来提高6mA位点预测的性能	NA	提高DNA 6mA位点预测的准确性	DNA N6-甲基腺嘌呤（6mA）位点	生物信息学	NA	深度学习	BiLSTM, CNN, SAM	DNA序列数据	两个独立测试集的不同模式生物样本
6294	2025-02-21	Automated recognition of epilepsy from EEG signals using a combining space-time algorithm of CNN-LSTM 2023-09-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-41537-z PMID:37684278	研究论文	本文提出了一种结合CNN和LSTM的深度学习算法，用于从EEG信号中自动识别癫痫，并在多分类任务中实现了最先进的性能	提出了一种结合CNN和LSTM的混合网络，用于多分类任务（包括二元和三元分类），并实现了无需额外预处理或手动干预的自动知识获取	研究仅使用了公开的基准数据库，可能未涵盖所有临床场景	开发一种智能识别方法，用于从EEG信号中分类癫痫状态	癫痫患者的EEG信号	机器学习	癫痫	EEG信号分析	CNN-LSTM	EEG信号	公开的基准数据库中的EEG样本
6295	2025-02-21	Protein intrinsically disordered region prediction by combining neural architecture search and multi-objective genetic algorithm 2023-09-07, BMC biology IF:4.4Q1 DOI:10.1186/s12915-023-01672-5 PMID:37674132	研究论文	本文提出了一种结合神经架构搜索和多目标遗传算法的蛋白质内在无序区域预测方法	使用神经架构搜索算法自动构建网络结构，结合长度依赖模型和通用模型，提出新的预测器IDP-Fusion，以稳定预测长短无序区域	未提及具体的数据集规模或实验细节，可能影响结果的普适性	提高蛋白质内在无序区域（IDRs）的预测准确性，特别是长短无序区域的稳定预测	蛋白质序列中的内在无序区域（IDRs）	生物信息学	NA	神经架构搜索（NAS），多目标遗传算法	CNN, LSTM, IDP-Fusion	蛋白质序列数据	NA
6296	2025-02-21	An ECG Signal Acquisition and Analysis System Based on Machine Learning with Model Fusion 2023-Sep-03, Sensors (Basel, Switzerland) DOI:10.3390/s23177643 PMID:37688099	研究论文	本研究提出了一种基于机器学习的ECG采集与分析系统，旨在解决现有ECG信号采集仪器不便携和手动分析的问题	结合传统机器学习模型和深度学习模型进行模型融合，提高了ECG信号分类的准确性	未来工作将集中在模型优化和开发更便携的仪器上，目前系统的便携性尚未实现	开发一种便携且自动化的ECG信号采集与分析系统，以提高心血管疾病的诊断效率	ECG信号	机器学习	心血管疾病	机器学习模型融合	逻辑回归、支持向量机、XGBoost、卷积神经网络(CNN)、长短期记忆网络(LSTM)	ECG信号	NA
6297	2025-02-21	Attention-based bidirectional-long short-term memory for abnormal human activity detection 2023-09-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-41231-0 PMID:37660111	研究论文	本文提出了一种基于注意力机制的双向长短期记忆网络（Bi-LSTM）和卷积神经网络（CNN）的深度学习框架，用于检测异常人类活动	结合CNN、Bi-LSTM和注意力机制，专注于原始视频流的独特时空特征，以检测异常人类活动	未提及具体局限性	检测异常人类活动，以预防社会损害，如人身伤害或网络仇恨犯罪的传播	视频流中的异常人类活动	计算机视觉	NA	深度学习	CNN, Bi-LSTM, 注意力机制	视频	UCF11, UCF50, subUCF犯罪数据集
6298	2025-02-21	Localization Free Super-Resolution Microbubble Velocimetry Using a Long Short-Term Memory Neural Network 2023-08, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2023.3251197 PMID:37028074	研究论文	本文介绍了一种基于长短期记忆神经网络的超分辨率微泡测速技术Deep-SMV，该技术无需定位，能够在高微泡浓度下提供高成像速度和鲁棒性，并直接输出超分辨率的血流速度测量	Deep-SMV技术首次实现了在高微泡浓度下的超分辨率血流速度图重建，克服了传统技术对低微泡浓度的限制	尽管Deep-SMV在多种成像场景中成功应用，但其在更广泛的临床环境中的有效性和稳定性仍需进一步验证	开发一种无需定位的超分辨率微泡测速技术，以提高成像速度和鲁棒性，并直接输出血流速度测量	微泡流动模拟、活体血管数据、流动通道模型、鸡胚胎绒毛尿囊膜和小鼠脑成像	计算机视觉	NA	长短期记忆神经网络（LSTM）	LSTM	图像	多种成像场景，包括流动通道模型、鸡胚胎绒毛尿囊膜和小鼠脑成像
6299	2025-02-21	MTDN: Learning Multiple Temporal Dynamics Representation for Emotional Valence Classification with EEG 2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC40787.2023.10340760 PMID:38083323	研究论文	本文提出了一种名为MTDN的深度学习框架，用于从脑电图（EEG）中识别情绪，特别是情感效价分类	MTDN框架通过并行长短期记忆（LSTM）嵌入和自注意力模块联合学习多种时间动态，有效捕捉了情绪反应的关键特征	本文仅在公开的DEAP数据集上进行了实验，未在其他数据集上验证其泛化能力	研究目的是提高从EEG信号中识别情感效价的准确性	研究对象是脑电图（EEG）信号	机器学习	NA	深度学习	LSTM, 自注意力机制	脑电图（EEG）信号	公开的DEAP数据集
6300	2025-02-21	Automatic Detection of Abnormal EEG Signals Using WaveNet and LSTM 2023-Jun-27, Sensors (Basel, Switzerland) DOI:10.3390/s23135960 PMID:37447810	研究论文	本文提出了一种结合WaveNet和LSTM的深度学习模型，用于自动检测异常的原始EEG数据	提出了一种新颖的深度学习模型，结合WaveNet和LSTM，用于自动检测异常的EEG数据，并通过多个消融实验验证了模型各部分的有效性和重要性	未提及具体的研究限制	自动化诊断过程，早期准确识别脑电图（EEG）记录中的脑病理特征	异常的原始EEG数据	机器学习	神经系统疾病	深度学习	WaveNet, LSTM	EEG信号	使用TUH异常EEG语料库V.2.0.0（TUAB）和另一个独立数据集TUEP进行评估