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
6381	2025-02-21	Super-resolution synthetic MRI using deep learning reconstruction for accurate diagnosis of knee osteoarthritis 2025-Feb-17, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-01911-z PMID:39961957	研究论文	本研究评估了深度学习重建（DLR）技术在合成MRI（SyMRI）上的准确性，包括T2测量和DLR合成MRI（SyMRIDL）在膝关节骨关节炎（KOA）患者中的诊断性能，以常规MRI为标准参考	使用深度学习重建技术生成合成MRI图像，提供准确的T2测量值，能够更自信地从正常外观的软骨中识别早期软骨退化	样本量相对较小（36名志愿者和70名患者），且研究时间较短（2023年5月至10月）	评估DLR合成MRI在膝关节骨关节炎诊断中的准确性和性能	膝关节骨关节炎患者和志愿者	医学影像	膝关节骨关节炎	深度学习重建（DLR），合成MRI（SyMRI）	深度学习模型	MRI图像	36名志愿者和70名患者
6382	2025-02-21	Stacked CNN-based multichannel attention networks for Alzheimer disease detection 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-85703-x PMID:39962097	研究论文	本文提出了一种基于堆叠卷积神经网络（CNN）和多通道注意力网络的轻量级模型（SCCAN），用于MRI图像的阿尔茨海默病（AD）分类	通过堆叠5个CNN模块和多级特征提取，结合通道注意力模块，有效减少噪声并增强特征权重，同时减少模型参数，适合小数据集训练	未提及模型在更广泛数据集上的泛化能力或实际临床应用的验证	开发一种高效的AD识别系统，提升MRI图像分类的准确性和效率	阿尔茨海默病（AD）患者的MRI图像	计算机视觉	阿尔茨海默病	深度学习（DL）	堆叠卷积神经网络（CNN）与通道注意力网络（SCCAN）	MRI图像	ADNI1 Complete 1Yr 1.5T、Kaggle和OASIS-1数据集
6383	2025-02-21	Multi-label software requirement smells classification using deep learning 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86673-w PMID:39962114	研究论文	本研究开发了一种基于深度学习的多标签软件需求异味分类模型，用于检测单个需求中的多种软件需求异味	首次将LSTM、Bi-LSTM和GRU等高级神经网络架构与ELMo和Word2Vec等词嵌入技术结合，用于多标签软件需求异味分类	研究仅基于8120个需求数据集，可能无法覆盖所有类型的软件需求异味	提高软件需求异味检测的自动化水平，减少人工检测的时间和错误	软件需求异味	自然语言处理	NA	深度学习	LSTM, Bi-LSTM, GRU	文本	8120个需求数据集
6384	2025-02-21	Multicenter study on predicting postoperative upper limb muscle strength improvement in cervical spinal cord injury patients using radiomics and deep learning 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-72539-0 PMID:39962172	研究论文	本研究旨在评估基于机器学习的放射组学方法在预测脊髓损伤患者预后中的准确性	结合放射组学和深度迁移学习特征，利用MRI图像预测颈椎脊髓损伤患者术后上肢肌力改善情况	样本量较小（82例），且为回顾性研究，可能存在选择偏倚	评估放射组学方法在预测脊髓损伤患者预后中的准确性	颈椎脊髓损伤患者	数字病理	脊髓损伤	MRI	随机森林（RF）和ResNet34	图像	82例来自三家医院的脊髓损伤患者
6385	2025-02-21	A deep learning framework based on structured space model for detecting small objects in complex underwater environments 2025-Feb-17, Communications engineering DOI:10.1038/s44172-025-00367-9 PMID:39962196	研究论文	本文提出了一种结合结构化空间模型（SSM）与特征增强的创新方法，专门用于复杂水下环境中的小目标检测	结合结构化空间模型（SSM）与特征增强，开发了高精度、轻量级的检测模型UWNet，显著提高了计算效率并保持了高检测精度	未提及具体局限性	解决水下目标检测中精度与模型效率及实时性能的平衡问题	水下环境中的小目标，如海星和扇贝	计算机视觉	NA	结构化空间模型（SSM）与特征增强	UWNet	图像	未提及具体样本数量
6386	2025-02-21	Multimodal surface-based transformer model for early diagnosis of Alzheimer's disease 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90115-y PMID:39962212	研究论文	本文提出了一种基于多模态表面特征的Transformer模型，用于阿尔茨海默病的早期诊断	首次利用从MRI和PET扫描中提取的多模态、轻量级皮层表面特征，替代计算密集型的3D体积特征，并采用中间融合方法和交叉注意力机制有效整合不同模态的特征	NA	开发一种更高效的方法来早期诊断阿尔茨海默病	阿尔茨海默病患者	数字病理学	老年病	MRI, PET	Transformer	图像	ADNI系列数据集
6387	2025-02-21	A unified framework harnessing multi-scale feature ensemble and attention mechanism for gastric polyp and protrusion identification in gastroscope imaging 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90034-y PMID:39962226	研究论文	本研究旨在解决胃镜成像中区分胃息肉和突出物的诊断挑战，提出了一种结合多尺度特征集成和注意力机制的深度学习模型MultiAttentiveScopeNet	引入了MultiAttentiveScopeNet模型，结合多层特征集成和注意力机制，提高了胃镜图像分析的准确性和可解释性	NA	提高胃镜成像中胃息肉和突出物的诊断准确性	胃镜图像	计算机视觉	胃病	深度学习	CNN	图像	大型多类胃镜图像数据集
6388	2025-02-21	Stacked encoding and AutoML-based identification of lead-zinc small open pit active mines around Rampura Agucha in Rajasthan state, India 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89672-z PMID:39962260	研究论文	本研究旨在通过Sentinel 2图像分析，利用机器学习算法检测和分类印度拉贾斯坦邦Rampura Agucha周围的铅锌露天矿区域	结合多种波段比率和光谱指数，使用深度学习堆叠编码器和15种不同的机器学习分类器，提高了复杂矿区及其周边地物特征的检测精度	研究仅限于Sentinel 2图像数据，未涉及其他遥感数据源	检测和分类铅锌露天矿区域及其周边地物特征	印度拉贾斯坦邦Rampura Agucha周围的铅锌露天矿区域	机器学习	NA	Sentinel 2图像分析	extra tree classifier (et), light gradient boosting machine classifier (lightgbm), random forest classifier (rf)	卫星图像	NA
6389	2025-02-21	Deep convolutional neural network-based enhanced crowd density monitoring for intelligent urban planning on smart cities 2025-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90430-4 PMID:39962323	研究论文	本文提出了一种基于深度卷积神经网络的增强型人群密度监测技术，用于智能城市规划	提出了DCNNCDM-IUP技术，结合SE-DenseNet和ConvLSTM方法，通过红狐优化算法进行超参数选择，提高了人群密度监测的准确性	未提及具体的数据集规模或实际应用中的潜在挑战	开发一种高效的人群密度监测技术，以支持智能城市的交通管理、公共安全和城市规划	智能城市中的人群密度监测	计算机视觉	NA	深度学习（DL）、高斯滤波（GF）、红狐优化（RFO）	SE-DenseNet、ConvLSTM	图像、时间序列数据	未提及具体样本数量
6390	2025-02-21	Research on the development of an intelligent prediction model for blood pressure variability during hemodialysis 2025-Feb-17, BMC nephrology IF:2.2Q2 DOI:10.1186/s12882-025-03959-x PMID:39962403	研究论文	本研究开发了一种智能预测模型，用于预测血液透析期间血压变异性，以减少透析中低血压（IDH）和透析中高血压（IDHTN）的发生	利用机器学习和深度学习模型预测血液透析期间的血压波动，并通过SHAP方法识别关键特征，开发了临床应用的便捷工具	研究数据来自两家医院，可能存在地域局限性，且样本量虽大但未涵盖所有可能的患者群体	开发智能预测模型以减少血液透析期间的血压波动	接受维持性血液透析的患者	机器学习	心血管疾病	机器学习	XGBoost, CatBoost, RF	临床数据	67,524次血液透析会话
6391	2025-02-21	Comparative analysis of intestinal tumor segmentation in PET CT scans using organ based and whole body deep learning 2025-Feb-17, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01587-3 PMID:39962481	研究论文	本文比较了基于器官和全身深度学习在PET CT扫描中分割肠道肿瘤的效果	提出了一种新的基于器官的深度学习方法来提高肠道肿瘤分割的准确性	研究主要针对DLBCL患者，对其他类型肿瘤的适用性需要进一步验证	评估训练数据同质性在准确识别肠道肿瘤中的有效性	肠道肿瘤	计算机视觉	癌症	深度学习	CNN	PET CT图像	来自大型多中心临床试验（NCT01287741）的DLBCL患者
6392	2025-02-21	Comparison of YOLO-based sorghum spike identification detection models and monitoring at the flowering stage 2025-Feb-17, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01338-z PMID:39962585	研究论文	本研究比较了基于YOLO的高粱穗识别检测模型，并评估了其在开花期的监测效果	首次对不同高度和天气条件下的YOLO模型性能进行了比较研究，并确定了YOLOv8m为最有效的模型	研究仅基于2023年采集的图像数据，未考虑更多年份或更广泛的环境条件	评估数据集大小对模型准确性的影响，并预测高粱开花期	高粱开花期的穗识别	计算机视觉	NA	无人机图像采集	YOLOv5, YOLOv8, YOLOv9, YOLOv10	图像	200到350张图像，分别在15米和30米高度采集
6393	2025-02-21	Exploring autonomous methods for deepfake detection: A detailed survey on techniques and evaluation 2025-Feb-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2025.e42273 PMID:39968137	综述	本文对深度伪造检测的自主方法进行了详细调查，分析了相关技术和评估方法	本文综合了2018年至2024年间的最新研究，探讨了利用先进机器学习、计算机视觉和音频分析技术的创新检测方法	研究仅限于2018年至2024年间的最新研究，可能未涵盖早期的重要进展	提高数字生态系统的安全性和意识，通过推进对自主检测和评估方法的理解	深度伪造媒体（图像、视频和音频）	计算机视觉	NA	深度学习模型	NA	图像、视频、音频	NA
6394	2025-02-21	Development of a pressure ulcer stage determination system for community healthcare providers using a vision transformer deep learning model 2025-Feb-14, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000041530 PMID:39960905	研究论文	本研究开发了一种基于Vision Transformer深度学习模型的压疮分期确定系统，旨在帮助社区医疗保健提供者早期检测压疮	首次使用Vision Transformer模型处理实际压疮照片，相比传统CNN模型具有更高的准确性和更低的计算复杂度	研究样本量相对较小，仅涉及395张图像，且依赖于医疗专家的准确标注	开发一种工具，用于分类压疮的不同阶段，以帮助社区护理人员早期检测压疮	压疮照片	计算机视觉	压疮	Vision Transformer模型	Vision Transformer	图像	395张不同阶段的压疮图像
6395	2025-02-21	Detection and classification of glomerular lesions in kidney graft biopsies using 2-stage deep learning approach 2025-Feb-14, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000041560 PMID:39960931	研究论文	本文探讨了使用两阶段深度学习策略检测和分类肾移植活检中的肾小球病变的有效性	采用两阶段分类策略，结合U-Net和MobileNetV2模型，有效检测和分类肾小球病变，为移植排斥提供诊断信息	研究样本量较小，仅包含80名肾移植患者的137张活检切片	评估深度学习在肾移植活检中检测和分类肾小球病变的潜力	肾移植患者的肾活检切片	数字病理学	肾脏疾病	深度学习	U-Net, MobileNetV2, VGG16	图像	80名肾移植患者的137张活检切片
6396	2025-02-21	Multi-Skin disease classification using hybrid deep learning model 2025-Feb-02, Technology and health care : official journal of the European Society for Engineering and Medicine IF:1.4Q3 DOI:10.1177/09287329241312628 PMID:39973858	研究论文	本文提出了一种混合深度学习模型，用于多皮肤疾病的分类，旨在通过计算机辅助诊断技术提高皮肤癌的早期识别和分类	结合了区域生长分割与改进的蜂蜜獾优化器进行皮肤病变提取，并采用MobileSkinNetV2深度学习模型进行分类，显著提高了分类准确率和精确度	NA	提高皮肤癌的早期识别和分类，以改善患者的生存机会	皮肤病变图像	计算机视觉	皮肤癌	深度学习	MobileSkinNetV2	图像	ISIC数据集
6397	2025-02-21	Deep learning-based AI model for sinusitis diagnosis 2025-Feb-02, Technology and health care : official journal of the European Society for Engineering and Medicine IF:1.4Q3 DOI:10.1177/09287329241309799 PMID:39973859	研究论文	本研究开发了一种基于深度学习的AI辅助诊断模型，用于提高鼻窦炎的诊断准确性和可及性	使用深度学习技术构建鼻窦炎分类模型，并采用sigmoid函数替代softmax函数，提高了模型的预测准确性	研究仅基于回顾性数据，未进行前瞻性验证，且样本来源单一	开发一种AI辅助诊断模型，以提高鼻窦炎的诊断准确性和可及性	鼻窦炎患者和正常人的CT图像	计算机视觉	鼻窦炎	CT扫描	深度学习模型	图像	5000张鼻窦CT图像，包括1000张正常图像和4000张鼻窦炎图像（每种鼻窦炎类型1000张）
6398	2025-02-21	Machine learning tool for predicting mature oocyte yield and trigger day from start of stimulation: towards personalized treatment 2025-Feb, Reproductive biomedicine online IF:3.7Q1 DOI:10.1016/j.rbmo.2024.104441 PMID:39708575	研究论文	本文开发了一种基于深度学习的机器学习工具，用于预测卵巢刺激周期开始时的成熟卵母细胞数量和触发日	开发了两种新颖的渐进式机器学习算法，能够高精度预测触发日和成熟卵母细胞数量	需要更多数据和来自不同诊所的验证	预测卵巢刺激周期开始时的成熟卵母细胞数量和触发日，以实现个性化治疗	56,490个卵巢刺激周期	机器学习	NA	深度学习	深度学习算法	临床数据	56,490个卵巢刺激周期（主要数据集），13,090个用于模型开发，5,103个用于临床验证
6399	2025-02-21	Application of one-class classification using deep learning technique improves the classification of subvisible particles 2025-Feb, Journal of pharmaceutical sciences IF:3.7Q2 DOI:10.1016/j.xphs.2024.11.023 PMID:39615881	研究论文	本研究探讨了深度学习技术如何提高一类分类器在亚可见颗粒分类中的性能	首次将深度学习技术与一类分类器结合，用于亚可见颗粒的分类，显著提高了分类效果	研究仅针对特定类型的蛋白质聚集体（免疫球蛋白G和清蛋白衍生的聚集体）进行了测试，未涵盖所有可能的亚可见颗粒类型	提高亚可见颗粒分类的准确性和效率	亚可见颗粒，特别是免疫球蛋白G和清蛋白衍生的聚集体	计算机视觉	NA	深度学习	一类分类器	图像	使用了硅油（SO）和两种蛋白质聚集体（免疫球蛋白G衍生的聚集体和清蛋白衍生的聚集体）的数据集
6400	2025-02-21	Diagnosis Anthracnose of Chili Pepper Using Convolutional Neural Networks Based Deep Learning Models 2025-Feb, The plant pathology journal DOI:10.5423/PPJ.OA.11.2024.0178 PMID:39916419	研究论文	本研究应用深度学习模型（MobileNet、ResNet50v2和Xception）通过迁移学习诊断辣椒炭疽病，旨在确定准确和高效疾病诊断所需的最小数据集大小	通过迁移学习方法，评估不同数据集大小对模型性能的影响，为农业应用中的数据可用性和模型性能平衡提供实用指南	需要大量标注数据集，获取成本较高	研究辣椒炭疽病的早期和准确检测方法，以减少产量损失和市场价值下降	辣椒（Capsicum annuum L.）	计算机视觉	植物病害	迁移学习	CNN（MobileNet、ResNet50v2、Xception）	图像	500、1,000、2,000、3,000和4,000个样本