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
6901	2025-03-20	Elucidating the role of artificial intelligence in drug development from the perspective of drug-target interactions 2025-Mar, Journal of pharmaceutical analysis IF:6.1Q1 DOI:10.1016/j.jpha.2024.101144 PMID:40099205	综述	本文综述了人工智能在药物开发中的应用，特别是在药物-靶点预测方面的作用	系统地编译和评估了用于药物及药物组合-靶点预测的AI算法，强调了它们的理论框架、优势和局限性	未具体提及研究的局限性	探讨人工智能在药物开发中的应用，特别是在药物-靶点预测方面的作用	药物-靶点相互作用	生物医学	NA	人工智能（AI）	卷积神经网络（CNNs）、图卷积网络（GCNs）、变换器（transformers）	生物数据	NA
6902	2025-03-20	Automatic Quantification of Atmospheric Turbulence Intensity in Space-Time Domain 2025-Feb-28, Sensors (Basel, Switzerland) DOI:10.3390/s25051483 PMID:40096319	研究论文	本文提出了一种基于深度学习的方法，通过分析视频中的时空域来量化大气湍流强度	使用深度学习模型从视频中提取时空特征来量化大气湍流强度，这是一种新颖的方法	实验在受控环境下进行，可能无法完全反映真实世界中的复杂湍流情况	量化大气湍流强度	视频中捕捉到的静态图像在不同湍流强度下的表现	计算机视觉	NA	深度学习	CNN	视频	NA
6903	2025-03-20	An Efficient and Low-Complexity Transformer-Based Deep Learning Framework for High-Dynamic-Range Image Reconstruction 2025-Feb-28, Sensors (Basel, Switzerland) DOI:10.3390/s25051497 PMID:40096329	研究论文	本文提出了一种基于Transformer的高动态范围（HDR）图像重建框架，旨在在降低计算成本的同时实现与现有技术相媲美的结果	通过减少自注意力块的数量并引入卷积块注意力模块（CBAM），在保持图像质量的同时显著降低了计算复杂度	未提及具体的数据集规模或实验环境的限制	开发一种高效且低复杂度的HDR图像重建方法	高动态范围图像	计算机视觉	NA	深度学习	Transformer, 卷积块注意力模块（CBAM）	图像	在两个数据集上进行了评估，具体样本数量未提及
6904	2025-03-20	A Review of Research on SLAM Technology Based on the Fusion of LiDAR and Vision 2025-Feb-27, Sensors (Basel, Switzerland) DOI:10.3390/s25051447 PMID:40096278	综述	本文综述了基于LiDAR和视觉融合的SLAM技术研究现状，分析了早期单传感器SLAM技术和当前LiDAR与视觉融合SLAM的主要研究成果和发现	通过融合深度学习和自适应算法，LiDAR与视觉传感器的有效融合在处理多种情况时表现出高效性	在特征稀缺（低纹理、重复结构）环境场景和动态环境中的局限性	为LiDAR和视觉融合的SLAM技术发展提供指导和见解，为进一步的SLAM技术研究提供参考	SLAM技术，特别是基于LiDAR和视觉融合的SLAM技术	计算机视觉	NA	LiDAR与视觉传感器融合	深度学习	3D空间信息，图像数据	NA
6905	2025-03-20	Deep Learning Based Pile-Up Correction Algorithm for Spectrometric Data Under High-Count-Rate Measurements 2025-Feb-27, Sensors (Basel, Switzerland) DOI:10.3390/s25051464 PMID:40096323	研究论文	本文提出了一种基于深度学习的堆积校正算法，用于高计数率测量下的光谱数据	提出了一种新颖的深度学习框架，结合计数率信息和2D注意力U-Net进行能量谱恢复	训练数据基于开源模拟器生成，可能无法完全反映真实场景	解决高计数率测量下的堆积效应问题，提高光谱数据的准确性	伽马射线光谱数据	机器学习	NA	深度学习	2D注意力U-Net	光谱数据	基于公开的伽马光谱数据库生成的训练数据
6906	2025-03-20	Energy-Efficient Dynamic Workflow Scheduling in Cloud Environments Using Deep Learning 2025-Feb-26, Sensors (Basel, Switzerland) DOI:10.3390/s25051428 PMID:40096273	研究论文	本文提出了一种新的调度框架，结合图神经网络（GNN）和深度强化学习（DRL），使用近端策略优化（PPO）算法，在云环境中实现动态工作流调度，以最小化完成时间和减少能耗	结合图神经网络（GNN）和深度强化学习（DRL）进行多目标优化，专注于最小化完成时间和减少能耗	研究基于模拟环境（CloudSim）和合成数据集，未在实际云环境中验证	在云环境中实现动态工作流调度，优化完成时间和能耗	云环境中的动态工作流调度	机器学习	NA	图神经网络（GNN）、深度强化学习（DRL）、近端策略优化（PPO）	GNN、DRL、PPO	合成数据集	模拟环境中的基准数据集
6907	2025-03-20	Optimizing Real-Time Object Detection in a Multi-Neural Processing Unit System 2025-Feb-24, Sensors (Basel, Switzerland) DOI:10.3390/s25051376 PMID:40096141	研究论文	本文构建了一个基于YOLOv3的实时目标检测系统，利用Neubla的Antara NPU，并提出了两种性能优化方法	通过双缓冲和多NPU环境下的任务分配，显著提高了系统的吞吐量和降低了延迟	未提及系统在不同硬件配置下的兼容性和扩展性	优化实时目标检测系统的性能	实时目标检测系统	计算机视觉	NA	NA	YOLOv3	图像	NA
6908	2025-03-20	DC-NFC: A Custom Deep Learning Framework for Security and Privacy in NFC-Enabled IoT 2025-Feb-24, Sensors (Basel, Switzerland) DOI:10.3390/s25051381 PMID:40096219	研究论文	本文介绍了一种名为DC-NFC的新型深度学习框架，旨在增强物联网环境中NFC通信的安全性和隐私性	DC-NFC框架集成了三个创新组件：CE用于捕捉复杂的时间和空间模式，PML用于实施端到端的隐私约束，ATF模块用于实时威胁检测和动态模型适应	NA	增强物联网环境中NFC通信的安全性和隐私性	NFC通信	机器学习	NA	深度学习	DC-NFC	时间序列数据	四个基准数据集（UNSW-NB15、Bot-IoT、TON-IoT Telemetry和Edge-IIoTset）
6909	2025-03-20	DVF-NET: Bi-Temporal Remote Sensing Image Registration Network Based on Displacement Vector Field Fusion 2025-Feb-24, Sensors (Basel, Switzerland) DOI:10.3390/s25051380 PMID:40096252	研究论文	本文介绍了一种基于深度学习的新型双时相遥感图像配准框架DVF-NET，通过融合两个位移矢量场来解决图像间的非线性畸变问题	DVF-NET的创新点包括引入结构注意力模块（SAT）以增强模型对结构特征的关注，并提出了一种结合多种相似性度量的新型损失函数设计	NA	提高双时相遥感图像配准的精度和鲁棒性	双时相遥感图像	计算机视觉	NA	深度学习	DVF-NET	图像	多种遥感数据集
6910	2025-03-20	Enhancing Maritime Safety: Estimating Collision Probabilities with Trajectory Prediction Boundaries Using Deep Learning Models 2025-Feb-23, Sensors (Basel, Switzerland) DOI:10.3390/s25051365 PMID:40096138	研究论文	本文研究了波罗的海博恩霍尔姆岛附近的海上事故，提出了一种利用深度学习模型预测船舶轨迹并评估碰撞风险的方法，以提高海上安全	提出了一种结合轨迹预测和统计技术构建概率边界的方法，并引入碰撞风险评分来评估边界重叠的可能性	方法主要应用于模拟测试场景和一个真实案例，尚未在大规模实际场景中验证	提高海上安全，预防船舶碰撞事故	波罗的海博恩霍尔姆岛附近的船舶轨迹	机器学习	NA	LSTM自编码器	LSTM	轨迹数据	模拟测试场景和2021年Scot Carrier与Karin Hoej货船碰撞的真实案例
6911	2025-03-20	Efficient Deep Learning-Based Device-Free Indoor Localization Using Passive Infrared Sensors 2025-Feb-23, Sensors (Basel, Switzerland) DOI:10.3390/s25051362 PMID:40096168	研究论文	本文提出了一种基于深度学习的无设备室内定位方法，使用被动红外传感器进行多人定位	提出了一种结合通道分离和模板匹配技术的深度CNN-LSTM架构，并使用均值装袋技术提高定位精度	信号质量、模糊性以及多人复杂交错运动引起的干扰仍然是挑战	提高无设备室内定位的精度，特别是在多人环境中的应用	室内环境中的多人定位	机器学习	NA	被动红外传感器	CNN-LSTM	传感器数据	两个参与者
6912	2025-03-20	Securing IoT Networks Against DDoS Attacks: A Hybrid Deep Learning Approach 2025-Feb-22, Sensors (Basel, Switzerland) DOI:10.3390/s25051346 PMID:40096136	研究论文	本研究提出了一种混合深度学习模型，用于物联网（IoT）网络中的分布式拒绝服务（DDoS）攻击检测	提出了一种新颖的混合模型，结合了卷积神经网络（CNN）进行特征提取、长短期记忆（LSTM）网络进行时间模式识别以及自编码器进行降维	在检测罕见攻击类型方面存在局限性，并强调了解决数据不平衡问题的重要性	提高物联网网络中DDoS攻击检测的效率和准确性	物联网网络中的DDoS攻击	机器学习	NA	深度学习	CNN, LSTM, Autoencoders	网络数据	CICIOT2023数据集
6913	2025-03-20	Integrative Approaches to Soybean Resilience, Productivity, and Utility: A Review of Genomics, Computational Modeling, and Economic Viability 2025-Feb-21, Plants (Basel, Switzerland) DOI:10.3390/plants14050671 PMID:40094561	综述	本文综述了多组学、人工智能和经济可持续性在提高大豆抗逆性和生产力方面的进展	整合了基因组学、人工智能和经济可持续性等多学科方法，推动了大豆抗逆性和生产力的提升	未提及具体的研究局限性	提高大豆的抗逆性和生产力，并评估其经济可行性和环境可持续性	大豆	机器学习	NA	多组学（包括MAS、GS、GWAS、QTL映射、GBS、CRISPR-Cas9、宏基因组学和代谢组学）	深度学习	基因组数据、环境数据	NA
6914	2025-03-20	The Role of Baseline Total Kidney Volume Growth Rate in Predicting Tolvaptan Efficacy for ADPKD Patients: A Feasibility Study 2025-Feb-21, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm14051449 PMID:40094908	研究论文	本研究探讨了基线总肾脏体积（TKV）增长率在预测托伐普坦对ADPKD患者疗效中的作用	提出了一种量化TKV增长率变化的方法，用于回顾性评估托伐普坦对个体患者的疗效	样本量较小（32名患者），且为回顾性研究，可能影响结果的普遍性	评估托伐普坦对ADPKD患者的疗效预测因素	ADPKD患者	数字病理学	肾脏疾病	MRI扫描、深度学习辅助肾脏分割	k-means聚类分析	医学影像	32名ADPKD患者
6915	2025-03-20	Deep Learning-Based Recognition and Classification of Soiled Photovoltaic Modules Using HALCON Software for Solar Cleaning Robots 2025-Feb-20, Sensors (Basel, Switzerland) DOI:10.3390/s25051295 PMID:40096011	研究论文	本研究提出了一种基于深度学习的污损光伏图像识别与分类方法，旨在通过HALCON软件框架增强太阳能清洁机器人的能力	使用EANN和CNN架构结合先进的图像处理技术，实现了污损模式的精确检测与分类，展示了智能视觉分析在优化可再生能源维护实践中的变革性作用	未提及具体样本量及实验环境的具体限制	提高太阳能清洁机器人的自动化清洁策略，减少不必要的清洁周期，增强太阳能电池板的整体性能	污损的光伏模块	计算机视觉	NA	图像处理技术	EANN, CNN	图像	NA
6916	2025-03-20	Artificial Intelligence for Quality Defects in the Automotive Industry: A Systemic Review 2025-Feb-20, Sensors (Basel, Switzerland) DOI:10.3390/s25051288 PMID:40096013	系统性综述	本文系统性回顾了人工智能在汽车行业质量管理和问题识别中的应用，特别是在工业4.0和5.0背景下提升生产流程的AI实施	强调了AI在实时汽车零件追踪、减少对人工检查的依赖以及推动零缺陷制造策略中的作用	未来研究应优先考虑透明的AI方法、网络物理系统整合和AI材料增强以实现可持续生产	探讨AI在汽车行业质量保证中的应用，以提高效率、一致性和长期结果	汽车行业的生产流程和质量控制	机器学习和计算机视觉	NA	深度学习、人工神经网络和主成分分析	卷积神经网络（CNN）	图像	NA
6917	2025-03-20	Deep Learning-Based Algorithm for Road Defect Detection 2025-Feb-20, Sensors (Basel, Switzerland) DOI:10.3390/s25051287 PMID:40096028	研究论文	本文提出了一种基于改进YOLOv8的模型RepGD-YOLOV8W，用于提高道路缺陷检测的精度和计算效率	改进YOLOv8模型，引入Rep-GD模块和Wise-IoU损失函数，显著提升检测精度和计算效率	未提及模型在极端天气或夜间条件下的表现	提高道路缺陷检测的精度和计算效率，解决复杂背景下的漏检和误检问题	道路缺陷（如裂缝和坑洞）	计算机视觉	NA	深度学习	YOLOv8, RepGD-YOLOV8W	图像	RDD2022数据集
6918	2025-03-20	Phase determination with and without deep learning 2025-Feb, Physical review. E DOI:10.1103/PhysRevE.111.024131 PMID:40103033	研究论文	本文研究了无监督学习在检测J_{1}-J_{2}伊辛模型相变中的表现，并提出了一种基于配置直接比较的简单方法	提出了一种基于配置直接比较的简单方法，用于检测相变，并与变分自编码器生成的结果进行对比，发现简单方法在某些系统中可以产生与复杂神经网络相当的结果	研究仅限于J_{1}-J_{2}伊辛模型，未涉及其他复杂系统	研究无监督学习在统计物理学中检测相变的应用	J_{1}-J_{2}伊辛模型	机器学习	NA	无监督学习，变分自编码器	变分自编码器	配置数据	NA
6919	2025-03-20	Time-inversion of spatiotemporal beam dynamics using uncertainty-aware latent evolution reversal 2025-Feb, Physical review. E DOI:10.1103/PhysRevE.111.025307 PMID:40103073	研究论文	本文提出了一种用于时空光束动力学时间反转的反向潜在演化模型，利用条件变分自编码器（CVAE）和长短期记忆（LSTM）网络进行自监督深度学习	提出了一个结合CVAE和LSTM的自监督深度学习框架，用于预测上游六维相空间投影，并捕捉输入数据的不确定性	计算复杂度较高，可能限制在线应用的实用性	解决带电粒子束动力学中的逆问题，估计上游六维相空间	带电粒子束的六维相空间投影	机器学习	NA	条件变分自编码器（CVAE），长短期记忆（LSTM）网络	CVAE, LSTM	六维相空间测量数据	NA
6920	2025-03-20	Deep learning imaging analysis to identify bacterial metabolic states associated with carcinogen production 2025, Discover imaging DOI:10.1007/s44352-025-00006-1 PMID:40098681	研究论文	本研究利用深度学习成像分析技术，识别与致癌物产生相关的细菌代谢状态	首次使用深度学习模型通过成像分析区分产生和不产生致癌物脱氧胆酸（DCA）的Clostridium scindens细胞	研究仅针对Clostridium scindens和两种Bacteroides物种，未涵盖其他可能影响CRC的细菌	探索成像方法是否能够区分产生和不产生DCA的C. scindens细胞	Clostridium scindens和两种Bacteroides物种	数字病理学	结直肠癌	光学显微镜成像	CNN, DenseNet, ResNet, nnU-Net	图像	四种培养条件下的Clostridium scindens图像