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
7261	2025-02-05	HEDDI-Net: heterogeneous network embedding for drug-disease association prediction and drug repurposing, with application to Alzheimer's disease 2025-Feb-01, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-05938-6 PMID:39891114	研究论文	本文介绍了一种名为HEDDI-Net的异质网络嵌入架构，用于预测药物-疾病关联和药物再利用，特别是在阿尔茨海默病中的应用	HEDDI-Net能够直接应用于新的疾病和药物，无需重新训练，这是大多数基于GCN的方法所不具备的。此外，HEDDI-Net提供了详细的亲和力模式，有助于理解候选药物的生理效应	尽管HEDDI-Net在预测药物-疾病关联方面表现出色，但其在稀疏网络中的表现仍需进一步验证	开发一种能够准确预测药物-疾病关联并保持生物机制可解释性的方法，以支持药物再利用	药物和疾病，特别是阿尔茨海默病	机器学习	阿尔茨海默病	图神经网络（GCN）和浅层学习技术	多层感知机（MLP）	网络数据	NA
7262	2025-02-05	Investigating the Quality of DermaMNIST and Fitzpatrick17k Dermatological Image Datasets 2025-Feb-01, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-04382-5 PMID:39893183	研究论文	本文对DermaMNIST、HAM10000和Fitzpatrick17k三个流行的皮肤病图像数据集进行了详细分析，揭示了数据质量问题，并提出了修正建议	揭示了皮肤病图像数据集中的数据质量问题，并提出了修正建议，同时公开了分析管道和代码以促进类似探索	仅分析了三个数据集，可能无法涵盖所有皮肤病图像数据集的质量问题	评估皮肤病图像数据集的质量，并修正其中的问题以提高深度学习模型的可靠性	DermaMNIST、HAM10000和Fitzpatrick17k数据集	计算机视觉	皮肤病	NA	NA	图像	三个数据集（DermaMNIST、HAM10000和Fitzpatrick17k）
7263	2025-02-05	Predicting carbon dioxide emissions using deep learning and Ninja metaheuristic optimization algorithm 2025-Feb-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86251-0 PMID:39893234	研究论文	本文提出了一种基于深度学习和Ninja元启发式优化算法的高精度预测二氧化碳排放的新方法	使用DPRNNs模型结合NiOA优化算法，能够有效捕捉数据中的短期和长期时间依赖性，并通过PCA和BSS技术进行数据预处理以提高预测精度	研究仅针对二氧化碳排放，未涵盖其他温室气体，且未实现实时跟踪	开发一种高精度的二氧化碳排放预测方法	二氧化碳排放数据	机器学习	NA	PCA, BSS, NiOA	DPRNNs	时间序列数据	NA
7264	2025-02-05	Observational study of sudden cardiac arrest risk (OSCAR): Rationale and design of an electronic health records cohort 2025-Feb, International journal of cardiology. Heart & vasculature DOI:10.1016/j.ijcha.2025.101614 PMID:39897418	研究论文	本文描述了基于电子健康记录（EHR）的队列研究OSCAR，旨在评估心脏骤停（SCA）的预测因素	利用电子健康记录（EHR）和人工智能技术（如自然语言处理和深度学习）来定义患者表型，并结合生物统计学和机器学习方法进行分析	研究依赖于电子健康记录的数据质量，可能存在数据缺失或不准确的问题	评估心脏骤停（SCA）的预测因素，改进风险预测模型	洛杉矶县居民，特别是那些在Cedars-Sinai健康系统（CSHS）接受常规医疗的患者	机器学习	心血管疾病	自然语言处理，深度学习	NA	电子健康记录（EHR）	379,833名洛杉矶县居民
7265	2025-02-05	ERNIE-ac4C: A novel deep learning model for effectively predicting N4-acetylcytidine sites 2025-Feb-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2025.168978 PMID:39900287	研究论文	本文提出了一种新的深度学习模型ERNIE-ac4C，用于有效预测N4-乙酰胞苷（ac4C）修饰位点	结合ERNIE-RNA语言模型和二维卷积神经网络（CNN），利用序列特征和注意力图特征的融合来预测ac4C修饰位点	目前实验方法存在检测时间长、复杂性和高成本等缺点，导致预测效率和准确性较低	准确识别ac4C修饰位点，以揭示其在基因调控和细胞过程中的功能意义	N4-乙酰胞苷（ac4C）修饰位点	自然语言处理	NA	深度学习	ERNIE-RNA, CNN	序列数据	NA
7266	2025-02-05	Femtojoule optical nonlinearity for deep learning with incoherent illumination 2025-Jan-31, Science advances IF:11.7Q1 DOI:10.1126/sciadv.ads4224 PMID:39888986	研究论文	本文介绍了一种与不相干照明兼容的非线性光学微器件阵列（NOMA），用于深度学习的低功耗光学神经网络	通过将液晶单元与硅光电二极管集成在单像素级别，实现了超低切换能量（低至100飞焦耳每像素）的非线性光学微器件阵列	NA	开发能量高效且高度并行的光学非线性器件，以支持大规模、低功耗的深度光学神经网络	光学神经网络（ONNs）及其非线性组件	计算机视觉	NA	光学非线性器件集成	光学多层神经网络	光学图像	超过50万个像素的NOMA器件
7267	2025-02-05	Enhancing cybersecurity via attribute reduction with deep learning model for false data injection attack recognition 2025-Jan-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82566-6 PMID:39890851	研究论文	本文提出了一种基于深度学习的属性减少技术，用于识别虚假数据注入攻击，以提高电网系统的安全性	引入了改进的深度信念网络（IDBN）模型和基于鲸鱼优化算法（COA）的超参数调优过程，以提高虚假数据注入攻击的检测性能	未提及具体的数据集大小或实验环境的具体细节	提高电网系统对虚假数据注入攻击的检测能力，增强电网的安全性和韧性	电网系统中的虚假数据注入攻击	机器学习	NA	Z-score归一化，改进的Lemrus优化算法（MLOA），改进的深度信念网络（IDBN），鲸鱼优化算法（COA）	改进的深度信念网络（IDBN）	电网测量数据	未提及具体样本数量
7268	2025-02-03	Correction: Application of deep learning and feature selection technique on external root resorption identification on CBCT images 2025-Jan-31, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-024-05030-x PMID:39891069	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7269	2025-02-05	A deep learning model for assistive decision-making during robot-aided rehabilitation therapies based on therapists' demonstrations 2025-Jan-31, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-024-01517-4 PMID:39891159	研究论文	本文提出了一种基于深度学习的模型，用于在机器人辅助康复治疗中根据治疗师的示范进行辅助决策	该模型能够从治疗师的标准中学习，判断患者在机器人辅助康复治疗中何时需要帮助，并通过微调个性化辅助，提高决策准确性	模型在测试数据集上的准确率为76.09%，仍有提升空间	提高机器人辅助康复治疗中的辅助决策能力	患有神经系统疾病的患者	机器学习	神经系统疾病	深度学习	一维卷积神经网络（CNN）	时间序列数据	多样化的神经系统疾病患者
7270	2025-02-05	Towards unbiased skin cancer classification using deep feature fusion 2025-Jan-31, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-02889-w PMID:39891245	研究论文	本文介绍了SkinWiseNet (SWNet)，一种用于检测和自动分类潜在恶性皮肤癌状况的深度卷积神经网络	SWNet通过多路径优化特征提取，强调网络宽度增强以提高效率，并通过特征融合减少与肤色和毛发相关的偏见	NA	提高皮肤癌检测和分类的准确性，减少与肤色和毛发相关的偏见	皮肤癌图像	计算机视觉	皮肤癌	深度学习	CNN	图像	四个公开数据集（Mnist-HAM10000, ISIC2019, ISIC2020, Melanoma Skin Cancer）
7271	2025-02-05	Application of a methodological framework for the development and multicenter validation of reliable artificial intelligence in embryo evaluation 2025-Jan-31, Reproductive biology and endocrinology : RB&E IF:4.2Q1 DOI:10.1186/s12958-025-01351-w PMID:39891250	研究论文	本文提出了一种用于开发和验证人工智能模型的方法论，以确保其在胚胎评估中的一致性和可靠性	提出了一种四步方法论，用于开发和验证AI模型，确保其在多中心数据集上的可靠性能	研究依赖于特定时间段和地点的数据，可能限制了结果的普遍适用性	开发和验证一个可靠的人工智能模型，用于评估胚胎质量以提高体外受精的成功率	胚胎时间序列图像、妊娠结果和形态学注释	数字病理学	NA	深度学习	深度学习分类器	图像	训练和验证数据集（n=16,935胚胎）、盲测数据集（n=1,708胚胎；3个诊所）和独立数据集（n=7,445胚胎；7个诊所）
7272	2025-02-05	Predicting survival in malignant glioma using artificial intelligence 2025-Jan-31, European journal of medical research IF:2.8Q2 DOI:10.1186/s40001-025-02339-3 PMID:39891313	研究论文	本文探讨了使用人工智能技术预测恶性胶质瘤患者生存期的有效性	利用机器学习和深度学习技术整合多模态数据，显著提高了胶质瘤患者生存预测的准确性	数据异质性、可解释性挑战和计算需求，特别是在资源有限的环境中	评估不同AI模型在预测恶性胶质瘤患者生存期方面的比较效果	恶性胶质瘤患者	机器学习	脑癌	机器学习（ML）、深度学习（DL）	NA	影像、临床参数、分子生物标志物	NA
7273	2025-02-05	A robust auto-contouring and data augmentation pipeline for adaptive MRI-guided radiotherapy of pancreatic cancer with a limited dataset 2025-Jan-30, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/adabac PMID:39823751	研究论文	本研究旨在开发和评估一种快速且稳健的基于深度学习的自动分割方法，用于胰腺癌MRI引导放疗中的风险器官分割，以克服在线自适应工作流程中耗时的手动轮廓绘制问题	提出了两种新颖的数据增强方法：结构引导的变形增强方法（sgDefAug）和基于生成对抗网络的增强方法（GANAug），以解决有限数据集带来的挑战	研究样本量较小，仅使用了10名患者的43张3DVane图像	开发一种快速且稳健的自动分割方法，用于胰腺癌MRI引导放疗中的风险器官分割	胰腺癌MRI引导放疗中的风险器官	医学影像分析	胰腺癌	深度学习，数据增强	nnU-Net, ResU-Net, SegResNet, cycleGAN	3D MRI图像	10名患者的43张3DVane图像
7274	2025-02-05	A review of state-of-the-art resolution improvement techniques in SPECT imaging 2025-Jan-30, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-025-00724-9 PMID:39883257	综述	本文综述了SPECT成像中提高空间分辨率的最新技术方法	深入探讨了探测器设计、投影采样技术、传统重建算法优化以及深度学习在SPECT成像中的新兴作用	SPECT成像的空间分辨率相对较差，尤其是在小病变的可视化方面存在显著限制	识别SPECT领域中分辨率增强技术的最新趋势，以促进临床系统的进一步优化和改进	临床和临床前SPECT系统	医学影像	肿瘤	SPECT成像	深度学习	图像	NA
7275	2025-02-05	MMFW-UAV dataset: multi-sensor and multi-view fixed-wing UAV dataset for air-to-air vision tasks 2025-Jan-30, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-04482-2 PMID:39885165	研究论文	本文介绍了一个用于空对空视觉任务的多传感器和多视角固定翼无人机数据集MMFW-UAV	MMFW-UAV是首个一对一多模态图像数据集，具有高质量标注，适用于固定翼无人机的识别、检测和监控	NA	为固定翼无人机的识别、检测和监控提供高质量的多模态图像数据集	固定翼无人机	计算机视觉	NA	多传感器（变焦、广角和热成像传感器）	深度学习对象检测架构	图像	147,417张固定翼无人机图像
7276	2025-02-05	Optimized deep learning model with integrated spectrum focus transformer for pavement distress recognition and classification 2025-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88251-6 PMID:39885250	研究论文	本文提出了一种集成频谱聚焦变换器（SFT）层的优化深度学习模型，用于路面病害识别和分类	创新点在于提出了频谱聚焦变换器（SFT）层，通过处理信号频谱并聚焦于重要频率成分，增强了捕捉路面病害区域的能力	未明确提及研究的局限性	研究目的是提高路面病害识别和分类的准确性	研究对象是路面病害图像数据	计算机视觉	NA	深度学习	频谱聚焦变换器（SFT）	图像	NA
7277	2025-02-05	Biomedical named entity recognition using improved green anaconda-assisted Bi-GRU-based hierarchical ResNet model 2025-Jan-30, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-024-06008-w PMID:39885428	研究论文	本文提出了一种改进的基于Bi-GRU的分层ResNet模型，用于生物医学命名实体识别	提出了改进的绿蟒蛇辅助Bi-GRU分层ResNet模型（IGa-BiHR BNERM），用于提高生物医学命名实体识别的准确性	需要大量标注数据集，且可能难以识别文本中的长距离关系	提高生物医学命名实体识别的准确性	生物医学文本中的命名实体	自然语言处理	NA	深度学习	Bi-GRU, ResNet, BERT	文本	MACCROBAT数据集
7278	2025-02-05	A deep learning approach for classifying and predicting children's nutritional status in Ethiopia using LSTM-FC neural networks 2025-Jan-30, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00425-0 PMID:39885567	研究论文	本研究采用LSTM-FC神经网络对埃塞俄比亚儿童营养不良状况进行分类和预测	使用LSTM-FC神经网络对儿童营养不良状况进行分类和预测，并通过SHapley Additive exPlanations进行特征选择，优化模型性能	研究中存在少量过度或低估的情况，且样本仅限于埃塞俄比亚儿童	解决埃塞俄比亚儿童营养不良这一关键公共卫生问题	埃塞俄比亚儿童	机器学习	营养不良	LSTM-FC神经网络	LSTM-FC	纵向数据	1,997名埃塞俄比亚儿童，追踪时间从2002年至2016年
7279	2025-02-05	Automating airborne pollen classification: Identifying and interpreting hard samples for classifiers 2025-Jan-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2025.e41656 PMID:39897809	研究论文	本文探讨了基于深度学习的空气花粉分类中的挑战，特别是识别和解释对分类器构成困难的样本	通过样本级难度分析，揭示了深度学习算法在花粉分类中面临的主要挑战，包括图像中多个花粉颗粒的共现、2D显微镜图像中特定标记的遮挡以及某些花粉类群缺乏显著独特特征	研究仅基于自动生成的花粉颗粒显微镜图像数据集，可能未涵盖所有实际应用场景	研究目的是识别和解释对深度学习分类器构成困难的空气花粉样本	空气花粉样本	计算机视觉	NA	深度学习	NA	图像	最大的自动生成的花粉颗粒显微镜图像数据集之一
7280	2025-02-05	Deep learning-based prediction of mortality using brain midline shift and clinical information 2025-Jan-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e41271 PMID:39897887	研究论文	本研究提出了一种基于深度学习的计算机辅助方法，用于检测脑中线移位（MLS），并结合临床信息预测患者的死亡率	提出了一种关键点检测方法，用于在每张CT切片上检测脑中线，获取每张切片的MLS距离和面积，并结合临床信息使用多层感知器（MLP）模型预测患者死亡率	CT切片是二维的，限制了脑中线移位的检测	预测患者的死亡率	脑中线移位（MLS）和临床信息	计算机视觉	脑损伤、中风、脑肿瘤或血肿	深度学习	多层感知器（MLP）	CT图像	NA