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
7361	2025-02-04	Multi-Dimensional Features Extraction for Voice Pathology Detection Based on Deep Learning Methods 2025-Feb-01, Journal of voice : official journal of the Voice Foundation IF:2.5Q1 DOI:10.1016/j.jvoice.2024.12.048 PMID:39894721	研究论文	本文提出了一种基于深度学习的多维特征提取方法，用于语音病理检测	提出了一种结合Gammatonegram特征与TKEO Scalogram特征的特征提取方案，命名为CGT Scalogram	NA	提高语音病理检测的准确性	健康语音与病理语音	自然语言处理	语音障碍	深度学习	ResNet	语音信号	Saarbrucken语音数据库
7362	2025-02-04	Enhancing feature-aided data association tracking in passive sonar arrays: An advanced Siamese network approach 2025-Feb-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0035577 PMID:39898705	研究论文	本文提出了一种基于Siamese网络的高级网络BiChannel-SiamDinoNet，用于改进被动声纳阵列中的特征辅助数据关联跟踪方法	提出了BiChannel-SiamDinoNet网络，结合Siamese网络和联合概率数据关联框架，通过声学目标的特征结构形成嵌入空间，使系统对变化更加鲁棒，并能有效区分测量和目标之间的差异	未提及具体局限性	改进被动声纳阵列中的多目标跟踪方法，提高在复杂海洋场景中的性能	被动声纳阵列中的多目标跟踪	机器学习	NA	深度学习	Siamese网络	声学信号	未提及具体样本数量
7363	2025-02-04	Accuracy of a Cascade Network for Semi-Supervised Maxillary Sinus Detection and Sinus Cyst Classification 2025-Feb, Clinical implant dentistry and related research IF:3.7Q1 DOI:10.1111/cid.13431 PMID:39898709	研究论文	本研究开发了一种基于深度学习的管道，用于在锥形束计算机断层扫描（CBCT）图像中对上颌窦病变进行分类，以提供临床诊断的辅助支持	提出了一种级联网络，结合半监督上颌窦区域目标检测模块和上颌窦病变分类模块，采用半监督伪标签训练策略扩展数据集，并比较了CNN和Transformer架构在分类中的性能	研究中使用的数据集虽然较大，但可能仍存在样本多样性不足的问题，且模型的泛化能力未在外部数据集上验证	开发一种高精度的上颌窦病变检测和分类方法，以辅助临床诊断	上颌窦黏膜囊肿	计算机视觉	口腔颌面部疾病	CBCT	级联网络（包括CNN和Transformer）	图像	541名患者的45,136张上颌窦图像
7364	2025-01-19	Explainable Predictive Model for Suicidal Ideation During COVID-19: Social Media Discourse Study 2025-Jan-17, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/65434 PMID:39823631	研究论文	本研究通过分析社交媒体上的文本内容，利用自然语言处理技术检测COVID-19期间的自杀意念	提出了一种混合深度学习神经网络方法（BERT+CNN+LSTM）来分类自杀和非自杀帖子，并使用可解释的人工智能（XAI）提取导致自杀意念的关键因素	研究样本量相对较小，且仅基于社交媒体数据，可能无法全面反映所有人群的自杀意念	检测COVID-19期间社交媒体上的自杀意念，并提取导致自杀意念的关键因素	社交媒体上的文本内容	自然语言处理	心理健康问题	自然语言处理（NLP）	BERT+CNN+LSTM	文本	348,110条记录中筛选出3,154条（0.9%），其中1,338条（42.4%）为自杀实例，1,816条（57.6%）为非自杀实例
7365	2025-02-03	Automating container damage detection with the YOLO-NAS deep learning model 2025 Jan-Mar, Science progress IF:2.6Q2 DOI:10.1177/00368504251314084 PMID:39887245	研究论文	本研究利用YOLO-NAS深度学习模型自动化检测集装箱损伤，以提高全球供应链中的产品质量、物流效率和安全性	首次将YOLO-NAS模型应用于集装箱损伤检测，解决了海港复杂条件下的高速、高精度需求	尽管YOLO-NAS在实时评估能力上表现优异，但其他模型如Fmask-RCNN和MobileNetV2在训练精度上较高，但缺乏实时评估能力	开发自动化集装箱损伤检测解决方案，以提高港口物流的效率和安全性	集装箱损伤检测	计算机视觉	NA	深度学习	YOLO-NAS	图像	NA
7366	2025-02-04	Promoting smartphone-based keratitis screening using meta-learning: A multicenter study 2024-Sep, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2024.104722 PMID:39244181	研究论文	本研究提出了一种基于元学习的框架（CNCML），用于在智能手机数据不足的情况下开发基于智能手机的角膜炎筛查模型	提出了余弦最近质心度量学习（CNCML）框架，利用裂隙灯照片的先验知识，解决了智能手机数据不足的问题	研究主要依赖于有限的智能手机照片数据，可能在实际应用中存在泛化能力不足的问题	开发一种基于智能手机的角膜炎筛查模型，以解决偏远地区缺乏专业设备的问题	角膜炎患者	计算机视觉	角膜炎	深度学习，元学习	CNCML	图像	13,009张裂隙灯照片和4,075张智能手机照片，来自3个独立的临床中心
7367	2024-08-07	Correction to: Prediction of protein-ligand binding affinity via deep learning models 2024-May-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae310 PMID:38888458	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7368	2025-02-04	Prediction of protein-ligand binding affinity via deep learning models 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae081 PMID:38446737	综述	本文综述了用于预测蛋白质-配体结合亲和力的计算方法，特别是基于深度学习的模型	探讨了深度学习模型在预测蛋白质-配体结合亲和力方面的潜力，并指出了当前模型的局限性	当前深度学习模型面临低质量数据库、不准确的输入表示和不合适的模型架构等限制	准确预测蛋白质-配体结合亲和力，以用于药物筛选和优化	蛋白质-配体结合亲和力	计算机辅助药物设计	NA	深度学习	深度学习模型	蛋白质-配体结合数据	NA
7369	2025-02-04	Self-supervised deep learning of gene-gene interactions for improved gene expression recovery 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae031 PMID:38349062	研究论文	本文提出了一种自监督深度学习框架，利用基因-基因相互作用来改进基因表达恢复的准确性	创新点在于将基因重新定位到2D网格中，以反映其相互作用关系，并采用自监督2D卷积神经网络从空间配置的基因中提取上下文特征，填补缺失的基因表达值	需要进一步验证在实际生物样本中的广泛适用性	提高单细胞RNA测序数据中基因表达恢复的准确性	单细胞RNA测序数据中的基因表达	机器学习	NA	单细胞RNA测序（scRNA-seq）	2D卷积神经网络（CNN）	基因表达数据	模拟和实验scRNA-seq数据集
7370	2025-02-04	scAMAC: self-supervised clustering of scRNA-seq data based on adaptive multi-scale autoencoder 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae068 PMID:38426327	研究论文	本文提出了一种基于自适应多尺度自编码器的自监督聚类方法scAMAC，用于单细胞RNA测序（scRNA-seq）数据的分析	scAMAC利用多尺度注意力机制融合编码器、隐藏层和解码层的特征信息，探索同一尺度内的细胞相关性并捕捉跨尺度的深层特征，同时采用自适应反馈机制监督多尺度自编码器的参数更新	未明确提及具体局限性	开发一种新的自监督聚类方法，以更好地分析scRNA-seq数据并理解高级生物过程	单细胞RNA测序（scRNA-seq）数据	机器学习	NA	单细胞RNA测序（scRNA-seq）	自适应多尺度自编码器	基因表达数据	未明确提及具体样本数量
7371	2025-02-04	Diff-AMP: tailored designed antimicrobial peptide framework with all-in-one generation, identification, prediction and optimization 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae078 PMID:38446739	研究论文	本文介绍了一种名为Diff-AMP的深度学习框架，用于自动化生成、识别、预测和优化抗菌肽（AMPs）	创新性地将动力学扩散和注意力机制整合到强化学习框架中，用于高效生成AMPs，并采用预训练和迁移学习策略进行精确识别和筛选	未明确提及具体局限性	开发一个集成深度学习框架，以自动化生成、识别、预测和优化抗菌肽（AMPs）	抗菌肽（AMPs）	机器学习	NA	深度学习、强化学习、预训练、迁移学习	卷积神经网络（CNN）、强化学习	肽序列数据	未明确提及具体样本数量
7372	2025-02-04	VirGrapher: a graph-based viral identifier for long sequences from metagenomes 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae036 PMID:38343326	研究论文	本文提出了一种基于图卷积网络（GCN）的病毒识别工具VirGrapher，用于从宏基因组中识别长病毒序列	VirGrapher通过构建长序列中短子序列之间的关系，改进了现有深度学习方法在识别长病毒序列时的性能	未提及具体局限性	提高从宏基因组中识别长病毒序列的准确性	宏基因组中的长病毒序列	生物信息学	NA	图卷积网络（GCN）	GCN	序列数据	未提及具体样本数量
7373	2025-02-04	Should we really use graph neural networks for transcriptomic prediction? 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae027 PMID:38349060	研究论文	本文通过基准测试评估了图神经网络（GNN）在转录组预测中的表现，并与更标准的机器学习方法进行了比较	首次提供了关于GNN在转录组预测中成本与效益权衡的完整且可重复的基准测试	研究仅基于有限的模拟数据集，可能无法完全反映真实世界数据的复杂性	评估图神经网络在转录组预测中的有效性	基因表达数据	生物信息学	NA	图神经网络（GNN）	GNN	基因表达数据	有限的模拟数据集
7374	2025-02-04	Cracking the black box of deep sequence-based protein-protein interaction prediction 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae076 PMID:38446741	研究论文	本文系统研究了基于深度学习的蛋白质-蛋白质相互作用预测模型对数据泄露、序列相似性和节点度信息的依赖性，并与基础机器学习模型进行了比较	揭示了随机分割训练集和测试集导致性能高估的问题，并提出了避免数据泄露的方法，强调了未来改进应相对于基线方法进行报告	预测对于与已研究蛋白质序列相似性低的蛋白质仍然是一个未解决的问题，需要进一步的实验研究和更好的计算方法	评估和比较基于深度学习的蛋白质-蛋白质相互作用预测模型的性能	蛋白质-蛋白质相互作用	机器学习	NA	深度学习	深度学习模型	序列数据	NA
7375	2025-02-04	SuperCUT, an unsupervised multimodal image registration with deep learning for biomedical microscopy 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae029 PMID:38483256	研究论文	本文提出了一种名为SuperCUT的无监督多模态图像配准方法，利用深度学习技术解决生物医学显微镜图像配准问题	提出了一种无需人工标注的无监督多模态图像配准管道，结合风格迁移技术，实现了与有监督方法相当的配准精度	需要进一步验证在更多类型生物样本和显微镜模态上的适用性	解决生物医学显微镜图像的多模态配准问题，以实现不同图像模态的相关分析	生物医学显微镜图像	计算机视觉	NA	深度学习	NA	图像	四种不同类型的生物问题，涉及不同的显微镜模态
7376	2025-02-04	Deep learning in spatially resolved transcriptfomics: a comprehensive technical view 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae082 PMID:38483255	研究论文	本文深入探讨了深度学习在空间分辨转录组学（SRT）中的应用，分析了其优势、局限性和未来改进方向	本文首次系统地评估了深度学习在SRT中的应用，并提出了未来研究方向，如结合生物进化信息的处理和微小组织图像片段的深入分析	深度学习在SRT中的应用仍面临挑战，如批次效应的消除、数据标准化技术的完善以及基因表达中的过度离散和零膨胀模式的应对	评估深度学习在空间分辨转录组学中的应用，并提出未来研究方向	空间分辨转录组学数据	数字病理学	NA	空间分辨转录组学（SRT）	深度学习	基因表达矩阵、空间细节、组织学图像	NA
7377	2025-02-04	Enhancer-MDLF: a novel deep learning framework for identifying cell-specific enhancers 2024-01-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae083 PMID:38485768	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7378	2025-02-04	Leveraging deep learning for toxic comment detection in cursive languages 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2486 PMID:39896410	研究论文	本文提出了一种新的深度学习模型，用于检测乌尔都语中的有毒评论，通过使用transformer进行文本的二元分类	提出了一种新的模型来识别乌尔都语句子中的显著特征，并使用transformer进行有毒评论的检测	乌尔都语作为一种低资源语言，其复杂性和不规则性增加了检测难度	开发一种工具来检测乌尔都语中的有毒评论，以保护社区免受其负面影响	乌尔都语中的有毒评论	自然语言处理	NA	深度学习	transformer, BERT, GPT-2	文本	NA
7379	2025-02-04	Digital labeling for 3D histology: segmenting blood vessels without a vascular contrast agent using deep learning 2023-Jun-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.480230 PMID:37342724	研究论文	本文介绍了一种名为'数字标记'的方法，利用深度学习在无需血管对比剂的情况下，仅基于自发荧光信号和核染色（DAPI）对3D组织中的血管进行分割	创新点在于使用基于U-net架构的深度学习神经网络，并采用回归损失而非常见的分割损失，以提高小血管的检测精度	未来需要验证该方法是否适用于其他生物结构的分割	研究目的是开发一种无需血管对比剂即可对3D组织中的血管进行分割的方法	研究对象是3D组织中的血管	数字病理学	NA	光学组织透明化和3D荧光显微镜	U-net	3D图像	NA
7380	2025-02-04	Self-supervised semantic segmentation of retinal pigment epithelium cells in flatmount fluorescent microscopy images 2023-04-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btad191 PMID:37067486	研究论文	本文提出了一种自监督语义分割方法（S4），用于视网膜色素上皮（RPE）细胞在荧光显微镜图像中的分割，以支持RPE衰老研究中的大规模细胞形态分析	开发了一种自监督学习策略，结合重建和成对表示损失以及形态学损失，用于训练具有编码器-解码器架构的语义分割网络，并提出了一种新的图像增强算法（AugCut）以提高网络训练性能	尽管方法表现出色，但仍依赖于高质量的图像数据，且自监督学习策略的泛化能力需要进一步验证	提高视网膜色素上皮（RPE）细胞在荧光显微镜图像中的分割精度，以支持RPE衰老研究	视网膜色素上皮（RPE）细胞	计算机视觉	老年疾病	自监督学习	编码器-解码器架构	图像	大量荧光显微镜图像