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
8121	2025-01-23	A fusion model of manually extracted visual features and deep learning features for rebleeding risk stratification in peptic ulcers 2025-Jan-20, Nan fang yi ke da xue xue bao = Journal of Southern Medical University DOI:10.12122/j.issn.1673-4254.2025.01.23 PMID:39819728	研究论文	本文提出了一种基于内窥镜图像的手动提取特征和深度学习特征的多特征融合模型，用于评估消化性溃疡的再出血风险分级	通过整合手动提取的视觉特征和深度学习网络提取的深度特征，创建了内窥镜图像的多特征表示，显著提高了消化性溃疡再出血风险分类的准确性	研究样本量有限，仅包含708名患者的3573张图像，可能影响模型的泛化能力	提高消化性溃疡再出血风险分类的准确性，为临床评估提供高效诊断工具	消化性溃疡患者的内窥镜图像	计算机视觉	消化性溃疡	深度学习	CNN	图像	708名患者的3573张内窥镜图像
8122	2025-01-23	Deep learning-based detection of incisal translucency patterns 2025-Jan-20, The Journal of prosthetic dentistry IF:4.3Q1 DOI:10.1016/j.prosdent.2024.11.018 PMID:39837680	研究论文	本研究评估了深度学习模型在预测前牙透明度模式中的准确性，采用YOLOv5、Vision Transformers (ViT)和U-Net三种模型进行检测、分类和分割	首次将YOLOv5、Vision Transformers (ViT)和U-Net三种深度学习模型结合，用于前牙透明度模式的检测、分类和分割，提供了一种全面的解决方案	研究样本量较小，仅包含240张前牙图像，且所有图像均来自18岁以上的参与者，可能限制了模型的泛化能力	评估深度学习模型在前牙透明度模式检测中的准确性，以辅助牙医在修复牙科实践中的决策	前牙的透明度模式	计算机视觉	NA	深度学习	YOLOv5, Vision Transformers (ViT), U-Net	图像	240张前牙JPEG图像
8123	2025-01-23	Secure channel estimation model for cognitive radio network physical layer security using two-level shared key authentication 2025-Jan-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86165-x PMID:39828744	研究论文	本文提出了一种使用信道状态信息（CSI）和深度学习（DL）的安全信道估计模型（SCEM），以提高认知无线电网络（CRN）中的物理层安全性（PLS）	该模型通过两级共享密钥认证和深度学习算法，提高了信道容量利用率和安全性，减少了干扰率	未明确提及具体限制	提高认知无线电网络中的物理层安全性	认知无线电网络中的用户和设备	机器学习	NA	深度学习	深度学习算法	信道状态信息（CSI）	未明确提及样本数量
8124	2025-01-23	A small underwater object detection model with enhanced feature extraction and fusion 2025-Jan-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-85961-9 PMID:39827179	研究论文	本文提出了一种高效的小型水下物体检测模型，通过增强特征提取和融合来解决水下环境中小物体检测的挑战	引入了CSPSL模块增强特征保留，提出了VKConv动态调整卷积核大小，以及SPPFMS方法更有效地保留小物体特征	未提及模型在更复杂或不同水下环境中的泛化能力	提高水下环境中小物体检测的准确性和计算效率	水下环境中的小物体	计算机视觉	NA	深度学习	深度卷积网络	图像	UDD和DUO数据集
8125	2025-01-23	The first geospatial dataset of irrigated fields (2020-2024) in Vojvodina (Serbia) 2025-Jan-18, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-04443-9 PMID:39827194	研究论文	本文创建了一个关于塞尔维亚伏伊伏丁那地区2020-2024年灌溉田地的地理空间数据集，旨在支持可持续水资源管理、农业发展和环境保护	首次创建了包含地理位置、作物类型和灌溉设备信息的区域灌溉田地数据集，为机器学习模型提供高质量训练数据	数据收集成本高且劳动密集，数据集仅覆盖伏伊伏丁那地区	提供可访问的灌溉田地数据集，用于构建或微调机器学习和深度学习模型，以自动检测灌溉田地	伏伊伏丁那地区的灌溉田地	地理信息系统	NA	卫星影像分析	机器学习和深度学习模型	地理空间数据	1256块田地
8126	2025-01-23	Multiscale wildfire and smoke detection in complex drone forest environments based on YOLOv8 2025-Jan-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86239-w PMID:39827308	研究论文	本文提出了一种基于改进YOLOv8的模型，用于复杂无人机森林环境中的多尺度野火和烟雾检测	在C2F模块中使用局部卷积代替全卷积，并集成EMA模块以增强特征通道交互建模能力和上下文信息利用，同时在Backbone中引入AgentAttention模块优化特征提取，设计BiFormer模块自适应融合全局和局部特征，显著提升模型的多尺度和多角度检测能力	未提及具体局限性	提高森林火灾和烟雾检测的准确性和效率，支持森林火灾预警、应急响应和损失减少	森林火灾和烟雾	计算机视觉	NA	深度学习	YOLOv8	图像	未提及具体样本数量
8127	2025-01-23	GastroHUN an Endoscopy Dataset of Complete Systematic Screening Protocol for the Stomach 2025-Jan-17, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-04401-5 PMID:39824869	研究论文	本文介绍了GastroHUN，一个基于系统协议的胃部筛查程序的开放数据集，包含8,834张图像和4,729个标注的视频序列	GastroHUN数据集提供了22个胃部解剖标志的标注，并包含一个额外的类别用于不合格图像，为AI模型开发提供了有价值的资源	现有数据集存在标注不一致和可访问性有限的问题，导致模型偏差和泛化能力降低	通过提供一个强大的公共数据集和基线深度学习模型，GastroHUN旨在为未来研究提供基准，并帮助开发更有效的算法	胃部筛查程序的图像和视频序列	数字病理学	胃肠道疾病	内窥镜检查	深度学习模型	图像和视频	8,834张图像和4,729个视频序列，来自387名患者
8128	2025-01-23	Fusing multispectral information for retinal layer segmentation 2025-Jan-17, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01446-z PMID:39825030	研究论文	本文研究了多光谱信息（MSI）对视网膜层分割（RLS）的影响，并展示了将MSI整合到RLS方法中如何显著提高分割精度	首次研究了多光谱信息对视网膜层分割的影响，并展示了其在提高分割精度方面的潜力	研究主要依赖于光学相干断层扫描（OCT）图像，未涉及其他类型的医学影像	探索多光谱信息对视网膜层分割的影响，并提高分割精度	视网膜层光学相干断层扫描（OCT）图像	计算机视觉	眼科疾病	光学相干断层扫描（OCT）	深度学习（DL）	图像	NA
8129	2025-01-23	Preparing physiotherapists for the future: the development and evaluation of an innovative curriculum 2025-Jan-17, BMC medical education IF:2.7Q1 DOI:10.1186/s12909-024-06537-1 PMID:39825299	研究论文	本研究评估了荷兰HAN应用科学大学物理治疗系设计的创新课程PACE的实施情况	PACE课程采用灵活的学习路径、垂直组织的学习社区、无预设学习活动和课程表，以及持续学习和发展的文化，与传统教育不同	需要改进自主学习支持和促进深度学习的教学策略	评估PACE课程的实施效果，为未来课程开发提供信息	2021-2022年度的本科物理治疗学生和参与该课程的教师	教育创新	NA	混合方法设计，包括问卷调查、焦点小组、深度访谈和全国进度测试	NA	问卷数据、访谈数据、测试结果	82名一年级学生和36名教师
8130	2025-01-23	Assessing greenspace and cardiovascular health through deep-learning analysis of street-view imagery in a cohort of US children 2025-Jan-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2024.120459 PMID:39603586	研究论文	本研究通过深度学习分析美国儿童的街景图像，评估绿地与心血管健康之间的关系	利用深度学习分割算法从街景图像中提取绿地指标，并结合儿童成长阶段的心血管健康数据进行关联分析	未发现绿地指标与儿童心血管健康之间的显著纵向关联，且影响可能随儿童成长阶段变化	评估街景绿地与儿童心血管健康之间的关系	美国儿童	计算机视觉	心血管疾病	深度学习分割算法	NA	图像	Project Viva队列中的儿童，从2007年至2021年跟踪
8131	2025-01-23	Human-Validated Neural Networks for Precise Amastigote Categorization and Quantification to Accelerate Drug Discovery in Leishmaniasis 2025-Jan-14, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c08735 PMID:39829493	研究论文	本研究旨在实现和验证YOLOv8深度学习模型，用于实时检测、量化和分类利什曼原虫无鞭毛体，以增强药物筛选实验	使用YOLOv8模型进行利什曼原虫无鞭毛体的实时检测和分类，相比传统显微镜方法更高效且减少了人为误差	在区分细胞外无鞭毛体和背景噪声方面存在挑战，需要进一步改进以减少误分类问题	提高利什曼病药物筛选实验的准确性和效率	利什曼原虫无鞭毛体	计算机视觉	利什曼病	深度学习	YOLOv8	图像	470张来自两台显微镜的图像
8132	2025-01-23	Quantifying Monomer-Dimer Distribution of Nanoparticles from Uncorrelated Optical Images Using Deep Learning 2025-Jan-14, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c07914 PMID:39829601	研究论文	本文提出了一种基于深度学习的集成方法，用于从光学图像中自动检测和量化聚合物基质中的纳米颗粒及其寡聚化状态	使用光学图像而非传统的SEM或TEM图像进行纳米颗粒检测和寡聚化状态量化，克服了传统方法的破坏性限制	光学图像易受噪声、低对比度、各向异性形状、点扩散函数重叠、等离子体耦合和分辨率限制的影响	开发一种基于光学图像的纳米颗粒检测和寡聚化状态量化方法，以促进纳米技术、材料科学和生物医学研究的发展	80纳米金纳米球（AuNSs）及其在聚合物基质中的分布和寡聚化状态	计算机视觉	NA	深度学习	YOLOv8	光学图像	80纳米金纳米球（AuNSs）的光学和SEM图像数据集
8133	2025-01-23	Deep Learning for Biomarker Discovery in Cancer Genomes 2025-Jan-08, bioRxiv : the preprint server for biology DOI:10.1101/2025.01.06.631471 PMID:39829845	研究论文	本文提出了一种端到端的深度学习方法，用于分析下一代测序（NGS）数据，以发现癌症基因组中的生物标志物	提出了一种多实例学习深度学习框架，能够整合体细胞突变序列来预测微卫星不稳定性（MSI）和同源重组缺陷（HRD）两种复合生物标志物	依赖于公开数据库的数据，可能无法涵盖所有癌症类型和突变情况	提高NGS数据在生物标志物提取中的潜力，加速精准肿瘤学中新生物标志物的发现	癌症患者的基因组数据	机器学习	癌症	下一代测序（NGS）	深度学习（DL）	基因组数据	3,184名癌症患者的数据，来自TCGA和CPTAC两个公共数据库
8134	2025-01-23	Parametrically guided design of beta barrels and transmembrane nanopores using deep learning 2025-Jan-06, bioRxiv : the preprint server for biology DOI:10.1101/2024.07.22.604663 PMID:39091726	研究论文	本文介绍了一种利用深度学习技术进行参数化指导的β桶和跨膜纳米孔设计方法	将参数化表示的简单性和形状控制能力扩展到β桶结构设计，结合RoseTTAFold设计方法，实现了高成功率的蛋白质设计	需要依赖深度学习模型，且实验验证的样本量有限	开发一种更精确和可访问的蛋白质设计方法，特别是针对β桶纳米孔等全局形状决定功能的蛋白质	β桶结构和跨膜纳米孔	蛋白质设计	NA	深度学习，RoseTTAFold，RFjoint inpainting，RFdiffusion	深度学习模型	蛋白质结构数据	设计了12、14和16链的跨膜纳米孔，并进行了X射线晶体结构验证
8135	2025-01-23	Integrating Prior Knowledge Using Transformer for Gene Regulatory Network Inference 2025-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202409990 PMID:39605181	研究论文	本文提出了一种基于Transformer的新框架GRNPT，用于从单细胞RNA测序轨迹中推断基因调控网络，并整合了大型语言模型的嵌入和时序卷积网络自编码器	GRNPT框架结合了大型语言模型和深度学习技术，显著提高了基因调控网络推断的准确性和泛化能力，特别是在训练数据有限的情况下	NA	提高基因调控网络推断的准确性和泛化能力	基因调控网络	生物信息学	NA	单细胞RNA测序（scRNA-seq）	Transformer, 时序卷积网络（TCN）自编码器	基因表达数据	NA
8136	2025-01-23	Application of machine learning algorithms in predicting new onset hypertension: a study based on the China Health and Nutrition Survey 2025, Environmental health and preventive medicine IF:4.0Q1 DOI:10.1265/ehpm.24-00270 PMID:39805606	研究论文	本研究利用机器学习算法预测新发高血压的风险，并识别新发高血压患者的特征	首次使用AMFormer模型预测新发高血压，并在六种算法中取得最佳结果	研究仅基于2011年中国健康与营养调查的数据，样本量和时间跨度有限	预测新发高血压的风险并识别相关特征	2011年中国健康与营养调查中的非高血压个体	机器学习	心血管疾病	机器学习算法	Logistic Regression, Support Vector Machine, XGBoost, LightGBM, TabNet, AMFormer	调查数据	4,982名参与者，其中1,017名在4年随访期间发展为高血压
8137	2025-01-23	Breast cancer classification in point-of-care ultrasound imaging-the impact of training data 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014502 PMID:39830074	研究论文	本文探讨了通过增加训练数据的不同技术来改进用于分类点-of-care超声（POCUS）图像的分类网络	通过比较不同的数据增强技术，包括数据增强、直方图匹配、直方图均衡化和循环一致对抗网络（CycleGANs），显著提高了分类网络的性能	研究主要依赖于POCUS图像和标准超声（US）图像，可能限制了结果的普适性	提高用于分类POCUS图像的分类网络的性能，以促进乳腺癌的早期检测	乳腺癌的POCUS图像和标准超声（US）图像	计算机视觉	乳腺癌	数据增强、直方图匹配、直方图均衡化、循环一致对抗网络（CycleGANs）	分类网络	图像	两个数据集，包括POCUS图像和标准超声（US）图像
8138	2025-01-23	Zero-Shot Adaptation for Approximate Posterior Sampling of Diffusion Models in Inverse Problems 2025, Computer vision - ECCV ... : ... European Conference on Computer Vision : proceedings. European Conference on Computer Vision DOI:10.1007/978-3-031-73010-8_26 PMID:39831070	研究论文	本文提出了一种零样本近似后验采样方法（ZAPS），用于解决扩散模型在逆问题中的应用问题	ZAPS方法通过零样本训练和物理引导的损失函数来学习每个不规则时间步的对数似然权重，从而提高了图像生成和收敛速度	ZAPS方法在计算效率上依赖于对角化近似，这可能会影响其在高维数据上的表现	研究目标是提高扩散模型在逆问题中的推理速度和重建质量	研究对象是扩散模型在逆问题中的应用，特别是高斯和运动去模糊、修复和超分辨率等问题	计算机视觉	NA	零样本训练、物理引导的损失函数	扩散模型	图像	NA
8139	2025-01-23	A Self-supervised Deep Learning Model for Diagonal Sulcus Detection with Limited Labeled Data 2025-Jan, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-024-09700-7 PMID:39777603	研究论文	本文提出了一种基于深度学习的自监督模型，用于在有限标注数据的情况下检测大脑中的对角线沟（ds）	首次提出使用自监督学习和卷积自编码器来检测对角线沟，并在有限标注数据的情况下实现了较高的检测精度	模型依赖于有限的标注数据，且手动标注的挑战性可能影响模型的性能	开发一种自动检测大脑对角线沟的深度学习模型，以解决现有方法精度低的问题	大脑中的对角线沟（ds）	数字病理学	NA	自监督学习，卷积自编码器	卷积自编码器	图像	未明确说明具体样本数量，但使用了有限的标注数据集
8140	2025-01-23	Right Ventricular Function: Deep Learning's Prognostic Edge in Mitral Regurgitation 2025-Jan, Circulation. Cardiovascular imaging DOI:10.1161/CIRCIMAGING.124.017788 PMID:39836731	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA