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
8461	2025-01-20	Biologically relevant integration of transcriptomics profiles from cancer cell lines, patient-derived xenografts, and clinical tumors using deep learning 2025-Jan-17, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adn5596 PMID:39823329	研究论文	本文开发了一种名为MOBER的多源批次效应去除方法，用于整合癌症细胞系、患者来源的异种移植模型和临床肿瘤的转录组数据，以提高临床转化性	MOBER方法能够同时提取具有生物学意义的嵌入信息并去除混杂因素，从而识别出与临床肿瘤转录组最相似的临床前模型	尽管MOBER能够整合多种转录组数据集，但其在更广泛的应用场景中的有效性和稳定性仍需进一步验证	开发一种能够整合不同来源的转录组数据的方法，以提高临床前模型的临床转化性	癌症细胞系、患者来源的异种移植模型和临床肿瘤	机器学习	癌症	转录组分析	深度学习	转录组数据	932个癌症细胞系、434个患者来源的异种移植模型和11,159个临床肿瘤
8462	2025-01-20	Predicting EV battery state of health using long short term degradation feature extraction and FEA TimeMixer 2025-Jan-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-85492-3 PMID:39819968	研究论文	本文提出了一种基于长短期电池退化特征提取和FEA-TimeMixer模型的新能源汽车电池健康状态（SOH）预测方法	引入了自动SOH提取算法和频率增强注意力机制（FEA），改进了TimeMixer模型，提高了不同预测长度下的SOH预测精度	NA	提高新能源汽车电池健康状态（SOH）的预测精度	新能源汽车电池	机器学习	NA	自动SOH提取算法、经验退化模型、完全集成经验模态分解与自适应噪声（CEEMDAN）	FEA-TimeMixer模型	离线充电数据	NA
8463	2025-01-20	A deep learning based detection algorithm for anomalous behavior and anomalous item on buses 2025-Jan-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-85962-8 PMID:39820021	研究论文	本文提出了一种新的策略，用于分析和检测公交车上的异常乘客行为和异常物品	提出了一种基于改进的YOLOv5深度学习算法的MD-AODA算法，用于检测异常乘客行为和异常物品，并结合车载视频分析系统提高了检测的准确性和及时性	NA	开发一种有效的算法来检测公交车上的异常乘客行为和异常物品	公交车上的乘客行为和物品	计算机视觉	NA	深度学习	YOLOv5	视频	实际公交车视频数据
8464	2025-01-20	PHARAOH: A collaborative crowdsourcing platform for phenotyping and regional analysis of histology 2025-Jan-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-55780-z PMID:39820318	研究论文	本文介绍了一个名为PHARAOH的在线协作平台，旨在简化组织图像注释，促进定制计算机视觉模型的开发和共享，用于组织学的表型分析和区域分析	PHARAOH平台采用弱监督、人类在环的学习框架，利用补丁级图像特征将大块组织组织成形态学上均匀的簇，供人类专家进行批量注释，从而高效开发定制模型	平台仍依赖于人类专家的注释，且需要一定数量的案例来训练模型	开发一个可扩展的系统级解决方案，用于扩展、泛化和编目计算病理学应用	组织图像	数字病理学	NA	弱监督学习	计算机视觉模型	图像	NA
8465	2025-01-20	A Radiograph Dataset for the Classification, Localization, and Segmentation of Primary Bone Tumors 2025-Jan-16, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-04311-y PMID:39820508	研究论文	本文介绍了一个用于原发性骨肿瘤分类、定位和分割的X射线数据集BTXRD	建立了首个公开的原发性骨肿瘤X射线数据集BTXRD，包含3,746张骨图像，每张图像都有临床信息、全局标签、肿瘤实例的掩码和标注边界框	数据集规模相对较小，可能限制深度学习算法的训练和评估	支持深度学习算法在原发性骨肿瘤诊断中的开发和评估	原发性骨肿瘤的X射线图像	数字病理学	骨肿瘤	X射线扫描	深度学习算法	图像	3,746张骨图像（1,879张正常，1,867张肿瘤）
8466	2025-01-20	Harnessing deep learning to detect bronchiolitis obliterans syndrome from chest CT 2025-Jan-16, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-025-00732-x PMID:39820581	研究论文	本研究利用深度学习技术从胸部CT扫描中检测闭塞性细支气管炎综合征（BOS）	首次使用深度神经网络（DNN）进行BOS检测，并采用针对低数据场景设计的共训练方法	研究样本量较小，仅包括75名肺移植后患者，其中26名患有BOS	提高BOS的诊断准确性，特别是在早期检测和管理方面	肺移植后患者的胸部CT扫描	计算机视觉	肺病	深度神经网络（DNN）	DNN	图像	75名肺移植后患者，其中26名患有BOS
8467	2025-01-20	Comparative analysis of deep learning models for crack detection in buildings 2025-Jan-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-85983-3 PMID:39820575	研究论文	本文通过比较分析深度学习模型，研究建筑物裂缝检测的最佳方法	开发并策划了一种新颖的深度学习图像处理方法，用于检测砖砌体中的裂缝，填补了研究空白和数据稀缺的问题	数据集仅限于砖砌体图像，可能不适用于其他类型的建筑材料	解决建筑物表面裂缝的精确、快速和自动化识别问题	砖砌体图像	计算机视觉	NA	深度学习图像处理	Inception V3, VGG-16, RESNET-50, VGG-19, Inception ResNetV2, CNN-RES MLP	图像	24,000张图像
8468	2025-01-20	The segmentation of nanoparticles with a novel approach of HRU2-Net† 2025-Jan-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86085-w PMID:39820790	研究论文	本文提出了一种名为HRU2-Net的新方法，用于纳米粒子的分割，该方法基于U-Net模型的增强，具有多层次语义信息融合的特点	提出了HRU2-Net，一种基于U-Net模型的增强方法，具有多层次语义信息融合的特点，显著提高了纳米粒子分割的效果和精度	未提及具体局限性	提高纳米粒子分割的精度和效果，以促进纳米材料科学的发展	纳米粒子	计算机视觉	NA	深度学习	HRU2-Net（基于U-Net的增强模型）	图像	未提及具体样本数量
8469	2025-01-20	Comparative analysis of three methods for estimating the compositions of construction waste 2025-Jan-16, Waste management (New York, N.Y.) DOI:10.1016/j.wasman.2025.01.009 PMID:39823854	研究论文	本文比较了三种估算建筑废弃物成分的方法，以提升资源管理效率	比较了手动分拣、基于红外热成像的手动图像识别和基于SegFormer语义分割模型的深度学习图像识别方法，分析了它们的准确性、成本和社会环境影响	手动分拣虽然成本低且快速，但劳动需求高、空间限制大、环境影响大且改进潜力有限；图像识别方法虽然具有环境效益和长期效率提升潜力，但处理时间和成本较高	比较不同建筑废弃物成分估算方法的优缺点，以优化资源管理策略	建筑废弃物的成分估算方法	计算机视觉	NA	红外热成像、深度学习	SegFormer语义分割模型	图像	NA
8470	2024-12-05	I can see clearly now the blur has gone: Deep learning efficiencies in single-photon emission computed tomography myocardial perfusion imaging 2025-Jan, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1016/j.nuclcard.2024.102091 PMID:39622362	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8471	2024-12-06	Prediction of Neoadjuvant Chemotherapy Response based on Ultrasound Deep Learning Radiomics Nomogram 2025-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.040 PMID:39632218	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8472	2024-12-09	Response to the Letter on Prediction Tumor and Axillary Lymph Nodes Response to Neoadjuvant Chemotherapy based on Ultrasound Deep Learning 2025-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.050 PMID:39643472	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8473	2025-01-20	UAV target tracking method based on global feature interaction and anchor-frame-free perceptual feature modulation 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314485 PMID:39820190	研究论文	本文提出了一种基于全局特征交互和无锚框感知特征调制的无人机目标跟踪方法，旨在提高跟踪器的效率和性能	通过深度互相关操作中的特征融合和全局注意力机制，增强了模型对小目标的跟踪性能，并设计了无锚框感知特征调制机制以减少计算量并生成高质量锚框	NA	提高无人机视角下目标跟踪的准确性和速度兼容性	无人机捕获的视频流中的特定目标	计算机视觉	NA	深度学习	Siamese网络	视频	UAV123@10fps, UAV20L, DTB70等无人机跟踪数据集
8474	2025-01-20	Automatic classification of mobile apps to ensure safe usage for adolescents 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313953 PMID:39820808	研究论文	本文介绍了一种利用深度学习技术，特别是注意力卷积神经网络（A-CNNs），对移动应用程序（M-APPs）进行分类的创新方法，旨在保护青少年免受不当内容的影响	提出了一种基于注意力卷积神经网络（A-CNNs）的创新方法，用于移动应用程序的分类，以提高对青少年使用移动设备的安全性	NA	确保青少年使用移动设备的安全性，防止他们接触不当内容	移动应用程序（M-APPs）	自然语言处理	NA	深度学习	A-CNNs	文本	NA
8475	2025-01-20	Deep learning-based skin lesion analysis using hybrid ResUNet++ and modified AlexNet-Random Forest for enhanced segmentation and classification 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315120 PMID:39820868	研究论文	本文提出了一种基于深度学习的混合ResUNet++和改进的AlexNet-随机森林方法，用于增强皮肤病变的分割和分类	结合了ResUNet++和改进的AlexNet-随机森林模型，实现了更精确的皮肤病变分割和分类	仅在Ham10000数据集上进行了验证，未在其他数据集上测试其泛化能力	提高皮肤病变的分割和分类精度，以改善皮肤癌的早期诊断和治疗	皮肤病变图像	计算机视觉	皮肤癌	深度学习	ResUNet++, AlexNet-Random Forest	图像	Ham10000数据集中的皮肤病变图像
8476	2025-01-20	Investigating the performance of multivariate LSTM models to predict the occurrence of Distributed Denial of Service (DDoS) attack 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313930 PMID:39823417	研究论文	本文探讨了多变量LSTM模型在预测分布式拒绝服务（DDoS）攻击发生中的性能	本文创新地评估了多种深度学习模型（包括Vanilla LSTM、Stacked LSTM、DNN）以及传统机器学习模型（如随机森林、AdaBoost和高斯朴素贝叶斯）在DDoS攻击预测中的表现，并比较了这些方法的优劣	尽管本文提出的方法在预测DDoS攻击方面表现优异，但无法完全避免服务器受到此类威胁	研究目的是评估不同模型在预测DDoS攻击中的性能，并找出最有效的预测方法	研究对象是DDoS攻击及其预测模型	机器学习	NA	深度学习、机器学习	LSTM、DNN、随机森林、AdaBoost、高斯朴素贝叶斯	网络流量数据	使用CICDDoS2019基准数据集，包含88个特征，从中提取了22个特征用于模型训练
8477	2025-01-20	Glaucoma detection and staging from visual field images using machine learning techniques 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316919 PMID:39823435	研究论文	本研究探讨了深度学习模型在区分正常与青光眼视野图像以及将青光眼从早期到晚期进行分类中的性能，并观察深度学习模型是否仅使用模式偏差图就能按照Mills标准对青光眼进行分期	使用深度学习模型仅基于模式偏差图对青光眼进行分期，并与传统的机器学习分类器进行比较	样本量相对较小，且仅使用了Humphrey 24-2视野图像	评估深度学习模型在青光眼检测和分期中的性能	正常和青光眼患者的视野图像	计算机视觉	青光眼	深度学习	ResNet18, VGG16, 随机森林	图像	265个模式偏差图和265个数值数据集，来自119只正常眼和146只青光眼
8478	2025-01-20	Field-scale detection of Bacterial Leaf Blight in rice based on UAV multispectral imaging and deep learning frameworks 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314535 PMID:39823436	研究论文	本研究提出了一种基于无人机多光谱成像和深度学习框架的水稻细菌性叶枯病田间检测新方法	首次将U-Net架构与ResNet-101骨干网络结合，用于无人机多光谱图像的水稻病害检测，并通过数据增强和补丁提取方法提高了训练鲁棒性	缺乏合适的基于无人机的水稻病害数据集，需通过实验稻田病害接种技术生成自有数据集	开发一种准确检测水稻细菌性叶枯病的方法，以精确评估病害严重程度并合理分配补偿	水稻细菌性叶枯病	计算机视觉	水稻病害	无人机多光谱成像	U-Net with ResNet-101 backbone	多光谱图像	实验稻田病害接种生成的数据集
8479	2025-01-20	Identifying retinal pigment epithelium cells in adaptive optics-optical coherence tomography images with partial annotations and superhuman accuracy 2024-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.538473 PMID:39679394	研究论文	本文提出了一种基于深度学习的方法，用于在自适应光学-光学相干断层扫描（AO-OCT）图像中检测视网膜色素上皮（RPE）细胞，其准确率超过人类表现	使用部分标注训练数据，开发了一种自动化细胞分割算法，其准确率优于人类表现	未提及具体局限性	开发一种自动化算法，用于快速、经济且客观地量化RPE细胞的结构特性	视网膜色素上皮（RPE）细胞	计算机视觉	视网膜神经退行性疾病	自适应光学-光学相干断层扫描（AO-OCT）	深度学习	图像	未提及具体样本数量
8480	2025-01-20	scGO: interpretable deep neural network for cell status annotation and disease diagnosis 2024-Nov-22, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf018 PMID:39820437	研究论文	本文介绍了scGO，一种基于基因本体论（GO）的深度学习框架，旨在为单细胞RNA测序数据提供可解释的细胞状态注释	scGO利用稀疏神经网络，结合基因、转录因子和GO术语之间的内在生物学关系，显著增强了可解释性并降低了计算成本	NA	开发一种可解释的深度学习模型，用于细胞状态注释和疾病诊断	单细胞RNA测序数据	机器学习	NA	单细胞RNA测序	稀疏神经网络	RNA测序数据	多种单细胞RNA测序数据集