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
8881	2025-01-23	Artificial Intelligence in Detecting and Segmenting Vertical Misfit of Prosthesis in Radiographic Images of Dental Implants: A Cross-Sectional Analysis 2025-Jan-22, Clinical oral implants research IF:4.8Q2 DOI:10.1111/clr.14406 PMID:39840554	研究论文	本研究评估了ResNet-50和U-Net模型在牙种植体根尖周X光片中检测和分割垂直不匹配的能力	首次将ResNet-50和U-Net模型应用于牙种植体根尖周X光片中垂直不匹配的检测和分割，并与牙医的表现进行了比较	研究仅使用了根尖周X光片，未考虑其他类型的影像数据	评估AI在牙种植体根尖周X光片中检测和分割垂直不匹配的能力	牙种植体根尖周X光片	计算机视觉	NA	深度学习	ResNet-50, U-Net	图像	638张根尖周X光片
8882	2025-01-23	Gait patterns in unstable older patients related with vestibular hypofunction. Preliminary results in assessment with time-frequency analysis 2025-Jan-22, Acta oto-laryngologica IF:1.2Q3 DOI:10.1080/00016489.2025.2450221 PMID:39840938	研究论文	本文通过单传感器收集的数据图像表示，寻找老年人与前庭功能减退相关的步态不稳定模式	使用连续小波变换生成步态信号的图像表示，并通过灰度共生矩阵度量作为特征进行分析，利用支持向量机（SVM）算法进行受试者分类	样本量较小，仅包含13名老年人和19名成年人，且为初步结果，需要更大样本和深度学习方法的进一步探索	寻找老年人步态不稳定的模式，以早期诊断步态障碍	13名71-85岁的前庭功能减退导致不稳定的老年人和19名21-75岁无不稳定且前庭功能正常的成年人	数字病理学	老年疾病	连续小波变换，灰度共生矩阵度量	支持向量机（SVM）	图像	32名受试者（13名老年人和19名成年人）
8883	2025-01-23	Enhanced accuracy and stability in automated intra-pancreatic fat deposition monitoring of type 2 diabetes mellitus using Dixon MRI and deep learning 2025-Jan-22, Abdominal radiology (New York) DOI:10.1007/s00261-025-04804-3 PMID:39841227	研究论文	本文旨在开发一种准确且自动化的方法，通过多回波Dixon MRI评估2型糖尿病（T2DM）患者的胰腺内脂肪沉积（IPFD）	结合深度学习和放射组学特征，开发了深度学习放射组学（DLR）模型，用于区分T2DM、糖尿病前期和非糖尿病患者，并展示了优于放射科医生的性能	由于糖尿病前期患者数量有限，未进行区分糖尿病前期和非糖尿病的测试	开发一种准确且自动化的方法，用于评估2型糖尿病患者的胰腺内脂肪沉积	534名接受上腹部MRI检查的患者	数字病理学	2型糖尿病	多回波Dixon MRI	nnU-Net, 支持向量机	MRI图像	534名患者
8884	2025-01-23	CTCNet: a fine-grained classification network for fluorescence images of circulating tumor cells 2025-Jan-22, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03297-y PMID:39841310	研究论文	本文介绍了一种名为CTCNet的细粒度分类网络，用于循环肿瘤细胞（CTCs）荧光图像的分类	提出了CTCDet数据集和CTCNet混合架构，结合了CNN和Transformer的优势，并引入了Parallel Token mixer和Deformable Large Kernel Attention模块，以提高分类精度	未明确提及具体限制	解决循环肿瘤细胞（CTCs）分类的挑战，推动深度学习技术在肿瘤研究中的应用	循环肿瘤细胞（CTCs）	计算机视觉	癌症	深度学习	CNN, Transformer	图像	CTCDet数据集
8885	2025-01-23	PBCS-ConvNeXt: Convolutional Network-Based Automatic Diagnosis of Non-alcoholic Fatty Liver in Abdominal Ultrasound Images 2025-Jan-22, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01394-w PMID:39841370	研究论文	本文提出了一种基于深度学习的计算机辅助诊断模型PBCS-ConvNeXt，用于自动分类非酒精性脂肪肝病的腹部超声图像	提出了PBCS-ConvNeXt模型，结合了potent stem cell模块、增强的ConvNeXt Blocks和boosting block，用于从超声数据中提取有效信息	模型的准确率、敏感性和特异性分别为82%、81%和83%，仍有提升空间	开发一种自动化的非酒精性脂肪肝病分类系统，以辅助早期诊断和临床管理	非酒精性脂肪肝病（NAFLD）的腹部超声图像	计算机视觉	非酒精性脂肪肝病	深度学习	PBCS-ConvNeXt	图像	使用5折交叉验证进行评估，具体样本数量未明确
8886	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
8887	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
8888	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
8889	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
8890	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
8891	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
8892	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
8893	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
8894	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
8895	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
8896	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
8897	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
8898	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
8899	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
8900	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