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
9021	2025-01-30	OAM-basis underwater single-pixel imaging based on deep learning at a low sampling rate 2024-Dec-30, Optics express IF:3.2Q2 DOI:10.1364/OE.543358 PMID:39876191	研究论文	本文介绍了一种基于轨道角动量（OAM）基的深度学习水下单像素成像方法，旨在解决低采样率和高浊度环境下的成像挑战	结合OAM基采样方案和改进的重建网络，显著提高了重建质量并增强了泛化能力，在3.125%的采样率和128 NTU浊度条件下仍能有效恢复水下目标图像	NA	解决水下环境中低采样率和高浊度带来的成像挑战	水下目标图像	计算机视觉	NA	深度学习	DARU-GAN（双注意力残差U-Net生成对抗网络）	图像	NA
9022	2025-01-30	A deep learning model for carotid plaques detection based on CTA images: a two stepwise early-stage clinical validation study 2024, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2024.1480792 PMID:39871993	研究论文	本研究开发了一种基于CTA图像的深度学习模型，用于颈动脉斑块检测，并评估了该模型在临床应用中的可行性和价值	结合ResUNet与Pyramid Scene Parsing Network (PSPNet)增强斑块分割，并通过两步早期临床验证研究模拟真实临床斑块诊断场景	研究为回顾性设计，可能影响结果的普遍性	开发并验证一种基于CTA图像的深度学习模型，用于颈动脉斑块的检测	颈动脉粥样硬化斑块患者	计算机视觉	心血管疾病	CTA成像	ResUNet与PSPNet结合	图像	647名患者（475名训练，86名验证，86名测试）
9023	2025-01-29	Emotion analysis of EEG signals using proximity-conserving auto-encoder (PCAE) and ensemble techniques 2025-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-024-10187-w PMID:39866661	研究论文	本文提出了一种基于EEG信号的创新框架——邻近保持自编码器（PCAE），用于准确识别情绪，并解决了传统情绪分析技术面临的挑战	提出了邻近保持自编码器（PCAE）和邻近保持压缩激励自编码器（PC-SEAE）模型，结合了多种卷积和反卷积层以及局部邻近保持层，显著提高了情绪识别的准确性	未提及样本量的具体限制或数据集的多样性问题	开发一种基于EEG信号的准确情绪识别系统，以改善脑机接口（BCI）在医疗、教育等领域的应用	EEG信号	脑机接口	自闭症或情绪障碍	EEG信号分析	PCAE, PC-SEAE, SVM, RF, LSTM	EEG信号	使用EEG Brainwave数据集，未提及具体样本量
9024	2025-01-29	Using three-dimensional fluorescence spectroscopy and machine learning for rapid detection of adulteration in camellia oil 2025-Mar-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.125524 PMID:39671816	研究论文	本研究利用三维荧光光谱和机器学习技术快速检测山茶油的掺假情况	结合三维荧光光谱和并行因子分析（PARAFAC）方法，采用优化的CaoCNN模型在掺假油检测中表现出色，准确率达到97.78%	传统机器学习方法在单一和二元掺假油的分类中存在局限性	识别山茶油的真伪	山茶油及其掺假油	机器学习	NA	三维荧光光谱，并行因子分析（PARAFAC）	PLS-DA, KNN, SVM, RF, CNN	光谱数据	NA
9025	2024-12-18	Ultra-fast prediction of D-π-A organic dye absorption maximum with advanced ensemble deep learning models 2025-Mar-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2024.125536 PMID:39681030	研究论文	本文介绍了一种基于深度学习集成方法的超快速预测D-π-A有机染料吸收最大值的新方法	本文提出了一种利用高级集成深度学习模型，结合daylight指纹作为化学描述符，快速预测D-π-A有机染料在不同溶剂中的吸收最大值，显著提高了预测精度和计算效率	NA	快速准确地预测D-π-A有机染料在不同溶剂中的吸收最大值，以促进染料敏化太阳能电池及相关技术的高效设计	D-π-A有机染料在18种不同溶剂环境中的吸收最大值	机器学习	NA	深度学习	集成模型（包括卷积网络等多种神经架构）	分子描述符（有机染料指纹）	18种不同溶剂环境中的D-π-A有机染料
9026	2025-01-25	BPEN: Brain Posterior Evidential Network for trustworthy brain imaging analysis 2025-Mar, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2024.106943 PMID:39657531	研究论文	本文介绍了一种名为脑后验证据网络（BPEN）的新方法，用于在脑功能磁共振成像（fMRI）数据分析中捕捉不确定性的两种类型：随机不确定性和认知不确定性	提出了BPEN模型，首次在脑fMRI数据分析中同时捕捉随机不确定性和认知不确定性，提高了预测的可信度	未提及具体局限性	提高脑fMRI数据分析中的预测不确定性估计，以增强预测模型的可信度	脑功能磁共振成像（fMRI）数据	机器学习	老年疾病	fMRI	BPEN	图像	来自阿尔茨海默病神经影像倡议（ADNI）和ADNI-抑郁症（ADNI-D）队列的数据
9027	2025-01-29	Synergistic effect evaluation method of atmospheric emission reduction based on deep learning fusion model 2025-Feb-15, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2024.136709 PMID:39637781	研究论文	本文提出了一种基于深度学习融合模型的大气减排协同效应评估方法，旨在模拟排放对空气质量的影响	开发了一种新的深度学习融合模型GR-BILSTM，结合生成对抗网络进行数据增强和ResNet-BILSTM模型，有效解决了深度网络中的梯度消失问题，并捕捉高维数据特征，提高了模型的预测精度	未提及具体的数据集规模或实验验证的局限性	评估大气减排的协同效应，模拟排放对空气质量的影响	工业园区的排放与空气污染之间的关系	机器学习	NA	深度学习	GR-BILSTM（生成对抗网络与ResNet-BILSTM融合模型）	空气质量数据	未提及具体样本数量
9028	2024-12-07	A green and efficient method for detecting nicosulfuron residues in field maize using hyperspectral imaging and deep learning 2025-Feb-15, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2024.136724 PMID:39637793	研究论文	研究开发了一种基于高光谱成像和深度学习的绿色高效方法，用于检测田间玉米中的烟嘧磺隆残留	提出了HerbiResNet模型，用于预测和分类玉米叶中的除草剂残留，显著优于传统的回归模型和经典神经网络	NA	实现对田间玉米中烟嘧磺隆残留的准确快速检测，以优化喷洒策略和实施化学修复	六种不同抗性和敏感性的玉米品种，在两种除草剂浓度下的残留水平	计算机视觉	NA	高光谱成像	HerbiResNet	光谱数据	六种玉米品种，两种除草剂浓度下的低、中、高残留水平
9029	2024-12-22	Online monitoring of Haematococcus lacustris cell cycle using machine and deep learning techniques 2025-Feb, Bioresource technology IF:9.7Q1 DOI:10.1016/j.biortech.2024.131976 PMID:39675638	研究论文	本研究开发了一种自动化在线监测系统，用于分类Haematococcus lacustris细胞周期的四个不同阶段	本研究首次将基于决策树的机器学习和深度学习卷积神经网络算法应用于Haematococcus lacustris细胞周期的在线监测	本研究仅在实验室规模的培养系统中验证了模型的有效性，尚未在大规模工业应用中进行测试	开发一种在线监测系统，用于优化从Haematococcus lacustris中生产虾青素的工艺	Haematococcus lacustris细胞周期	机器学习	NA	卷积神经网络	CNN	图像	NA
9030	2025-01-29	Multi-class Classification of Retinal Eye Diseases from Ophthalmoscopy Images Using Transfer Learning-Based Vision Transformers 2025-Jan-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01416-7 PMID:39871038	研究论文	本研究探索了一种基于迁移学习的视觉变换器（ViTs）和卷积神经网络（CNNs）的方法，用于从眼底图像中分类视网膜疾病，特别是糖尿病视网膜病变、青光眼和白内障	使用眼科特定的预训练ViT骨干网络，显著提高了分类准确性，展示了在医学影像中更广泛应用的潜力	NA	准确识别和分析不同的眼部疾病，包括青光眼、糖尿病视网膜病变和白内障	眼底图像	计算机视觉	眼科疾病	深度学习（DL）	ResNet50, DenseNet121, Inception-ResNetV2, 视觉变换器（ViT）	图像	4217张眼底图像
9031	2025-01-29	In Vivo Confocal Microscopy for Automated Detection of Meibomian Gland Dysfunction: A Study Based on Deep Convolutional Neural Networks 2025-Jan-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01174-y PMID:39871043	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
9032	2025-01-29	Validation of UniverSeg for Interventional Abdominal Angiographic Segmentation 2025-Jan-27, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01349-7 PMID:39871044	研究论文	本研究探讨了使用UniverSeg模型进行介入性腹部血管造影分割的可行性，该模型是一种缺乏固有血管造影训练的跨学习分割模型	首次在介入性血管造影数据上验证了UniverSeg模型的自动分割能力，并展示了其在血管疾病建模和影像研究中的潜力	研究仅基于回顾性数据，且样本量有限，可能影响模型的泛化能力	验证UniverSeg模型在介入性血管造影分割中的有效性，以支持血管疾病的评估和影像研究	234名接受介入性荧光透视检查的患者，共261次采集，303张最大对比度图像	计算机视觉	心血管疾病	介入性荧光透视	UniverSeg	图像	234名患者，261次采集，303张图像
9033	2025-01-29	Preserved brain youthfulness: longitudinal evidence of slower brain aging in superagers 2025-Jan-27, GeroScience IF:5.3Q1 DOI:10.1007/s11357-025-01531-x PMID:39871070	研究论文	本文研究了超级老人（具有卓越认知能力的老年人）是否具有生物上更年轻的大脑，基于其结构完整性	通过深度学习模型预测大脑年龄，并比较超级老人与普通老年人的大脑年龄差距（BAG）及其变化率，揭示了超级老人在大脑老化状态和速度上的优势	样本量相对较小，且仅关注了大脑结构，未涉及其他可能的生物学或环境因素	探讨超级老人是否具有生物上更年轻的大脑，以及其大脑老化状态和速度	153名老年人（61-93岁），其中63名被分类为超级老人，90名为普通老年人	机器学习	老年疾病	深度学习	深度学习模型	大脑结构数据	153名老年人（61-93岁），其中63名超级老人和90名普通老年人，64名在两年后进行了随访
9034	2025-01-29	Deep Drug-Target Binding Affinity Prediction Base on Multiple Feature Extraction and Fusion 2025-Jan-21, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.4c08048 PMID:39866608	研究论文	本文提出了一种基于多特征提取和融合的深度药物-靶标结合亲和力预测模型BTDHDTA，旨在提高药物发现中的预测准确性	BTDHDTA模型通过双向门控循环单元（GRU）、Transformer编码器和扩张卷积提取药物和靶标的全局、局部及其相关性特征，并引入结合卷积神经网络和高速公路连接的模块来融合药物和蛋白质的深层特征	模型在特征提取和融合过程中可能仍存在一定的计算复杂性和数据依赖性	提高药物-靶标结合亲和力（DTA）预测的准确性，以促进药物发现	药物和靶标数据	机器学习	NA	深度学习	BTDHDTA（结合GRU、Transformer编码器、扩张卷积和CNN的模型）	序列数据	三个基准数据集（Davis、KIBA和Metz）以及3137种FDA批准药物与SARS-CoV-2复制相关蛋白的结合亲和力预测
9035	2025-01-28	Plant Detection in RGB Images from Unmanned Aerial Vehicles Using Segmentation by Deep Learning and an Impact of Model Accuracy on Downstream Analysis 2025-Jan-20, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11010028 PMID:39852341	研究论文	本文提出了一种基于深度学习的图像分割方法，用于从无人机获取的图像中检测五种植物，并探讨了模型精度对后续分析的影响	通过结合无人机图像和深度学习算法，提出了一种新的植物检测方法，并分析了模型精度对纹理特征估计的影响	不同分辨率和标记质量的图像对模型性能的影响可能导致对田间种植模式特性的错误结论	提高无人机图像中植物检测的准确性，并评估其对后续纹理特征分析的影响	五种植物	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	12个正射影像和17个来自Roboflow服务的数据集
9036	2025-01-28	Deep Learning in Oral Hygiene: Automated Dental Plaque Detection via YOLO Frameworks and Quantification Using the O'Leary Index 2025-Jan-20, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15020231 PMID:39857115	研究论文	本研究利用先进的YOLO架构自动检测牙菌斑的三个阶段（新、成熟和过度成熟），并通过O'Leary指数进行量化，以增强早期干预并减少对人工视觉评估的依赖	首次将YOLOv9、YOLOv10和YOLOv11等YOLO架构应用于牙菌斑检测，并在不同成像条件下验证了其可行性	研究样本量较小（177人），且仅使用了RGB图像，未涉及其他类型的医学影像数据	通过自动检测牙菌斑阶段，优化临床工作流程，支持早期诊断，并减轻低资源社区的口腔健康负担	牙菌斑的三个阶段（新、成熟和过度成熟）	计算机视觉	口腔疾病	YOLO架构	YOLOv9, YOLOv10, YOLOv11	RGB图像	177人，共531张RGB图像
9037	2025-01-29	A Feature-Enhanced Small Object Detection Algorithm Based on Attention Mechanism 2025-Jan-20, Sensors (Basel, Switzerland) DOI:10.3390/s25020589 PMID:39860960	研究论文	本文提出了一种基于注意力机制的特征增强小目标检测算法，旨在解决无人机图像中小目标检测的挑战	使用YOLOv8s作为基础框架，引入多层次特征融合算法和注意力机制，改进小目标特征提取，并采用动态检测头和Slideloss、ShapeIoU等技术提升检测性能	未提及算法在极端环境或复杂背景下的表现，也未讨论计算资源消耗和实时性	提升无人机图像中小目标检测的准确性和召回率	无人机图像中的小目标	计算机视觉	NA	多层次特征融合算法、注意力机制、动态检测头、Slideloss、ShapeIoU	YOLOv8s	图像	VisDrone2019和AI-TODv1.5数据集
9038	2025-01-28	Blink Detection Using 3D Convolutional Neural Architectures and Analysis of Accumulated Frame Predictions 2025-Jan-19, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11010027 PMID:39852340	研究论文	本文提出并比较了用于检测视频帧序列中眨眼的深度学习架构，并提出了结合形态学处理和水域分割的帧预测累加器来检测眨眼及其起止帧	提出了两种不同的3D卷积神经网络（简单的3D CNN和3D ResNet）以及结合分类器的3D自编码器，并引入了帧预测累加器结合形态学处理和水域分割的新方法	样本量相对较小，仅涉及9名参与者的训练数据和8名参与者的测试数据	开发一种有效的眨眼检测方法，用于临床条件和疲劳状态的评估	视频帧序列中的眨眼	计算机视觉	NA	深度学习	3D CNN, 3D ResNet, 3D autoencoder	视频	9名参与者的训练数据和8名参与者的测试数据，共162,400帧和1172次眨眼
9039	2025-01-28	Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS) 2025-Jan-19, Cancers IF:4.5Q1 DOI:10.3390/cancers17020315 PMID:39858097	研究论文	本研究旨在开发一种基于卷积神经网络（CNN）的模型，用于多中心数据集中的胶质瘤分割，以增强术中超声（ioUS）图像的可解释性	利用多中心数据集开发CNN模型进行胶质瘤分割，支持多中心ioUS图像分割的可行性	未来工作需增强分割细节并探索实时临床应用	开发CNN模型用于胶质瘤分割，以增强术中超声图像的可解释性	胶质瘤患者	数字病理	胶质瘤	CNN	nnU-Net	2D图像	197名受试者（训练集141名，测试集56名，外部验证集53名）
9040	2025-01-28	TBF-YOLOv8n: A Lightweight Tea Bud Detection Model Based on YOLOv8n Improvements 2025-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s25020547 PMID:39860916	研究论文	本文提出了一种基于YOLOv8n改进的轻量级茶叶芽检测模型TBF-YOLOv8n，旨在提高茶叶芽检测的效率和精度	通过引入高效的分布式移位卷积（DSConv）改进C2f模块，结合坐标注意力（CA）机制、SIOU_Loss函数和动态样本上采样算子（DySample），显著提升了模型的检测精度和效率	未提及模型在实际茶园环境中的泛化能力和对不同光照、遮挡等复杂条件的适应性	解决深度学习检测模型计算复杂度高的问题，推动茶叶产业的智能化升级	茶叶芽	计算机视觉	NA	深度学习	YOLOv8n改进模型（TBF-YOLOv8n）	图像	未明确提及具体样本数量