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
9081	2025-01-06	Globally scalable glacier mapping by deep learning matches expert delineation accuracy 2025-Jan-02, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-54956-x PMID:39746988	研究论文	本文提出了一种名为Glacier-VisionTransformer-U-Net (GlaViTU)的卷积-变换器深度学习模型，用于全球尺度的冰川自动映射	提出了GlaViTU模型及五种多时相全球尺度冰川映射策略，首次实现了全球尺度冰川的自动化映射，并达到了接近专家水平的精度	在富含碎屑的区域（如高亚洲山区）精度有所下降，且合成孔径雷达数据的可用性限制了部分地区的精度提升	实现全球尺度冰川的自动化映射，以支持气候变化影响的研究	全球冰川	计算机视觉	NA	深度学习	卷积-变换器模型 (GlaViTU)	卫星图像	覆盖全球9%冰川的基准数据集
9082	2025-01-06	A deep learning method based on multi-scale fusion for noise-resistant coal-gangue recognition 2025-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83604-z PMID:39747222	研究论文	本文提出了一种基于多尺度融合的深度学习方法，用于在噪声环境下实现煤矸石的准确识别	结合传统滤波方法和多尺度学习思想，提出了一种端到端的多尺度特征融合卷积神经网络（MCNN-BILSTM），并引入了基于注意力机制的特征加权方法	NA	实现噪声环境下煤矸石的准确识别，以满足工业应用需求	煤矸石	计算机视觉	NA	卷积神经网络（CNN），长短期记忆网络（LSTM）	MCNN-BILSTM	振动信号	NA
9083	2025-01-06	A lightweight weed detection model for cotton fields based on an improved YOLOv8n 2025-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84748-8 PMID:39747358	研究论文	本研究提出了一种基于改进YOLOv8n模型的轻量级棉花田杂草检测模型YOLO-Weed Nano，旨在提高杂草识别的效率和精度	通过引入Depthwise Separable Convolution (DSC)结构和Bidirectional Feature Pyramid Network (BiFPN)，以及设计轻量级检测头LiteDetect，显著降低了模型的计算复杂度和资源消耗	尽管模型在精度和效率上有所提升，但在实际应用中的表现仍需进一步验证	开发高效且轻量级的棉花田杂草检测方法，以实现有效的杂草控制	棉花田中的杂草	计算机视觉	NA	深度学习	YOLOv8n, YOLO-Weed Nano	图像	NA
9084	2025-01-06	A novel deep synthesis-based insider intrusion detection (DS-IID) model for malicious insiders and AI-generated threats 2025-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84673-w PMID:39747424	研究论文	本文提出了一种基于深度合成的内部入侵检测模型（DS-IID），用于检测恶意内部人员和AI生成的威胁	该模型利用深度特征合成自动生成详细的用户配置文件，并使用二元深度学习进行准确的威胁识别，解决了传统入侵检测系统难以区分真实和AI生成活动的问题	主要评估在合成数据集上进行，尚未在真实世界数据中广泛验证	解决内部威胁检测中的挑战，特别是针对AI生成的威胁	恶意内部人员和AI生成的威胁	机器学习	NA	深度特征合成，二元深度学习	深度学习模型	事件数据	CERT内部威胁数据集
9085	2025-01-06	SAILOR: perceptual anchoring for robotic cognitive architectures 2025-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84071-2 PMID:39747469	研究论文	本文介绍了SAILOR框架，用于在机器人认知架构中实现符号锚定，以保持符号数据与感知数据之间的链接	提出了一个集成到ROS 2中的符号锚定框架SAILOR，结合了深度学习的子符号机器人技能，如物体识别和匹配功能	未提及具体的局限性	解决机器人从感知信息中获取并维护符号知识的开放性问题	机器人认知架构	机器人学	NA	深度学习	NA	感知数据	使用公共数据集和真实场景进行验证
9086	2025-01-06	Salient object detection with non-local feature enhancement and edge reconstruction 2025-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84680-x PMID:39747644	研究论文	本文提出了一种结合非局部特征增强和边缘重建的显著目标检测方法，旨在解决现有方法在复杂图像中捕捉长距离依赖和边缘信息的不足	创新点在于引入了自注意力机制捕捉长距离依赖，并通过非局部特征增强模块和图卷积建模区域关系，同时设计了边缘重建模块以更好地捕捉和增强边缘信息	未明确提及具体局限性	提升显著目标检测的精度，特别是在复杂图像中捕捉长距离依赖和边缘信息	显著目标检测任务	计算机视觉	NA	自注意力机制、非局部操作、图卷积	深度学习模型	图像	在六个广泛使用的基准数据集上进行了实验
9087	2025-01-06	A multitask deep learning model utilizing electrocardiograms for major cardiovascular adverse events prediction 2025-Jan-02, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-024-01410-3 PMID:39747648	研究论文	本文介绍了一种新型的多任务深度学习模型ECG-MACE，利用心电图（ECG）预测一年内首次发生的主要心血管不良事件（MACE）	ECG-MACE模型仅使用心电图数据，能够有效预测一年内的心血管事件，并展示出长期预测能力，优于Framingham风险评分	模型的外部验证仅在一个独立的医疗中心进行，可能需要更多样化的数据集来验证其普适性	开发一种深度学习模型，用于预测主要心血管不良事件（MACE）	标准12导联心电图数据	机器学习	心血管疾病	深度学习	多任务深度学习模型	心电图数据	训练集：984,895例，验证集：422,061例，测试集：1,414,933例，外部验证集：113,224例
9088	2025-01-06	Key frame extraction algorithm for surveillance videos using an evolutionary approach 2025-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84324-0 PMID:39748027	研究论文	本研究提出了一种基于进化算法的关键帧提取方法，用于监控视频的摘要和压缩	提出了一种交互式遗传算法，结合精心设计的适应度函数和基于精英的幸存者选择，以提高性能	未明确提及具体局限性	开发一种适用于通用视频的高效关键帧提取方法	监控视频、用户生成视频、网络视频	计算机视觉	NA	遗传算法（GA）	遗传算法（GA）	视频	包括VSUMM、SumMe、Mall、用户生成视频、Amrita Vishwa Vidyapeetham大学的监控视频和网络视频
9089	2025-01-06	Artificial intelligence in chronic kidney diseases: methodology and potential applications 2025-Jan, International urology and nephrology IF:1.8Q3 DOI:10.1007/s11255-024-04165-8 PMID:39052168	综述	本文综述了人工智能在慢性肾脏病（CKD）中的应用，探讨了其在风险预测中的潜力	提出了利用人工智能（特别是机器学习和深度学习）分析患者数据以增强CKD风险预测的新方法	人工智能在临床实践中的应用面临算法不透明、数据质量、隐私和偏见等挑战	探讨人工智能在慢性肾脏病风险预测中的应用	慢性肾脏病患者	机器学习	慢性肾脏病	机器学习和深度学习	NA	遗传标记、生物标志物和影像数据	NA
9090	2025-01-06	Deep learning approaches for the detection of scar presence from cine cardiac magnetic resonance adding derived parametric images 2025-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-024-03175-z PMID:39105884	研究论文	本文提出了一种卷积神经网络（CNN），利用从心脏磁共振（CMR）图像计算出的不同组合的参数图像，对每个切片进行分类以检测心肌瘢痕组织的存在	首次在无对比剂的CMR图像中实现瘢痕检测，展示了其作为筛查工具的初步潜力	研究样本量相对较小，且仅在单一中心进行，可能限制了结果的普遍性	开发一种基于深度学习的无对比剂CMR图像瘢痕检测方法	206名患者（158名有瘢痕，48名对照）的CMR图像	计算机视觉	心血管疾病	卷积神经网络（CNN）	CNN	图像	206名患者（158名有瘢痕，48名对照）
9091	2025-01-06	Artificial intelligence to automate assessment of ocular and periocular measurements 2025-Jan, European journal of ophthalmology IF:1.4Q3 DOI:10.1177/11206721241249773 PMID:38710195	研究论文	本文开发并验证了一种深度学习面部标志检测网络，用于自动化评估眼周人体测量	使用深度学习算法自动化进行眼周人体测量，提高了测量的客观性和准确性	样本量相对较小，仅包括479名参与者	开发并验证一种自动化评估眼周人体测量的深度学习网络	眼科诊所的患者	计算机视觉	NA	深度学习	深度学习网络	图像	479名参与者，共958只眼睛
9092	2025-01-06	Large-language-model empowered 3D dose prediction for intensity-modulated radiotherapy 2025-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.17416 PMID:39316523	研究论文	本文提出了一种利用深度学习模型和大语言模型（LLM）增强的剂量图神经网络（DoseGNN）来预测放射治疗中的剂量-体积直方图（DVH），并实现与临床医生的无缝交互	开发了新型的DoseGNN模型，结合LLM编码大量处方知识和临床医生的交互指令，实现了在线人机协作系统（OHAC）以自动化调强放射治疗（IMRT）规划	未提及具体样本量，且未详细讨论模型在不同临床环境中的泛化能力	提高放射治疗中剂量-体积直方图（DVH）预测的准确性，并实现治疗规划的自动化	放射治疗中的剂量-体积直方图（DVH）和器官风险（OAR）及计划靶区（PTV）	数字病理	NA	深度学习，大语言模型（LLM）	DoseGNN，Swin Transformer，3D U-Net CNN，MLP	图像	NA
9093	2025-01-06	A vision transformer-based deep transfer learning nomogram for predicting lymph node metastasis in lung adenocarcinoma 2025-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.17414 PMID:39341208	研究论文	本研究开发并验证了一种基于视觉Transformer的深度迁移学习列线图，用于预测肺腺癌患者的淋巴结转移	首次将视觉Transformer（ViT）应用于深度迁移学习模型，用于预测肺腺癌患者的淋巴结转移，并与传统的卷积神经网络（CNN）模型进行了比较	研究样本量相对较小，且仅使用了术前未增强的胸部CT影像数据	开发并验证一种基于视觉Transformer的深度迁移学习模型，用于预测肺腺癌患者的淋巴结转移	528名肺腺癌患者	计算机视觉	肺癌	深度迁移学习	视觉Transformer（ViT）	图像	528名肺腺癌患者
9094	2025-01-06	UNet-based multi-organ segmentation in photon counting CT using virtual monoenergetic images 2025-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.17440 PMID:39374095	研究论文	本文提出了一种基于UNet的多器官分割方法，利用光子计数CT中的虚拟单能图像来有效利用光谱信息	提出了一种新的多器官分割方法，结合虚拟单能图像和深度学习技术，提高了光子计数CT中的分割性能	方法在能量箱数量较少时表现较好，但在其他情况下可能需要进一步优化	提高光子计数CT中多器官分割的准确性和稳定性	肝脏、胰腺和脾脏	计算机视觉	NA	光子计数CT、虚拟单能图像、深度学习	3D UNet, Swin UNETR	图像	55名受试者的腹部模型
9095	2025-01-06	Building a pelvic organ prolapse diagnostic model using vision transformer on multi-sequence MRI 2025-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.17441 PMID:39395206	研究论文	本研究旨在开发一种基于深度学习的多标签分级模型，利用应力磁共振成像（MRI）对女性骨盆中三个器官的脱垂程度进行分类，并提供可解释的结果分析	使用视觉变换器（Vision Transformer）架构设计了一个专门用于骨盆底MRI的特征提取模块，并采用了标签掩码训练策略和预训练方法以增强模型收敛性	研究结果依赖于特定数据集，可能无法直接推广到其他数据集或临床环境	开发一个多标签分级模型，用于分类女性骨盆中三个器官的脱垂程度	女性骨盆中的子宫、膀胱和直肠	计算机视觉	盆腔器官脱垂	应力磁共振成像（MRI）	Vision Transformer	图像	662名受试者（训练集464名，验证集98名，测试集100名）
9096	2025-01-06	Diffusion probabilistic priors for zero-shot low-dose CT image denoising 2025-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.17431 PMID:39413369	研究论文	本文提出了一种基于扩散模型的零样本低剂量CT图像去噪方法，仅需正常剂量CT图像进行训练	提出了一种仅需正常剂量CT图像进行训练的零样本去噪方法，解决了现有方法需要大量低剂量CT图像或特殊设计数据采集过程的限制	NA	解决低剂量CT图像去噪问题，特别是在临床环境中难以获取低剂量和正常剂量CT图像对的情况下	低剂量CT图像	医学图像计算	NA	扩散模型	扩散模型	图像	不同区域和剂量水平的低剂量CT数据集
9097	2025-01-06	Interpret Gaussian Process Models by Using Integrated Gradients 2025-Jan, Molecular informatics IF:2.8Q2 DOI:10.1002/minf.202400051 PMID:39587873	研究论文	本文提出了一种通过集成梯度方法解释高斯过程回归模型的新方法，以评估解释变量对预测的重要性	将高斯过程回归模型与集成梯度方法结合，提供预测不确定性的详细分解，量化每个特征的不确定性	由于高斯过程回归的非参数性质，解释其预测标准偏差仍然具有挑战性	提高高斯过程回归模型的解释性，特别是在预测标准偏差方面	高斯过程回归模型及其预测结果	机器学习	NA	集成梯度方法	高斯过程回归模型	NA	NA
9098	2025-01-06	An improved low-rank plus sparse unrolling network method for dynamic magnetic resonance imaging 2025-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.17501 PMID:39607945	研究论文	本文提出了一种改进的低秩加稀疏展开网络方法，用于动态磁共振成像（MRI）重建，通过引入时间相关性建模来提高重建质量和减少参数冗余	提出了一种结合低秩核心矩阵和卷积长短期记忆（ConvLSTM）单元的新型展开网络方法，用于动态MRI重建中的时间相关性建模	未提及具体局限性	寻找适合的张量处理方法和深度学习模型，以实现更好的重建结果和更小的网络规模	动态磁共振成像（MRI）重建	计算机视觉	NA	动态磁共振成像（MRI）	卷积长短期记忆（ConvLSTM）	图像	AMRG Cardiac MRI数据集
9099	2025-01-06	Large-scale multi-center CT and MRI segmentation of pancreas with deep learning 2025-Jan, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103382 PMID:39541706	研究论文	本文介绍了一种名为PanSegNet的新方法，用于大规模多中心的CT和MRI胰腺分割，结合了nnUNet和Transformer网络的优点，并引入了一种新的线性注意力模块以实现体积计算	提出了PanSegNet方法，结合了nnUNet和Transformer网络的优点，并引入了一种新的线性注意力模块，提高了胰腺分割的准确性	研究主要依赖于回顾性数据，且MRI数据的公开可用性有限，可能影响方法的广泛验证和应用	开发一种自动化胰腺分割方法，用于胰腺疾病的诊断和随访	胰腺	数字病理学	胰腺疾病	深度学习	nnUNet, Transformer	CT, MRI	767次MRI扫描（来自499名参与者）和1,350次CT扫描
9100	2025-01-06	An attention mechanism-based lightweight UNet for musculoskeletal ultrasound image segmentation 2025-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.17503 PMID:39620487	研究论文	本文提出了一种基于注意力机制的轻量级UNet模型（AML-UNet），用于肌肉骨骼超声（MSKUS）图像分割，旨在提高分割效率、准确性和模型轻量化	设计了通道重建和空间注意力模块以抑制冗余特征的传输，并开发了多尺度聚合模块替代U-Net的跳跃连接架构，同时引入深度监督逐步细化预测掩码	未提及模型在更大规模数据集上的泛化能力，也未讨论其在临床环境中的实际应用效果	设计一种参数更少、计算复杂度更低且分割精度更高的MSKUS图像分割方法	肌肉骨骼超声（MSKUS）图像	计算机视觉	肌肉骨骼疾病	深度学习	AML-UNet（基于注意力机制的轻量级UNet）	图像	两个MSKUS 2D图像分割数据集，分别包含3917张和1534张图像