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
9121	2025-01-07	BO-CNN-BiLSTM deep learning model integrating multisource remote sensing data for improving winter wheat yield estimation 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1500499 PMID:39759241	研究论文	本研究开发了一种名为BO-CNN-BiLSTM（BCBL）的深度学习模型，结合卷积神经网络（1DCNN）的特征提取能力和双向长短期记忆网络（BiLSTM）的时间序列记忆优势，用于提高冬小麦产量估算的准确性	首次将太阳诱导的叶绿素荧光（SIF）数据与传统遥感变量和气候数据融合，用于冬小麦产量估算，并开发了BCBL模型，结合了1DCNN和BiLSTM的优势	研究仅在河南省进行，未在其他地区验证模型的普适性	提高冬小麦产量估算的准确性，为农业政策制定和粮食安全提供支持	冬小麦	机器学习	NA	遥感技术	BO-CNN-BiLSTM（BCBL）	遥感数据、气候数据	河南省的冬小麦数据
9122	2025-01-07	Advanced deep transfer learning techniques for efficient detection of cotton plant diseases 2024, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2024.1441117 PMID:39759238	研究论文	本文探讨了使用深度迁移学习技术高效检测棉花植物疾病的方法	本文的创新点在于应用多种深度迁移学习模型（如EfficientNet、Xception、ResNet等）进行棉花植物疾病的检测，并发现EfficientNetB3模型在准确率、损失和均方根误差方面表现最佳	本文的局限性在于未详细讨论模型在不同环境条件下的泛化能力，以及在实际农田中的应用效果	研究目的是通过深度迁移学习技术提高棉花植物疾病的检测效率，以促进可持续农业实践	研究对象为感染细菌性疫病、靶斑病、白粉病、蚜虫和军虫等疾病的棉花植物图像	计算机视觉	植物疾病	深度迁移学习	EfficientNet, Xception, ResNet, Inception, VGG, DenseNet, MobileNet, InceptionResNet	图像	包含感染多种疾病的棉花植物图像及健康棉花植物图像的完整数据集
9123	2025-01-07	A graph neural architecture search approach for identifying bots in social media 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1509179 PMID:39759384	研究论文	本文提出了一种基于图神经网络架构搜索的方法，用于在社交媒体中识别机器人	引入了深度灵活图神经网络架构搜索（DFG-NAS）技术，专门针对关系图卷积神经网络（RGCNs）进行优化，以自动搜索传播和转换函数的最佳配置	研究仅针对平台X的机器人检测，未涵盖其他社交媒体平台	解决社交媒体中机器人检测的挑战，并推广神经网络设计自动化中的NAS模型应用	社交媒体平台X中的机器人	自然语言处理	NA	深度灵活图神经网络架构搜索（DFG-NAS）	关系图卷积神经网络（RGCNs）	图数据	229,580个节点和227,979条边的图
9124	2025-01-07	Prediction of PD-L1 tumor positive score in lung squamous cell carcinoma with H&E staining images and deep learning 2024, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2024.1452563 PMID:39759385	研究论文	本研究利用深度学习模型对H&E染色图像进行分割和定量预测，以评估肺鳞状细胞癌中的PD-L1表达	首次将Transformer Unet深度学习网络应用于H&E染色图像中PD-L1表达的分割和定量预测，并取得了优于其他七种前沿分割模型的结果	研究仅针对肺鳞状细胞癌，未涵盖其他类型的肺癌或其他癌症	开发一种基于H&E染色图像的深度学习模型，用于预测肺鳞状细胞癌中的PD-L1表达，以指导免疫检查点抑制剂治疗	肺鳞状细胞癌的H&E染色数字切片	数字病理学	肺癌	深度学习	Transformer Unet	图像	NA
9125	2025-01-07	hvEEGNet: a novel deep learning model for high-fidelity EEG reconstruction 2024, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2024.1459970 PMID:39759760	研究论文	本文提出了一种名为hvEEGNet的新型深度学习模型，用于高保真度的多通道脑电图（EEG）时间序列重建	提出了一种新的深度学习模型hvEEGNet，采用分层变分自编码器结构，并设计了新的损失函数，能够在短时间内高保真地重建多通道EEG数据	研究仅基于一个包含9名受试者的22通道EEG数据集进行测试，样本量较小，且未探讨模型在其他类型EEG数据上的泛化能力	旨在解决多通道EEG时间序列高保真重建的挑战，为分类、异常检测、自动标注和脑机接口等应用提供支持	多通道脑电图（EEG）时间序列	机器学习	NA	深度学习	分层变分自编码器（hierarchical variational autoencoder）	时间序列数据	9名受试者的22通道EEG数据
9126	2025-01-07	Application of a Novel Multimodal-Based Deep Learning Model for the Prediction of Papillary Thyroid Carcinoma Recurrence 2024, International journal of general medicine IF:2.1Q2 DOI:10.2147/IJGM.S486189 PMID:39759893	研究论文	本研究开发了一种新型多模态深度学习模型，用于预测甲状腺乳头状癌（PTC）术后复发	同时分析数值和时间序列数据，采用加权二元交叉熵处理不平衡数据，模型在预测PTC复发方面表现出色	样本中复发患者数量较少（63例），可能影响模型的泛化能力	提高甲状腺乳头状癌术后复发的预测准确性	接受甲状腺切除术的甲状腺乳头状癌患者	机器学习	甲状腺癌	深度学习	多模态深度学习模型	数值数据（临床信息）和时间序列数据（术后甲状腺功能测试结果）	1613例接受甲状腺切除术的患者（1550例非复发，63例复发）
9127	2025-01-07	Ultrafast Cardiac Imaging Using Deep Learning for Speckle-Tracking Echocardiography 2023-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2023.3326377 PMID:37862280	研究论文	本文探讨了使用深度学习进行超快速心脏成像的方法，特别是针对斑点追踪超声心动图	本文创新性地将复杂加权卷积神经网络（CNN）用于图像重建，并结合先进的斑点追踪方法，评估了在保持心脏运动追踪能力的同时实现高质量图像重建的可行性	虽然本文在模拟和实验数据上展示了良好的性能，但在实际临床环境中的应用仍需进一步验证	研究目的是开发一种能够在超快速超声成像中同时实现高质量图像重建和心脏运动追踪的深度学习方法	心脏成像，特别是斑点追踪超声心动图	计算机视觉	心血管疾病	深度学习，斑点追踪超声心动图	CNN	图像	模拟数据、体外实验数据（旋转盘模型）和体内数据集
9128	2025-01-07	Review of Deep Learning Approaches for Interleaved Photoacoustic and Ultrasound (PAUS) Imaging 2023-12, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2023.3329119 PMID:37910419	综述	本文综述了深度学习在光声和超声（PAUS）成像中的应用背景和现状	探讨了深度学习如何克服当前PAUS成像系统的技术限制，并识别了将PAUS技术稳健转化为临床应用的挑战和机遇	使用传统有限视角和带宽传感器无法提供高质量的光声源图，尤其是血管结构	总结深度学习在PAUS成像中的应用，并探讨其临床转化的潜力	光声和超声（PAUS）成像技术	医学影像	NA	深度学习	NA	图像	NA
9129	2025-01-07	Lung tumor segmentation in 4D CT images using motion convolutional neural networks 2021-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.15204 PMID:34469001	研究论文	本文提出了一种基于深度学习的框架，用于快速准确地在4D CT图像集上分割肺部肿瘤	该框架结合了全局和局部运动估计网络架构，能够学习肿瘤运动引起的主要和次要变化，并在掩码头网络中引入了自注意力策略以去除可能影响分割性能的噪声特征	NA	提高肺部肿瘤在4D CT图像上的分割准确性和效率	肺部肿瘤	计算机视觉	肺癌	深度学习	运动区域卷积神经网络（R-CNN）	4D CT图像	20个4D CT数据集（每个包含10个呼吸阶段，共200个3D图像体积）和40个患者的4D CT数据集
9130	2025-01-07	Automated delineation of head and neck organs at risk using synthetic MRI-aided mask scoring regional convolutional neural network 2021-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.15146 PMID:34342878	研究论文	本研究开发了一种基于深度学习的自动化器官风险区域（OAR）分割方法，旨在解决当前自动分割算法在实现可靠专家性能方面的挑战	利用CT和合成MRI的互补对比度，结合掩码评分区域卷积神经网络（Mask Scoring R-CNN），提高了OAR分割的准确性	研究主要依赖于内部和公共数据集，可能在其他数据集上的泛化能力有待验证	开发一种自动化OAR分割方法，以提高头颈部放疗治疗计划中的器官分割准确性	头颈部癌症患者的CT扫描图像	计算机视觉	头颈部癌症	CT和MRI成像技术	Mask Scoring R-CNN	图像	内部数据集和公共数据集中的头颈部癌症患者CT扫描
9131	2025-01-07	Male pelvic multi-organ segmentation on transrectal ultrasound using anchor-free mask CNN 2021-Jun, Medical physics IF:3.2Q1 DOI:10.1002/mp.14895 PMID:33894057	研究论文	本文开发了一种基于深度学习的男性盆腔多器官分割方法，用于经直肠超声图像	提出了一种无锚点的掩码卷积神经网络（CNN），结合空间注意力策略，能够捕捉多个器官的空间相关性	研究仅基于83名前列腺癌患者的回顾性数据，样本量相对较小	开发一种用于前列腺近距离放射治疗中多器官分割的自动化方法	前列腺、膀胱、直肠和尿道	计算机视觉	前列腺癌	深度学习	无锚点掩码CNN	超声图像	83名前列腺癌患者
9132	2025-01-06	Advances in deep learning for personalized ECG diagnostics: A systematic review addressing inter-patient variability and generalization constraints 2025-Mar-01, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2024.117073 PMID:39708490	系统综述	本文系统综述了深度学习在心电图（ECG）个性化诊断中的应用，特别是针对患者间变异性和泛化限制的挑战	本文独特之处在于系统性地审查了专门为个性化ECG诊断设计的深度学习方法，强调解决患者特异性变异性的模型	这些方法的局限性包括在泛化与患者特异性之间取得平衡以及解决数据隐私问题	研究目的是探讨深度学习在ECG诊断中的应用，特别是针对个性化诊断的需求	研究对象是用于个性化ECG诊断的深度学习模型	机器学习	心血管疾病	迁移学习、生成对抗网络、元学习和领域适应	深度学习模型	ECG数据	112项研究
9133	2025-01-06	Incorporating dynamic drainage supervision into deep learning for accurate real-time flood simulation in urban areas 2025-Feb-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2024.122816 PMID:39612812	研究论文	本研究提出了一种结合动态排水监督的深度学习模型（UDFM），用于城市区域的实时洪水模拟	UDFM模型通过结合物理和深度学习排水模型，将一维排水溢出过程转换为高分辨率的时空二维洪水过程，更全面准确地反映了排水系统在城市洪水动态中的作用	研究仅应用于深圳的一个高度城市化区域，未在其他城市或区域进行验证	提高城市洪水模拟的准确性和实时性，以支持快速洪水预警和风险管理	城市洪水过程，特别是排水系统和地表洪水淹没	机器学习	NA	深度学习，降维算法	UDFM（结合深度学习和降维算法的混合模块）	时空数据	深圳的一个高度城市化区域
9134	2025-01-06	Prediction of real-time cine-MR images during MRI-guided radiotherapy of liver cancer using a GAN-ConvLSTM network 2025-Jan-04, Medical physics IF:3.2Q1 DOI:10.1002/mp.17609 PMID:39755123	研究论文	本研究提出了一种改进的生成对抗网络（GAN）用于实时预测肝脏癌症放疗过程中的cine-MR图像	提出了一种结合卷积长短期记忆网络（ConvLSTM）的pix2pix GAN模型，用于实时预测cine-MR图像，并在多个指标上优于其他先进网络	样本量较小，仅涉及15名患者	提高肝脏癌症放疗过程中呼吸运动预测的准确性，以补偿放疗系统的延迟	肝脏癌症患者	计算机视觉	肝癌	cine-MR成像	GAN-ConvLSTM	图像	15名肝脏癌症患者的cine-MR图像数据
9135	2025-01-06	N2GNet tracks gait performance from subthalamic neural signals in Parkinson's disease 2025-Jan-04, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-024-01364-6 PMID:39755754	研究论文	本文提出了一种名为N2GNet的深度学习回归模型，用于从帕金森病患者的丘脑底核局部场电位中实时追踪步态表现	N2GNet模型能够利用全面的频带信息，而不仅限于β频段，从STN LFPs中追踪步态表现，相比现有算法具有更强的相关性和性能	研究样本量较小，仅涉及18名帕金森病患者	开发一种能够实时追踪帕金森病患者步态表现的深度学习模型	帕金森病患者的丘脑底核局部场电位和步态表现	机器学习	帕金森病	深度学习	回归模型	神经信号	18名帕金森病患者
9136	2025-01-06	Enhancing security and efficiency in Mobile Ad Hoc Networks using a hybrid deep learning model for flooding attack detection 2025-Jan-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84421-0 PMID:39755804	研究论文	本文提出了一种结合卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）的混合深度学习模型，用于检测和缓解移动自组网（MANET）中的泛洪攻击	提出了一种结合CNN、LSTM和GRU的混合深度学习模型，并采用独特的DECEHGS算法优化模型效率，显著提高了检测精度和网络性能	未提及模型在实际大规模网络环境中的适用性和泛化能力	提高移动自组网（MANET）的安全性和效率，特别是针对泛洪攻击的检测和缓解	移动自组网（MANET）中的泛洪攻击	机器学习	NA	深度学习	CNN, LSTM, GRU	网络数据	未明确提及样本数量
9137	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
9138	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
9139	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
9140	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