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
1161	2025-04-22	Deep learning by Vision Transformer to classify bacterial and fungal keratitis using different types of anterior segment images 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109976 PMID:40107025	研究论文	本研究开发了三种新型Vision Transformer (ViT)框架，用于利用不同类型的前段图像对细菌性和真菌性角膜炎进行特异性诊断，并比较其性能	通过集成一个或多个ViT模型，采用自注意力机制结合不同类型的前段图像，提高了细菌性和真菌性角膜炎的诊断准确性	数据集有限，可能影响模型的泛化能力	开发并验证ViT框架在细菌性和真菌性角膜炎诊断中的应用	细菌性和真菌性角膜炎患者的前段图像	计算机视觉	角膜炎	Vision Transformer (ViT)	ViT	图像	79名患者的283张广光束图像、610张裂隙光束图像和342张蓝光图像
1162	2025-04-22	Neuro_DeFused-Net: A novel multi-scale 2DCNN architecture assisted diagnostic model for Parkinson's disease diagnosis using deep feature-level fusion of multi-site multi-modality neuroimaging data 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110029 PMID:40107026	research paper	提出了一种名为Neuro_DeFused-Net的新型多尺度2DCNN架构，用于通过多站点多模态神经影像数据的深度特征级融合来诊断帕金森病	结合T1加权结构MRI和静息态功能MRI的多站点多模态神经影像数据，采用深度特征级融合技术，提出了一种定制的多尺度2DCNN架构，以增强模型学习帕金森病相关复杂模式的能力	NA	提高帕金森病的诊断精度	帕金森病患者和正常对照	digital pathology	Parkinson's disease	MRI	2DCNN	neuroimaging data	NA
1163	2025-04-22	Multiple kidney stones prediction with efficient RT-DETR model 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110023 PMID:40107024	research paper	提出了一种名为RT-DETR的新型模型，用于高效准确地检测CT扫描中的多发性肾结石	RT-DETR模型采用创新的混合编码器处理多尺度特征，并结合IoU感知的查询选择机制以提高异质性肾结石检测的准确性	未提及具体的数据集规模限制或模型在其他医疗影像数据上的泛化能力	解决现有模型在CT扫描中检测多发性肾结石时面临的准确性和速度问题	CT扫描图像中的多发性肾结石	digital pathology	kidney stone	CT扫描	RT-DETR	image	未明确提及具体样本数量，仅说明使用了标注肾结石位置的CT图像数据集
1164	2025-04-22	The proteomic code: Novel amino acid residue pairing models "encode" protein folding and protein-protein interactions 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110033 PMID:40112562	research paper	本文提出了一种基于氨基酸残基配对模型的新框架，用于解释蛋白质折叠和蛋白质-蛋白质相互作用的机制	提出了三种新的氨基酸残基配对模型（GU、Transmuted和Shift配对模型），这些模型在统计分析和不同数据集上表现出最高的观察-预期比率和相关性	研究主要依赖于TOP2018数据集，可能在其他数据集上的泛化能力有待验证	探索氨基酸残基配对模型在蛋白质折叠和蛋白质-蛋白质相互作用中的机制	氨基酸残基配对模型及其在蛋白质结构预测中的应用	生物信息学	NA	统计分析和深度学习	NA	蛋白质结构数据	基于TOP2018数据集
1165	2025-04-22	Enhancing skin disease classification leveraging transformer-based deep learning architectures and explainable AI 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110007 PMID:40117795	research paper	该研究利用基于Transformer的深度学习架构和可解释AI技术，提升皮肤疾病分类的准确性和临床相关性	首次在皮肤病学任务中引入DinoV2模型，并在31类皮肤疾病数据集上实现了最先进的性能，测试准确率达到96.48% ± 0.0138%，F1分数为97.27%，比现有基准提高了近10%	NA	通过自动化皮肤疾病分类支持及时准确的诊断	皮肤疾病	computer vision	skin disease	Vision Transformers, Swin Transformers, DinoV2, ConvNeXt, CNN	Transformer, CNN	image	31类皮肤疾病数据集，以及HAM10000和Dermnet数据集
1166	2025-04-22	Capsule DenseNet++: Enhanced autism detection framework with deep learning and reinforcement learning-based lifestyle recommendation 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110038 PMID:40120178	研究论文	提出了一种结合深度学习和强化学习的自闭症检测框架，并提供了基于强化学习的个性化生活方式建议	提出了Capsule DenseNet++深度学习模型和基于PPO算法的个性化生活方式推荐系统，提高了自闭症检测的准确性和干预效果	研究仅在沙特阿拉伯的两个数据集上进行了测试，可能在其他地区或人群中的适用性有限	开发一个准确的自闭症检测框架并提供个性化生活方式建议	自闭症谱系障碍(ASD)患者，特别是沙特阿拉伯的幼儿	机器学习	自闭症谱系障碍	深度学习, 强化学习	Capsule DenseNet++, PPO	结构化数据	两个数据集：自闭症筛查数据和沙特阿拉伯幼儿ASD筛查数据
1167	2025-04-22	HistoMSC: Density and topology analysis for AI-based visual annotation of histopathology whole slide images 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109991 PMID:40120181	research paper	提出了一种用于组织病理学全切片图像自动视觉注释的端到端框架	结合深度学习模型实现细胞核的精确定位和分类，并通过空间数据聚合扩展稀疏分布细胞核的类别，引入了一种新颖且经济高效的定位方法	未提及具体样本量或数据集大小，可能影响结果的普遍性	开发一个自动视觉注释框架，以辅助病理学家分析和解释全切片图像	组织病理学全切片图像中的细胞核	digital pathology	neoplastic cases	U-Net, ResNet-50, YOLO, 生成方法, 核密度估计, Morse-Smale理论	U-Net, ResNet-50, YOLO	image	NA
1168	2025-04-22	Development and validation of pan-cancer lesion segmentation AI-model for whole-body 18F-FDG PET/CT in diverse clinical cohorts 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110052 PMID:40127518	研究论文	开发并验证了一种基于深度学习的全身18F-FDG PET/CT图像病灶分割AI模型，适用于多种临床队列	提出了一种不依赖病灶位置和部位的深度学习自动分割模型，并在多种未见过的临床队列中进行了验证	模型在测试集和PHEO队列中遗漏了小体积和低摄取的病灶，且在OS和ST队列中假阳性和假阴性病灶的体积和摄取无显著差异	开发一种适用于全身18F-FDG PET/CT图像的自动病灶分割AI模型	全身18F-FDG PET/CT图像中的病灶	数字病理学	多种癌症（骨肉瘤、神经母细胞瘤、儿童实体瘤、成人嗜铬细胞瘤/副神经节瘤）	深度学习	3D U-Net（nnUNet框架的3D_FullRes配置）	3D 18F-FDG PET/CT图像	训练、验证和测试集共1014例全身FDG-PET/CT图像，外加3个未见过的临床队列（OS队列13例，ST队列14例，PHEO队列40例）
1169	2025-04-22	Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification on health datasets 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109985 PMID:40132299	研究论文	提出了一种结合协方差矩阵和Hessian矩阵特征分析的新方法，用于增强健康数据集上的二元分类性能	首次将协方差矩阵和Hessian矩阵的特征分析相结合，通过投影到两个矩阵的最相关特征方向空间，实现了最优类别可分性	方法在理想数据条件下（如类均值周围的各向同性和主导领先特征值）表现最佳，实际应用中可能受限	提高二元分类任务的性能，特别是在健康数据集上	健康数据集和神经网络数据集	机器学习	NA	特征分析	深度学习模型	结构化数据	NA
1170	2025-04-22	Advancements in automated nuclei segmentation for histopathology using you only look once-driven approaches: A systematic review 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110072 PMID:40138968	系统综述	本文系统综述了基于YOLO框架的自动化细胞核分割技术在组织病理学图像分析中的进展、挑战和应用	全面评估YOLO框架在组织病理学细胞核分割中的独特优势，并与传统分割方法进行对比分析	处理细胞核外观变异、优化模型架构以提高在组织病理学图像上的性能、提升跨数据集的泛化能力等方面仍存在挑战	探索和评估YOLO框架在组织病理学图像细胞核分割中的方法和应用	组织病理学图像中的细胞核	数字病理学	NA	YOLO框架	CNN	图像	NA
1171	2025-04-22	Distinguishing severe sleep apnea from habitual snoring using a neck-wearable piezoelectric sensor and deep learning: A pilot study 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110070 PMID:40147187	研究论文	本研究开发了一种结合颈部可穿戴压电传感器和深度学习的模型，用于准确区分严重睡眠呼吸暂停综合征（SAS）与习惯性打鼾	创新性地结合了颈部可穿戴压电传感器和混合深度学习模型（1D CNN和GRU），为早期和精确区分严重SAS与习惯性打鼾提供了新方法	样本量较小（60名成人），未来研究需要扩大样本量、多样化患者群体并在真实世界环境中进行外部验证	解决成人严重睡眠呼吸暂停综合征（SAS）诊断不足的问题	60名成人习惯性打鼾者	机器学习	睡眠呼吸暂停综合征	颈部可穿戴压电传感器	1D CNN和GRU混合模型	振动信号（70-250Hz）和颈动脉搏动信号（0.01-1.5Hz）	60名成人习惯性打鼾者（初始数据集来自20名参与者，包含1167个静默样本、1304个打鼾样本和399个噪音样本）
1172	2025-04-22	Impact of sex differences on subject-independent EEG-based emotion recognition models 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110036 PMID:40147184	research paper	该研究探讨了性别差异对基于EEG的独立于受试者的情绪识别模型的影响，并利用注意力网络层和逻辑回归分析揭示了情绪调节的性别差异	使用注意力网络层识别与情绪预测更相关的大脑区域，并通过逻辑回归分析评估性别对情绪预测的影响，揭示了情绪调节的性别差异	研究主要关注情绪音频-视觉刺激引发的皮层激活模式，未涉及其他类型刺激或更广泛的情感状态	提高独立于受试者的EEG情绪识别模型的准确性和可解释性	EEG信号和情绪状态	machine learning	NA	EEG	attention network, logistic regression	EEG信号	NA
1173	2025-04-22	Enhancing visual speech perception through deep automatic lipreading: A systematic review 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110019 PMID:40157316	综述	本文对自动唇读技术的研究趋势进行了系统的文献综述，重点关注深度学习在提升听力障碍者沟通能力中的应用	采用PRISMA协议对2014年至2024年中的114篇原创研究文章进行系统分析，总结了自动唇读技术的研究趋势、数据集、任务分类及系统架构	面临数据量不足、环境条件不佳和语言多样性等挑战	提升听力障碍者的沟通能力	自动唇读技术	自然语言处理	听力障碍	深度学习	深度学习模型	视频	114篇研究文章
1174	2025-04-22	A data-driven personalized approach to predict blood glucose levels in type-1 diabetes patients exercising in free-living conditions 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110015 PMID:40164029	research paper	该研究评估了数据驱动方法在自由生活条件下准确预测1型糖尿病患者运动时血糖水平的能力	结合多种机器学习和深度学习模型，采用个性化与群体模型微调相结合的方法预测血糖水平	部分患者的预测仍具有挑战性，且难以解释为何某些患者更难预测	评估数据驱动方法在预测1型糖尿病患者运动时血糖水平的准确性和安全性	1型糖尿病患者在自由生活条件下的血糖水平	machine learning	diabetes	continuous glucose monitoring, insulin pumps, carbohydrate intake, exercise intensity and duration, physical activity-related information	XGBoost, Random Forest, LSTM, CNN-LSTM, Dual-encoder with Attention layer	continuous glucose monitoring data, insulin pump data, carbohydrate intake data, exercise data, physical activity data	79名1型糖尿病患者，每人4周的数据
1175	2025-04-22	A novel hybrid feature fusion approach using handcrafted features with transfer learning model for enhanced skin cancer classification 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110104 PMID:40168807	research paper	提出了一种新颖的混合特征融合方法，结合手工特征与迁移学习模型，用于增强皮肤癌分类	结合了GLCM、RDWT和DenseNet121特征的混合特征融合方法，显著提高了分类准确率	未提及具体的数据集规模限制或模型泛化能力的测试	提高皮肤癌诊断的准确性和可靠性	皮肤病变图像	digital pathology	skin cancer	Grey-Level Co-Occurrence Matrix (GLCM), Redundant Discrete Wavelet Transform (RDWT), transfer learning	DenseNet121, XGBoost, ensemble classifier	image	NA
1176	2025-04-22	Multimodal learning-based speech enhancement and separation, recent innovations, new horizons, challenges and real-world applications 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110082 PMID:40174498	综述	本文全面回顾了基于多模态学习的语音增强和分离技术的最新进展及其在现实世界中的应用	探讨了多模态学习如何整合音频、视觉和文本等多种感官信息以提高语音增强和分离的性能，并介绍了多种深度学习架构和融合策略	在噪声和动态的现实环境中，各种方法的同步性、模型鲁棒性和实时应用的可扩展性仍面临挑战	研究多模态学习在语音增强和分离领域的应用及其未来发展方向	语音增强和分离技术	自然语言处理	NA	多模态学习	Transformers, CNN, GNN, VAE, GAN, Diffusion Models	音频信号、视觉线索、文本数据	NA
1177	2025-04-22	A domain adaptation model for carotid ultrasound: Image harmonization, noise reduction, and impact on cardiovascular risk markers 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110030 PMID:40179806	研究论文	本文提出了一种基于生成对抗网络（GAN）的模型，用于解决超声图像中的域适应问题，包括图像协调和降噪	将图像协调和降噪任务制定为图像到图像的翻译任务，同时保持图像内容（解剖结构）不变	下游风险标志物计算可能会受到影响	解决超声图像中因不同系统或参数设置导致的域适应问题	颈动脉超声图像	计算机视觉	心血管疾病	GAN	GAN	图像	NA
1178	2025-04-22	How did we get there? AI applications to biological networks and sequences 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110064 PMID:40184941	综述	本文全面概述了人工智能在基因组学、蛋白质组学和系统生物学中的当前应用状态	强调了深度学习模型在序列嵌入、基序发现、基因表达和蛋白质结构预测中的准确性和效率提升	未具体提及研究的局限性	探索人工智能在复杂生物数据中的应用潜力	基因组学、蛋白质组学和系统生物学中的数据	机器学习	NA	深度学习	深度学习模型	生物序列和网络数据	NA
1179	2025-04-22	Prediction of IUGR condition at birth by means of CTG recordings and a ResNet model 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110123 PMID:40184939	research paper	本研究开发了一种基于CTG信号和ResNet模型的深度学习方法来预测出生时的IUGR状况	采用两步训练过程的ResNet架构，通过区分‘假定’和‘确认’数据集来最小化数据损失，提高了预测准确性	尽管使用了较大数据集，但与其他文献相比的样本量未具体说明，且未提及模型在其他独立数据集上的验证情况	提高出生时IUGR状况的早期检测准确性	产前CTG信号	digital pathology	geriatric disease	CTG, deep learning	ResNet	signal	未具体说明，但提及使用了非常大的数据集
1180	2025-04-22	Hybrid deep learning framework for diabetic retinopathy classification with optimized attention AlexNet 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110054 PMID:40154203	research paper	提出了一种基于混合深度学习框架的糖尿病视网膜病变分类方法，使用优化的注意力AlexNet模型	结合了元启发式优化算法改进的注意力AlexNet模型（At-AlexNet-ImNO），用于糖尿病视网膜病变的分类	未提及具体的数据集偏差或模型泛化能力的限制	提高糖尿病视网膜病变的自动分类准确率	糖尿病视网膜病变的眼底图像	digital pathology	diabetic retinopathy	metaheuristic optimization, deep learning	Attention AlexNet based Improved Nutcracker Optimizer (At-AlexNet-ImNO)	image	APTOS-2019 Blindness-Detection 和 EyePacs 两个基准数据集