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
1301	2025-05-28	Correction: Formation permeability estimation using mud loss data by deep learning 2025-May-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-03476-9 PMID:40419611	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1302	2025-05-31	Intelligent traffic congestion forecasting using BiLSTM and adaptive secretary bird optimizer for sustainable urban transportation 2025-May-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02933-9 PMID:40419628	research paper	该研究提出了一种结合双向长短期记忆网络（BiLSTM）和自适应秘书鸟优化器（ASBO）的深度学习方法，用于智能交通系统中的交通拥堵预测	创新点在于将强化学习（RL）与BiLSTM结合，并引入ASBO优化器，显著提高了交通拥堵预测的准确性	未提及具体的数据集规模或实际应用场景的限制	旨在通过智能交通拥堵预测减少空气污染，提升城市交通的可持续性	城市交通网络中的交通拥堵模式	machine learning	NA	Deep Learning, Reinforcement Learning	BiLSTM, ASBO	traffic data	基于Traffic Prediction Dataset，具体样本量未提及
1303	2025-05-31	Digital image enhancement using deep learning algorithm in 3D heads-up vitreoretinal surgery 2025-May-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-98801-7 PMID:40419711	research paper	本研究旨在利用深度学习算法预测3D头戴式玻璃体视网膜手术中的最佳成像参数，并评估其在提高手术中玻璃体视网膜表面可见性方面的有效性	采用两阶段生成对抗网络(GAN)和卷积神经网络(CNN)架构，开发了一种深度学习算法，用于数字图像增强	研究仅基于212张手动优化的静态图像和121张匿名高分辨率ERM眼底图像，样本量相对较小	提高3D头戴式玻璃体视网膜手术中图像的清晰度、亮度和对比度	玻璃体视网膜手术图像和ERM眼底图像	digital pathology	视网膜疾病	深度学习算法	GAN和CNN	图像	212张手术视频提取的静态图像和121张ERM眼底图像
1304	2025-05-31	Auto-segmentation of cerebral cavernous malformations using a convolutional neural network 2025-May-26, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01738-6 PMID:40420000	research paper	本文提出了一种用于自动分割脑海绵状血管瘤（CCMs）的深度学习模型	使用Mask R-CNN和3D CNN（DeepMedic）进行脑实质提取和CCMs分割，并开发了用户友好的图形界面	仅基于T2W图像的分割性能仍有提升空间（Dice系数0.741±0.028）	实现脑海绵状血管瘤的自动化分割以辅助临床分析	199例Gamma Knife治疗计划数据（171例单CCM，28例多CCM）	digital pathology	cerebral cavernous malformations	MRI	Mask R-CNN, 3D CNN (DeepMedic)	image	199例Gamma Knife检查数据（含神经外科医生手动标注的CCM区域）
1305	2025-05-31	A novel MRI-based deep learning imaging biomarker for comprehensive assessment of the lenticulostriate artery-neural complex 2025-May-26, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01676-3 PMID:40420012	研究论文	开发一种基于深度学习的MRI成像生物标志物，用于全面评估豆纹动脉-神经复合体	利用ResNet18框架从豆纹动脉供血区域提取深度学习特征，并将其作为成像生物标志物，首次全面评估豆纹动脉-神经复合体	样本量较小，仅79名患者参与研究	开发一种新的成像生物标志物，用于评估豆纹动脉-神经复合体的功能状态	豆纹动脉供血区域和豆纹动脉-神经复合体	数字病理学	脑血管疾病	MRI, DTI, ASL	ResNet18	图像	79名患者
1306	2025-05-31	Evolution of deep learning tooth segmentation from CT/CBCT images: a systematic review and meta-analysis 2025-May-26, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-05984-6 PMID:40420051	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了深度学习在牙齿分割中的演变和性能	总结了多种深度学习算法在牙齿分割中的应用，并按其骨干结构进行了分类，同时整合了注意力机制的卷积模型成为新话题	需要标准化协议和开放标记数据集	评估深度学习在牙齿分割中的演变和性能	人类牙齿分割	计算机视觉	NA	CT/CBCT	CNN, U-Net, Transformer, 注意力机制模型	图像	30项研究（28项用于荟萃分析）
1307	2025-05-31	A comparative analysis of deep learning models for assisting in the diagnosis of periapical lesions in periapical radiographs 2025-May-26, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-06104-0 PMID:40420083	研究论文	本研究比较了ConvNeXt和ResNet34两种深度学习模型在辅助诊断根尖周病变中的效果	首次评估了深度学习模型对新手牙医诊断根尖周病变的辅助作用，并比较了两种模型的性能差异	研究仅使用了根尖周X线片，未考虑其他影像学检查方法	评估深度学习模型在辅助诊断根尖周病变中的应用价值	根尖周病变的X线影像	数字病理学	根尖周病变	深度学习	CNN（ConvNeXt和ResNet34）	图像	1305张根尖周X线片（训练集1044张，验证集261张）和800颗单独牙齿的X线片
1308	2025-05-31	Surfactant representation using COSMO screened charge density for adsorption isotherm prediction using Physics-Informed Neural Network (PINN) 2025-May-26, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01027-y PMID:40420147	research paper	本研究开发了一种基于物理信息神经网络（PINN）的吸附模型，用于预测表面活性剂的吸附行为，整合了分子特征、测试条件和固体性质	将COSMO屏蔽电荷密度描述符整合到物理信息深度学习模型中，以预测表面活性剂吸附等温线，提供了一种新颖的方法来准确表示表面活性剂分子	模型在全新结构的表面活性剂预测上表现一般（RMSE 2.95 mg/g）	开发一个包含分子特征、测试条件和固体性质的吸附模型，以预测表面活性剂的吸附行为	56个吸附等温线和20种阴离子和非离子表面活性剂，在不同条件下以沙子和氧化硅为固体	machine learning	NA	Conductor-like Screening Model (COSMO), Physics-Informed Neural Network (PINN)	Physics-Informed Neural Network (PINN), artificial neural networks (ANN)	adsorption isotherms, molecular descriptors	56 adsorption isotherms and 20 types of surfactants
1309	2025-05-31	An advanced deep learning method for pepper diseases and pests detection 2025-May-26, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01387-4 PMID:40420214	research paper	本研究提出了一种名为YOLO-Pepper的深度学习模型，专门用于温室辣椒病虫害检测，解决了小目标识别、遮挡下的多尺度特征提取和实时处理需求等关键问题	YOLO-Pepper引入了四个主要创新点：自适应多尺度特征提取模块(AMSFE)、动态特征金字塔网络(DFPN)、专为小目标设计的小检测头(SDH)以及Inner-CIoU损失函数，相比标准CIoU定位精度提高了18%	NA	开发一种高效的深度学习模型，用于温室辣椒病虫害的智能检测	温室辣椒的病虫害	computer vision	NA	deep learning-based object detection	YOLO-Pepper (基于YOLOv10n改进)	image	8046张标注图像
1310	2025-05-31	Performance of machine learning models for predicting high-severity symptoms in multiple sclerosis 2025-May-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-63888-x PMID:40414922	研究论文	该研究通过移动技术收集多发性硬化症（MS）患者的纵向数据，并开发机器学习模型预测高严重性症状的发生	首次利用移动应用收集MS患者的纵向数据，并开发机器学习模型提前三个月预测高严重性症状	研究依赖于移动应用收集的数据，可能存在数据质量和用户参与度的限制	预测多发性硬化症患者的高严重性症状	多发性硬化症患者	机器学习	多发性硬化症	移动技术数据收集	经典ML方法和深度学习模型	纵向移动应用数据	NA
1311	2025-05-31	Prediction of reproductive and developmental toxicity using an attention and gate augmented graph convolutional network 2025-May-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02590-y PMID:40415056	研究论文	本研究开发了一种基于图卷积网络的深度学习模型，用于预测化学物质的生殖和发育毒性	采用多头注意力和门控跳跃连接的图卷积网络，直接整合与毒性相关的结构警报，提高了预测性能和模型可解释性	模型仅基于4,514种化合物的数据集进行训练和验证，可能需要更大规模的数据来进一步提升性能	开发可靠的计算机模型来预测化学物质的生殖和发育毒性	4,514种有机和无机化合物	机器学习	NA	图卷积网络	GCN（图卷积网络）	分子结构数据	4,514种化合物
1312	2025-05-31	MobNas ensembled model for breast cancer prediction 2025-May-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-01920-4 PMID:40415060	research paper	本文提出了一种名为MobNAS的模型，结合MobileNetV2和NASNetLarge，用于将乳腺癌图像分类为良性、恶性或正常类别	MobNAS模型结合了MobileNetV2和NASNetLarge的优势，提高了乳腺癌诊断的准确性和适用性	NA	开发一种早期、准确且简单的乳腺癌诊断方法	乳腺癌图像	computer vision	breast cancer	deep learning, transfer learning	MobileNetV2, NASNetLarge	image	1,578张超声图像（891良性、421恶性、266正常）
1313	2025-05-31	Bio inspired optimization techniques for disease detection in deep learning systems 2025-May-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-02846-7 PMID:40415068	研究论文	本文探讨了生物启发优化技术在深度学习系统中用于疾病检测的集成方法	提出利用生物启发优化技术（如遗传算法、粒子群优化等）来提升深度学习模型在疾病诊断中的效率和鲁棒性	在数据有限或特征空间复杂的情况下，实现高性能仍具挑战性	通过生物启发优化技术提高深度学习模型在医学诊断中的效率和公平性	医学图像数据集	机器学习	NA	遗传算法、粒子群优化、蚁群优化、人工免疫系统、群体智能	深度学习模型	图像	NA
1314	2025-05-31	Exploring treatment effects and fluid resuscitation strategies in septic shock: a deep learning-based causal inference approach 2025-May-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-03141-1 PMID:40415107	研究论文	本研究通过深度学习因果推断方法比较了不同液体复苏策略对脓毒性休克患者的治疗效果，并确定了与改善结果相关的患者因素	首次使用深度学习因果推断模型评估不同液体复苏策略对脓毒性休克患者的治疗效果，并识别出能从特定液体治疗中获益的患者亚群	研究基于MIMIC-IV数据库的回顾性数据，可能存在选择偏倚	比较不同液体复苏策略对脓毒性休克患者的治疗效果并确定获益患者特征	脓毒性休克患者	医疗人工智能	脓毒性休克	深度学习因果推断	深度学习模型	电子健康记录	13,527名脓毒性休克患者
1315	2025-05-31	An advanced three stage lightweight model for underwater human detection 2025-May-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-03677-2 PMID:40415110	研究论文	本研究提出了一种名为StarEye的轻量级深度学习模型，用于水下人体检测（UHBD），以应对复杂水下环境的挑战	模型包含多项创新组件：全面的水下数据集构建方法、基于StarBlock的高效特征提取主干结构、融入主干和颈部组件的上下文锚点注意力（CAA）机制，以及共享卷积批量归一化（SCBN）检测头	NA	开发一种轻量级深度学习模型，用于水下人体检测，以应对复杂水下环境的挑战	水下人体检测	计算机视觉	NA	深度学习	StarEye（基于StarBlock的CNN）	图像	NA
1316	2025-05-31	Advancing e-waste classification with customizable YOLO based deep learning models 2025-May-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-94772-x PMID:40415121	research paper	本研究通过分析YOLOv5、YOLOv7和YOLOv8三种目标检测模型，探讨了它们在电子废物（e-waste）分类中的性能和应用	研究比较了三种YOLO模型的性能，并创建了一个包含七种电子废物类别的专用图像数据集，其中YOLOv8表现出色，具有更高的精度和更短的训练时间	研究中发现物体方向检测存在挑战，需要未来进一步改进	开发高效、精确的电子废物分类技术，以支持回收和再利用	电子废物（e-waste）	computer vision	NA	YOLO-based deep learning models	YOLOv5, YOLOv7, YOLOv8	image	包含七种电子废物类别的专用图像数据集
1317	2025-05-31	MRI-based habitat analysis for Intratumoral heterogeneity quantification combined with deep learning for HER2 status prediction in breast cancer 2025-May-23, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110429 PMID:40414575	研究论文	该研究旨在通过MRI基于栖息地模型量化乳腺癌肿瘤内异质性，并结合深度学习预测HER2表达状态	结合MRI栖息地模型和深度学习技术，非侵入性地预测乳腺癌HER2表达状态	研究为回顾性分析，样本量有限（340例患者）	建立预测乳腺癌HER2表达状态的术前非侵入性方法	340例经病理证实的浸润性乳腺癌患者	数字病理学	乳腺癌	动态对比增强磁共振成像（DCE-MRI）	深度学习（DL）	MRI图像	340例乳腺癌患者
1318	2025-05-31	MSFusion: A multi-source hybrid feature fusion network for accurate grading of invasive breast cancer using H&E-stained histopathological images 2025-May-23, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103633 PMID:40441045	研究论文	提出了一种名为MSFusion的多源混合特征融合网络，用于利用H&E染色的组织病理学图像准确分级浸润性乳腺癌	引入了基于Swin Transformer的多分支网络MSwinT提取深度学习特征，并结合传统手工特征，通过KDC融合块整合多源核特征，提高了乳腺癌分级的准确性	未明确提及研究的局限性	提高浸润性乳腺癌的分级准确性	浸润性乳腺癌的H&E染色组织病理学图像	数字病理学	乳腺癌	深度学习与传统图像分析技术结合	Swin Transformer-based多分支网络(MSwinT)与特征融合网络(MSFusion)	H&E染色的组织病理学图像	三个数据集（两个私有临床数据集Qilu和QDUH&SHSU，一个公开数据集Databiox）
1319	2025-05-31	Deep learning-based automatic differentiation of acute angle closure with or without zonulopathy using ultrasound biomicroscopy: a comparison of diagnostic performance with ophthalmologists 2025-May-22, BMJ open ophthalmology IF:2.0Q2 DOI:10.1136/bmjophth-2024-002114 PMID:40409764	research paper	本研究开发了基于超声生物显微镜(UBM)的人工智能(AI)模型，用于术前区分伴有或不伴有悬韧带病变的急性闭角型青光眼(AAC)，并与眼科医生的诊断性能进行了比较	开发了三种AI模型，用于通过UBM图像和眼部参数区分AAC是否伴有悬韧带松弛或晶状体半脱位，并首次与眼科医生的两种诊断方法进行了全面比较	AI模型在UBM和AS-OCT图像上的鲁棒性验证准确率分别为66.67%和61.11%，仍有提升空间	开发AI模型用于急性闭角型青光眼的术前诊断	急性闭角型青光眼(AAC)患者	digital pathology	glaucoma	ultrasound biomicroscopy (UBM), anterior segment optical coherence tomography (AS-OCT)	AI models (specific architecture not specified)	image	537只眼睛
1320	2025-05-31	Advancing Traditional Dunhuang Regional Pattern Design with Diffusion Adapter Networks and Cross-Entropy 2025-May-21, Entropy (Basel, Switzerland) DOI:10.3390/e27050546 PMID:40422500	研究论文	本文提出了一种名为扩散适配器网络（DANet）的新方法，用于高效生成敦煌图案，以促进传统文化的传承	引入了轻量级适配器模块和多头注意力模块（MHAM），结合多尺度注意力模块（MSAM）和自适应控制机制（ACM），显著提高了敦煌图案生成的准确性和细节捕捉能力	敦煌图案的可用性有限，难以大量收集	通过机器学习和深度学习方法促进传统敦煌图案的设计与传承	敦煌图案	计算机视觉	NA	扩散模型	DANet（扩散适配器网络）	图像	多样化敦煌图案数据集（DDHP）