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
1521	2025-07-17	Beam field guided diffusion model for liver cancer radiotherapy dose distribution prediction 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17989 PMID:40665572	研究论文	本研究提出了一种基于扩散模型的肝脏癌症放疗剂量分布预测方法，名为BeamDiff	设计了多分支混合编码器和多条件聚合模块，有效利用患者特异性临床特征，并通过多头注意力模块重建切片间联系	输入仅包含2D切片，缺乏切片间的依赖关系和相似性特征	开发一种新颖且精确的肝脏癌症放疗剂量分布预测方法	肝脏癌症患者的放疗剂量分布	医学图像分析	肝癌	扩散模型	BeamDiff	2D图像	临床肝癌放疗数据集
1522	2025-07-17	Low-noise trajectory optimization of urban air mobility in the urban environment using deep reinforcement learninga) 2025-Jul-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0037186 PMID:40667977	研究论文	本研究提出了一种利用深度强化学习（DRL）优化城市空中交通（UAM）在都市环境中低噪音飞行轨迹的方法	采用深度强化学习（DRL）结合噪声奖励函数优化UAM飞行轨迹，以减少对地面观察者的噪音影响	研究基于简化的城市环境，可能未涵盖所有实际复杂情况	优化城市空中交通（UAM）的飞行轨迹以减少噪音污染	城市空中交通（UAM）的飞行轨迹	机器学习	NA	深度强化学习（DRL），深度学习（DL）	Soft actor critic算法	噪音数据，飞行轨迹数据	NA
1523	2025-07-17	2D Prediction of the Nutritional Composition of Dishes from Food Images: Deep Learning Algorithm Selection and Data Curation Beyond the Nutrition5k Project 2025-Jun-30, Nutrients IF:4.8Q1 DOI:10.3390/nu17132196 PMID:40647299	研究论文	本文评估了几种标准深度学习模型在预测食物图像中质量、能量和宏量营养素含量方面的性能，并探讨了数据质量和国家特定食物成分数据库对模型泛化的影响	首次系统评估了不同深度学习模型在预测食物营养成分方面的性能，并提出了针对意大利饮食评估工具的数据优化方法	对于复杂沙拉、鸡肉或鸡蛋类菜肴以及西式早餐的预测性能普遍较差	开发基于食物图像的营养成分预测方法	食物图像及其营养成分	计算机视觉	NA	深度学习	ResNet-50, ResNet-101, InceptionV3, Vision Transformer-B-16	图像	约5000道美国食堂复杂菜肴
1524	2025-07-17	Rice Canopy Disease and Pest Identification Based on Improved YOLOv5 and UAV Images 2025-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s25134072 PMID:40648327	研究论文	基于改进的YOLOv5和无人机图像的水稻冠层病虫害识别方法	提出了一种改进的YOLOv5模型（YOLOv5_DWMix），通过引入深度可分离卷积、MixConv模块、注意力机制和优化损失函数，显著提升了模型的速度、特征提取能力和鲁棒性	面对复杂田间环境和小数据集的挑战，仍需依赖图像增强技术	实现水稻冠层病虫害的准确及时识别	水稻冠层病虫害	计算机视觉	水稻病虫害	无人机图像采集、深度学习	改进的YOLOv5（YOLOv5_DWMix）	图像	四种常见水稻冠层病虫害的数据集
1525	2025-07-17	Unlabeled-Data-Enhanced Tool Remaining Useful Life Prediction Based on Graph Neural Network 2025-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s25134068 PMID:40648324	研究论文	提出了一种基于图神经网络的未标记数据增强工具剩余使用寿命预测方法	利用未标记数据进行增强学习，通过自定义准则和损失函数从未标记数据中提取有价值信息，并结合图神经网络进行多传感器数据融合	未提及具体的数据集规模限制或实际工业应用中的潜在挑战	提高切削工具剩余使用寿命预测的准确性和泛化能力	切削工具	机器学习	NA	图神经网络(GNN), 迁移学习	GNN	多传感器采集的切割数据	未明确提及具体样本数量
1526	2025-07-17	FUSE-Net: Multi-Scale CNN for NIR Band Prediction from RGB Using GNDVI-Guided Green Channel Enhancement 2025-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s25134076 PMID:40648337	研究论文	提出了一种基于GNDVI引导的绿色通道增强方法G-RGB和深度学习模型FUSE-Net，用于从标准RGB图像预测近红外反射率	结合GNDVI引导的绿色通道调整和FUSE-Net多尺度卷积与MLP-Mixer的通道学习，有效建模空间和光谱依赖性	该方法不能替代真实的NIR数据，仅在RGB图像可用时提供近似估计	探索一种更易获取的替代方案，用于从RGB图像预测NIR反射率	罗勒叶的高分辨率RGB-HSI配对数据集	计算机视觉	NA	深度学习	CNN, MLP-Mixer	图像	受控条件下拍摄的罗勒叶数据集
1527	2025-07-17	Dual Focus-3D: A Hybrid Deep Learning Approach for Robust 3D Gaze Estimation 2025-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s25134086 PMID:40648341	研究论文	本文提出了一种名为Dual Focus-3D的混合深度学习架构，用于鲁棒的3D视线估计	结合了基于外观的眼部图像特征和3D头部方向数据，采用多模态特征融合策略和优化的角度损失函数	未提及具体限制	提高3D视线估计的准确性和鲁棒性	人眼视线方向	计算机视觉	NA	深度学习	混合深度学习架构	图像和3D空间数据	5206个标注样本
1528	2025-07-17	Rolling Based on Multi-Source Time-Frequency Feature Fusion with a Wavelet-Convolution, Channel-Attention-Residual Network-Bearing Fault Diagnosis Method 2025-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s25134091 PMID:40648345	研究论文	提出了一种基于多源时频特征融合和小波卷积通道注意力残差网络的轴承故障诊断方法	通过融合连续小波变换、短时傅里叶变换、希尔伯特-黄变换和维格纳-威利分布的多源时频特征，显著提升了复杂故障模式的表征能力，并构建了轻量级的深度学习模型WaveCAResNet	未明确提及具体局限性	提高轴承故障诊断的准确性和可靠性	滚动轴承	机器故障诊断	NA	连续小波变换、短时傅里叶变换、希尔伯特-黄变换、维格纳-威利分布	WaveCAResNet（基于残差网络的小波卷积通道注意力残差网络）	振动信号	典型轴承数据集（未明确提及具体样本数量）
1529	2025-07-17	Cross-Modal Data Fusion via Vision-Language Model for Crop Disease Recognition 2025-Jun-30, Sensors (Basel, Switzerland) DOI:10.3390/s25134096 PMID:40648350	research paper	提出了一种基于视觉-语言模型的跨模态数据融合方法，用于作物病害识别	利用Zhipu.ai多模型生成作物叶片病害的全面文本描述，并通过跨注意力机制融合多模态特征，提高了识别准确率	未提及模型在不同光照或遮挡条件下的鲁棒性	提高作物病害识别的准确性和效率	作物叶片病害	computer vision	crop disease	跨模态数据融合	vision-language model	image, text	Soybean Disease, AI Challenge 2018, PlantVillage数据集
1530	2025-07-17	From droplets to diagnosis: AI-driven imaging and system integration in digital nucleic acid amplification testing 2025-Jun-30, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2025.117741 PMID:40664140	综述	本文系统综述了人工智能驱动的荧光图像分析在数字核酸扩增测试（dNAAT）中的应用，并提出了一个结构化框架	首次系统综述了AI在dNAAT中的应用，提出了将dNAAT重新定义为五个阶段的结构化框架，并探讨了AI原生平台的转化机会	数据稀缺性和模型泛化能力是主要限制	推动数字核酸扩增测试在即时检测（POCT）中的广泛应用	数字核酸扩增测试（dNAAT）	数字病理学	NA	数字PCR、等温扩增技术	深度学习、基础模型（如SAM、ViT、GPT-4o）	荧光图像	NA
1531	2025-07-17	A Deep Learning Framework for Enhancing High-Frequency Optical Fiber Vibration Sensing from Low-Sampling-Rate FBG Interrogators 2025-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s25134047 PMID:40648303	研究论文	本文提出了一种新颖的深度神经网络框架，用于突破低采样率FBG解调器在高频振动识别中的采样限制	该框架仅利用原始时域信号，能够准确识别高频和极接近的振动成分，突破了低采样率FBG解调器的限制	NA	提高低采样率FBG解调器在高频振动识别中的性能	光纤布拉格光栅(FBG)传感器和低功耗、低采样率FBG解调器	机器学习和光学传感	NA	深度神经网络(DNN)	DNN	时域信号	模拟和实验数据集组合
1532	2025-07-17	Multimodal Particulate Matter Prediction: Enabling Scalable and High-Precision Air Quality Monitoring Using Mobile Devices and Deep Learning Models 2025-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s25134053 PMID:40648310	研究论文	本文提出了一种利用移动相机设备和深度学习模型预测颗粒物(PM)浓度的新方法	采用基于transformer的深度学习架构和CLIP多模态框架，从智能手机拍摄的环境图像中提取与PM浓度相关的视觉特征	需要季节性数据扩展和架构改进来进一步提升性能	开发可扩展且高精度的空气质量监测系统	颗粒物(PM)浓度	计算机视觉	NA	深度学习	transformer, CLIP	图像	多样化的智能手机拍摄图像
1533	2025-07-17	A Review of OBD-II-Based Machine Learning Applications for Sustainable, Efficient, Secure, and Safe Vehicle Driving 2025-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s25134057 PMID:40648315	review	本文综述了基于OBD-II和机器学习的应用，旨在提升车辆驾驶的可持续性、效率、安全性和安全性	结合OBD-II传感器数据和机器学习技术，开发了超越传统方法的智能、数据驱动的车辆功能	未提及具体实验数据或样本量，可能缺乏实证支持	研究如何利用OBD-II传感器数据和机器学习技术提升车辆驾驶的可持续性、效率、安全性和安全性	现代车辆系统	machine learning	NA	OBD-II传感器数据	supervised, unsupervised, reinforcement learning (RL), deep learning (DL), hybrid models	传感器数据	NA
1534	2025-07-17	EpInflammAge: Epigenetic-Inflammatory Clock for Disease-Associated Biological Aging Based on Deep Learning 2025-Jun-29, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms26136284 PMID:40650062	研究论文	介绍了一种名为EpInflammAge的可解释深度学习工具，通过整合表观遗传和炎症标志物来创建高精度、疾病敏感的生物学年龄预测器	结合表观遗传改变和免疫衰老这两大衰老标志，首次利用AI模型从血液DNA甲基化预测24种细胞因子水平，并利用开源表观遗传数据生成合成炎症生物标志物	NA	开发一种能够准确预测生物学年龄并具有疾病敏感性的工具	表观遗传和炎症标志物	机器学习	多种疾病	DNA甲基化分析	深度神经网络	表观遗传数据和炎症数据	25,000个样本
1535	2025-07-17	Exploring the Potential of a Deep Learning Model for Early CT Detection of High-Grade Metastatic Epidural Spinal Cord Compression and Its Impact on Treatment Delays 2025-Jun-28, Cancers IF:4.5Q1 DOI:10.3390/cancers17132180 PMID:40647478	research paper	评估深度学习模型在早期CT检测高级别转移性硬膜外脊髓压迫中的潜力及其对治疗延迟的影响	首次证明深度学习模型可帮助减少高级别转移性硬膜外脊髓压迫的诊断延迟	需要进一步的前瞻性研究来明确其在改善早期诊断/治疗中的具体作用	评估深度学习模型在检测高级别转移性硬膜外脊髓压迫和减少诊断延迟方面的潜力	140名2015-2022年间接受手术治疗的C7至L2段转移性硬膜外脊髓压迫患者	digital pathology	spinal cord compression	deep learning	DLM	CT scans	140名患者，其中95名有术前CT扫描
1536	2025-07-17	SPP-SegNet and SE-DenseNet201: A Dual-Model Approach for Cervical Cell Segmentation and Classification 2025-Jun-27, Cancers IF:4.5Q1 DOI:10.3390/cancers17132177 PMID:40647476	研究论文	提出了一种基于SPP-SegNet和SE-DenseNet201的双模型方法，用于宫颈细胞的分割和分类，以提高宫颈癌检测的准确性	在SegNet框架中引入了SPP瓶颈和空洞卷积，以提取多尺度空间特征并提高分割性能，同时使用SE-DenseNet201进行分类	NA	提高宫颈癌检测的准确性	宫颈细胞	数字病理学	宫颈癌	深度学习	SPP-SegNet, SE-DenseNet201	图像	Pomeranian和SIPaKMeD数据集
1537	2025-07-17	An Interpretability Method for Broken Wire Detection 2025-Jun-27, Sensors (Basel, Switzerland) DOI:10.3390/s25134002 PMID:40648258	研究论文	提出一种基于扰动的可解释性方法ESTC，用于检测钢丝绳断丝，并通过实验验证其优于其他方法	ESTC方法针对信号对象而非普通对象，与其他同类方法不同，且实验结果证明其优越性	未提及具体样本量或数据集的多样性限制	提高钢丝绳断丝检测模型的可信度和实际应用价值	钢丝绳的电磁信号图像	计算机视觉	NA	YOLOv8目标检测模型	YOLOv8	图像	未提及具体样本量
1538	2025-07-17	BDSER-InceptionNet: A Novel Method for Near-Infrared Spectroscopy Model Transfer Based on Deep Learning and Balanced Distribution Adaptation 2025-Jun-27, Sensors (Basel, Switzerland) DOI:10.3390/s25134008 PMID:40648263	研究论文	提出了一种基于深度学习和平衡分布适应的新型近红外光谱模型迁移方法	结合多尺度网络架构与平衡分布适应（BDA）增强跨仪器兼容性，提出RX-Inception多尺度结构和SE注意力机制	传统建模方法在处理仪器异质性、环境干扰和样本多样性方面存在局限性	提高近红外光谱分析技术在工业应用中的模型泛化能力和迁移效率	近红外光谱数据	机器学习	NA	近红外光谱分析技术	BDSER-InceptionNet, RX-Inception, SE注意力机制	光谱数据	公开的玉米和药物数据集
1539	2025-07-17	A Self-Supervised Specific Emitter Identification Method Based on Contrastive Asymmetric Masked Learning 2025-Jun-27, Sensors (Basel, Switzerland) DOI:10.3390/s25134023 PMID:40648277	研究论文	提出了一种基于对比非对称掩码学习的自监督特定发射器识别方法，以解决在标记样本稀缺情况下的无线设备安全问题	提出了一种新颖的对比非对称掩码学习方法（CAML-SEI），通过非对称自编码器架构和对比损失函数，有效学习细粒度局部特征表示	未提及在更广泛的无线通信场景中的适用性或对其他类型信号的处理能力	解决在非合作通信场景中，标记数据稀缺情况下的特定发射器识别问题	无线通信系统中的特定发射器	机器学习	NA	对比学习、非对称掩码学习	自编码器（基于通道挤压-激励残差块的编码器和轻量级单层卷积解码器）	无线信号数据	真实世界的ADS-B和Wi-Fi数据集（具体数量未提及）
1540	2025-07-17	Proteomizer: Leveraging the Transcriptome-Proteome Mismatch to Infer Novel Gene Regulatory Relations 2025-Jun-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.06.22.660946 PMID:40666834	research paper	介绍了一种名为Proteomizer的深度学习平台，旨在从转录组和miRNomic数据推断蛋白质组景观	提出了首个系统评估蛋白质组化模型的生物学相关性、局限性和可解释性的研究，Proteomizer在转录组-蛋白质组相关性上达到了最高性能	性能提升未能在未见组织类型或使用不同协议生成的数据集上泛化	解决转录组数据作为蛋白质丰度代理的局限性，提高差异基因表达检测的准确性	转录组(Tx)、miRNomic(Mx)和蛋白质组(Px)数据	machine learning	NA	深度学习，Monte Carlo模拟，可解释AI(XAI)	deep learning	转录组、miRNomic和蛋白质组数据	8,613个匹配的Tx-Mx-Px样本来自TCGA和CPTAC