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
141	2025-08-10	Deep unrolled primal dual network for TOF-PET list-mode image reconstruction 2025-Aug-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/adf9b7 PMID:40780257	研究论文	提出了一种名为LMPDnet的深度展开原始对偶网络，用于TOF-PET列表模式重建，以改善低计数数据的处理效果	首次将深度展开原始对偶网络应用于TOF-PET列表模式重建，解决了现有算法在低计数数据下的性能不足问题	深度学习方法在处理TOF信息时需要较大的存储空间，尤其是高级的深度展开方法	提高TOF-PET列表模式重建的图像质量和噪声抑制能力	TOF-PET列表模式数据	医学影像处理	NA	TOF-PET列表模式重建	深度展开原始对偶网络(LMPDnet)	PET图像数据	NA
142	2025-08-10	A Deep Learning Model to Detect Acute MCA Occlusion on High Resolution Non-Contrast Head CT 2025-Aug-08, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8954 PMID:40780878	研究论文	本研究开发了一种深度学习模型，用于通过高分辨率非对比头部CT检测急性大脑中动脉闭塞	该模型首次利用高分辨率非对比CT数据进行急性大脑中动脉闭塞的自动检测，准确率接近CTA	模型在M2段闭塞检测时性能略有下降	评估深度学习模型在非对比CT上识别急性大脑中动脉闭塞的可行性和准确性	急性大脑中动脉闭塞患者	数字病理学	心血管疾病	高分辨率非对比CT成像	3D深度学习模型	医学影像	训练验证集4,648例，独立测试集1,011例
143	2025-08-10	Land use classification using multi-year Sentinel-2 images with deep learning ensemble network 2025-Aug-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-12512-7 PMID:40781103	研究论文	本研究提出了一种名为IRUNet的深度学习集成网络，用于多年度Sentinel-2影像的土地利用分类	IRUNet结合了InceptionResNetV2与UNet框架，并采用多尺度特征融合和测试时间增强（TTA）来提高预测的鲁棒性	虽然数据跨越多年，但每年被视为独立输入，未建模时间序列	提高土地利用分类的准确性，以支持城市规划、环境监测和农业管理	Katpadi地区2017-2024年的Sentinel-2卫星影像	计算机视觉	NA	深度学习	IRUNet（集成InceptionResNetV2与UNet框架）	卫星影像	Katpadi地区2017-2024年的Sentinel-2影像数据
144	2025-08-10	Deep neural network approach integrated with reinforcement learning for forecasting exchange rates using time series data and influential factors 2025-Aug-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-12516-3 PMID:40781102	research paper	该研究提出了一种结合LSTM网络和深度Q网络(DQN)的创新混合框架，用于预测汇率时间序列数据	首次将LSTM与强化学习机制(DQN)相结合，实现基于实时反馈的自适应预测优化	仅针对USD/INR汇率数据进行验证，未测试其他货币对的适用性	提高金融时间序列预测的准确性和适应性	USD/INR汇率时间序列数据	machine learning	NA	时间序列分析, 强化学习	LSTM, DQN	时间序列数据	USD/INR汇率数据集
145	2025-08-10	Advanced dynamic ensemble framework with explainability driven insights for precision brain tumor classification across datasets 2025-Aug-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-14917-w PMID:40781137	研究论文	本研究提出了一种新颖的集成深度学习系统，用于通过MRI数据准确分类脑肿瘤	提出了一种动态集成框架，结合了微调的CNN、ResNet-50和EfficientNet-B5，并采用自适应动态权重分配策略优化各网络的贡献，同时通过XAI技术提高模型的可解释性	NA	提高脑肿瘤分类的准确性和可解释性	脑肿瘤MRI数据	计算机视觉	脑肿瘤	MRI	CNN, ResNet-50, EfficientNet-B5	图像	NA
146	2025-08-10	Towards scalable screening for the early detection of Parkinson's disease: validation of an iPad-based eye movement assessment system against a clinical-grade eye tracker 2025-Aug-08, NPJ Parkinson's disease DOI:10.1038/s41531-025-01079-9 PMID:40781252	研究论文	本文介绍了一种基于iPad的眼动评估系统，用于帕金森病的早期筛查和监测，并通过与临床级眼动仪的对比验证其有效性	开发了一种基于iPad的便携式眼动评估系统，利用深度学习算法提取眼跳指标，并与临床级眼动仪EyeLink 1000 Plus进行对比验证	样本量较小（25名参与者），且仅针对特定类型的眼跳任务进行了验证	开发一种可扩展、经济高效的帕金森病筛查和监测工具	帕金森病患者和健康对照者的眼动数据	数字病理学	帕金森病	深度学习	NA	眼动数据	25名参与者（10名帕金森病患者，15名健康对照者）
147	2025-08-10	Deep learning approach for automated hMPV classification 2025-Aug-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-14467-1 PMID:40781468	研究论文	提出了一种名为hMPV-Net的深度学习框架，用于自动分类人类偏肺病毒（hMPV）感染	利用CNN进行hMPV感染的精确检测和分类，并通过数据增强、加权损失函数和dropout正则化等技术解决数据集不平衡问题	使用模拟图像数据集而非真实患者数据进行训练和评估	开发一种快速准确的hMPV诊断方法	人类偏肺病毒（hMPV）感染	计算机视觉	呼吸道疾病	深度学习	CNN	图像	10000个样本（hMPV阳性和阴性各半）
148	2025-08-10	Deep learning-based image enhancement for improved black blood imaging in brain metastasis 2025-Aug-08, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11920-7 PMID:40781512	research paper	评估基于深度学习的图像增强技术在提高脑转移瘤3D对比增强T1加权黑血MR成像图像质量和诊断性能方面的效用	首次应用深度学习技术提升黑血MR成像的图像质量，并显著提高了对小脑转移瘤（小于5毫米）的检测灵敏度	研究为回顾性设计，且未与其他深度学习方法的处理效果进行直接比较	提升脑转移瘤MR成像的诊断准确性和图像质量	126名脑转移瘤患者和121名非脑转移瘤患者的3-T MRI影像数据	digital pathology	brain metastasis	深度学习图像增强技术	DL-based model	MRI影像	247名患者的MRI影像数据
149	2025-08-10	ADAM-DETR: an intelligent rice disease detection method based on adaptive multi-scale feature fusion 2025-Aug-08, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01429-x PMID:40781641	研究论文	提出了一种基于改进RT-DETR的水稻病害检测算法ADAM-DETR，用于复杂田间环境下的病害识别	创新设计了三个核心模块：自适应视觉网络（AVN）骨干网络、双域增强Transformer（DDET）模块和自适应多尺度特征模型（AMFM），以提高特征提取和融合能力	NA	解决复杂田间环境下现有深度学习方法特征提取不足和多尺度病害适应性差的问题	水稻病害	计算机视觉	水稻病害	深度学习	RT-DETR	图像	9,303张图像，覆盖五大病害类别
150	2025-08-10	Predicting expression-altering promoter mutations with deep learning 2025-Aug-07, Science (New York, N.Y.) DOI:10.1126/science.ads7373 PMID:40440429	研究论文	介绍了一种名为PromoterAI的深度神经网络，用于准确识别非编码启动子变异，这些变异会失调基因表达	开发了PromoterAI深度神经网络，首次能够准确预测非编码启动子变异对基因表达的影响	仅关注启动子区域的变异，未考虑其他非编码区域的潜在致病变异	预测非编码启动子变异对基因表达的影响，以帮助诊断罕见遗传疾病	非编码启动子变异及其对基因表达的影响	机器学习	罕见遗传疾病	深度神经网络	深度神经网络	基因组数据	数千名个体的RNA和蛋白质水平数据
151	2025-08-10	Enhancing image retrieval through optimal barcode representation 2025-Aug-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-14576-x PMID:40770058	research paper	该研究通过优化特征序列提升二进制条形码表示，从而增强图像检索效果	提出基于检索性能指标优化特征序列的方法，显著提高了检索效果	方法性能高度依赖于输入特征的排序，存在显著的组合挑战	优化二进制条形码表示以提升图像检索的效率和准确性	医学和非医学图像数据集	computer vision	NA	deep barcoding, difference-based binarization	NA	image	包括TCGA医学图像数据集、COVID-19胸部X光数据集以及CIFAR-10、CIFAR-100和Fashion-MNIST等非医学基准图像数据集
152	2025-08-10	MedCLIP-SAMv2: Towards universal text-driven medical image segmentation 2025-Aug-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103749 PMID:40779830	research paper	提出了一种名为MedCLIP-SAMv2的新型框架，通过整合CLIP和SAM模型，利用文本提示在零样本和弱监督设置下进行医学图像分割	引入了新的解耦硬负噪声对比估计（DHN-NCE）损失和多模态信息瓶颈（M2IB）方法，以提升医学图像分割的准确性和效率	需要进一步验证在更多医学成像模态和任务中的泛化能力	开发一种数据高效的医学图像分割方法，减少对标记数据集的依赖	医学图像中的解剖结构和病理	digital pathology	breast tumor, brain tumor, lung disease	BiomedCLIP, SAM, DHN-NCE, M2IB	CLIP, SAM	image	四种不同的分割任务和医学成像模态（乳腺肿瘤超声、脑肿瘤MRI、肺部X光和肺部CT）
153	2025-08-10	Deep learning model enables the discovery of a novel BET inhibitor YD-851 2025-Aug-07, Biomedicine & pharmacotherapy = Biomedecine & pharmacotherapie DOI:10.1016/j.biopha.2025.118431 PMID:40779884	研究论文	本文提出了一种新型BET抑制剂YD-851，并通过深度学习模型和环闭骨架跳跃方法设计了一系列咔啉衍生物作为BET抑制剂	提出了一种新型BET抑制剂策略，开发了高效低毒的YD-851，并通过深度学习模型优化了药物设计	研究主要基于临床前模型，尚未进行人体临床试验	开发一种高效低毒的BET抑制剂用于治疗实体瘤	BET抑制剂及其在实体瘤治疗中的应用	药物发现	实体瘤	深度学习模型、环闭骨架跳跃方法	深度学习模型	化学结构数据、药效数据	多种异种移植实体瘤模型
154	2025-08-10	A novel approach for CT image smoothing: Quaternion Bilateral Filtering for kernel conversion 2025-Aug-07, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110644 PMID:40779990	research paper	提出了一种结合四元数数学和双边滤波的创新方法，用于CT图像去噪	将CT扫描以四元数形式表达，结合双边滤波，有效保持解剖结构并减少噪声	未提及具体局限性	解决CT图像去噪问题，特别是在使用锐利或中等重建核时产生的高频噪声	CT图像	medical imaging	NA	Quaternion Bilateral Filtering	NA	image	使用同一患者的配对数据
155	2025-08-10	Application of AI-based techniques for anomaly management in wastewater treatment plants: A review 2025-Aug-07, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.126886 PMID:40780155	综述	本文综述了人工智能（AI）在废水处理厂（WWTPs）异常管理中的应用进展	重点介绍了AI在传感器数据质量控制与自校准、早期异常检测与诊断以及容错控制与韧性增强三个方面的应用，并系统比较了监督学习、无监督学习和迁移学习方法	研究存在模型可解释性、计算强度、数据质量控制、跨设施泛化能力和成本效益等方面的不足	探讨AI技术在废水处理厂异常管理中的应用及其未来发展方向	废水处理厂（WWTPs）的异常管理	机器学习	NA	深度学习、集成学习、智能优化算法	监督学习、无监督学习、迁移学习	传感器数据	NA
156	2025-08-10	Root mixture analysis: methods and vision 2025-Aug-07, Trends in plant science IF:17.3Q1 DOI:10.1016/j.tplants.2025.07.003 PMID:40781027	review	本文综述了根系混合物分析的方法和愿景，强调了可持续农业中对多样化作物混合物地下相互作用深入理解的需求	提出了利用理化根系性状作为物种身份标记，结合优化的深度学习和机器学习进行高通量根系混合物分析的新方法	当前方法无法在不破坏性采样的情况下区分根系物种，且田间条件下高变异性和后勤困难常见	开发标准化、成本效益高的根系表型分析方法，以支持可持续农业	多样化作物混合物的根系	农业技术	NA	深度学习, 机器学习	NA	根系理化性状数据	NA
157	2025-08-10	An effectiveness of deep learning with fox optimizer-based feature selection model for securing cyberattack detection in IoT environments 2025-Aug-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-13134-9 PMID:40764727	research paper	提出了一种基于狐狸优化器特征选择和深度学习的网络安全攻击检测模型（FOFSDL-SCD），用于增强物联网环境中的网络威胁检测能力	结合狐狸优化器算法（FOA）进行特征选择，并采用时序卷积网络（TCN）进行分类，进一步通过蜣螂优化（DBO）方法优化超参数，提高了检测准确率	模型性能仅在Edge-IIoT数据集上验证，未在其他物联网环境中测试泛化能力	提升物联网网络的抗攻击能力和威胁检测能力	物联网环境中的网络安全攻击	machine learning	NA	深度学习（DL）、狐狸优化器算法（FOA）、时序卷积网络（TCN）、蜣螂优化（DBO）	TCN	网络安全数据	Edge-IIoT数据集
158	2025-08-10	Improved early-stage crop classification using a novel fusion-based machine learning approach with Sentinel-2A and Landsat 8-9 data 2025-Aug-06, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-025-14420-9 PMID:40767980	研究论文	本研究提出了一种基于融合的深度学习方法，用于提高早期作物分类的准确性	采用Gram-Schmidt融合方法整合Landsat 8-9和Sentinel-2A数据，结合多块灰度共生矩阵(GLCM)技术和光谱指数方法提取纹理和光谱特征	NA	提高早期作物分类的准确性	早期作物	机器学习	NA	Gram-Schmidt融合方法、多块灰度共生矩阵(GLCM)技术、光谱指数方法	深度神经网络(DNN)、1D卷积神经网络(1D CNN)、决策树、支持向量机(SVM)、随机森林	遥感图像	NA
159	2025-08-10	Predictive Modeling of Osteonecrosis of the Femoral Head Progression Using MobileNetV3_Large and Long Short-Term Memory Network: Novel Approach 2025-Aug-06, JMIR medical informatics IF:3.1Q2 DOI:10.2196/66727 PMID:40768653	research paper	该研究利用MobileNetV3_Large和LSTM网络对股骨头坏死(ONFH)的进展进行预测建模，旨在优化治疗策略	首次结合MobileNetV3_Large和LSTM网络对ONFH进行动态预测，显著提高了诊断准确率和预测性能	样本量较小(仅30名患者)，可能影响模型的泛化能力	开发深度学习算法以提升ONFH的疾病评估和预测能力	股骨头坏死(ONFH)患者的MRI影像数据	digital pathology	osteonecrosis	MRI	MobileNetV3_Large + LSTM	image	30名患者的1200张MRI切片(675张病变切片+225张正常切片)
160	2025-08-10	Ensemble-based sesame disease detection and classification using deep convolutional neural networks (CNN) 2025-Aug-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-08076-1 PMID:40769993	研究论文	本研究提出了一种基于集成学习的芝麻病害检测与分类方法，利用深度卷积神经网络（CNN）提高分类准确性和泛化能力	采用集成学习方法结合ResNet-50、DenseNet-121和Xception三种先进的CNN架构，显著提高了芝麻病害的分类准确率	未提及模型在不同环境条件下的泛化能力测试，以及实际田间应用的可行性验证	开发一个鲁棒且准确的模型，用于识别芝麻病害，支持精准农业	芝麻叶片图像，包括健康、变叶病和细菌性疫病三种状态	计算机视觉	芝麻病害	深度卷积神经网络（CNN）	ResNet-50, DenseNet-121, Xception	图像	未明确提及具体数量，但包含健康、变叶病和细菌性疫病三种状态的芝麻叶片图像数据集