深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
21	2025-12-31	Application of error level analysis in image spam classification using deep learning model 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0291037 PMID:38096218	研究论文	本文提出了一种利用误差水平分析（ELA）作为预处理步骤来提升卷积神经网络（CNN）在图像垃圾邮件分类中性能的方法	将误差水平分析（ELA）技术作为预处理步骤引入图像垃圾邮件分类，以增强CNN模型对挑战性数据集的鲁棒性和分类准确率	未明确说明模型对新型对抗攻击的泛化能力，且可能依赖于特定数据集	提升图像垃圾邮件分类的准确性和鲁棒性，特别是在对抗性设计的数据集上	图像垃圾邮件（包含文本信息的图像文件）	计算机视觉	NA	误差水平分析（ELA）	CNN	图像	NA	NA	NA	准确率	NA
22	2025-12-31	RVCNet: A hybrid deep neural network framework for the diagnosis of lung diseases 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293125 PMID:38153925	研究论文	本文提出了一种名为RVCNet的混合深度神经网络框架，用于从多类别X射线数据集中预测肺部疾病	结合ResNet101V2、VGG19和基础CNN三种深度学习技术，构建新型混合架构，并在特征提取阶段采用超参数微调，分类阶段加入批量归一化、dropout和密集层等额外层	NA	开发计算机辅助诊断系统，以帮助放射科医生更精确地诊断肺部疾病并减少误判	COVID-19、非COVID肺部感染、病毒性肺炎和正常患者的X射线图像	计算机视觉	肺部疾病	X射线成像	CNN	图像	2262张训练图像和252张测试图像	NA	ResNet101V2, VGG19, CNN	准确率, AUC, 精确率, 召回率, F1分数	NA
23	2025-12-30	Growing ecosystem of deep learning methods for modeling protein-protein interactions 2023-01-21, Protein engineering, design & selection : PEDS DOI:10.1093/protein/gzad023 PMID:38102755	综述	本文综述了用于蛋白质-蛋白质相互作用建模的深度学习方法的生态系统，讨论了其多样性、权衡、最新成功案例以及未来挑战	系统性地梳理了生物物理知识驱动的深度学习模型在蛋白质相互作用建模中的多样化应用，并比较了不同方法的权衡	NA	综述深度学习在蛋白质-蛋白质相互作用建模领域的方法、应用与挑战	蛋白质-蛋白质相互作用	计算生物学	NA	深度学习	表示学习, 几何深度学习, 生成模型	实验数据, 蛋白质结构数据	NA	NA	NA	NA	NA
24	2025-12-25	Deep learning for sleep analysis on children with sleep-disordered breathing: Automatic detection of mouth breathing events 2023, Frontiers in sleep DOI:10.3389/frsle.2023.1082996 PMID:41426436	研究论文	本研究开发了一种基于深度学习的算法，用于从儿童多导睡眠图记录中自动检测口呼吸事件	首次利用卷积神经网络自动检测儿童睡眠呼吸障碍中的口呼吸事件，为睡眠分析提供了一种新的自动化方法	模型在第二个验证数据集上性能下降，表明需要更大的训练集以提高泛化能力	构建深度学习算法以自动检测儿童睡眠呼吸障碍中的口呼吸事件	年龄在10-13岁之间的儿童，其中部分有打鼾或高阻塞性睡眠呼吸暂停值	机器学习	睡眠呼吸障碍	多导睡眠图	CNN	信号数据	20名受试者	NA	卷积神经网络	准确率, 精确率, 真阳性率, 假阳性率	NA
25	2025-12-24	Feature interaction network based on hierarchical decoupled convolution for 3D medical image segmentation 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0288658 PMID:37440581	研究论文	本文提出了一种基于分层解耦卷积和注意力机制的特征融合模块，用于提高三维医学图像中脑肿瘤分割的准确性	提出了一种基于分层解耦卷积网络和注意力机制的特征融合模块，以替代U形网络中的跳跃连接，解决类别不平衡问题，并引入全局注意力机制进一步整合编码器学习到的特征	未明确提及计算资源限制或模型在其他数据集上的泛化能力	开发一种自动且准确的方法，用于分割多模态脑肿瘤三维医学图像，以支持临床治疗决策和手术规划	多模态脑肿瘤三维医学图像	数字病理	脑肿瘤	深度学习	CNN	三维医学图像	使用BraTS 2018和BraTS 2019数据集，具体样本数量未明确说明	未明确指定，但代码公开于GitHub	U-Net	Dice相似系数	未明确说明
26	2025-12-24	Deep learning framework for epidemiological forecasting: A study on COVID-19 cases and deaths in the Amazon state of Pará, Brazil 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0291138 PMID:37976312	研究论文	本研究提出了一个深度学习框架，用于预测巴西帕拉州COVID-19病例和死亡的时间序列数据	首次评估了TCN、TRANSFORMER、TFT、N-BEATS和N-HiTS等深度学习模型在COVID-19流行病预测中的应用，并结合ARIMA模型进行后处理优化	未明确说明数据不确定性、模型泛化能力及外部验证的具体限制	开发一个能够准确预测COVID-19病例和死亡的深度学习框架，以支持公共卫生决策	巴西帕拉州的COVID-19病例和死亡时间序列数据	机器学习	COVID-19	时间序列分析	TCN, TRANSFORMER, TFT, N-BEATS, N-HiTS, ARIMA	时间序列数据	NA	NA	TCN, TRANSFORMER, TFT, N-BEATS, N-HiTS	MSE, RMSE, MAPE, sMAPE, r2, Coefficient of Variation, 残差分析	NA
27	2025-12-24	Finding the best trade-off between performance and interpretability in predicting hospital length of stay using structured and unstructured data 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0289795 PMID:38032876	研究论文	本研究旨在开发高性能的机器学习和深度学习模型来预测医院住院时长，同时提升模型的可解释性，并比较了仅使用结构化数据、非结构化数据以及混合数据训练的模型	通过融合结构化表格数据和非结构化临床文本数据，使用AutoGluon AutoML库和预训练的Bio Clinical BERT Transformer模型，在预测住院时长的性能与可解释性之间找到最佳平衡点	研究依赖于公开的MIMIC III数据库，可能无法完全代表其他医疗环境或患者群体	预测医院住院时长，并优化模型的性能与可解释性	重症监护患者	自然语言处理	NA	机器学习，深度学习，自然语言处理	集成树，神经网络，k-近邻，Transformer	结构化表格数据，非结构化临床文本数据	使用MIMIC III数据库，具体样本数量未在摘要中明确说明	AutoGluon	Bio Clinical BERT	ROC AUC，PRC AUC	NA
28	2025-12-24	CLAHE-CapsNet: Efficient retina optical coherence tomography classification using capsule networks with contrast limited adaptive histogram equalization 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0288663 PMID:38032915	研究论文	提出一种结合对比度受限自适应直方图均衡化（CLAHE）与胶囊网络（CapsNet）的模型（CLAHE-CapsNet），用于视网膜光学相干断层扫描（OCT）图像的疾病分类	首次将CLAHE作为网络层集成到胶囊网络中，以降低OCT图像噪声，并设计了三层卷积胶囊网络结构，避免了传统CNN池化操作导致的分辨率损失问题	仅使用单一数据集进行验证，未说明模型在其他OCT数据集上的泛化能力；未详细讨论计算复杂度与实时性表现	开发高效的计算机辅助诊断系统，帮助眼科医生快速准确地检测视网膜疾病	视网膜光学相干断层扫描（OCT）图像	计算机视觉	眼科疾病（CNV、DME、DRUSEN等）	光学相干断层扫描（OCT）	胶囊网络（CapsNet）	图像（X-Ray JPEG格式）	84,495张图像，分为4个类别（正常、CNV、DME、DRUSEN）	未明确说明	三层卷积胶囊网络（CLAHE-CapsNet）	准确率、灵敏度、精确度、特异性、AUC	NA
29	2025-12-24	Exploration of street space architectural color measurement based on street view big data and deep learning-A case study of Jiefang North Road Street in Tianjin 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0289305 PMID:38033019	研究论文	本研究提出了一种基于街景大数据和深度学习技术的城市街道空间建筑色彩高效、大规模测量方法	结合SegNet深度学习算法进行街景图像语义分割以提取建筑元素，并利用K-Means聚类模型识别建筑色彩，实现了建筑色彩测量从传统小规模、粗放方式向大规模、精细化研究的转变	研究仅以天津解放北路街道为案例，方法在其他城市或街道的普适性有待进一步验证；色彩测量结果的准确性主要通过问卷调查进行交叉验证，可能存在主观偏差	探索一种高效、大规模的城市空间建筑色彩测量方法，以支持街道空间环境色彩质量的评估与改造	城市街道空间的建筑色彩，以天津解放北路街道为实证研究对象	计算机视觉	NA	街景大数据采集、深度学习图像分割、色彩聚类分析	CNN	街景图像	NA	NA	SegNet	准确性（通过问卷调查交叉验证）	NA
30	2025-12-24	Deep learning hybrid model for analyzing and predicting the impact of imported malaria cases from Africa on the rise of Plasmodium falciparum in China before and during the COVID-19 pandemic 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0287702 PMID:38055693	研究论文	本研究通过构建ARIMA-GRU混合模型，分析了COVID-19大流行前后非洲输入性疟疾病例对中国恶性疟原虫病例上升的影响，并预测了其趋势	提出了结合统计模型（ARIMA）与深度学习（GRU）的混合方法，用于模拟中国恶性疟原虫病例的复燃，并首次在大流行背景下系统评估了国际旅行限制对输入性疟疾传播的影响	研究时间范围存在数据缺口（2019年至2020年初），且模型主要基于历史月度数据，可能未完全捕捉突发性公共卫生事件的所有动态因素	评估非洲输入性疟疾病例对中国恶性疟原虫病例上升的影响，并预测大流行前后的疾病趋势	中国31个省份的恶性疟原虫病例及死亡数据，以及来自45个非洲国家的输入性疟疾病例数据	机器学习	疟疾	时间序列分析，深度学习建模	混合模型（ARIMA与GRU）	时间序列数据（月度病例数）	2004年至2016年月度数据用于建模，2012年至2018年及2020年10月至2021年5月数据用于关联分析	未明确提及	ARIMA, GRU	预测准确率	NA
31	2025-12-24	CFM-YOLOv5:CFPNet moudle and muti-target prediction head incorporating YOLOv5 for metal surface defect detection 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0289179 PMID:38060568	研究论文	提出了一种基于改进YOLOv5算法的深度学习缺陷检测方法，用于金属表面缺陷检测	在特征增强部分用EVC模块替换标准Transformer编码器的多头自注意力模块以提升特征提取能力，并在预测部分增加小目标检测头以应对目标尺度剧烈变化	NA	解决金属表面缺陷检测领域人工检测效率低的问题	金属表面缺陷	计算机视觉	NA	深度学习	YOLOv5	图像	NA	PyTorch	YOLOv5, Transformer	mAP, FPS	NA
32	2025-12-24	A comparative analysis of converters of tabular data into image for the classification of Arboviruses using Convolutional Neural Networks 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0295598 PMID:38064477	研究论文	本文比较了将表格数据转换为图像的不同方法，用于基于卷积神经网络的虫媒病毒分类	通过比较多种表格数据到图像的转换器，并优化CNN模型，展示了CNN在转换后图像数据上能达到与优化XGBoost相当的性能	CNN模型的进一步随机搜索优化未能显著提升性能，且研究可能受限于特定数据集和转换方法	比较表格数据到图像的转换器性能，并优化CNN模型用于虫媒病毒分类	虫媒病毒数据	机器学习	虫媒病毒感染	表格数据到图像的转换技术	CNN, XGBoost	表格数据，图像数据	NA	NA	基础CNN（单卷积层）	准确率，精确率，召回率，F1分数，AUC	NA
33	2025-12-24	Enhancing breast ultrasound segmentation through fine-tuning and optimization techniques: Sharp attention UNet 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0289195 PMID:38091358	研究论文	本文通过比较图像预处理、优化技术和微调不同UNet分割模型的效果，提出了一种结合Sharp UNet和Attention UNet的新型模型Sharp Attention UNet，以提升乳腺超声图像分割性能	设计了一种新型模型Sharp Attention UNet，结合了Sharp UNet和Attention UNet的优点，并在乳腺超声图像分割中取得了优于其他模型的性能	NA	提升乳腺超声图像分割的准确性，特别是在良恶性肿块分割和无肿块区域识别方面	乳腺超声图像	计算机视觉	乳腺癌	深度学习	CNN	图像	NA	NA	UNet, Sharp UNet, Attention UNet, Sharp Attention UNet	Dice系数, 特异性, 敏感性, F1分数	NA
34	2025-12-24	A comprehensive framework for advanced protein classification and function prediction using synergistic approaches: Integrating bispectral analysis, machine learning, and deep learning 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0295805 PMID:38096313	研究论文	提出了一种结合双谱分析、机器学习和深度学习的新型框架，用于蛋白质分类和功能预测	首次将双谱特征与深度学习技术结合用于蛋白质序列分析，并采用多种CNN拓扑结构进行特征提取和选择	未具体说明所使用蛋白质数据集的详细规模和多样性，也未讨论方法在计算资源消耗方面的表现	开发更高效准确的蛋白质家族识别方法，以改进蛋白质功能预测和分类	蛋白质序列	机器学习	NA	双谱分析	CNN, 机器学习算法	序列数据	多个蛋白质数据集（未指定具体数量）	NA	多种拓扑结构的卷积神经网络	分类质量指标（未具体说明）	NA
35	2025-12-24	Diagnosis of COVID-19 with simultaneous accurate prediction of cardiac abnormalities from chest computed tomographic images 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0290494 PMID:38096254	研究论文	本研究开发了一种基于胸部CT图像的深度学习模型，用于同时诊断COVID-19并预测相关心血管异常	首次将迁移学习与CNN结合，实现从同一CT图像中区分COVID-19与其他肺炎，并自动预测COVID-19患者的心血管疾病风险，准确率分别达到99.2%和97.97%	未明确说明样本来源的多样性或模型在外部验证集上的泛化能力	开发一种双重筛查诊断工具，通过胸部CT图像诊断COVID-19并预测其相关心血管并发症	COVID-19患者、其他肺炎患者及健康个体的胸部CT图像	计算机视觉	COVID-19	胸部计算机断层扫描（CT）成像	CNN	图像	NA	NA	NA	准确率	NA
36	2025-12-24	A study of deep active learning methods to reduce labelling efforts in biomedical relation extraction 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0292356 PMID:38100453	研究论文	本研究探讨了深度主动学习方法在减少生物医学关系提取任务中标注工作量的应用	首次系统性地在七个生物医学关系提取数据集上对六种主动学习策略进行基准测试，并评估其学习曲线下面积及中间结果	研究仅基于PubMedBERT模型进行实验，未扩展到其他基础模型；且主动学习策略的泛化能力在不同数据集间可能存在差异	通过主动学习策略减少生物医学关系提取任务中的标注需求，提高数据标注效率	生物医学关系提取任务中的标注数据	自然语言处理	NA	主动学习	BERT	文本	七个生物医学关系提取数据集	PyTorch, Transformers	PubMedBERT	F1分数, 准确率, 精确率, 召回率, 学习曲线下面积	NA
37	2025-12-24	Positional relationship between ball and fingers for accurate baseball pitching 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0290042 PMID:38113282	研究论文	本研究探讨了棒球投球中球与手指位置关系对释放角变异性的影响	首次详细研究了手指位置与释放角变异性之间的关系，并采用基于深度学习的自动图像识别技术精确获取手指位置	NA	研究棒球投球准确性，特别是减少释放角变异性以提高投球位置一致性	棒球投手的手指与球的位置关系	计算机视觉	NA	深度学习自动图像识别技术	NA	图像	NA	NA	NA	NA	NA
38	2025-12-23	Deep learning for the prediction of clinical outcomes in internet-delivered CBT for depression and anxiety 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0272685 PMID:38011176	研究论文	本研究开发了一个深度学习框架，利用大规模、高维度的客户报告心理健康症状和平台交互时间序列数据，预测互联网认知行为疗法（iCBT）的临床结果	提出了一个基于深度循环神经网络（RNN）的动态预测模型，能够仅使用过去的临床测量数据，在三个或更多评估周期后以超过87%的准确率和0.89的AUROC预测可靠改善，优于所有基准模型	未明确说明模型在处理数据缺失或噪声方面的具体限制，也未提及模型在长期随访或不同人口统计学群体中的泛化能力	开发一个先进的深度学习框架，用于预测互联网认知行为疗法（iCBT）中抑郁和焦虑的临床结果，以支持及时决策和治疗调整	来自SilverCloud Health数字平台的45,876名匿名客户，这些客户接受抑郁和焦虑的心理治疗	自然语言处理	抑郁和焦虑	互联网认知行为疗法（iCBT）	RNN	时间序列数据	45,876名客户	NA	循环神经网络	准确率, 敏感性, 特异性, AUROC	NA
39	2025-12-23	A deep learning method for drug-target affinity prediction based on sequence interaction information mining 2023, PeerJ IF:2.3Q2 DOI:10.7717/peerj.16625 PMID:38099302	研究论文	本文提出了一种基于序列交互信息挖掘的深度学习方法来预测药物-靶点亲和力	提出了一种名为KC-DTA的新方法，通过k-mers分析和笛卡尔积计算捕获靶点序列中的相互作用和进化信息，并将分子表示为图结构，结合CNN和GNN提取特征进行亲和力预测	未明确提及具体限制，可能包括对特定数据集或计算资源的依赖	预测药物-靶点亲和力，以加速计算机辅助药物发现过程	药物分子和靶点蛋白质序列	机器学习	NA	深度学习，k-mers分析，笛卡尔积计算	CNN, GNN	序列数据，图数据	NA	NA	NA	多种评估指标（具体未列明）	NA
40	2025-12-18	Predicting Topographic Disease Progression and Treatment Response of Pegcetacoplan in Geographic Atrophy Quantified by Deep Learning 2023-01, Ophthalmology. Retina DOI:10.1016/j.oret.2022.08.003 PMID:35948209	研究论文	本研究利用深度学习自动评估SD-OCT图像，预测地理萎缩的地形进展及pegcetacoplan治疗效果	首次结合深度学习自动分割与空间广义加性混合效应模型，在地形层面量化地理萎缩的局部进展率及其与治疗反应的关系	样本量相对较小（156只眼），且为回顾性分析，可能受限于临床试验的固有设计	评估pegcetacoplan治疗对年龄相关性黄斑变性继发地理萎缩地形进展的影响	地理萎缩患者的SD-OCT扫描图像	数字病理学	年龄相关性黄斑变性	光谱域OCT成像	深度学习算法	图像	156只眼（57只月治疗组，46只隔月治疗组，53只安慰剂组），总计312次扫描	NA	NA	局部进展率, 光感受器厚度, 高反射焦点浓度	NA