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
41	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
42	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
43	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
44	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
45	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
46	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
47	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
48	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
49	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
50	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
51	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
52	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
53	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
54	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
55	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
56	2025-12-04	A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-Weighted MRI 2023, Computational diffusion MRI. CDMRI (Workshop) DOI:10.1007/978-3-031-47292-3_2 PMID:41321351	研究论文	本文提出了一种统一的动态网络，用于在异质多壳扩散加权MRI序列上高效估计纤维取向分布函数	采用单阶段球形卷积神经网络，避免了传统多阶段学习策略对中间表示的依赖，提高了估计效率和一致性	研究主要基于HCP年轻成人数据，未广泛验证于其他人群或临床场景，且未讨论模型在更复杂病理条件下的泛化能力	开发一种更高效和一致的纤维取向分布函数估计方法，以改进扩散加权MRI在组织分类和微结构成像中的应用	人类连接组计划中的年轻成人受试者，使用重测扫描数据	医学影像分析	NA	多壳扩散加权MRI	球形卷积神经网络	扩散加权MRI图像	人类连接组计划年轻成人数据集，包含重测扫描	NA	球形卷积神经网络	重测一致性，估计效率	NA
57	2025-11-28	Predicting Molecular Subtype and Survival of Rhabdomyosarcoma Patients Using Deep Learning of H&E Images: A Report from the Children's Oncology Group 2023-01-17, Clinical cancer research : an official journal of the American Association for Cancer Research IF:10.0Q1 DOI:10.1158/1078-0432.CCR-22-1663 PMID:36346688	研究论文	本研究使用深度学习分析横纹肌肉瘤H&E图像，预测分子亚型和患者生存率	首次将卷积神经网络应用于横纹肌肉瘤H&E图像，直接关联组织学特征与驱动基因突变及临床预后	样本量相对有限（321例），部分突变预测性能一般（如RAS通路ROC 0.67）	开发基于深度学习的横纹肌肉瘤诊断和预后预测工具	横纹肌肉瘤患者的H&E组织病理图像	数字病理学	横纹肌肉瘤	H&E染色，全玻片数字化扫描	CNN	病理图像	321例患者（训练集），136例独立测试样本	NA	卷积神经网络	ROC曲线，事件无生存期预测，总生存期预测	NA
58	2025-11-19	Structure-based prediction of T cell receptor:peptide-MHC interactions 2023-01-20, eLife IF:6.4Q1 DOI:10.7554/eLife.82813 PMID:36661395	研究论文	本研究开发了一种基于深度学习的结构建模方法，用于预测T细胞受体与肽-MHC复合物的相互作用	首次将专门优化的AlphaFold神经网络应用于TCR:肽-MHC相互作用的结构建模和特异性预测	预测结果尚未达到广泛实际应用水平，仍需进一步改进	开发可泛化的TCR:肽-MHC相互作用特异性预测模型	T细胞受体(TCR)与主要组织相容性复合体(MHC)呈递的肽段之间的相互作用	机器学习	免疫相关疾病	蛋白质结构预测	深度神经网络	蛋白质结构数据	NA	AlphaFold	AlphaFold变体	准确度	NA
59	2025-11-15	Deep learning to estimate brain age 2023-01, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00398-2 PMID:38177962	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
60	2025-11-12	Do poverty and wealth look the same the world over? A comparative study of 12 cities from five high-income countries using street images 2023, EPJ data science IF:3.0Q1 DOI:10.1140/epjds/s13688-023-00394-6 PMID:37293269	研究论文	利用街景图像和深度学习比较五个高收入国家12个城市中贫困与富裕社区视觉特征的相似性	首次通过跨城市跨国比较分析揭示贫困社区视觉特征比富裕社区更具城市独特性	研究仅涵盖高收入国家城市，未包括中低收入国家城市	探究不同城市和国家间贫困与富裕社区视觉环境的相似程度	12个高收入城市的社区街景图像	计算机视觉	NA	街景图像分析	深度学习	图像	720万张街景图像，覆盖12个城市8500万人口	NA	NA	NA	NA