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
161	2025-12-30	Deep Learning to Optimize Magnetic Resonance Imaging Prediction of Motor Outcomes After Hypoxic-Ischemic Encephalopathy 2023-12, Pediatric neurology IF:3.2Q1 DOI:10.1016/j.pediatrneurol.2023.09.001 PMID:37774643	研究论文	本研究利用深度学习优化磁共振成像预测缺氧缺血性脑病后的运动结局	采用梯度提升深度学习模型，通过特征选择将预测模型从48个特征简化为仅3个关键特征，提高了预测准确性	样本量相对较小（117名婴儿），且研究仅针对足月或近足月婴儿，可能限制了结果的普适性	优化磁共振成像对缺氧缺血性脑病后运动不良结局的预测	孕周≥36周、接受治疗性低温治疗的中重度缺氧缺血性脑病婴儿	医学影像分析	缺氧缺血性脑病	磁共振成像（T1/T2/扩散加权成像）	梯度提升深度学习	图像, 临床数据	117名婴儿	NA	NA	准确率, 受试者工作特征曲线下面积	NA
162	2025-12-30	Attention-based deep clustering method for scRNA-seq cell type identification 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011641 PMID:37948464	研究论文	提出了一种名为AttentionAE-sc的新型单细胞RNA测序数据聚类方法，通过注意力机制融合两种不同的聚类策略，以解决数据稀疏性和高维度的挑战	首次结合了基于零膨胀负二项分布的方法和图自编码器方法，通过注意力机制迭代融合去噪和拓扑嵌入，自动学习聚类友好的细胞表示，无需指定聚类数量	未明确说明方法在超大规模数据集上的计算效率，也未讨论对特定生物背景或技术噪声的适应性	开发一种无监督的深度学习方法，用于单细胞RNA测序数据的细胞类型识别	单细胞RNA测序数据	机器学习	乳腺癌	单细胞RNA测序	自编码器, 图自编码器	基因表达数据	16个真实scRNA-seq数据集及一个乳腺癌单细胞图谱数据集	NA	AttentionAE-sc（注意力融合自编码器）	聚类性能, 稳定性, 鲁棒性	NA
163	2025-12-30	A general hypergraph learning algorithm for drug multi-task predictions in micro-to-macro biomedical networks 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011597 PMID:37956212	研究论文	本研究提出了一种通用的超图学习框架HGDrug，用于药物多任务预测，通过构建微到宏的药物中心异质网络并整合药物-子结构关系，在多个基准任务上实现了高精度和鲁棒性预测	引入药物-子结构关系到分子相互作用网络中，构建微到宏的药物中心异质网络，并开发多分支超图学习模型HGDrug，以处理化学结构和高阶关系，这在当前生物医学网络中尚未充分解决	未明确说明模型在处理更大规模网络或更复杂任务时的可扩展性，以及在实际药物发现应用中的验证程度	加速药物发现过程，通过结合大规模药物相关相互作用网络和深度学习技术	药物及其相互作用，包括药物-药物、药物-靶点、药物-疾病和药物-副作用交互	机器学习	NA	超图学习	超图学习模型	网络数据	NA	NA	HGDrug	准确性, 鲁棒性	NA
164	2025-12-30	FUN-PROSE: A deep learning approach to predict condition-specific gene expression in fungi 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011563 PMID:37971967	研究论文	本文提出了一种名为FUN-PROSE的深度学习模型，用于预测真菌在不同环境条件下的基因表达差异	该模型首次结合启动子序列和所有转录因子的表达水平来预测条件特异性基因表达，而非仅基于启动子序列预测平均表达水平	模型仅在三种真菌物种上进行了训练和测试，可能无法泛化到其他物种或更广泛的条件	研究旨在通过深度学习预测真菌在特定环境条件下的基因表达，以支持代谢工程和工业规模化生产	三种真菌物种的基因表达数据，包括启动子序列和转录因子表达水平	机器学习	NA	深度学习	深度学习模型	序列数据（启动子序列）和表达数据（转录因子表达水平）	三种真菌物种的数据集	NA	FUN-PROSE	相关性（高达0.85）	NA
165	2025-12-30	Neural network models for sequence-based TCR and HLA association prediction 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011664 PMID:37983288	研究论文	本文提出了一种基于神经网络的深度学习方法DePTH，用于预测T细胞受体（TCR）与人类白细胞抗原（HLA）之间的关联，基于它们的氨基酸序列	DePTH方法能够预测训练数据集中未出现的TCR和HLA之间的关联，并能量化HLA等位基因之间的功能相似性，这与癌症患者免疫检查点阻断治疗的生存结果相关	未在摘要中明确提及	预测TCR与HLA之间的关联，以挖掘TCR数据中的有用信息或生物标志物，用于免疫相关疾病或状况	T细胞受体（TCR）和人类白细胞抗原（HLA）的氨基酸序列	机器学习	癌症	氨基酸序列分析	神经网络	序列数据（氨基酸序列）	NA	NA	NA	NA	NA
166	2025-12-30	Natural variability in bee brain size and symmetry revealed by micro-CT imaging and deep learning 2023-10, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011529 PMID:37782674	研究论文	本研究利用显微CT成像和深度学习技术，对蜜蜂和大黄蜂的大脑进行自动化三维图像分析，揭示了脑部大小和对称性的自然变异	首次将显微CT成像与深度学习结合，实现蜜蜂大脑三维形态的自动化、高通量分析，克服了传统手动分析的限制	研究样本主要集中于蜜蜂和大黄蜂，尚未扩展到更广泛的动物范围	探究昆虫大脑形态的自然变异及其与行为、生态和进化的关系	蜜蜂和大黄蜂的大脑	计算机视觉	NA	显微CT成像	深度学习	三维图像	187个蜜蜂和大黄蜂大脑样本	NA	NA	NA	NA
167	2025-12-30	Recognition and reconstruction of cell differentiation patterns with deep learning 2023-10, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011582 PMID:37889897	研究论文	本文结合深度学习与数学模型，识别并重建小鼠胚胎干细胞类器官中的细胞命运模式	将数学模型生成的合成数据与空间汇总统计及深度学习算法结合，用于细胞命运模式的识别与重建，并开发了图神经网络和多层感知器来预测细胞命运	未明确提及实验验证的局限性或模型在更广泛生物系统中的泛化能力	研究细胞命运模式与潜在机制之间的联系	小鼠胚胎干细胞类器官中的细胞分化模式	机器学习	NA	数学模型、空间汇总统计	图神经网络、多层感知器	合成数据、体外数据	NA	NA	图神经网络、多层感知器	准确率	NA
168	2025-12-30	Neural Network Models for Sequence-Based TCR and HLA Association Prediction 2023-May-26, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.25.542327 PMID:37293077	研究论文	本文提出了一种名为DePTH的神经网络方法，用于基于氨基酸序列预测T细胞受体与人类白细胞抗原的关联	开发了首个基于深度学习的TCR-HLA关联预测模型，并利用该模型量化HLA等位基因的功能相似性，揭示了其与癌症患者免疫检查点阻断治疗生存结局的关联	未明确提及模型在独立验证集上的泛化能力或数据偏差问题	预测T细胞受体与人类白细胞抗原之间的关联，以深入理解免疫识别机制	T细胞受体的氨基酸序列和人类白细胞抗原的氨基酸序列	机器学习	癌症	NA	神经网络	序列数据（氨基酸序列）	NA	NA	NA	NA	NA
169	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
170	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
171	2025-12-24	SPIN-CGNN: Improved fixed backbone protein design with contact map-based graph construction and contact graph neural network 2023-12, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011330 PMID:38060617	研究论文	本文提出了一种基于蛋白质接触图的图神经网络SPIN-CGNN，用于改进固定骨架蛋白质设计	引入了基于蛋白质接触图的最近邻图构建方法，结合辅助边更新和选择性核，提高了序列恢复率、困惑度等性能指标	深度学习设计的序列中的低复杂度区域，特别是针对生成结构，与天然序列相比仍有待改进	改进固定骨架蛋白质设计方法，提高序列推断的准确性和生物相关性	蛋白质结构和序列	机器学习	NA	蛋白质接触图	图神经网络	蛋白质结构数据	NA	NA	GNN	序列恢复率, 困惑度, 氨基酸组成偏差, 疏水位点保守性, 低复杂度区域	NA
172	2025-12-24	Enhancing Breast Ultrasound Segmentation through Fine-tuning and Optimization Techniques: Sharp Attention UNet 2023-Jul-18, bioRxiv : the preprint server for biology DOI:10.1101/2023.07.14.549040 PMID:37503223	研究论文	本文通过微调和优化技术增强乳腺超声图像分割，提出了Sharp Attention UNet模型	结合Sharp UNet和Attention UNet设计了一种新颖的Sharp Attention UNet模型，并在乳腺超声图像分割中应用了图像预处理、优化技术和微调方法的比较研究	未明确说明数据集的规模或多样性限制，也未提及模型在外部验证或临床环境中的泛化能力	评估图像预处理、不同优化技术以及微调对UNet分割模型性能的影响，并开发改进的乳腺病变分割算法	乳腺超声图像中的良性、恶性肿块区域以及无肿块区域	数字病理学	乳腺癌	超声成像	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
173	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
174	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
175	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
176	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
177	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
178	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
179	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
180	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