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
181	2026-08-18	Multimodal MALDI imaging mass spectrometry for improved diagnosis of melanoma 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304709 PMID:38820337	研究论文	本研究开发了一种多模态分类流程，结合预训练人工神经网络的显微镜图像特征和质谱成像数据，以提高黑色素瘤与痣病变的鉴别诊断性能	首次将预训练神经网络提取的组织病理图像形态特征与质谱成像数据融合进行分类，避免了对大量显微镜数据的训练需求	未明确提及局限性，但可能受限于样本量（331例）和预训练网络的特征提取通用性	开发并验证基于深度学习的多模态分类流程，以改善黑色素细胞肿瘤的分类性能	331例患者的黑色素瘤和痣病变组织样本，包括MALDI质谱成像数据和H&E染色切片图像	数字病理学	黑色素瘤	MALDI成像质谱	预训练人工神经网络	质谱成像数据、组织病理图像	331例患者	未明确提及	预训练人工神经网络（具体架构未提及）	ROC-AUC	未明确提及
182	2026-08-18	A Hybrid convolution neural network for the classification of tree species using hyperspectral imagery 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304469 PMID:38820430	研究论文	提出了一种结合卷积神经网络（CNN）和传统机器学习技术的混合模型，用于高光谱图像中树种的高精度分类	混合了深度学习与传统学习技术，融合相关特征选择与优化递归特征消除算法，并在网络架构中引入注意力机制，采用双分支网络提升分类性能	未提及，可能未涉及模型计算成本或对不同数据集的泛化性分析	利用高光谱遥感数据实现树种的精确分类，以支持森林资源管理和监测	树种高光谱图像数据	计算机视觉	NA	高光谱成像	CNN, SVM	高光谱图像	未明示	未提及	CNN（可能包含注意力机制，双分支网络）	分类准确率	未提及
183	2026-08-18	Long short-term memory (LSTM)-based news classification model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301835 PMID:38814925	研究论文	该研究利用单向和双向长短期记忆（LSTM）深度学习网络进行中文新闻分类，并评估上下文信息对文本分类的影响，实现了高准确率。	提出了一种结合BiLSTM和LSTM的集成架构进行特征提取和集成，并利用jieba分词、word2vec和Adam优化器优化模型性能。	未在摘要中明确说明局限性。	改进中文新闻分类的准确性，并比较双向和单向LSTM在特征提取方面的效果。	中文新闻文章。	自然语言处理	NA	NGS	LSTM, BiLSTM	文本	NA	NA	LSTM, BiLSTM, 全连接层	F1-score	NA
184	2026-08-18	Factors associated with interobserver variation amongst pathologists in the diagnosis of endometrial hyperplasia: A systematic review 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302252 PMID:38683770	系统综述	本系统综述旨在识别与病理学家在子宫内膜增生诊断中观察者间变异相关的病理学家特定因素，并评估这些因素对诊断可重复性的影响。	首次系统性地评估病理学家特定因素及工作实践对子宫内膜增生诊断观察者间变异的影响，并识别出一些新的工作方法，如核异型性程度分级和半自动定量图像分析/深度学习模型的整合。	现有研究数量有限，且很少有研究专门探讨病理学家特定特征，因此证据不足；此外，由于研究设计和方法差异，无法进行定量荟萃分析。	探讨病理学家特定因素和工作实践如何影响子宫内膜增生诊断中的观察者间变异，并为提高诊断可重复性提供依据。	病理学家及其在子宫内膜增生诊断中的工作实践和诊断风格。	数字病理学	子宫内膜增生	系统综述方法，涉及文献检索和叙事综合	NA	文献数据（已发表研究）	8项研究	NA	NA	观察者间一致性（如kappa值）	NA
185	2026-08-18	De novo prediction of RNA 3D structures with deep generative models 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297105 PMID:38358972	研究论文	提出一种基于深度生成模型从核酸序列预测RNA三维折叠结构的方法，结合自回归深度生成模型、蒙特卡洛树搜索和评分模型。	首次在原子分辨率下实现RNA从头结构预测的深度学习，无需多序列比对的结构接触信息或化学探针实验数据。	训练数据有限（实验测定的RNA结构数量少），可能影响泛化能力。	开发一种直接从RNA序列预测其三维结构的深度学习新方法。	RNA分子及其三维折叠结构。	机器学习	不适用	不适用	深度生成模型	序列和结构数据	实验测定的RNA结构（数量未明确）	不适用	自回归深度生成模型	竞争性结果（具体指标未列出）	不适用
186	2026-08-18	Automatic detection of cell-cycle stages using recurrent neural networks 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297356 PMID:38466708	研究论文	本文提出一种基于循环神经网络（RNN）的深度学习方法，用于自动预测细胞有丝分裂的不同阶段。	利用RNN提取图像序列的时间特征，相比不利用时间信息的分类器特征提取方法，显著提高了有丝分裂阶段分类性能。	未明确提及，但可能包括对特定细胞类型或成像条件的依赖。	自动检测细胞有丝分裂阶段，以支持细胞生物学研究和癌症等病理的临床诊断。	正在进行有丝分裂的细胞视频序列。	计算机视觉	癌症	视频成像	循环神经网络（RNN）	视频图像序列	未提供具体样本数量	未明确指定	RNN（具体架构未明确）	精确率、召回率、F1分数、混淆矩阵	未提供具体信息
187	2026-08-18	Predicting central choroidal thickness from colour fundus photographs using deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301467 PMID:38551957	研究论文	本研究开发并验证了一种基于深度学习的方法，从彩色眼底照片估算中央脉络膜厚度，以提高疾病检测能力。	首次应用深度学习从眼底图像估算中央脉络膜厚度，并在外部多个机构数据集上进行验证。	样本来自单一机构，且排除了特定眼部病变，可能限制泛化性；验证集较小。	开发并验证深度学习模型，以从彩色眼底照片自动估算中央脉络膜厚度，辅助疾病检测。	彩色眼底照片和同日的OCT检查图像。	计算机视觉	脉络膜相关疾病	NA	深度学习模型	图像	2,548张图像用于开发，393张图像用于验证。	NA	NA	标准差	NA
188	2026-08-16	Non-invasive load monitoring based on deep learning to identify unknown loads 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0296979 PMID:38335185	研究论文	本文提出了一种基于深度学习的非侵入式负载监测方法，利用三元组神经网络和凸包重合度检测未知电器负载，并通过迁移学习快速更新分类模型。	提出了基于三元组神经网络的新编码特征空间，使用凸包重合度检测未知负载，并引入迁移学习实现预分类模型的自增类快速更新。	未提及具体限制。	解决未知电器负载的准确识别问题，提高能源利用效率，减少能源浪费。	未知电器负载。	机器学习	NA	N/A	三元组神经网络（Triplet Neural Network）	时序电信号数据（来自PLAID数据集）	PLAID数据集中的样本	N/A	三元组网络（Triplet Network）	准确率（达到99.23%）	N/A
189	2026-08-16	Deep learning segmentation and registration-driven lung parenchymal volume and movement CT analysis in prone positioning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299366 PMID:38422097	研究论文	利用深度神经网络对俯卧位CT图像进行肺实质体积和运动的定量分析	首次使用DNN分割和配准技术对俯卧位CT进行肺叶体积变化和三维像素位移的定量评估	未在摘要中明确提及限制	评估俯卧位对肺实质体积和运动的影响，并探讨其与肺纤维化程度及肺功能的相关性	疑似间质性肺异常或疾病的患者	医学影像分析	间质性肺疾病	CT成像	深度神经网络（DNN）	CT图像	108对CT图像（成功配准的病例）	NA	分割网络和变形配准网络	体积变化（毫升），最大像素位移（厘米），Spearman相关系数	NA
190	2026-08-13	A decision-making mechanism for task offloading using learning automata and deep learning in mobile edge networks 2024-Jan-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2023.e23651 PMID:38192752	研究论文	提出一种在移动边缘网络中利用学习自动机和深度学习进行任务卸载的决策机制，以应对工作负载波动问题	提出了一种动态资源需求下的任务卸载方法，使用学习自动机作为卸载决策者，结合长短期记忆网络进行自动缩放策略，并采用异步优势演员-评论家算法进行深度强化学习决策	未在真实环境中验证，仅通过iFogSim模拟器进行实验	解决移动边缘计算中任务卸载时动态资源需求和工作负载波动问题，提高可扩展性并降低延迟和能耗	移动边缘网络中的任务卸载机制	机器学习	NA	NA	长短期记忆网络、异步优势演员-评论家算法	模拟数据	NA	iFogSim	LSTM, A3C	延迟、能耗、可扩展性	NA
191	2026-08-13	Training immunophenotyping deep learning models with the same-section ground truth cell label derivation method improves virtual staining accuracy 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1404640 PMID:39007128	研究论文	本文评估了用于免疫表型分析深度学习模型训练中，基于同一切片获取的金标准细胞标签相较于连续切片标签，能显著提升虚拟染色模型的预测性能与临床分层能力	首次系统研究了免疫表型分析深度学习模型中不同金标准细胞标签获取方法（同一切片与连续切片）对模型性能的影响，并通过同一切片方法有效提高了虚拟染色准确性	本研究以肺癌组织中的CD3+ T细胞作为概念验证，未覆盖其他免疫标记物或癌症类型，且未详细探讨同一切片方法的泛化性	评估同一切片和连续切片金标准细胞标签获取方法对H&E图像中免疫标记物预测模型性能的影响，并验证同一切片方法的临床效用	肺癌组织中的CD3+ T细胞，以及基于公共肺癌队列的患者生存分层	数字病理学	肺癌	免疫组织化学（IHC），苏木精-伊红（H&E）染色	生成对抗网络（GAN）	组织切片图像	未明确说明具体数量，涉及肺癌组织切片及公共肺癌队列	NA	Pix2Pix	预测性能指标，生存分层能力（未明确具体指标）	NA
192	2026-08-13	A high-accuracy lightweight network model for X-ray image diagnosis: A case study of COVID detection 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303049 PMID:38889106	研究论文	本研究提出一种基于轻量级网络MobileNetV3的改进模型，用于X射线图像的COVID-19检测，通过引入密集块、过渡层、标签平滑损失、类别加权和剪枝技术，在公开数据集上实现了高准确率和参数效率。	通过结合密集块和过渡层增强空间信息捕获，引入标签平滑损失处理类间相似性，采用类别加权解决数据不平衡，并应用剪枝技术大幅减少参数，实现了高精度与轻量化。	未提及潜在局限性，可能包括对特定数据集的依赖或泛化能力未知等（从摘要中无法提取详细信息）。	开发一种快速、可靠且轻量级的深度学习模型，用于COVID-19的X射线图像诊断，以缓解医疗资源有限地区的诊断压力。	X射线图像中的COVID-19检测，涉及公开可访问的数据库中的图像样本。	计算机视觉	COVID-19（冠状病毒病）	X射线成像	轻量级网络（基于MobileNetV3的改进模型）	图像数据（X射线图像）	未知（摘要未明确样本数量）	未指定（可能使用PyTorch或TensorFlow，但摘要未提及）	MobileNetV3、密集块、过渡层、剪枝技术	准确率（accuracy）	未提及（摘要未提供GPU型号或计算平台信息）
193	2026-08-13	Research on load clustering algorithm based on variational autoencoder and hierarchical clustering 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303977 PMID:38870191	研究论文	本文提出一种基于变分自编码器和度量学习的深度时间序列聚类方法，应用于工业负荷数据，提高了聚类准确性和速度	引入度量学习联合优化潜在空间表示，并采用对数似然和作为聚类合并标准，增强了聚类准确性和可解释性	未明确说明，但隐含大规模数据集上的可扩展性挑战仍需进一步验证	提高时间序列聚类的准确性和效率，尤其针对复杂时间序列数据	工业负荷时间序列数据	机器学习	NA	NA	变分自编码器	时间序列数据	工业负荷数据，具体样本数量未在摘要中明确	NA	门控循环单元	聚类准确率、速度	NA
194	2026-08-13	Deep learning based ECG segmentation for delineation of diverse arrhythmias 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303178 PMID:38870233	研究论文	本文介绍了一种基于深度学习的U-Net-like分割模型，用于心电图（ECG）中P波、QRS波和T波的精确分割，特别关注多种心律失常情况下的性能提升。	首次系统研究心律失常对ECG分割质量的影响，提出针对多种心律失常的U-Net-like分割模型和后处理算法，以自动确定波形边界并提高在心律失常下的表现。	未明确提及局限性，但可能包括对某些心律失常类型（如心动过速）在标准基准测试中表现不佳的问题。	旨在提高ECG分割模型在处理多种心律失常时的准确性和鲁棒性。	ECG信号中的P波、QRS波和T波。	深度学习、医学影像分析	心律失常	ECG信号处理	U-Net-like分割模型	ECG信号数据	训练集包含多种心律失常数据，评估集包括LUDB和QTDB数据集	NA	U-Net	F1分数	NA
195	2026-08-13	MRET: Modified Recursive Elimination Technique for ranking author assessment parameters 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303105 PMID:38870157	研究论文	提出了一种改进的递归消除技术（MRET）用于对作者评估参数进行排序，并利用多层感知机分类器对64种指标进行重要性评分和统计分析	首次将改进的递归消除技术（MRET）与多层感知机结合用于作者评估参数的排序，并通过对64种指标的系统性统计分析揭示参数间的潜在关联	数据仅来自数学领域，结果可能不适用于其他学科；样本仅包含525名获奖者和525名非获奖者，规模有限	识别和排序最有效的作者评估指标，以提升学术影响力评估的准确性	作者评估参数（共64种指标）以及数学领域研究人员的学术数据	数据挖掘，机器学习	不适用	大数据分析，统计建模	多层感知机（MLP）	数值型元数据，文本	525名未获奖者与525名获奖者（数学领域，共1050个样本）	不适用	多层感知机（MLP）	准确率，重要性分数，发生率	不适用
196	2026-08-13	Postoperative Karnofsky performance status prediction in patients with IDH wild-type glioblastoma: A multimodal approach integrating clinical and deep imaging features 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303002 PMID:39527541	研究论文	本研究旨在开发一种结合临床数据和基于深度学习提取的MRI影像特征的多模态模型，用于预测IDH野生型胶质母细胞瘤患者术后6个月的KPS评分	结合VAE提取的MRI影像特征与临床参数，构建多模态预测模型，提高KPS预测性能，优于单一临床或影像模型	回顾性单中心分析，样本量有限（150例），需要外部验证	开发预测IDH野生型胶质母细胞瘤患者术后6个月KPS评分（<70）的多模态模型，以改善预后预测和个性化治疗	150例新诊断的IDH野生型胶质母细胞瘤患者，包括术前和术后MRI图像及临床参数	医学影像分析、深度学习	胶质母细胞瘤	MRI成像	变分自编码器（VAE）和神经网络	MRI图像和临床数据	150例患者（训练集100例，测试集50例），另使用1,476个MRI数据集用于预训练	未明确指定	变分自编码器（VAE）	AUC	未明确提及
197	2026-08-13	Systematic analysis of the relationship between fold-dependent flexibility and artificial intelligence protein structure prediction 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313308 PMID:39591473	研究论文	系统分析蛋白质折叠依赖性灵活性与人工智能蛋白质结构预测之间的关系	首次大规模评估AI预测结构是否代表蛋白质的一种特定构象或平均构象，并发现预测结果与折叠类型相关	未明确说明局限性，可能包括对实验结构数量和质量的依赖	确定AI蛋白质结构预测是否反映蛋白质的灵活性，并评估这种预测与实验结构的差异是否依赖折叠类型	2878个具有至少十个不同实验结构的蛋白质，涵盖628种折叠类型	蛋白质结构预测	NA	人工智能结构预测（AlphaFold v2）和实验结构测定	深度学习模型（AlphaFold v2）	蛋白质三维结构数据	2878个蛋白质，628种折叠类型	NA	AlphaFold v2	RMSD	NA
198	2026-08-13	Leveraging transfer learning with deep learning for crime prediction 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0296486 PMID:38630687	研究论文	本研究采用迁移学习范式，通过微调多种统计和深度学习方法，特别是基于BiLSTM的架构，来预测犯罪趋势	提出了一种基于BiLSTM的迁移学习架构，能够将犯罪知识从一个社区迁移到另一个社区，以解决数据不足和资源有限的问题	未明确指出局限性	利用迁移学习和深度学习提高犯罪预测的准确性，并减少训练时间和资源需求	芝加哥、纽约和拉合尔的犯罪数据集	机器学习	NA	迁移学习	SMA, WMA, EMA, LSTM, BiLSTM, CNN-LSTM	犯罪统计数据（时间序列）	未指明具体样本数量，但涉及三个城市的犯罪数据集	NA	BiLSTM, LSTM, CNN-LSTM	误差值（如MAE或RMSE）和运行时间	NA
199	2026-08-13	Deep Learning Mammography Classification with a Small Set of Data 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/1573405620666230811142718 PMID:37860999	研究论文	本研究评估了使用七层卷积神经网络在小型数据集上对乳腺X线图像进行分类，以区分良性和恶性乳腺癌的能力。	在仅使用322张图像的有限数据集上，通过七层CNN架构实现了高精度（99.89%）的乳腺癌分类，优于以往研究。	数据集规模较小，可能影响模型的泛化能力；未提及外部验证或跨机构数据集的测试。	评估七层CNN在乳腺X线图像上区分良性和恶性肿瘤的有效性，以辅助医生诊断。	乳腺X线图像（乳腺钼靶图像）	计算机视觉	乳腺癌	乳腺X线摄影（钼靶成像）	卷积神经网络（CNN）	图像	322张乳腺X线图像（207张正常，115张异常）	未提及	七层CNN	损失率、准确率、精确率、召回率、F1分数、AUC	未提及
200	2026-08-12	Alzheimer's Disease Prediction Using Fly-Optimized Densely Connected Convolution Neural Networks Based on MRI Images 2024, The journal of prevention of Alzheimer's disease DOI:10.14283/jpad.2024.66 PMID:39044523	研究论文	本研究利用基于蝇优化的密集连接卷积神经网络（DenseNet）对MRI图像进行阿尔茨海默病的预测，通过图像预处理、分割和特征提取，提高了诊断的准确性。	采用元启发式算法（蝇优化）调优的密集连接卷积神经网络进行阿尔茨海默病检测，改进了图像处理流程，包括自适应直方图均衡和加权中值滤波，以及基于相关信息的特征选择，在性能上优于现有技术。	研究主要依赖于Kaggle数据集，可能限制泛化性；未提及具体计算资源或更广泛验证。	开发一种自动化的阿尔茨海默病检测方法，利用深度学习从MRI图像中准确识别受影响的脑区，以促进早期诊断和治疗。	MRI图像中阿尔茨海默病影响的脑区。	计算机视觉	阿尔茨海默病	MRI成像	卷积神经网络（CNN）	图像（MRI）	基于Kaggle数据集，具体样本数量未提及。	未提及	密集连接卷积神经网络（DenseNet）	敏感性、特异性、准确性、错误率、F-measure	未提及