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
61	2026-09-09	A new protocol for multispecies bacterial infections in zebrafish and their monitoring through automated image analysis 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304827 PMID:39116043	研究论文	该论文提出了一种在斑马鱼内耳（耳囊）中建立和追踪单种及多种细菌感染的方案，并通过自动化图像分析进行实时监测的流程	首次建立了针对特定器官（耳囊）的多物种细菌感染斑马鱼协议，并开发了结合深度学习和荧光强度测量的自动化图像分析流程，以量化病原体频率	未明确说明局限性	开发一种用于斑马鱼多物种细菌感染研究的新协议，并通过自动化图像分析实现感染的实时追踪和量化，以探究病原体-病原体和病原体-宿主相互作用	斑马鱼（Danio rerio）及其耳囊（otic vesicle）结构；病原体包括铜绿假单胞菌、鲍曼不动杆菌和肺炎克雷伯菌	数字病理学	细菌感染性疾病	荧光成像	深度学习模型（未指定具体类型）	图像	未明确说明	未明确说明	未明确说明	未明确说明	未明确说明
62	2026-09-09	A hybrid TCN-GRU model for classifying human activities using smartphone inertial signals 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304655 PMID:39137226	研究论文	本文提出一种结合增强时间卷积网络（TCN）与门控循环单元（GRU）的轻量级混合模型，用于基于智能手机惯性信号的人体活动识别	在TCN-GRU模型中引入膨胀卷积以扩展感受野而不增加参数，并采用少量短滤波器减少参数，同时利用残差连接和GRU层进行长期时间依赖建模	目前仅使用智能手机捕获的惯性信号，未来需探索模型在不同传感器类型和更广泛数据集上的泛化能力	开发一种轻量级且高效的深度学习模型，用于智能手机基于的人体活动识别，无需繁琐的手动特征提取	智能手机惯性信号（如加速度计和陀螺仪数据）用于人体活动分类	机器学习	NA	传感器信号处理（智能手机惯性传感器）	混合深度学习模型（TCN和GRU）	时间序列信号	两个基准数据集：UCI HAR和UniMiB SHAR（具体样本数量未提及）	NA	膨胀时间卷积网络（TCN）与门控循环单元（GRU）	准确率	NA
63	2026-09-09	An end-to-end framework for private DGA detection as a service 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304476 PMID:39196905	研究论文	提出首个端到端框架，用于隐私保护的域名生成算法（DGA）检测服务，结合安全多方计算和差分隐私技术	首次提出端到端的隐私保护DGA检测服务框架，结合安全多方计算（MPC）和差分隐私（DP），并通过模型量化加速推理	未明确提及具体局限性，可能包含对多方计算协议和量化精度的假设，以及性能与隐私权衡	实现隐私保护的DGA检测分类服务，确保DNS域名和模型隐私，同时提供效率	DNS域名分类系统，区分DGA恶意域名和非DGA良性域名	机器学习	NA	NA	深度学习模型（具体类型未指明）	DNS域名文本数据	NA	NA	NA	准确性，推理时间	三方安全计算协议
64	2026-09-09	DECTNet: Dual Encoder Network combined convolution and Transformer architecture for medical image segmentation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301019 PMID:38573957	研究论文	提出一种名为DECTNet的双编码器网络，结合卷积和Transformer架构用于医学图像分割，以提高分割准确性	新颖地结合卷积和Swin Transformer双编码器，并设计特征融合解码器与深度监督模块，以处理医学图像边界模糊和结构复杂问题	未明确提及局限性（基于标题和摘要）	解决医学图像分割中结构提取和精确分割的难题，提升分割性能	医学图像分割任务，包括皮肤病变、息肉、Covid-19病变和MRI心脏分割	医学图像分析	皮肤病变、息肉、Covid-19、心脏病	深度学习（卷积神经网络和Transformer）	双编码器网络（DECTNet），结合CNN和Swin Transformer	医学图像（皮肤病变、息肉、Covid-19病变、MRI心脏图像）	未明确提及具体样本数量	NA	DECTNet，包含卷积编码器、Swin Transformer编码器、特征融合解码器和深度监督模块	与七种模型比较，达到最先进结果（具体指标如Dice等未明确）	NA
65	2026-09-09	Semantic segmentation of urban environments: Leveraging U-Net deep learning model for cityscape image analysis 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0300767 PMID:38578733	研究论文	本研究利用U-Net深度学习模型对城市景观图像进行语义分割，并在Cityscapes数据集上验证其有效性，以实现高精度的城市环境理解	提出一种基于U-Net的改进架构，通过批量归一化和丢弃层增强模型稳定性，并在城市景观分割中实现最新的性能	文中未明确提及方法的局限性	探索U-Net模型在城市景观图像语义分割中的效能，以支持城市规划、交通管理和自动驾驶等应用	城市景观图像及其语义分割结果	计算机视觉	不适用	深度学习（卷积神经网络）	U-Net	图像	未明确说明样本数量，但使用了Cityscapes数据集	未明确	U-Net（编码器-解码器结构）	准确率, 平均IoU, 平均Dice系数	未明确说明
66	2026-09-08	Lumpy skin disease diagnosis in cattle: A deep learning approach optimized with RMSProp and MobileNetV2 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302862 PMID:39102387	研究论文	提出一种基于MobileNetV2和RMSProp优化器的深度学习方法，用于牛结节性皮肤病的诊断，准确率达95%	将MobileNetV2与RMSProp优化器结合应用于牛结节性皮肤病诊断，较现有基准提升4-10%的准确率	未在摘要中提及具体限制	开发一种高效的深度学习方法来诊断牛结节性皮肤病，以减少畜牧业损失	牛结节性皮肤病（LSD）的患病和健康牛只图像	计算机视觉	牛结节性皮肤病	深度学习图像分类	MobileNetV2	图像	数据集包含健康牛和患结节性皮肤病牛的图像（具体数量未提及）	NA	MobileNetV2	准确率	NA
67	2026-09-08	PredIL13: Stacking a variety of machine and deep learning methods with ESM-2 language model for identifying IL13-inducing peptides 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0309078 PMID:39172871	研究论文	本文开发了PredIL13，一种结合ESM-2蛋白质语言模型和多种机器学习与深度学习方法的集成学习方法，用于识别IL13诱导肽	首次将ESM-2语言模型与168个单特征模型的堆叠集成，通过迭代基于绝对权重系数的顺序删除方法选择最优模型，构建了预测性能显著优于现有工具的元分类器	未在摘要中提及	提高IL13诱导肽的计算预测能力，以加速发现能诱导IL-13的肽段，辅助COVID-19等相关疾病的研究	IL13诱导肽序列	机器学习	COVID-19	蛋白质语言模型（ESM-2）	集成学习（堆叠泛化）	肽序列	未在摘要中提及	NA	ESM-2, 逻辑回归元分类器	准确性	NA
68	2026-09-08	LERCause: Deep learning approaches for causal sentence identification from nuclear safety reports 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0308155 PMID:39172869	研究论文	本文介绍了LERCause数据集，并比较了多种方法（包括BERT模型、机器学习方法和深度学习CNN）用于从核安全报告中识别因果句，其中BioBERT取得了最佳性能	首次在核安全领域应用BERT中心模型进行因果句分类，并公开共享带标签的数据集和代码以促进可重复性研究	NA	为核安全领域的因果句分类提供基础数据集和自动化技术，并评估不同方法的性能	核安全报告中的因果句分类	自然语言处理	NA	NA	BERT, BioBERT, SciBERT, CNN, 逻辑回归, 梯度提升, 支持向量机	文本数据（核事件报告中的句子）	10,608个带注释的句子	NA	BERT, BioBERT, SciBERT, CNN	准确率, 精确率, 召回率, F1分数	NA
69	2026-09-07	Deep learning-based material decomposition of iodine and calcium in mobile photon counting detector CT 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306627 PMID:39058758	研究论文	本研究提出了一种基于深度学习的MD-Unet方法，用于移动光子计数探测器CT中碘和钙的材料分解	提出MD-Unet架构，利用三能级数据训练，并通过模拟数据和增强策略解决数据不足问题，以提高材料分解精度	未明确提及局限性	提高光子计数探测器CT中材料分解的准确性并减少噪声	动物活体数据	计算机视觉、医学影像分析	不适用	光子计数探测器CT	深度学习模型（Unet）	图像（CT图像）	动物数据（具体数量未提供）	未提供具体框架	Unet	准确性、噪声减少	未提供具体计算资源信息
70	2026-09-07	CNNs trained with adult data are useful in pediatrics. A pneumonia classification example 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306703 PMID:39052572	研究论文	本研究以肺炎分类为例，探索使用成人胸部X光图像训练的CNN在儿科人群中的适用性，并评估胸腔分割对模型注意力及性能的影响	首次系统地验证了用成人数据训练的CNN可直接应用于儿科肺炎分类，并提出通过胸腔分割减少模型注意偏向以提升泛化能力	仅以一个特定疾病（肺炎）为例，且儿科数据年龄范围有限（1-5岁），未涵盖更广泛的儿科疾病或更年长儿童	评估成人训练的CNN在儿科医疗场景中的适应性和有效性，以减少对有限儿科数据训练新模型的需求	胸部X光图像，包括成人训练数据和1至5岁儿童的评估数据	计算机视觉	肺炎	胸部X光成像	CNN（卷积神经网络）	图像（胸部X光）	训练集包含来自多个成人数据集的46,947张胸部X光图像；评估集包含5,856张1至5岁儿童的胸部X光图像	NA	CNN（具体架构未指定，可能为ResNet等，但文中未明确）	AUC	NA
71	2026-09-06	Deep learning-based respiratory muscle segmentation as a potential imaging biomarker for respiratory function assessment 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306789 PMID:39058719	研究论文	本研究利用深度学习技术自动分割和分类CT图像中的三种呼吸肌，并评估其与肺功能测试参数的相关性	首次采用Attention U-Net架构在大规模CT图像数据集上进行呼吸肌分割与分类，并发现呼吸肌体积可作为呼吸功能的潜在影像生物标志物	肌肉密度与肺功能参数的相关性较弱，未明确探讨其临床应用的局限性	开发自动化方法分割和分类三种呼吸肌，并评估其作为呼吸功能评估的影像生物标志物的潜力	三种呼吸肌：胸大肌、竖脊肌和肋间肌	数字病理学	呼吸系统疾病	CT成像	Attention U-Net	CT图像	约3,200名个体的600,000张胸部CT图像	NA	Attention U-Net	Dice系数，广义Dice系数，F1分数	NA
72	2026-09-06	Field pea leaf disease classification using a deep learning approach 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307747 PMID:39052602	研究论文	本研究采用深度学习的迁移学习方法，自动分类田间豌豆叶部疾病，如白粉病、叶斑病和亚麻疫病。	提出了一种基于迁移学习和软最大化分类器的自动诊断方法，用于田间豌豆叶部疾病，显著提高了检测的准确性和效率，降低了成本和人工需求。	未提及研究的局限性，如数据集多样性、模型泛化能力或与其他方法的比较。	开发一种快速、自动、低成本且准确的田间豌豆叶部疾病检测方法，以克服传统视觉观察方法的缺点。	田间豌豆叶部图像，包括健康叶和三种疾病叶（亚麻疫病、叶斑病、白粉病）。	计算机视觉	植物疾病	NA	迁移学习，基于预训练的卷积神经网络（如DenseNet121）	图像	1600张健康和患病叶的图像	NA	DenseNet121	训练准确率、验证准确率、测试准确率	NA
73	2026-09-06	Data modeling analysis of GFRP tubular filled concrete column based on small sample deep meta learning method 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305038 PMID:38985781	研究论文	本文提出了一种基于小样本深度元学习的数据建模分析方法，用于优化玻璃纤维增强塑料（GFRP）包裹混凝土短柱的性能。	将元学习中的优化型数据增强与传统回归模型相结合，提出深度神经网络方法，解决了工程数据分析中的小样本回归问题。	未提及具体局限性。	解决小样本回归问题，优化GFRP包裹混凝土柱的设计和性能分析。	GFRP管状填充混凝土柱，包括GFRP材料和混凝土短柱。	机器学习	NA	NA	深度元学习网络	数值数据（小样本工程数据）	小样本数据（未提及具体数量）	NA	深度神经网络	与SVR、GPR、RBFNN进行性能对比	NA
74	2026-09-06	Using multi-label ensemble CNN classifiers to mitigate labelling inconsistencies in patch-level Gleason grading 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304847 PMID:38968206	研究论文	本研究提出了一种多标签集成深度学习分类器，以缓解前列腺组织病理学图像中补丁级别Gleason评分中的标签不一致问题，从而提高评分准确性	利用三种不同的单对全部深度学习模型的集成方法，从组织病理学图像中学习多样特征，以多标签方式指示每个补丁中是否存在一个或多个Gleason等级，从而有效缓解标签不一致问题	研究仅基于SICAPv2数据集，且依赖单一CNN架构，可能影响泛化能力	提高补丁级别Gleason评分的准确性，解决标签不一致问题，从而改进前列腺癌的诊断和预后	前列腺组织病理学图像中的补丁及其对应的Gleason等级	计算机视觉	前列腺癌	NA	CNN（集成模型）	图像	SICAPv2前列腺数据集	NA	ResNet18（变体）	准确率、F1分数	NA
75	2026-09-06	A confounder controlled machine learning approach: Group analysis and classification of schizophrenia and Alzheimer's disease using resting-state functional network connectivity 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293053 PMID:38768123	研究论文	本研究采用混杂因素控制的机器学习方法，基于静息态功能网络连接对阿尔茨海默病和精神分裂症进行分组分析与分类	直接比较不同研究收集的AD和SZ患者，并通过控制年龄和扫描协议等混杂因素来识别两种疾病之间的共享和独特生物标志物	摘要未提供明确局限性信息	比较和对比AD与SZ患者的静息态功能网络连接异常，并利用机器学习与深度学习模型进行诊断分类	阿尔茨海默病及晚期轻度认知障碍患者、精神分裂症患者和认知正常受试者	机器学习	阿尔茨海默病, 精神分裂症	NA	支持向量机, 逻辑回归, 随机森林, K近邻, 全连接神经网络	图像数据	162例AD/LMCI患者，181例精神分裂症患者，315例认知正常受试者	NA	NA	准确率	NA
76	2026-09-06	Boosted Harris Hawks Shuffled Shepherd Optimization Augmented Deep Learning based motor imagery classification for brain computer interface 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313261 PMID:39570847	研究论文	本文提出了一种基于增强型Harris Hawks洗牌牧羊人优化和深度学习的运动想象分类方法，用于脑机接口系统。	引入改进的Harris Hawks和Shuffled Shepherd Optimization算法进行超参数调优，增强DenseNet特征提取，并结合卷积自编码器实现高效分类。	标题和摘要中未明确提及限制条件，可能包括仅依赖基准数据集，未进行临床验证。	提高脑机接口中运动想象分类的准确性，以帮助运动障碍患者控制外部设备。	脑电信号中的运动想象分类任务。	机器学习和深度学习	运动障碍疾病	脑电图（EEG）	卷积神经网络（CNN）和卷积自编码器（CAE）	信号数据	使用BCIC-III和BCIC-IV数据集，但具体样本量未指定	NA	DenseNet, 卷积自编码器	准确率	NA
77	2026-09-05	WilsonGenAI a deep learning approach to classify pathogenic variants in Wilson Disease 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303787 PMID:38758754	研究论文	本文采用深度学习方法对威尔逊病相关的ATP7B基因变异进行分类，区分致病性与良性	首次将TabNet和XGBoost算法应用于威尔逊病ATP7B基因变异的致病性分类，利用高置信度的ACMG-AMP注释数据集	未提及	开发一种能够快速准确分类威尔逊病相关基因变异的工具，辅助临床和研究	威尔逊病相关的ATP7B基因遗传变异	机器学习	威尔逊病	NGS	TabNet, XGBoost	基因变异数据	未提及样本数量，但使用了高置信度手动注释的ACMG-AMP分类变异数据集及独立验证集和患者功能验证变异	未提及	TabNet, XGBoost	未提及	未提及
78	2026-09-05	The use of artificial intelligence in induced pluripotent stem cell-based technology over 10-year period: A systematic scoping review 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302537 PMID:38771829	综述	本系统综述探讨了人工智能在诱导多能干细胞技术中的应用，涵盖过去十年期间的研究进展。	首次系统性地概述了AI在iPSC技术中的应用，包括细胞分类、疾病表型评估和药物筛选，并强调了该领域研究的增长趋势。	综述可能受限于已发表研究的范围，未包括未发表或灰色文献，且主要依赖英文文献。	探索AI在iPSC研究发展中的作用，揭示其应用现状及未来潜力。	涉及iPSC技术中的AI应用，包括细胞分类、疾病建模、药物筛选及基因分析。	机器学习	疾病建模	NA	机器学习、深度学习	图像、文本	79项研究	NA	NA	NA	NA
79	2026-09-05	ET-Network: A novel efficient transformer deep learning model for automated Urdu handwritten text recognition 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302590 PMID:38758731	研究论文	提出了一种名为ET-Network的基于Transformer的高效深度学习模型，用于乌尔都语手写文本的自动识别	将自注意力机制集成到EfficientNet中进行特征提取，并结合Transformer进行语言建模，以捕捉长距离依赖，提升识别性能	未明确说明，但可能受限于乌尔都语手写数据集的有限性和多样性	解决乌尔都语手写文本自动识别中的挑战，提高识别准确性	乌尔都语手写文本图像	计算机视觉, 自然语言处理	NA	NA	Transformer, EfficientNet	图像, 文本	使用了三个数据集：NUST-UHWR, UPTI2.0, 和 MMU-OCR-21	NA	EfficientNet, Transformer	字符错误率, 词错误率	NA
80	2026-09-05	Predicting hotspots for disease-causing single nucleotide variants using sequences-based coevolution, network analysis, and machine learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302504 PMID:38743747	研究论文	开发了一个基于蛋白质残基接触网络的序列变异位点预测流程，结合共进化分析、网络分析和机器学习，以预测致病性单核苷酸变异的 hotspots。	整合多个基于深度学习的共进化分析工具构建残基接触网络，并利用机器学习融合多种网络中心性得分来预测疾病突变热点，区别于以往忽视了残基间相互作用或依赖已知结构的方法。	未明确提及，但可能受限于数据集规模（107种蛋白质）和依赖序列预测的准确性。	提高致病性突变热点预测的准确性和通量，以支持个性化医疗和药物设计。	疾病相关蛋白质的残基变异位点，尤其关注致病性单核苷酸变异。	机器学习, 生物信息学	遗传病	共进化分析（RaptorX, DeepMetaPSICOV, SPOT-Contact）, 机器学习	随机森林, 梯度提升, 极限梯度提升	蛋白质序列数据	107种富含疾病突变的蛋白质	NA	NA	NA	NA