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
581	2026-08-06	Performance enhancement of short-term wind speed forecasting model using Realtime data 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302664 PMID:38820359	研究论文	本文提出了一种混合模型L-LG-S，用于短期风速预测，以提高可再生能源中风力发电的效率	结合了LSTM和线性回归的混合模型，针对短期风速预测表现出优于现有模型的准确性	结论基于单一地点的数据，可能限制了模型在其他地区的通用性	提高短期风速预测的准确性，以支持风力发电的安全和高效运营	位于巴基斯坦卡拉奇的某风力涡轮机的实时风速数据	机器学习	NA	实时数据采集	混合模型（LSTM和线性回归）	数值时间序列	一个风力涡轮机的风速数据	未指定	LSTM, 线性回归	均方误差, 均方根误差, 平均绝对误差	未指定
582	2026-08-06	A model for skin cancer using combination of ensemble learning and deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301275 PMID:38820401	研究论文	本文提出一种结合集成学习与深度学习的皮肤癌分类模型，旨在区分良性和恶性皮肤癌病例，以提高评估指标。	创新点在于设计了一个包含多种特征选择技术的特征选择层，并选用DenseNet-201作为主要特征提取器，结合Lasso特征选择方法和多种机器学习算法，通过集成方法优化模型性能。	摘要中未提及具体局限性。	帮助医疗专家区分良性和恶性皮肤癌病例，提高分类评估指标。	皮肤癌图像数据。	计算机视觉、机器学习	皮肤癌	迁移学习、特征提取、特征选择	集成学习、深度学习	图像	未提及具体样本量。	NA	DenseNet-201	准确性、灵敏度	NA
583	2026-08-06	DAU-Net: Dual attention-aided U-Net for segmenting tumor in breast ultrasound images 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303670 PMID:38820462	研究论文	提出了一种基于深度学习的双注意力增强U-Net方法，用于乳腺超声图像中的肿瘤分割	创新性地提出了位置卷积块注意力模块（PCBAM）和移位窗口注意力（SWA），并将其集成到残差U-Net中，显著提高了分割性能	模型在BUSI和UDIAT数据集上的Dice得分分别为74.23%和78.58%，提示仍有进一步提升空间	通过整合创新注意力机制，开发一种精确的乳腺超声图像肿瘤分割方法，以支持早期检测和诊断	乳腺超声图像中的肿瘤区域	计算机视觉	乳腺癌	深度学习	U-Net	图像	使用了两个广泛使用的乳腺超声图像数据集（BUSI和UDIAT）	PyTorch	残差U-Net	Dice系数	未提及
584	2026-08-06	MCE: Medical Cognition Embedded in 3D MRI feature extraction for advancing glioma staging 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304419 PMID:38820482	研究论文	提出了一种医学认知嵌入（MCE）模型，用于3D MRI特征提取，以推进脑胶质瘤分期	将医学知识特征嵌入数据驱动方法，设计两种方法模拟医生读片学习过程，并结合Radiomics特征和手动诊断特征	受限于脑胶质瘤MRI数据的可获取性，纯数据驱动算法在特征提取和质量捕获上面临挑战	提高脑胶质瘤MRI分期的准确性和临床适用性，通过嵌入医学认知改善特征提取	脑胶质瘤MRI数据	计算机视觉, 数字病理学	脑胶质瘤	MRI	深度学习模型（具体未指明）	3D MRI图像	BraTS2018和BraTS2020公开数据集	NA	MCE（医学认知嵌入）	准确率、召回率、精确率	NA
585	2026-08-06	Sampling clustering based on multi-view attribute structural relations 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297989 PMID:38781184	研究论文	提出了一种基于多视图属性结构关系的采样聚类方法SLMGC，用于有效处理多视图图数据聚类任务	提出了一种简单有效的多视图图聚类方法SLMGC，无需复杂参数设置，通过图过滤、节点重要性采样和图对比正则化增强聚类性能	未明确提及局限性	解决现有基于深度学习的图聚类技术在处理多视图图数据时的问题，如无法同时探索多个视图结构与节点属性之间的关系以及处理不同特征的多视图数据	多视图图数据	机器学习	NA	NA	非神经网络算法	图数据	NA	NA	NA	综合实验验证聚类性能，但未指定具体指标	NA
586	2026-08-06	Big data analysis for Covid-19 in hospital information systems 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294481 PMID:38776299	研究论文	提出一种基于深度学习的联合框架，利用CT图像对COVID-19进行自动识别，并处理不同医疗系统间的数据分布差异	采用改进的COVID-Net网络架构和学习策略，结合潜在空间中的独立特征归一化，并引入对比训练目标以增强语义嵌入的域不变性	未明确提及局限性，可能依赖大型公开数据集，且框架性能在更广泛、多样化的临床数据上仍需验证	开发一种能够有效处理异质数据集、跨站点分布差异的深度学习联合框架，以提高COVID-19识别的准确性和泛化能力	来自不同医疗系统的CT图像数据集，具体包括两个大型公开COVID-19诊断数据集	计算机视觉	COVID-19	CT成像	深度学习模型（改进的COVID-Net）	图像（CT图像）	两个大规模公开COVID-19诊断数据集（含CT图像），具体样本数量未给出	未明确提及，可能涉及TensorFlow或PyTorch	COVID-Net（改进型），可能包含ResNet等卷积网络结构	AUC	未明确提及，可能使用GPU（如NVIDIA系列）
587	2026-08-06	Deep learning in public health: Comparative predictive models for COVID-19 case forecasting 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294289 PMID:38483948	研究论文	本研究比较了多种深度学习模型（如LSTM、双向LSTM、CNN、混合CNN-LSTM、MLP和RNN）在阿联酋和马来西亚预测COVID-19病例的应用效果	采用贝叶斯优化技术增强模型性能，并针对阿联酋和马来西亚的具体条件确定最适用的模型架构	未明确提及局限性	确定预测COVID-19病例最有效的深度学习模型，以支持公共卫生决策	阿联酋和马来西亚的COVID-19病例数据，包括确诊病例数、人口统计和社会经济因素	机器学习	COVID-19	NA	LSTM, 双向LSTM, CNN, 混合CNN-LSTM, 多层感知机, RNN	时间序列数据	NA	NA	LSTM, 双向LSTM, CNN, 混合CNN-LSTM, MLP, RNN	NA	NA
588	2026-08-06	Fine-tuning TrailMap: The utility of transfer learning to improve the performance of deep learning in axon segmentation of light-sheet microscopy images 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293856 PMID:38551935	研究论文	本研究通过微调现有TrailMap模型，利用小鼠脑中去甲肾上腺素能轴突结构的专家标注数据，优化迁移学习，以提升光片显微镜图像中轴突分割的深度学习性能	通过改变交叉熵权重和使用数据增强来优化迁移学习，提高了在测试数据集上的调整F1分数	未在摘要中明确提及局限性	提升先前模型在光片显微镜图像中轴突分割的性能，通过优化迁移学习实现自动化	小鼠脑中去甲肾上腺素能轴突结构	计算机视觉	不适用	光片显微镜	深度学习模型（TrailMap）	图像	未明确提及样本数量	未明确提及	TrailMap	调整F1分数	未提及
589	2026-08-06	Enhanced PRIM recognition using PRI sound and deep learning techniques 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0298373 PMID:38691542	研究论文	本文提出了一种基于PRI声音和深度学习的三阶段PRIM识别方法，以提高电子支持措施和电子情报系统中雷达识别的准确性和鲁棒性	创新性地使用PRI声音进行PRIM识别，结合迁移学习辅助的深度卷积神经网络、极限学习机和灰狼优化器，有效应对缺失脉冲、杂散脉冲和抖动等现实扭曲	未明确提及研究局限性	提高PRIM识别的准确性和鲁棒性，以应对现实世界中的信号扭曲，推动雷达识别技术的发展	六种常见PRI模式的PRI声音信号	机器学习	NA	NA	深度卷积神经网络、极限学习机、灰狼优化器	声音数据	包含六种常见PRI模式的真实实验数据集	NA	VGG16、ResNet50V2	准确率	NA
590	2026-08-05	PharmRL: pharmacophore elucidation with deep geometric reinforcement learning 2024-12-31, BMC biology IF:4.4Q1 DOI:10.1186/s12915-024-02096-5 PMID:39736736	研究论文	开发了一种基于深度几何强化学习的方法PharmRL，用于在无配体情况下识别药效团，并在多个数据集上验证了其虚拟筛选性能	首次将深度几何Q-learning应用于药效团识别，无需配体即可自动生成药效团，且优于随机选择配体特征的方法	未在更广泛的数据集上验证，且对于复杂结合位点的泛化能力尚待进一步测试	开发一种自动化方法，在缺乏配体的情况下识别药效团，以提高虚拟筛选效率	蛋白质结合位点及无配体的蛋白质-配体复合物	计算机视觉, 机器学习, 药物设计	未指定	深度学习, 深度几何强化学习	CNN, Q-learning	蛋白质结构数据, 分子数据	包含DUD-E数据集, LIT-PCBA数据集, COVID moonshot数据集	Google Colab, 深度学习框架（具体未提及）	CNN, 深度Q网络	F1分数	未提及具体GPU，但提供了Google Colab笔记本
591	2026-08-05	DeSide: A unified deep learning approach for cellular deconvolution of tumor microenvironment 2024-11-12, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2407096121 PMID:39514318	研究论文	介绍DeSide，一种基于深度学习的统一方法，用于通过批量RNA测序数据对肿瘤微环境进行细胞去卷积，以估计16种不同细胞类型和亚型的比例	整合生物学通路，先评估非癌细胞类型以避免癌细胞基因表达谱变异性问题，并采用独特的采样和过滤技术生成高质量训练集	未明确提及	开发一种准确且成本效益高的细胞去卷积方法，以分析肿瘤微环境中的细胞组成，并支持患者预后分层	实体瘤中的16种细胞类型和亚型，以及来自TCGA的19种癌症类型和外部数据集	机器学习	肿瘤	批量RNA测序、单细胞RNA测序	深度学习模型	基因表达数据	来自6种癌症类型的scRNA-seq数据和来自22种癌症类型的185个癌细胞系作为参考，以及TCGA批量RNA-seq数据	未明确	未明确	准确性	未明确
592	2026-08-05	PharmRL: Pharmacophore elucidation with Deep Geometric Reinforcement Learning 2024-Sep-24, Research square DOI:10.21203/rs.3.rs-5033986/v1 PMID:39399689	研究论文	开发了一种名为PharmRL的深度几何强化学习方法，用于在无配体情况下从蛋白质结合位点识别药效团，并提高虚拟筛选性能	首次在无配体情况下利用深度几何强化学习进行药效团识别，并结合CNN模型预测有利相互作用点，优于随机选择共晶结构特征	未明确提及，但可能依赖于CNN对结合位点的特征预测精度，且算法选择子集可能受限于训练数据的多样性	开发一种无需配体共晶结构即可识别药效团的深度学习方法，以提升虚拟筛选效率	蛋白质结合位点及其中的药效团特征，应用于虚拟筛选	机器学习、药物设计	NA	深度几何强化学习、CNN模型	CNN、深度Q学习	分子结构数据（结合位点、药效团点）	DUD-E、LIT-PCBA和COVID moonshot数据集	NA	CNN、深度Q网络	F1分数	Google Colab笔记本
593	2026-08-05	TEPCAM: Prediction of T-cell receptor-epitope binding specificity via interpretable deep learning 2024-01, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4841 PMID:37983648	研究论文	提出了一种基于交叉注意力和多通道卷积的深度学习模型TEPCAM，用于预测T细胞受体与表位的结合特异性，并增强模型的可解释性。	结合自注意力、交叉注意力机制和多通道卷积，提高了模型在未见测试集上的泛化能力，并通过提取交叉注意力层的可解释矩阵映射到三维结构，以学习TCR与表位的相互作用模式。	未明确提及，但可能受限于训练数据的多样性或模型在极端情况下的性能。	提高TCR-表位结合特异性预测的准确性和泛化能力，同时增强模型的可解释性，以支持免疫疗法的开发。	T细胞受体和表位（肽段）之间的结合特异性。	机器学习	NA	深度学习	深度学习模型（基于交叉注意力和多通道卷积）	序列数据（TCR和表位序列）	未明确提及，但涉及严格划分的数据集和外部数据集。	NA	交叉注意力、多通道卷积	未明确提及，但可能与准确率、AUC等标准指标相关。	NA
594	2026-08-04	AndroPred: an artificial intelligence-based model for predicting androgen receptor inhibitors 2024-09, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2239935 PMID:37493402	研究论文	本文介绍了一种基于人工智能的模型AndroPred，用于预测雄激素受体抑制剂，以加速前列腺癌药物发现	首次将多种机器学习与深度学习算法应用于雄激素受体抑制剂的预测，并发现深度神经网络模型性能最优，准确率达93.05%	模型缺乏实验验证，未来需通过实验分析和前瞻性测试确认其预测能力	利用人工智能算法快速预测雄激素受体抑制剂，以简化前列腺癌药物发现过程	雄激素受体抑制剂及其相关化合物	机器学习	前列腺癌	分子描述符与分子指纹分析	机器学习及深度学习模型，包括深度神经网络	化合物数据	2242个化合物	NA	深度神经网络	准确率	NA
595	2026-08-04	Prediction of prognosis using artificial intelligence-based histopathological image analysis in patients with soft tissue sarcomas 2024-05, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.7252 PMID:38800990	研究论文	本文探索了基于人工智能的病理图像分析在软组织肉瘤患者预后预测中的应用	首次将深度学习应用于软组织肉瘤的预后预测，使用Inception v3模型从病理图像中估计生存率	样本量较小（35例），且为回顾性研究，可能影响模型的泛化性	利用深度学习从组织病理图像预测软组织肉瘤患者的预后，以辅助临床管理	软组织肉瘤患者的组织病理切片	数字病理学	软组织肉瘤	组织病理图像数字化	卷积神经网络	图像	35例软组织肉瘤患者的组织病理切片	NA	Inception v3	AUC, 准确率, F1分数	NA
596	2026-08-04	Biclustering for Epi-Transcriptomic Co-functional Analysis 2024, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-3918-4_19 PMID:38907925	综述	本章介绍了用于表观转录组数据共功能分析的几种双聚类挖掘算法，以发现潜在的共功能模式，并探讨了将深度学习技术引入该领域的可能性	引入深度学习技术到表观转录组共功能分析领域	未提及具体算法性能或实验验证	介绍双聚类算法在表观转录组数据共功能分析中的应用，并推动深度学习在该领域的应用	表观转录组数据中的N6-甲基腺苷（m6A）修饰模式	生物信息学	NA	RNA-seq	双聚类算法, 深度学习	表观转录组数据	NA	NA	NA	NA	NA
597	2026-08-04	Road extraction through Yangwang-1 nighttime light data: A case study in Wenzhou, China 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297152 PMID:38241298	研究论文	该研究提出一种集成交叉注意力机制的改进U-Net模型（CA U-Net），用于从望洋一号夜间灯光图像中提取道路，并在温州市进行了案例研究	首次探索利用望洋一号夜间灯光数据进行道路提取，并引入交叉注意力机制改进U-Net模型，以提高道路识别和描绘的准确性	研究仅在温州市进行，可能不具有广泛代表性，且夜间灯光数据的道路提取仍处于初步阶段	旨在利用夜间灯光遥感数据提取道路网络，并验证深度学习框架在该任务中的可行性	温州市的道路网络	计算机视觉	NA	夜间灯光遥感	U-Net	图像	温州市的望洋一号夜间灯光图像（未提供具体样本数量）	NA	U-Net, 交叉注意力机制	F1分数	NA
598	2026-08-04	Evaluating deep learning-based melanoma classification using immunohistochemistry and routine histology: A three center study 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297146 PMID:38241314	研究论文	本研究评估了基于深度学习的黑色素瘤分类方法，使用免疫组织化学（IHC）染色的MelanA切片和常规苏木精-伊红（H&E）染色切片，并在三个中心的数据集上进行验证	首次系统比较了基于MelanA IHC切片和H&E切片的深度学习分类性能，并探索了多染色联合分类的潜在优势	未指明具体限制，可能包括数据集的多样性和泛化性限制	评估深度学习在黑色素瘤诊断中利用IHC和常规组织学切片的效能，并探索多染色联合分类的改进	黑色素瘤组织切片，包括MelanA IHC染色和H&E染色切片	数字病理学	黑色素瘤	免疫组织化学（IHC）染色、苏木精-伊红（H&E）染色	ResNet	组织病理学图像	三个中心的数据集，具体样本数未提供	NA	ResNet	AUROC（曲线下面积）	NA
599	2026-08-02	FRAGSITE2: A structure and fragment-based approach for virtual ligand screening 2024-01, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4869 PMID:38100293	研究论文	提出了一种基于结构和片段的虚拟配体筛选方法FRAGSITE2，在多个基准数据集上表现优于现有方法	结合了配体同源建模与机器学习，显著提升了缺乏已知小分子结合剂的蛋白质靶标的筛选性能，并采用提升树回归方法优于深度学习多层感知机方法	未提及明确的局限性，但可推断依赖模板配体，对于无同源模板的靶标可能仍有挑战	改进虚拟配体筛选的准确性和鲁棒性，以识别更多样化的结合配体，用于蛋白质功能注释和药物发现早期阶段	蛋白质靶标及其小分子配体，在DUD-E和DEKOIS2.0数据集上评估	机器学习	NA	虚拟筛选	提升树回归	分子结构数据	DUD-E集和DEKOIS2.0集，以及DEKOIS2.0的76个靶标子集	NA	NA	富集因子, ROC富集因子, AUPR	NA
600	2026-08-01	Tractography-Based Automated Identification of Retinogeniculate Visual Pathway With Novel Microstructure-Informed Supervised Contrastive Learning 2024-12-01, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.70071 PMID:39564727	研究论文	该文提出了一种基于深度学习的框架DeepRGVP，利用新型微结构引导的监督对比学习自动识别扩散MRI纤维束成像数据中的视网膜膝状体视觉通路	设计了利用纤维束标签和组织微结构信息确定正负对的微结构引导监督对比学习方法，并提出了一种新的纤维束级数据增强方法以解决训练数据的高度不平衡问题	文中未明确提及局限性	实现从扩散MRI纤维束成像数据中快速准确地自动识别视网膜膝状体视觉通路	视网膜膝状体视觉通路（RGVP）及其纤维束	医学影像分析	垂体瘤	扩散MRI纤维束成像	深度学习（对比学习）	扩散MRI纤维束成像数据	未明确提及具体样本量，包括正常数据和垂体瘤患者数据	NA	NA（但提到了深度学习框架DeepRGVP）	准确率，F1分数	NA