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
101	2026-09-16	A scalable blockchain-enabled federated learning architecture for edge computing 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0308991 PMID:39150937	研究论文	提出了一种名为FLCoin的可扩展区块链联邦学习架构，用于边缘计算，通过基于委员会的共识机制和双层区块链设计，提升了通信效率和训练速度	提出了一种新颖的基于委员会的共识处理方法，委员会成员通过联邦学习过程选举产生，并采用了双层区块链架构来无缝集成区块链和联邦学习	未明确说明	解决现有研究中忽视物联网边缘网络设置中区块链共识处理的资源需求问题，实现区块链和联邦学习在物联网边缘网络中的高效可扩展集成	物联网边缘网络中的区块链联邦学习系统	机器学习	NA	联邦学习，区块链	CNN	图像	MNIST数据集（具体样本数未提及）	NA	五层CNN	共识延迟，通信开销，训练时间成本	NA
102	2026-09-16	VT-3DCapsNet: Visual tempos 3D-Capsule network for video-based facial expression recognition 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307446 PMID:39178187	研究论文	本文提出了一种结合视觉节奏的3D胶囊网络（VT-3DCapsNet），用于基于视频的面部表情识别	提出了3D-CapsNet模型，融合改进的3D-ResNet架构和AU感知注意力模块，增强胶囊网络的特征表示能力；提出了基于时序金字塔网络的表情识别模块（TPN-ERM），用于学习视觉节奏差异	未明确提及	解决传统CNN忽略面部关键特征相对位置关系以及未考虑视觉节奏的问题，提高面部表情识别准确率	视频中的面部表情	计算机视觉	NA	深度学习	CNN, 胶囊网络, 3D-ResNet, 时序金字塔网络	视频	扩展的CK+数据库和AFEW数据库	NA	3D-CapsNet, 3D-ResNet, TPN	识别准确率	NA
103	2026-09-16	Optimized ensemble deep learning for predictive analysis of student achievement 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0309141 PMID:39186491	研究论文	本文提出了一种结合DistilBERT与LSTM的混合模型（DBTM），并利用斑点鬣狗优化器（SHO）进行参数优化，用于学生成绩的预测分析	将DistilBERT与LSTM相结合的混合架构（DBTM）首次与斑点鬣狗优化器（SHO）结合用于学生成绩预测，通过优化参数显著提升了预测性能	未明确讨论模型在不同教育背景或不同学科领域的泛化能力，也未提及数据隐私和伦理问题	提升教育场景中学生学业成绩预测的准确性和效率，应对本硕博阶段数据量激增带来的挑战	高等教育阶段的学生学业成绩数据	机器学习	NA	NA	DistilBERT, LSTM	文本	NA	NA	DistilBERT, LSTM	准确率, 对数损失, 执行时间	NA
104	2026-09-16	Vessel trajectory classification via transfer learning with Deep Convolutional Neural Networks 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0308934 PMID:39186723	研究论文	本文提出了一种基于深度卷积神经网络和迁移学习的Dense121-VMC框架，用于同时提取和分类航行和徘徊的船舶轨迹	提出了Dense121-VMC框架，首次同时分类航行和徘徊轨迹，并利用迁移学习减少数据需求并解决过拟合问题	未明确提及	提高船舶轨迹分类的准确性，以增强海上安全和航行效率	基于自动识别系统（AIS）数据的船舶轨迹	计算机视觉	NA	自动识别系统（AIS）数据	CNN	图像	NA	NA	DenseNet121	NA	NA
105	2026-09-16	RETRACTED: Automated brain tumor diagnostics: Empowering neuro-oncology with deep learning-based MRI image analysis 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306493 PMID:39190622	研究论文	本文提出了一种结合卷积神经网络和ResNeXt101的混合深度学习技术，用于MRI图像中脑肿瘤的自动分割和分类	提出了一种新的混合深度学习技术ConvNet-ResNeXt101，结合了ConvNet和ResNeXt101的优势，并采用Advanced Whale Optimization (AWO)算法进行特征选择	文章已被撤回，未提供具体的局限性说明	解决MRI图像中脑肿瘤精确分割和分类的挑战，以支持有效的治疗计划和预后	脑肿瘤MRI图像	计算机视觉, 数字病理学	脑肿瘤	MRI	CNN, ResNeXt101	图像	BRATS 2020数据集	NA	ConvNet, ResNeXt101, AlexNet	准确率	NA
106	2026-09-16	Development and testing of a deep learning algorithm to detect lung consolidation among children with pneumonia using hand-held ultrasound 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0309109 PMID:39190686	研究论文	开发和测试一种深度学习算法，用于在手持超声设备上检测儿童肺炎中的肺实变特征	针对资源匮乏地区儿童肺炎诊断需求，开发了基于便携式手持超声的AI算法，实现肺实变的自动识别和定位，并在多中心前瞻性研究中验证了其高准确性	样本量相对有限（107名儿童参与者），训练集中加入了成人数据以扩充样本，可能影响模型在纯儿科人群中的泛化能力	开发和测试人工智能算法在住院儿童床旁肺超声中检测肺实变特征的准确性	18个月至17岁疑似下呼吸道感染的住院儿童	计算机视觉	肺炎	床旁肺超声（手持式Philips Lumify C5-2换能器）	CNN	视频	107名儿科参与者，117次独立检查，604个阳性视频和589个阴性视频	NA	NA	准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值	NA
107	2026-09-16	A new method of rock type identification based on transformer by utilizing acoustic emission 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0309165 PMID:39190747	研究论文	本文提出了一种基于声发射信号和Transformer的新型岩石类型识别框架，并引入了一种新的信号识别模型3CTNet	提出了一种结合卷积神经网络和Transformer编码器的新型模型3CTNet，用于岩石类型识别；实验比较了五种过采样方法，并选择了自适应合成采样方法（ADASYN）来平衡数据集	未明确提及	解决传统分析方法难以处理大数据的问题，以及渐进融合技术在智能岩石类型识别中有效特征提取的挑战	不同岩石破裂产生的声发射信号	地球科学	不适用	声发射	CNN, Transformer	信号	未明确提及	未明确提及	3CTNet（CNN和Transformer编码器）	准确率	未明确提及
108	2026-09-13	Autoencoder-based phenotyping of ophthalmic images highlights genetic loci influencing retinal morphology and provides informative biomarkers 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae732 PMID:39657956	研究论文	该研究利用自编码器对来自英国生物银行31135名参与者的视网膜OCT图像进行表征，通过全基因组关联分析识别出118个显著影响视网膜形态的遗传位点，并证明这些自编码器衍生的影像表型可作为青光眼和心血管疾病的预测生物标志物	首次将自编码器用于视网膜OCT图像的无监督表型提取，并在此基础上开展大规模GWAS分析，发现了传统临床影像特征未能捕捉的遗传关联，证明了自监督深度学习方法在影像遗传学中的价值	摘要中未明确提及研究局限性	探索深度学习方法能否检测到比传统临床影像特征更细微的视网膜图像变异模式，并揭示影响视网膜形态的遗传因素	英国生物银行31135名参与者的视网膜光学相干断层扫描（OCT）图像	计算机视觉、数字病理学	青光眼、心血管疾病、神经退行性疾病	光学相干断层扫描（OCT）、全基因组关联分析（GWAS）	自编码器（Autoencoder）	图像	31135名英国生物银行参与者的视网膜OCT图像	NA	自编码器（Autoencoder）	NA	NA
109	2026-09-13	Transcription factor prediction using protein 3D secondary structures 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae762 PMID:39786868	研究论文	本文提出了一种基于蛋白质三维二级结构信息的深度学习转录因子预测方法StrucTFactor，并在大规模数据集上验证了其性能优于现有方法	首次利用蛋白质的三维二级结构信息进行转录因子预测，而非仅依赖序列特征或已知DNA结合域	未明确提及	提高新型转录因子的预测准确性，特别是那些不包含已知DNA结合域的转录因子	约525,000个蛋白质，涵盖12个数据集	机器学习	NA	蛋白质三维二级结构预测	深度学习	蛋白质三维结构数据	约525,000个蛋白质	NA	NA	马修斯相关系数	NA
110	2026-09-13	DDGemb: predicting protein stability change upon single- and multi-point variations with embeddings and deep learning 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf019 PMID:39799516	研究论文	本文提出了DDGemb，一种结合蛋白质语言模型嵌入和Transformer架构的方法，用于预测单点和多点变异引起的蛋白质稳定性变化（ΔΔG）	结合蛋白质语言模型嵌入和Transformer架构，同时预测单点和多点变异引起的蛋白质ΔΔG变化	NA	预测蛋白质在单点和多点残基变异后的稳定性变化（ΔΔG），以辅助功能性蛋白质设计和理解蛋白质变异如何促进疾病发生	蛋白质及其单点和多点残基变异	机器学习	NA	蛋白质语言模型嵌入	Transformer	序列数据	NA	NA	Transformer	NA	NA
111	2026-09-13	EnrichRBP: an automated and interpretable computational platform for predicting and analysing RNA-binding protein events 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf018 PMID:39804669	研究论文	该文章介绍了一个名为EnrichRBP的自动化可解释计算平台，用于预测和分析RNA结合蛋白事件	EnrichRBP是一个自动化且可解释的计算平台，支持70种深度学习算法，涵盖特征表示、选择、模型训练、比较、优化和评估，集成在自动化流程中；提供全面可视化和模型可解释性，支持碱基水平功能注释任务，利用高性能计算提供超快速预测	未明确提及	预测RNA结合蛋白并理解转录后调控机制，提供可解释的预测和分析	RNA结合蛋白与RNA的相互作用	机器学习	NA	深度学习，机器学习	深度学习，机器学习	序列数据	NA	NA	NA	NA	高性能计算
112	2026-09-13	BetaAlign: a deep learning approach for multiple sequence alignment 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf009 PMID:39775454	研究论文	本文提出并改进了BetaAlign，这是首个利用深度学习进行多序列比对的方法，借鉴自然语言处理技术，通过训练Transformer模型将未比对的生物序列映射为多序列比对，并系统表征了其性能及多种因素对准确率的影响	首次将自然语言处理中的Transformer技术应用于多序列比对问题，提出了BetaAlign这一深度学习方法，完全偏离传统的比对计算算法，并通过模拟生成的比对数据进行训练，可为具有特定进化动力学属性的数据集轻松生成不同的比对工具	训练数据依赖模拟生成，性能受训练数据规模影响，需要针对特定进化动力学属性进行训练，可能受限于训练数据与真实数据的分布差异	利用自然语言处理技术解决生物信息学中的多序列比对问题，探索AI方法在系统发育基因组学中的潜力，并表征和优化BetaAlign的性能	未比对的生物序列（DNA/蛋白质序列），多序列比对结果	自然语言处理, 生物信息学	NA	模拟序列生成, 多序列比对, 深度学习	Transformer	序列数据（生物序列）, 文本（比对数据）	NA	HuggingFace Transformers	Transformer	准确率	NA
113	2026-09-13	TPepRet: a deep learning model for characterizing T-cell receptors-antigen binding patterns 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf022 PMID:39880376	研究论文	该研究开发了TPepRet，一种整合子序列挖掘与语义整合能力的深度学习模型，用于准确表征T细胞受体与抗原肽的结合模式。	将双向门控循环单元网络与大型语言模型框架相结合，同时捕获双向序列依赖关系并全面分析子序列和全局序列，解决了现有工具忽视序列数据中方向语义的问题。	摘要中未明确提及该研究的局限性。	准确表征T细胞受体与抗原肽之间的复杂结合模式，以推动癌症免疫治疗、疫苗设计和自身免疫疾病管理等临床应用。	T细胞受体（TCRs）与抗原肽（peptides）的结合模式。	机器学习	肺癌, 自身免疫疾病, COVID-19	NA	BiGRU, 大型语言模型	序列数据	NA	NA	BiGRU, 大型语言模型	NA	NA
114	2026-09-13	Tiberius: end-to-end deep learning with an HMM for gene prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae685 PMID:39558581	研究论文	提出了一种端到端深度学习与隐马尔可夫模型相结合的真核基因预测方法Tiberius	将卷积层和长短期记忆层与可微分隐马尔可夫模型层端到端集成，并采用自定义基因预测损失函数	未明确提及	提高从头真核基因预测的准确性	哺乳动物基因组，包括人类基因组和其他两个基因组	生物信息学	不适用	深度学习、隐马尔可夫模型	CNN、LSTM、HMM	DNA序列	人类基因组和另外两个基因组	不适用	卷积层、长短期记忆层、可微分隐马尔可夫模型层	F1分数	高度并行化模型，处理人类基因组不到2小时
115	2026-09-13	DeepDR: a deep learning library for drug response prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae688 PMID:39558584	研究论文	本文介绍了DeepDR，一个用于药物响应预测的深度学习库，该库自动化了药物和细胞的特征化、模型构建、训练和推理过程	DeepDR是首个专门为药物响应预测开发的深度学习库，集成了三种药物特征和九种药物编码器、四种细胞特征和九种细胞编码器以及两种融合模块，能够实现多达135种深度学习模型，并提供了用户友好的可视化界面	摘要中未提及该库的具体局限性	旨在解决药物响应预测中缺乏便捷工具支持建模的问题，推动精准医学和药物发现	药物和细胞系	机器学习	NA	NA	CNN, LSTM, GAN, Transformer等（具体取决于所选的编码器和融合模块）	药物特征和细胞特征数据	NA	PyTorch（推测，因未明确说明，但通常深度学习库基于此）	多种架构，包括基于CNN、LSTM、GAN、Transformer等的编码器和融合模块	NA	NA
116	2026-09-13	DeepRSMA: a cross-fusion-based deep learning method for RNA-small molecule binding affinity prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae678 PMID:39540702	研究论文	本文提出了一种基于交叉融合的深度学习方法DeepRSMA，用于预测RNA-小分子结合亲和力	开发了核苷酸级和原子级特征提取模块，结合序列和图视图，并引入了基于Transformer的交叉融合模块来学习RNA与小分子之间的相互作用模式	未明确提及	加速RNA靶向药物的发现，通过计算预测RNA-小分子亲和力	RNA和小分子	机器学习	脊髓性肌萎缩	NA	深度学习	序列和图数据	NA	NA	Transformer	NA	NA
117	2026-09-13	Sitetack: a deep learning model that improves PTM prediction by using known PTMs 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae602 PMID:39388212	研究论文	该文章开发了一个名为Sitetack的深度学习模型，通过将已知的翻译后修饰（PTM）位点编码为独立氨基酸特征，利用卷积神经网络预测PTM位点，并证明已知PTM信息能显著提升预测性能	首次将已知PTM位点作为额外特征编码到序列中，显著提升了现有模型的预测性能，并发现一种PTM的已知位置能提高另一种PTM的可预测性	NA	评估在基于序列的深度学习算法中利用已知PTM位点来预测PTM位置的有效性，以提高预测准确性	蛋白质序列及其翻译后修饰位点	机器学习	NA	NA	CNN	序列数据	NA	NA	卷积神经网络	NA	NA
118	2026-09-13	Deep coupled registration and segmentation of multimodal whole-brain images 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae606 PMID:39400311	研究论文	本文提出了一种深度学习框架，用于多模态全脑图像的联合配准与分割，通过深度耦合两个任务来提升性能	提出深度耦合配准与分割的框架，在特征层面和任务层面实现两个任务的协作，学习统一的模态无关潜在特征表示，从根本上解决多模态相似性度量设计的瓶颈，并增强潜在特征的可解释性	未明确提及	实现多模态全脑图像的准确对齐和解剖结构分割	小鼠和人类大脑的多模态及单模态全脑图像	计算机视觉	NA	深度学习	双分支网络	图像	NA	NA	NA	NA	NA
119	2026-09-13	Lifestyle factors in the biomedical literature: an ontology and comprehensive resources for named entity recognition 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae613 PMID:39412443	研究论文	本文构建了生活方式因素本体LSFO，开发了基于词典和基于Transformer的命名实体识别系统，并构建了人工标注语料库LSF200，用于在生物医学文献中识别生活方式因素	提出了首个全面的生活方式因素本体LSFO，开发了基于词典的LSF识别与标准化系统，构建了适用于NER系统训练与评估的人工标注语料库LSF200，并训练了基于Transformer的NER系统	基于词典的NER系统F-score仅为64%，基于Transformer的系统F-score为76%，仍有较大提升空间；LSF的固有多样性给全面识别带来挑战	系统性地描述生物医学文献中的生活方式因素，构建本体和命名实体识别系统以全面检测文本中各类生活方式因素	PubMed摘要和PMC开放获取文章中提及的生活方式因素	自然语言处理	慢性病	命名实体识别，本体构建，词典匹配，Transformer	Transformer	文本	LSF200人工标注语料库；大规模应用于PubMed摘要和PMC开放获取文章，识别出超过3亿次LSF提及	NA	Transformer	F-score	NA
120	2026-09-13	TRAITER: transformer-guided diagnosis and prognosis of heart failure using cell nuclear morphology and DNA damage marker 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae610 PMID:39412446	研究论文	本研究提出了一种基于Transformer的深度学习方法TRAITER，利用细胞核形态和DNA损伤标记图像进行心力衰竭的诊断和预后预测	首次将Transformer引导的深度学习方法应用于基于细胞核形态和DNA损伤标记的心力衰竭诊断和预后预测，并在左心室逆重构预测中取得了高准确率	样本量相对较小（9名和46名患者），需要更大规模的多中心验证	开发精确的心力衰竭诊断和预后方法，预测心力衰竭可能性和左心室逆重构潜力	心脏组织细胞核形态图像和双染图像（细胞核和DNA损伤标记）	数字病理学	心血管疾病	图像分割、双染成像	Vision Transformer	图像	31,158张来自9名患者的图像用于心力衰竭预测；231,840张来自46名患者的图像用于左心室逆重构预测	NA	Vision Transformer	准确率, ROC曲线, 精确率-召回率曲线	NA