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
21	2026-10-07	Developing a predictive model for anticipating technology convergence: A transformer-based model and supervised learning approach 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0326417 PMID:40569982	研究论文	本文提出了一种结合基于Transformer模型的文本挖掘和监督学习的方法，用于预测生物医疗领域的技术融合	创新性地将BERTopic、KeyBERT和OpenAI集成生成技术主题，并融合技术相似性、链接预测指标和因果关系作为输入特征来训练预测模型	未明确提及研究的局限性	开发一种稳健的方法来预测技术融合，利用专利和研究文章中提取的技术主题之间的相互关系	生物医疗领域的技术融合	机器学习	NA	文本挖掘、基于Transformer模型的文本挖掘	Transformer	文本	NA	NA	BERTopic, KeyBERT, OpenAI	NA	NA
22	2026-10-07	A multi-domain collaborative denoising bearing fault diagnosis model based on dynamic inter-domain attention mechanism and noise-aware loss function 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0326666 PMID:40569936	研究论文	本文提出了一种基于动态域间注意力机制和噪声感知损失函数的多域协同去噪轴承故障诊断模型。	提出了动态域间注意力机制（DIDAM）以区分不同信号域信息的重要性并灵活融合，以及设计了噪声感知损失函数（NALF）以避免模型在强噪声下做出错误决策。	未明确说明模型的计算复杂度、实时性以及在更多真实工业场景下的泛化能力。	解决工业强噪声背景下基于深度学习的轴承故障诊断模型诊断可靠性不足的问题。	滚动轴承故障信号。	机器学习	NA	NA	CNN	信号	两个公开数据集：CWRU和MFPT	NA	NA	准确率	NA
23	2026-10-07	Energy-efficient communication between IoMT devices and emergency vehicles for improved patient care 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330695 PMID:40875744	研究论文	本文提出了一种结合一维深度卷积神经网络和拉格朗日优化技术的智能通信框架，旨在提高IoMT设备与急救车辆之间通信的能效和数据传输速度	与许多早期模型不同，该技术考虑了信干噪比、传输功率以及救护车与患者设备之间的距离等实际特征，通过深度学习和数学优化相结合来优化紧急情况下的通信距离	未明确讨论所提框架在极端环境条件下的鲁棒性，以及实际部署中可能面临的硬件资源限制和实时性挑战	在紧急情况下，识别最佳的通信距离，以实现可靠、节能的数据传输，从而改善急救医疗服务中的通信效率	IoMT设备与急救车辆（如救护车）之间的通信系统	机器学习	NA	一维深度卷积神经网络、拉格朗日优化	1D-CNN	NA	NA	NA	一维卷积神经网络	通信可靠性、能耗、可能的数据速率	NA
24	2026-10-07	Optimizing ensemble machine learning models for accurate liver disease prediction in healthcare 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330899 PMID:40875648	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
25	2026-10-01	Transfer learning-based approach to individual Apis cerana segmentation 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319968 PMID:40238729	研究论文	该研究采用Mask R-CNN深度学习模型，通过迁移学习从西方蜜蜂模型迁移权重，结合亮度和对比度增强等数据预处理技术，实现蜂巢环境中单个中华蜜蜂的检测与分割	利用迁移学习将西方蜜蜂分割模型权重应用于中华蜜蜂分割，仅需15%的训练和验证数据即可达到高性能，大幅减少数据集大小和计算时间	仅使用mAP作为评估指标，未提及其他指标如IoU或Dice系数，可能无法全面评估分割质量	实现蜂巢环境中单个中华蜜蜂的准确检测与分割，以支持自动化行为分析	中华蜜蜂个体	计算机视觉	NA	NA	CNN	图像	未明确具体数量，但训练和验证集比之前西方蜜蜂分割研究减少85%	NA	Mask R-CNN	mAP	NA
26	2026-10-01	Definer: A computational method for accurate identification of RNA pseudouridine sites based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320077 PMID:40273178	研究论文	本文提出了一种基于深度学习的计算方法Definer，用于准确识别RNA假尿苷位点	结合了NCP和One-hot两种序列编码方案，并构建了由CNN、GRU和Attention组成的深度学习模型	未明确提及	准确识别RNA假尿苷修饰位点	Homo sapiens、Saccharomyces cerevisiae和Mus musculus三个物种的RNA序列	机器学习	NA	RNA序列分析	CNN, GRU, Attention	RNA序列	基准数据集包含三个物种的数据，具体样本数未提及；使用了10折交叉验证	NA	CNN, GRU, Attention	NA	NA
27	2026-10-01	A divide-and-conquer approach based on deep learning for long RNA secondary structure prediction: Focus on pseudoknots identification 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314837 PMID:40279361	研究论文	提出了一种基于深度学习的divide-and-conquer方法DivideFold，用于预测长RNA的二级结构（包括假结），通过递归分割长序列成小片段，由现有模型处理	利用divide-and-conquer策略结合深度学习模型，首次有效解决了长RNA序列中假结预测的计算挑战和精度问题，相比现有方法在假结预测和包含假结的二级结构预测上表现出优越性能	未明确说明，可能依赖于片段分割策略和底层模型性能，对极长RNA的计算效率未详细讨论	准确预测长RNA的二级结构，特别是假结，以更好地理解RNA的功能和三维折叠	长RNA序列及其二级结构（包括假结）	机器学习	NA	深度学习	深度学习模型	序列数据	NA	NA	NA	NA	NA
28	2026-10-01	Towards sustainable architecture: Enhancing green building energy consumption prediction with integrated variational autoencoders and self-attentive gated recurrent units from multifaceted datasets 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0317514 PMID:40279377	研究论文	该研究提出了一种集成时间依赖变分自编码器（TD-VAE）与自适应门控自注意力GRU（AGSA-GRU）的深度学习框架，用于绿色建筑能耗预测，并结合自注意力机制和多任务学习策略优化预测精度与异常检测	将时间依赖变分自编码器（TD-VAE）与自适应门控自注意力GRU（AGSA-GRU）相结合，并融入自注意力机制和多任务学习策略，以同时优化能耗预测精度和异常检测	仅使用了两个公开的绿色建筑能耗数据集进行验证，未在大规模或更多样化的数据集上评估	提高绿色建筑能耗预测的准确性，以支持有效的能源管理和节能策略	绿色建筑能耗时间序列数据	机器学习	NA	深度学习	TD-VAE, AGSA-GRU	时间序列数据	两个公开的绿色建筑能耗数据集	NA	TD-VAE, AGSA-GRU	准确率, AUC, 假阳性率（FPR）, 真阳性率（TPR）	NA
29	2026-10-01	A hybrid power load forecasting model using BiStacking and TCN-GRU 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321529 PMID:40294011	研究论文	本文提出了一种结合集成学习和深度学习的混合电力负荷预测模型BiStacking+TCN-GRU	结合BiStacking集成学习和TCN-GRU深度学习，并采用Pearson相关系数进行特征选择	未明确提及	提高短期电力负荷预测的准确性	电力负荷数据（巴拿马2020年电力负荷数据）	机器学习	NA	Pearson相关系数、集成学习、深度学习	BiStacking、TCN、GRU	时间序列数据	巴拿马2020年电力负荷数据	NA	BiStacking, TCN, GRU	RMSE, MAE, R²	NA
30	2026-10-01	Prediction of stress-strain behavior of rock materials under biaxial compression using a deep learning approach 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321478 PMID:40299820	研究论文	本文提出了一种基于长短期记忆自编码器（LSTM-AE）的深度学习方法，用于预测离散元数值模拟中岩石材料的应力-应变曲线	使用LSTM网络同时构建编码器和解码器，形成LSTM-AE架构，用于提取输入数据特征并生成目标序列，从而提升岩石材料应力-应变曲线的预测精度	LSTM-AE网络在处理大型数据集时的可扩展性以及在预测实验室数据集方面的适用性仍需进一步验证	提高岩石材料应力-应变曲线的预测精度	离散元数值模拟中的岩石材料	机器学习	NA	离散元数值模拟	LSTM-AE	数值模拟数据	10组特殊样本用于鲁棒性验证	NA	LSTM-AE, LSTM, RNN, BPNN, XGBoost	MSE, RMSE, MAE, R2	NA
31	2026-10-01	A robust hydroponic system for horticulture farming using deep learning, IoT, and mobile application 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330488 PMID:40920816	研究论文	本研究提出了一套稳健的水培农业系统，通过深度学习、物联网和移动应用程序为农户提供自动监测、操作指引和病害检测服务	将硬件实现（WeMos控制器）、深度学习病害检测和移动应用程序开发集成到一个完整的水培系统中，为基层农户提供便捷的智能监测与自动通知功能	文中未明确说明研究的具体局限性	支持农户使水培种植过程更加便捷、减轻压力，提高系统的可用性和监测能力	孟加拉国基层水培农户及其种植的水培作物	机器学习	NA	IoT传感器技术、深度学习、移动应用开发	CNN	图像、传感器数据	约80%的基层农户参与了问卷调查	NA	NA	准确率	NA
32	2026-10-01	Rapid label-free identification of seven bacterial species using microfluidics, single-cell time-lapse phase-contrast microscopy, and deep learning-based image and video classification 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330265 PMID:40920893	研究论文	利用微流控、单细胞延时相差显微镜和深度学习对七种细菌进行快速无标记鉴定	将物种鉴定扩展到七种常见病原体，评估实时性能，研究训练集大小、数据质量、数据增强的作用，以及纹理和形态对分类的贡献	直接从血液中分离细菌的挑战，以及在多样临床分离株上验证方法的必要性	快速鉴定细菌种类以有效治疗感染	七种细菌：铜绿假单胞菌、大肠杆菌、肺炎克雷伯菌、鲍曼不动杆菌、粪肠球菌、奇异变形杆菌和金黄色葡萄球菌	计算机视觉	细菌感染	微流控、单细胞延时相差显微镜	CNN, Vision Transformer	图像, 视频	来自微流控芯片陷阱的单细胞细菌生长的一小时延时图像序列	NA	卷积神经网络, Vision Transformer	精确率, 召回率, AUC	NA
33	2026-10-01	Smart load balancing in cloud computing: Integrating feature selection with advanced deep learning models 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0329765 PMID:40924788	研究论文	本文提出了一种智能负载均衡策略SLADRO，结合特征选择与深度学习模型，用于优化云计算环境中的资源分配	提出了SLADRO方法，创新性地将CNN-LSTM用于负载预测、OOA-PSO用于特征选择以及深度强化学习用于动态任务调度	仅基于Google Cluster Trace数据集进行模拟实验，缺乏真实云环境的部署验证	解决云计算环境中传统负载均衡技术难以应对动态复杂工作负载的问题，提高资源利用率和降低运营成本	云计算环境中的负载均衡与资源管理	机器学习	NA	深度学习、深度强化学习、生物启发式优化	CNN, LSTM, 深度强化学习	Google Cluster Trace数据集	NA	NA	CNN, LSTM, 深度强化学习	吞吐量, makespan, 资源利用率, 能效	NA
34	2026-10-01	Enhancing fake news detection with transformer-based deep learning: A multidisciplinary approach 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330954 PMID:40924789	研究论文	本文提出了一种基于Transformer的虚假新闻检测框架，通过渐进式训练方法增强BERT模型，并在大规模WELFake数据集上进行验证	将BERT模型与渐进式训练方法相结合，使模型能够逐步学习和优化对区分真实报道与虚假内容语言细微差别的理解	未明确说明模型的泛化能力、跨领域适应性以及计算资源需求方面的限制	开发一个稳健的虚假新闻自动检测框架，以应对数字信息完整性面临的挑战	虚假新闻文本内容	自然语言处理	NA	NA	Transformer	文本	72,134篇文章（WELFake数据集）	NA	BERT	准确率, F1分数, 精确率, 召回率	NA
35	2026-10-01	Deep feature engineering for accurate sperm morphology classification using CBAM-enhanced ResNet50 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330914 PMID:40929291	研究论文	本文提出了一种结合CBAM注意力机制与ResNet50骨干网络的深度学习框架，并引入深度特征工程与多种特征选择方法，用于自动化精子形态分类	将CBAM注意力机制与ResNet50结合，并集成多层级特征提取（CBAM、GAP、GMP、pre-final）与10种特征选择方法（PCA、卡方检验、随机森林重要性、方差阈值及其交集），再配合SVM与KNN分类器，实现精子形态分类的最优性能	摘要中未明确说明研究局限性	开发自动化、客观的精子形态分类方法，以替代传统人工分析，提高男性生育力评估的准确性与可重复性	精子图像样本	计算机视觉	男性不育症	深度学习图像分类	CNN	图像	SMIDS数据集3000张图像（3类），HuSHeM数据集216张图像（4类），采用5折交叉验证	NA	ResNet50, CBAM, SVM, KNN	准确率, McNemar检验	NA
36	2026-10-01	Deep learning-based classification of peptide analytes from single-channel nanopore translocation events 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0324777 PMID:40934192	研究论文	本文提出了一种基于深度学习的监督式数据处理流程，用于从单通道纳米孔易位事件中对肽段分析物进行分类	提出了一种新颖的分支输入网络，结合时序卷积网络处理易位事件的电导状态序列，以及全连接网络融合事件级和全局动力学特征进行肽段分类	研究仅使用模拟数据进行概念验证，尚未在真实实验数据上验证；混合物样本分类准确率较低（0.70±0.01），事件随机性和部分肽段动力学参数相似导致误分类和假阳性	开发一个深度学习框架，从单通道纳米孔易位事件中准确分类肽段分析物，为疾病诊断和生物医学应用中的肽段生物标志物检测奠定基础	七种肽段的纳米孔易位事件数据，包括纯肽段样本和混合物样本	机器学习	NA	纳米孔传感	CNN, RNN, TCN	时间序列信号	七种肽段的模拟多状态易位数据	NA	Deep-Channel, 时序卷积网络(TCN), 全连接网络(Dense Network), 卷积神经网络(CNN), 循环神经网络(RNN)	准确率, 平均绝对误差(MAE)	NA
37	2026-10-01	Explainable AI to unveil cellular autophagy dynamics 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0331045 PMID:40934250	研究论文	本文提出一个计算流程，利用深度学习模型自动化分析细胞自噬过程，包括目标检测、细胞分割、自噬状态分类、细胞追踪和可解释性方法	开发了能够处理细胞分裂和形态变化的定制追踪算法，无需标注追踪数据；整合了基于类激活映射的可解释性技术来验证分类结果	未明确说明	自动化分析细胞自噬过程，提高生物医学研究效率	细胞自噬过程的荧光显微镜图像	计算机视觉	癌症, 神经退行性疾病	荧光显微镜成像	YOLOv8, U-Net++, Vision Transformer	图像	6,240张荧光显微镜图像	未明确说明	YOLOv8, U-Net++, Vision Transformer	mAP50, IoU, 准确率	未明确说明
38	2026-10-01	Enhanced gallbladder cancer detection via active and self-supervised learning integration: Innovating B-ultrasound image analysis 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330781 PMID:40956796	研究论文	本文提出了一种结合主动学习和自监督学习的ASGBC分类算法，通过多尺度高阶信息模块和双分支损失函数，提高胆囊癌B超图像诊断的准确性和效率。	结合主动学习和自监督学习减少对标注数据的依赖；引入MsHop模块整合多尺度高阶信息捕捉超声图像细节；开发双分支损失函数利用数据相关性和聚类特征增强特征提取和模型稳定性。	需要进一步研究以优化算法用于更广泛的临床使用，并识别可能进一步提高诊断准确性的额外特征。	解决胆囊癌B超图像诊断中数据标注效率低和特征提取困难的问题，提高诊断准确性和效率。	胆囊癌B超图像。	计算机视觉	胆囊癌	B超成像	CNN	图像	NA	NA	NA	准确率, 特异性, 敏感性	NA
39	2026-10-01	A deep learning approach to gender equality: Forecasting educational indicators with 1D-CNN aligned with SDG 5 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332273 PMID:40956848	研究论文	本文利用一维卷积神经网络（1D-CNN）对五个国家的性别相关教育指标进行时间序列预测，以支持可持续发展目标5（性别平等）。	将1D-CNN应用于性别平等的教育指标预测，并结合多国数据进行时间序列分析。	未明确说明模型的可解释性、数据质量问题和泛化能力限制。	预测美国、沙特阿拉伯、中国、埃及和瑞典的性别相关教育结果，以支持性别平等政策制定。	五个国家（美国、沙特阿拉伯、中国、埃及、瑞典）的性别分类人口、社会经济和教育数据。	机器学习	NA	NA	CNN	时间序列数据	NA	NA	1D-CNN	NA	NA
40	2026-10-01	Explaining solar forecasts with generative AI: A two-stage framework combining transformers and LLMs 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0331516 PMID:40961090	研究论文	本文提出一个两阶段混合框架，将基于Transformer的时间序列预测模型SolarTrans与生成式大语言模型Flan-T5结合，用于短期光伏功率预测并生成自然语言解释	将轻量级Transformer编码器-解码器架构用于光伏功率预测，并首次将生成式LLM通过领域提示微调用于太阳能预测的可解释性解释生成	数据集规模较小，仅来自两个光伏电站共34天数据；解释模块仅使用ROUGE和BLEU等文本生成指标评估，缺乏人工评估或领域专家验证	提高光伏发电短期功率预测的准确性，并解决深度学习预测模型的可解释性问题	两个光伏电站的直流功率数据及对应的逆变器和气象多变量时间序列数据	机器学习	NA	Transformer时间序列预测，大语言模型微调（Flan-T5），生成式AI	Transformer，LLM	时间序列数据，文本数据	来自两个光伏电站共34天的公开数据集	NA	Transformer编码器-解码器，Flan-T5	MAE，RMSE，R2，ROUGE-1，ROUGE-2，ROUGE-L，ROUGE-Lsum，BLEU	NA