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	2026-10-01	Artificial Intelligence Models to Identify Patients at High Risk for Glaucoma Using Self-reported Health Data in a United States National Cohort 2025 May-Jun, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100685 PMID:40151359	研究论文	本研究利用美国全国性All of Us研究项目中参与者自我报告的健康调查数据，开发了三种人工智能模型来预测青光眼高风险患者，以辅助大规模筛查	首次利用自我报告的健康调查数据（而非眼科影像或眼科检查数据）构建机器学习与深度学习模型来预测青光眼诊断，为低资源环境下的青光眼预筛查提供了新思路	青光眼诊断基于电子健康档案中的ICD编码，可能存在编码误差或漏诊；数据来源于All of Us项目参与者，可能存在选择偏倚；模型尚未在外部独立队列中验证	开发基于自我报告健康调查数据的人工智能模型，用于预筛查青光眼高风险患者，以便将有限的眼科检查与影像资源定向分配给最需要的患者	All of Us研究项目中2018年5月1日至2022年7月1日期间入组的8205名参与者，年龄≥18岁，电子健康档案中有≥2个眼部相关诊断，并提交了包含自我健康史的调查问卷	机器学习	青光眼	NA	惩罚逻辑回归, XGBoost, 全连接神经网络	结构化文本（自我报告调查数据及电子健康档案数据）	8205名参与者，其中873名（10.64%）被诊断为青光眼	NA	全连接神经网络	AUROC, 95%置信区间	NA
62	2026-10-01	Comparison of Deep Learning and Traditional Machine Learning Models for Predicting Mild Cognitive Impairment Using Plasma Proteomic Biomarkers 2025-Mar-08, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms26062428 PMID:40141072	研究论文	本研究比较了深度学习和传统机器学习模型在利用血浆蛋白质组生物标志物预测轻度认知障碍（MCI）方面的表现	首次系统比较深度学习（DNN）与七种传统机器学习模型在利用血浆蛋白质组生物标志物预测MCI中的效果，并通过LASSO筛选出35个关键蛋白质组生物标志物，结合生物信息学分析揭示了相关分子功能和通路	样本量相对较小（239名成人），仅基于ADNI队列数据，结果的外部验证不足；生物标志物与MCI的因果关系尚未明确	比较深度学习和传统机器学习方法在利用血浆蛋白质组生物标志物预测轻度认知障碍中的表现，并探索相关生物标志物的生物学意义	来自阿尔茨海默病神经影像学倡议（ADNI）队列的239名成年人及其146种血浆蛋白质组生物标志物	机器学习	老年疾病	血浆蛋白质组学分析	DNN, SVM, LR, NB, RF, KNN, GBM, XGBoost	表格数据（蛋白质组生物标志物定量数据）	239名成年人，146种血浆蛋白质组生物标志物	H2O	DNN（2层，Rectifier With Dropout激活函数）, XGBoost, SVM, LR, NB, RF, KNN, GBM	准确率, F1分数	NA
63	2026-10-01	Deep Learning-Based Tumor Segmentation of Murine Magnetic Resonance Images of Prostate Cancer Patient-Derived Xenografts 2025-Feb-22, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography11030021 PMID:40137561	研究论文	本研究开发了一个基于深度学习的自动化分割流程，用于小鼠前列腺癌患者来源异种移植瘤的磁共振图像分割	开发了包含切片分类器和多种U-Net分割架构的自动化分割流程，并发现密集残差循环U-Net在肾脏肿瘤分割中表现最佳，且多站点数据联合训练能显著提升多站点肿瘤分割性能	摘要中未明确提及	开发自动化流程以分割小鼠异种移植瘤的磁共振图像，并评估不同U-Net架构和训练策略的分割性能	植入六种不同前列腺癌患者来源异种移植瘤的小鼠，肿瘤位于肾脏、肝脏和胫骨	数字病理学, 医学图像分割	前列腺癌	磁共振成像 (MRI)，T2加权成像	CNN	图像	未明确提供样本数量，涉及六种不同前列腺癌患者来源异种移植瘤的小鼠模型	NA	U-Net, 密集残差循环U-Net	准确率, Dice系数	NA
64	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
65	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
66	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
67	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
68	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
69	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
70	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
71	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
72	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
73	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
74	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
75	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
76	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
77	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
78	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
79	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
80	2026-10-01	Improving segmentation precision in prostate cancer adaptive radiation therapy with a patient-specific network 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332603 PMID:40971852	研究论文	该文章提出一种患者特异性网络（PSN）方法，用于前列腺癌自适应放疗中基于锥形束CT的临床靶区自动分割，以提高分割精度和工作流程效率	提出了患者特异性网络框架，采用两阶段策略：先预训练再通过PSNadaptive或PSNsequence进行患者特异性微调，基于Swin UNETR架构实现，与静态个性化方法不同，能够持续适应每日解剖变化	回顾性研究，样本量较小（26例患者），需要进一步前瞻性验证	提高前列腺癌自适应放疗中临床靶区自动分割的精度和效率，减少手动修正需求	26例接受CBCT引导在线自适应放疗的前列腺癌患者，共119个回顾性导出的分次	数字病理学、计算机视觉	前列腺癌	锥形束CT（CBCT）	深度学习	图像	26例前列腺癌患者，119个分次	NA	Swin UNETR	Dice相似系数（DSC）、95百分位Hausdorff距离（HD）、平均表面距离（MSD）	NA