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
401	2025-12-29	Real-time monitoring system for early stroke detection based on fog computing and enhanced deep learning techniques 2025-Dec-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28513-5 PMID:41455702	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
402	2025-12-29	Low-SNR and BER reduction in UWOC systems using DESN and CNN-TCN deep learning models 2025-Dec-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31837-x PMID:41455766	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
403	2026-01-02	A hybrid ensemble deep learning framework with novel metaheuristic optimization for scalable malicious website detection 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33695-z PMID:41436869	研究论文	本研究提出了一种结合集成学习模型与深度神经网络的混合检测框架，用于准确区分恶意与良性网站	采用两种新型元启发式算法（Weevil Damage Optimization Algorithm 和 Energy Valley Optimizer）进行超参数调优，并整合了应用层与网络层特征	未提及模型在实时检测环境中的延迟性能或对新型未知攻击模式的适应性	开发一个可扩展、可解释的恶意网站检测系统以增强网络安全防御	网站URL数据，包括应用层属性（如URL结构、服务器类型、WHOIS数据）和网络层特征（如TCP交换、DNS查询、数据包统计）	机器学习	NA	NA	Random Forest, Extreme Gradient Boosting, Light Gradient Boosting, Deep Neural Network	结构化数据（URL属性与网络特征）	63,191个URL	NA	NA	准确率	NA
404	2026-01-02	A Transformer-Based Deep Learning Approach to Predicting Air Organic Pollutant-Human Protein Interactions 2025-Dec-23, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c12915 PMID:41381047	研究论文	本文提出了一种基于Transformer的深度学习模型tipFormer，用于预测空气有机污染物与人类蛋白质之间的相互作用	结合双预训练语言模型编码蛋白质和有机污染物，并利用交叉注意力机制学习污染物-蛋白质结合的复杂相互作用模式	当前方法在系统识别新兴空气污染物早期结合事件方面仍有限制	预测空气有机污染物与人类蛋白质的相互作用，以促进对污染相关毒性的机制理解和风险评估	空气有机污染物和人类蛋白质	自然语言处理	NA	深度学习	Transformer	文本	NA	NA	Transformer	AUC	NA
405	2026-01-02	Exploiting fuzzy weights in CNN model-based taxonomic classification of 500-bp sequence bacterial dataset 2025-Dec-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-24836-5 PMID:41436515	研究论文	本文提出了一种改进的模糊加权卷积神经网络（F-CNN），用于细菌DNA序列（特别是500-bp片段）的分类学分类	结合模糊逻辑处理与深度学习，通过特征选择阶段和模糊加权系统处理分类层中相似类别的不确定性，优化参数	NA	提高基于500-bp片段的细菌DNA序列分类学分类的准确性	细菌DNA序列（500-bp片段）	自然语言处理	NA	DNA测序	CNN	序列数据	超过140万条细菌基因序列（来自RDP 11数据集）	NA	模糊加权卷积神经网络（F-CNN）	分类准确率	NA
406	2026-01-02	Prediction of electricity consumption and hydropower production in the smart power grid based on the gated recurrent unit neural network and modified future search algorithm 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32294-2 PMID:41429848	研究论文	本研究基于门控循环单元神经网络和改进的未来搜索算法，开发了一个优化模型，用于智能电网中的电力消耗和水力发电预测	结合GRU神经网络和改进的未来搜索算法，提高了电力消耗和水力发电预测的准确性	未明确说明模型的具体局限性，如数据范围或泛化能力	开发一个改进的模型，用于分析和预测智能电网中的能源生成和电力使用	智能电网中的电力消耗模式和水力发电生产	机器学习	NA	GRU神经网络，改进的未来搜索算法	GRU	经济数据，社会数据，气候数据	NA	NA	GRU	NA	NA
407	2026-01-02	A novel sub-differentiable hausdorff loss combined with BCE for MRI brain tumor segmentation using UNet variants 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33136-x PMID:41429890	研究论文	本文提出了一种新颖的可微Hausdorff损失函数，结合BCE损失，用于改进基于UNet变体的MRI脑肿瘤分割	提出了一种可微的Hausdorff损失函数（SDHL），解决了传统Hausdorff损失不可微和对异常值敏感的问题，并结合BCE损失以平衡边界精度和区域分割准确性	未明确说明数据集的规模或多样性限制，也未讨论模型在外部验证集上的泛化能力	改进MRI脑肿瘤分割的准确性和边界对齐，以支持精确诊断和治疗规划	MRI脑肿瘤图像	数字病理学	脑肿瘤	MRI	CNN	图像	NA	NA	UNet, UNet+, VNet, UNet++, Attention UNet	准确率, 精确率, 召回率, Dice分数, IoU, F1分数, Matthews相关系数	NA
408	2025-12-24	Cross-cohort genetic risk prediction for Alzheimer's disease: a transfer learning approach using GWAS and deep learning models 2025-Dec-22, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00506-0 PMID:41430307	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
409	2026-01-02	A lightweight and generalizable deep learning framework for early detection of rice leaf diseases in complex field environments 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32568-9 PMID:41430365	研究论文	本文提出了一种轻量级深度学习框架，用于在复杂田间环境中早期检测水稻叶片病害	引入了MLFD模块增强多尺度上下文特征提取，MDTA模块整合空间和通道注意力机制，以及Lo-Head优化检测头，显著降低模型复杂度同时保持高精度	未明确提及模型在极端光照或严重遮挡条件下的性能限制，也未讨论对未见过病害类型的泛化能力	开发一种轻量级、可泛化的深度学习框架，用于在复杂田间环境中早期检测水稻叶片病害	水稻叶片病害，以及马铃薯和番茄叶片病害作为泛化验证对象	计算机视觉	植物病害	深度学习	CNN, Transformer	图像	未明确指定具体样本数量，但使用了专门的水稻叶片病害数据集以及独立的马铃薯和番茄叶片病害数据集	未明确指定，但提及了YOLO系列作为对比	MLFD, MDTA, Lo-Head	mAP@0.5:0.95	未明确指定，但提及了低计算需求（6.3 GFLOPs, 2.66M参数），适用于资源有限的边缘设备（如无人机、田间传感器）
410	2026-01-02	Deep learning-based non-contrast MRI model for nasopharyngeal carcinoma diagnosis: an end-to-end gadolinium-free solution 2025-Dec-22, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02247-0 PMID:41430426	研究论文	本研究提出了一种基于深度学习的无对比剂MRI模型，用于鼻咽癌诊断，旨在减少对钆基对比剂的依赖	开发了一种创新的知识蒸馏模态融合模型，仅使用非对比MRI进行鼻咽癌诊断，避免了钆基对比剂的安全风险，并缩短了扫描时间	研究未明确说明模型在更广泛人群或不同MRI设备上的泛化能力，且外部测试集的AUC略低于内部测试集	开发一种无需钆基对比剂的鼻咽癌诊断方法，以提高安全性并降低成本	鼻咽癌患者	数字病理学	鼻咽癌	非对比MRI	深度学习模型	MRI图像	854例病例用于开发模型，内部测试集257例，外部测试集277例	NA	知识蒸馏模态融合模型	AUC	NA
411	2026-01-02	CaliciBoost: Performance-driven evaluation of molecular representations for caco-2 permeability prediction 2025-Dec-22, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01137-7 PMID:41430621	研究论文	本研究系统评估了八种分子特征表示类型结合自动化机器学习技术，用于预测Caco-2渗透性，并开发了性能优异的CaliciBoost模型	首次系统比较了包括2D/3D描述符、结构指纹和深度学习嵌入在内的多种分子表示方法，结合AutoML优化，在公开排行榜上取得最佳性能，并强调了3D描述符在提升预测准确性中的关键作用	研究主要基于两个特定数据集（TDC基准和OCHEM数据），可能在不同化学多样性或规模的数据上泛化能力有限，且未深入探讨模型在更广泛ADMET属性预测中的适用性	提高Caco-2渗透性预测的准确性和效率，为早期药物发现中的口服吸收预测提供计算工具	药物候选分子的Caco-2渗透性	机器学习	NA	自动化机器学习（AutoML），分子描述符计算（2D/3D），特征重要性分析（SHAP，置换重要性）	集成学习模型（具体为CaliciBoost，基于AutoML优化）	分子结构数据（包括2D/3D描述符、指纹、嵌入）	两个数据集：TDC基准数据集和OCHEM数据集，具体样本数量未在摘要中明确说明	AutoML框架（具体框架未指定，可能包括如AutoGluon、H2O.ai或自定义流程），结合RDKit、PaDEL、Mordred等化学信息学工具	CaliciBoost（基于AutoML优化的集成模型），具体基础架构未详细说明，可能包括梯度提升树（如XGBoost、LightGBM）等	MAE（平均绝对误差），在TDC Caco-2排行榜上的排名	NA
412	2025-12-22	Advanced customer churn prediction for a music streaming digital marketing service using attention graph-based deep learning approach 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28357-z PMID:41422130	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
413	2026-01-02	Deep learning to predict emergency department revisit using static and dynamic features (Deep Revisit): development and validation study 2025-Dec-20, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00509-x PMID:41422240	研究论文	本研究开发并验证了一种结合静态和动态特征的深度学习模型，用于预测急诊科再就诊风险	提出了一种结合TCN和FT-Transformer的混合深度学习模型，首次有效整合了静态特征和短期动态生命体征数据，并开发了处理时间不规则性的预处理策略	研究仅基于单一医疗中心的数据，未在多中心数据上进行验证，且高风险再就诊的基础率较低（0.01）	开发能够准确预测急诊科再就诊风险的深度学习模型，特别关注高风险再就诊病例的识别	急诊科就诊患者	机器学习	NA	临床数据挖掘	TCN, Transformer	结构化临床数据（静态特征和动态生命体征）	国立台湾大学医院2016-2019年及2020-2022年的急诊科就诊数据	NA	Temporal Convolutional Network, FT-Transformer	AUROC, AUPRC, 精确率	NA
414	2026-01-02	Multi-scale feature enhancement in multi-task learning for medical image analysis 2025-Dec-19, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103338 PMID:41475079	研究论文	本文提出了一种基于UNet的多任务学习模型，通过集成ResFormer块和扩张特征增强模块，同时提升医学图像的分类和分割性能	提出了一种结合卷积与Transformer的ResFormer块，以捕获局部上下文和长程依赖；并设计了扩张特征增强模块，通过多尺度卷积分支优化分割特征	未明确说明模型在计算资源受限环境下的适用性，且可能未涵盖所有医学图像类型	通过多任务学习改进医学图像分析，同时优化分类和分割任务	医学图像数据	计算机视觉	NA	深度学习	多任务学习模型	图像	多个医学数据集，具体数量未明确	PyTorch	UNet, ResFormer	准确率, Dice系数	NA
415	2026-01-02	Reliable wrist PPG monitoring by mitigating poor skin sensor contact 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31883-5 PMID:41407831	研究论文	提出一种基于深度学习的框架CP-PPG，用于将因接触压力失真的PPG信号转换为理想形态，以提升生理监测的准确性和可靠性	首次系统性地关注并解决了静态条件下皮肤-传感器接触不良对PPG信号形态的失真问题，提出了一种结合对抗训练和定制PPG感知损失函数的深度生成模型	未明确说明模型在极端接触压力变化或不同肤色人群中的泛化能力，且未详细讨论实时部署的计算效率	提高在静态条件下基于PPG的心血管健康监测的准确性和可靠性	手腕PPG信号	机器学习	心血管疾病	光电容积描记法（PPG）	GAN	PPG信号	NA	PyTorch	深度生成模型（具体架构未指定）	平均绝对误差, 心率, 心率变异性, 呼吸率, 血压估计	NA
416	2026-01-02	Semi-inductive dataset construction and framework optimization for practical drug target interaction prediction with ScopeDTI 2025-Dec-13, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66311-9 PMID:41390462	研究论文	本文提出了SCOPE-DTI框架，通过整合大规模半归纳数据集和深度学习模型，优化药物-靶点相互作用预测的实用性和性能	构建了大规模平衡的半归纳人类DTI数据集，并开发了结合三维蛋白质与化合物表示、图神经网络和双线性注意力机制的统一预测框架	未明确说明模型在特定药物类别或靶点家族上的泛化能力限制	提高药物-靶点相互作用预测的实用性和准确性，以加速药物发现研究	药物-靶点相互作用数据，特别是人类相关的药物和蛋白质靶点	机器学习	癌症	深度学习，图神经网络，注意力机制	图神经网络，注意力机制	三维蛋白质和化合物表示，药物-靶点相互作用数据	从13个公共存储库整合的数据集，相比常见基准（如Human数据集）数据量扩展高达100倍	未明确指定，但可能基于深度学习框架如PyTorch或TensorFlow	图神经网络，双线性注意力机制	未明确指定，但可能包括准确率、精确率、召回率、F1分数等	未明确指定
417	2025-12-15	A novel deep learning framework with temporal attention convolutional networks for intrusion detection in IoT and IIoT networks 2025-Dec-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32697-1 PMID:41390854	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
418	2026-01-02	Generalizable morphological profiling of cells by interpretable unsupervised learning 2025-Dec-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66267-w PMID:41381503	研究论文	本文介绍了一种名为MorphoGenie的无监督深度学习框架，用于单细胞形态学分析，通过解耦表示学习和高保真图像重建，构建了一个紧凑且可解释的潜在空间	结合解耦表示学习与高保真图像重建，创建了一个无需标注即可捕获生物学有意义特征的紧凑、可解释潜在空间，并系统地将潜在表示与层次化形态属性关联，确保语义和生物学可解释性，同时支持组合泛化，适用于多种成像模态和实验条件	未明确提及具体局限性	开发一种通用、无偏的单细胞形态学分析方法，以克服传统手动特征提取的偏见和深度学习在可解释性及标注数据依赖方面的挑战	单细胞	计算机视觉	NA	NA	深度学习	图像	NA	NA	NA	NA	NA
419	2026-01-02	Accurate Mediterranean Sea forecasting via graph-based deep learning 2025-Dec-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31177-w PMID:41353460	研究论文	本文介绍了一种名为SeaCast的基于图神经网络的深度学习模型，用于高分辨率区域海洋（地中海）预报，相比传统数值模型，在预测精度和时效上均有显著提升	提出了一种结合图神经网络框架以处理复杂海洋网格几何形状的深度学习模型SeaCast，并整合了针对区域海洋环境定制的外部强迫数据，将有效预测窗口从10天扩展至15天	NA	开发一种高效、准确的区域海洋预报系统，以替代传统计算昂贵的数值求解器	地中海区域海洋动力学	机器学习	NA	图神经网络，深度学习	神经网络	海洋网格数据，大气强迫数据	NA	NA	图神经网络	预测精度，技能预测时长	NA
420	2026-01-02	Beyond convolutions and supervised learning with transformers and representation learning for retinal image analysis 2025-Dec-04, Progress in retinal and eye research IF:18.6Q1 DOI:10.1016/j.preteyeres.2025.101419 PMID:41352580	综述	本文综述了视网膜图像分析领域的最新进展，重点介绍了从监督学习向无标签表示学习的转变以及视觉Transformer作为卷积神经网络替代方案的应用	聚焦于无标签表示学习方法和视觉Transformer在视网膜图像分析中的新兴应用，超越了传统监督学习和卷积神经网络的局限	作为综述文章，未提出新的实验方法或模型，主要基于现有文献进行总结	总结视网膜图像分析领域的技术进展，特别是无标签学习和Transformer架构的应用	视网膜图像分析技术	计算机视觉	NA	表示学习，视觉Transformer	Transformer	图像	NA	NA	视觉Transformer	NA	NA