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
281	2026-10-01	Establishment of High-Precision Ultrasound Diagnosis Methods Based on the Introduction of Deep Learning 2025-Dec-31, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2025.3645229 PMID:41475002	综述	该综述系统梳理了超声诊断的局限性，介绍了深度学习在超声诊断中的最新方法、临床应用及评估框架	提出了面向临床实施的评估框架，而非简单罗列单个技术，并系统性地将超声诊断的局限性形式化	作为综述文章，未开展原始实验验证，且现有研究仍面临泛化性、安全性和操作负担等挑战	建立基于深度学习引入的高精度超声诊断方法，并为临床实施提供评估标准	超声诊断中的深度学习应用，包括肿瘤学和心脏病学领域的相关设备与算法	医学图像分析	肿瘤、心血管疾病	超声成像，深度学习	NA	超声图像	NA	NA	NA	NA	NA
282	2026-10-01	A Pre-Trained Model Customization Framework for Accelerated PET/MR Segmentation of Abdominal Fat in Obstructive Sleep Apnea 2025-Dec-18, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243243 PMID:41464242	研究论文	本研究验证了一套基于预训练网络的定制化框架，利用PET/MRI混合影像数据开发自动化内脏和皮下脂肪分割模型，用于阻塞性睡眠呼吸暂停患者腹部脂肪的精准量化	提出了一套闭环式预训练模型定制化框架，在Discovery Viewer平台上迭代训练UNet-ResNet50模型，实现了PET/MRI混合影像中内脏和皮下脂肪的全自动分割，显著提升了分割效率并保持了与手动标注高度一致的分割精度和代谢指标一致性	轮廓和边界划分的分割性能较低，Dice系数仅为0.43和0.54，独立测试样本量较小仅有10例，且模型训练依赖于特定平台Discovery Viewer，通用性有待进一步验证	开发和验证一套基于预训练网络的定制化深度学习框架，实现阻塞性睡眠呼吸暂停患者PET/MRI影像中腹部脂肪的自动化分割与量化，以支持肥胖、OSA和心血管代谢疾病的临床研究	阻塞性睡眠呼吸暂停患者的PET/MRI混合影像数据，包括内脏脂肪组织和皮下脂肪组织	计算机视觉	阻塞性睡眠呼吸暂停	PET/MRI混合成像	CNN	图像	328例标注扫描用于训练，10例独立扫描用于测试，每例扫描包含80至100个MR切片	NA	UNet, ResNet50	Dice相似系数, 组内相关系数, Bland-Altman分析, 分割时间	NA
283	2026-10-01	Deep learning predicts haematopoietic stem cell ageing from 3D chromatin images 2025-Dec-15, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.11.693143 PMID:41473290	研究论文	本文提出了一种基于卷积神经网络的可解释深度学习方法ChromAgeNet，利用3D染色质图像预测造血干细胞的衰老状态	首次将3D染色质显微图像与深度学习结合用于预测造血干细胞衰老，并利用可解释人工智能技术识别出染色质熵、外周异染色质和染色质凝聚体作为预测标志物	样本量有限，仅在小鼠造血干细胞上进行了验证，尚未在人类细胞或更大规模数据集中验证	利用深度学习从3D染色质图像中预测造血干细胞的衰老状态，并探索其作为表型筛选工具用于检测衰老逆转的潜力	小鼠造血干细胞（HSCs）的DAPI染色细胞核3D显微图像	数字病理学	衰老相关疾病	3D显微成像，DAPI染色	CNN	图像	NA	NA	卷积神经网络	AUROC	NA
284	2026-10-01	EEG-Based Cross-Subject Prediction for Consciousness State Transitions Under Sedation Using a Deep Learning Framework 2025-Dec-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3643895 PMID:41385421	研究论文	该研究提出了一种基于EEG的深度学习框架Deep-ConTrans，用于在丙泊酚和咪达唑仑镇静下对意识、过渡和无反应三种意识状态进行分类	提出了Deep-ConTrans框架，结合了基于共空间模式的空间滤波、多域特征提取、基于注意力的融合和域对抗训练；在三分类意识状态（意识、过渡、无反应）上实现了高精度分类；展示了跨麻醉药物的泛化能力；识别了与意识转变相关的药物无关EEG特征	摘要中未明确提及研究局限性	对丙泊酚和咪达唑仑镇静下的三种意识状态（意识、过渡、无反应）进行分类，以改善术中意识监测	接受丙泊酚和咪达唑仑镇静的患者	机器学习	NA	EEG	CNN, 注意力机制	EEG信号	NA	NA	Deep-ConTrans	准确率	NA
285	2026-10-01	Deep Learning-Based Classification of Peptide Analytes from Single-Channel Nanopore Translocation Events 2025-May-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.04.652126 PMID:40654724	研究论文	本文提出了一种基于深度学习的纳米孔易位事件分类流程，用于从单通道电流记录中分类肽分析物	采用两阶段深度学习流程：第一阶段用卷积和循环神经网络将原始电流记录分类为电导状态；第二阶段用新型分支输入网络，结合时间卷积网络处理事件电导状态序列和密集网络整合事件级与全局动力学特征	对混合样本分类性能较低（准确率0.68）；事件随机性和某些肽具有相似动力学参数给事件级预测带来挑战；研究基于模拟数据，需进一步用真实实验数据验证	开发一个基于深度学习的纳米孔肽分类框架，用于快速准确检测肽生物标志物，以支持疾病诊断和生物医学应用	七种肽的纳米孔易位事件数据；纯肽样本和混合物样本	机器学习	NA	纳米孔传感技术、单通道电流记录	CNN、RNN、TCN、Dense Network	时间序列电流信号	七种肽的模拟多状态易位数据（具体样本数量未在摘要中提供）	NA	卷积和循环神经网络（改编自Deep-Channel）、时间卷积网络、密集网络	准确率、平均绝对误差	NA
286	2026-10-01	Quantitative CT Scan Analysis in Rheumatoid Arthritis-Related Interstitial Lung Disease 2025-05, Chest IF:9.5Q1 DOI:10.1016/j.chest.2024.10.052 PMID:39528110	研究论文	本研究评估了基于深度学习的肺纤维化定量分析在类风湿关节炎相关间质性肺病（RA-ILD）中的应用价值，包括评估疾病严重程度、预测死亡率和识别疾病进展	使用数据驱动的纹理分析（DTA）方法对RA-ILD患者的CT扫描进行定量评估，并验证了其在预测死亡率和疾病进展方面的效用	未明确提及	探讨基于深度学习的肺纤维化定量分析在CT成像中对RA-ILD疾病严重程度评估、死亡率预测和进展识别的效用	RA-ILD患者	数字病理学	类风湿关节炎相关间质性肺病	定量CT成像	深度学习	图像	主要队列289例患者，验证队列50例患者	未提及	未提及	相关系数（rho）、风险比（HR）、95%置信区间（CI）、P值	未提及
287	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
288	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
289	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
290	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
291	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
292	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
293	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
294	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
295	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
296	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
297	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
298	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
299	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
300	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