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
301	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
302	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
303	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
304	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
305	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
306	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
307	2026-10-01	Detection and score grading for prostate adenocarcinoma using semantic segmentation 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0331613 PMID:40971958	研究论文	本研究提出一种基于语义分割的前列腺腺癌检测与分级方法，重点区分Gleason模式3和4	开发了一个包含100张前列腺穿刺活检全切片图像的新数据集，并提出了结合扩张注意力机制和残差卷积U-Net架构的模型	在完全未见过的外部测试数据上，模型性能下降（平均Dice为0.64，准确率为0.81），表明泛化能力有限	通过语义分割检测和分级前列腺癌，以提高诊断准确性并优化患者治疗策略	前列腺穿刺活检标本的全切片图像	数字病理学	前列腺癌	全切片图像数字化	CNN	图像	100张数字化全切片图像	NA	残差卷积U-Net	Dice系数, 准确率	NA
308	2026-10-01	Multimodal data driven deep learning based seismic impedance inversion optimization 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0331952 PMID:40982555	研究论文	本研究利用LeNet、AlexNet和传统CNN等深度学习架构进行地震阻抗反演，以提高地震分辨率和合成地震记录生成质量	将多种深度学习架构（LeNet、AlexNet、传统CNN）应用于地震阻抗反演，并结合连续小波变换进行特征提取，其中AlexNet在地震数据重建中表现最优	未明确讨论模型在地质复杂区域或不同地质条件下的泛化能力，也未提及计算成本和大规模实际应用的可扩展性	解决传统地震阻抗反演方法中噪声敏感、分辨率低和地质复杂区域效果不佳等问题，提高地震分辨率和合成地震记录生成质量	地震数据和测井数据	地球物理深度学习	NA	地震阻抗反演、连续小波变换（CWT）、合成地震记录生成	CNN	地震数据、测井数据	NA	NA	LeNet, AlexNet, CNN	MSE, RMSE, MAE, R2	NA
309	2026-10-01	RETRACTED: Sentiment analysis of classical Chinese literature: An unsupervised deep learning model with BERT and graph attention networks 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330919 PMID:40986623	已被撤稿的研究论文	本文提出一个结合BERT嵌入、情感词典增强和图注意力网络的无监督深度学习框架，用于古典中文文献的情感分析	将BERT上下文嵌入、NTUSD情感词典增强、图注意力网络和K-Means无监督聚类相结合，专门针对古典中文文献的隐喻和隐式情感进行分析	该论文已被撤稿；模型仅在特定数据集上验证，对更大规模和更多样化的古典中文文献的泛化能力有待验证	解决古典中文文献中由于语法、语义和情感表达复杂而难以进行情感分析的问题	古典中文文献文本	自然语言处理	NA	BERT嵌入，情感词典增强，图注意力网络，K-Means聚类	BERT，图注意力网络，K-Means	文本	NA	NA	BERT，GAT	准确率，精确率，召回率，F1分数	NA
310	2026-10-01	A GAN-Based Approach for enhancing security in satellite based IoT networks using MPI enabled HPC 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0331019 PMID:40997099	研究论文	本文提出了一种名为DLGAN的安全框架，结合CNN与GAN并利用MPI在HPC上并行训练，用于卫星物联网网络的入侵检测	提出DLGAN框架，将CNN的实时异常检测能力与GAN生成合成攻击数据的能力相结合以解决数据不平衡问题，并通过MPI在HPC系统上实现可扩展的并行处理，能够检测14种不同类型的攻击	摘要中未明确提及研究的局限性	提升卫星物联网网络的安全性，实现机密信息的安全传输与实时异常检测	基于卫星的物联网网络流量数据	机器学习	NA	深度学习、生成对抗网络、MPI并行计算、HPC	CNN, GAN	网络流量数据	NA	NA	CNN, GAN	检测准确率, 训练时间	启用AI加速的GPU, HPC云端系统, MPI并行计算环境
311	2026-10-01	A hybrid deep learning framework combining transformer and logistic regression models for automatic marine mucilage detection using sentinel-1 SAR data: A case study in Armutlu-Zeytinbağı, Marmara Sea 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0330721 PMID:40997107	研究论文	本文提出了一种结合Transformer和逻辑回归的混合深度学习框架，利用Sentinel-1 SAR数据自动检测海洋粘液	提出了一种混合深度学习框架（Transformer + 逻辑回归）用于自动检测海洋粘液，并创建了基于Sentinel-1 VV-VH极化后向散射值的独特数据集	NA	利用Sentinel-1 SAR数据自动检测海洋粘液区域，以便早期干预	马尔马拉海Armutlu-Zeytinbağı地区2021年5月粘液事件影响的水域	计算机视觉	NA	Sentinel-1 SAR	Transformer, 逻辑回归, RNN, CNN, 决策树, 朴素贝叶斯, SVM	图像（SAR）	2600个样本（1300个粘液区域样本和1300个清洁区域样本）	NA	Transformer, RNN, CNN, 决策树, 朴素贝叶斯, SVM, 逻辑回归	准确率	NA
312	2026-10-01	A graph neural network-based approach for predicting SARS-CoV-2-human protein interactions from multiview data 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332794 PMID:40997149	研究论文	本文提出了一种基于多视图图神经网络的方法，结合最优传输整合，用于预测SARS-CoV-2与人类蛋白质之间的相互作用	使用多视图图神经网络结合最优传输整合，扩展了有限的实验验证交互数据，并预测出472个高置信度相互作用	数据集仅包含有限数量的高置信度相互作用，可能影响模型的泛化能力	预测SARS-CoV-2与人类蛋白质相互作用，以支持药物重定位	SARS-CoV-2蛋白质和人类蛋白质	机器学习	COVID-19	图神经网络	GNN	多视图数据，包括蛋白质序列、基因本体术语和物理相互作用信息	280个人类蛋白质和27个SARS-CoV-2蛋白质，预测472个相互作用	NA	图神经网络	ROC-AUC, 平均精度	NA
313	2026-10-01	Automatic road damage recognition based on improved YOLOv11 with multi-scale feature extraction and fusion attention mechanism 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0327387 PMID:41004548	研究论文	本文提出了一种基于改进YOLOv11的道路损伤检测方法，通过多尺度特征提取和融合注意力机制提升小目标检测性能	引入微小目标检测层、全局注意力机制以及轻量级卷积模块（C3k2CrossConv和C3k2Ghost），在提升检测精度的同时降低计算复杂度并提高推理速度	摘要中未明确提及	实现高效准确的道路损伤自动检测，以保障交通安全并优化维护	道路损伤图像	计算机视觉	NA	深度学习目标检测	YOLOv11	图像	RDD2022数据集（具体样本数量未提供）	NA	YOLOv11	mAP@0.50, mAP@0.50:0.95	NA
314	2026-10-01	Three-dimensional ultrastructural characterization of Drosophila melanogaster hygrosensilla across humidity conditions 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314841 PMID:41021596	研究论文	该研究结合精确湿度控制、快速冷冻保存和序列块面扫描电子显微镜（SBF-SEM），利用深度学习分割流程分析果蝇湿度感受器在不同湿度条件下的三维超微结构，揭示了感器宽度和锥度的差异，提示机械转导在湿度感知中的潜在作用	整合了精确湿度控制、快速冷冻保存和SBF-SEM技术，并开发了基于深度学习的分割流程，首次对不同湿度条件下果蝇湿度感受器的三维超微结构进行了系统表征	摘要中未明确提及研究局限性	探究昆虫检测环境湿度的机制，特别是果蝇湿度感受器的超微结构基础	黑腹果蝇（Drosophila melanogaster）的湿度感受器（hygrosensilla）	计算机视觉	NA	序列块面扫描电子显微镜（SBF-SEM）、快速冷冻保存、精确湿度控制	CNN	图像	NA	NA	NA	NA	NA
315	2026-10-01	Alzheimer's disease classification using a hybrid deep learning approach with multi-layer U-net segmentation and XAI driven analysis 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332572 PMID:41021656	研究论文	本文提出了一种结合多层U-Net分割与多尺度EfficientNet-SVM混合分类的深度学习框架，并引入可解释人工智能技术，用于阿尔茨海默病的三分类诊断	创新点在于将多层U-Net分割、多尺度EfficientNet特征提取与SVM分类器相结合，并整合显著性图定量分析的可解释AI技术，提升模型临床可信度和可解释性	模型尚未在公开可用的阿尔茨海默病MRI数据集上进行验证，未来工作需进一步评估并引入更先进的可解释AI技术	实现阿尔茨海默病的早期准确诊断与分期分类，提高分类性能和模型可解释性	阿尔茨海默病患者、轻度认知障碍患者和认知正常人群的脑部MRI影像	计算机视觉	阿尔茨海默病	MRI影像分析	CNN, SVM	图像	NA	NA	U-Net, EfficientNet, SVM	准确率, 精确率, 召回率, F1分数	NA
316	2026-10-01	DeepN4: Learning N4ITK Bias Field Correction for T1-weighted Images 2024-Apr, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-024-09655-9 PMID:38526701	研究论文	本文提出了一种名为DeepN4的深度学习网络，用于近似N4ITK偏置场校正，以实现T1加权MRI图像的便携、灵活和可微的预处理	使用深度学习网络在多个独立队列和扫描仪上训练，实现了对N4ITK偏置场校正的近似，并证明了其泛化能力	未明确提及	开发一种便携、灵活且完全可微的N4ITK偏置场校正的深度学习替代方法	T1加权MRI图像	医学图像处理	NA	MRI	深度学习网络	图像	八个独立队列，来自72个不同的扫描仪和年龄范围	NA	NA	峰值信噪比（PSNR）	NA
317	2026-10-01	DLLabelsCT: Annotation tool using deep transfer learning to assist in creating new datasets from abdominal computed tomography scans, case study: Pancreas 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0313126 PMID:39625972	研究论文	该论文开发了名为DLLabelsCT的标注工具，利用深度学习模型加速腹部CT扫描中胰腺的标注过程	开发了DLLabelsCT标注工具，使用深度迁移学习辅助创建新数据集，显著加速标注过程	未明确说明，但可能受限于特定器官和数据集	加速医学图像标注过程，以支持深度学习模型的训练	腹部CT扫描图像，特别是胰腺	计算机视觉	胰腺癌	CT	CNN	图像	3715张CT扫描切片	NA	ResNet34, UNet	Dice相似系数	NA
318	2026-10-01	Multiscale effective connectivity analysis of brain activity using neural ordinary differential equations 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314268 PMID:39630698	研究论文	本文提出了一种名为msDyNODE的神经生物学驱动深度学习模型，用于描述多尺度脑通信，并通过模拟和电生理实验验证了其捕捉多尺度活动的能力	首次引入神经生物学驱动的深度学习模型msDyNODE，结合神经常微分方程来建模多尺度脑动力学和有效连接	仅通过模拟和电生理实验验证，未在更广泛的多模态数据集或临床应用中测试	开发多尺度动力学模型以描述支配认知和行为的脑通信	脑活动信号，包括模拟数据和电生理记录	机器学习	NA	电生理实验	神经常微分方程	模拟数据和电生理信号	NA	NA	msDyNODE	NA	NA
319	2026-10-01	SE-MAConvLSTM: A deep learning framework for short-term traffic flow prediction combining Squeeze-and-Excitation Network and Multi-Attention Convolutional LSTM Network 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312601 PMID:39636907	研究论文	设计了一种结合Squeeze-and-Excitation网络和多注意力卷积LSTM网络的深度学习框架SE-MAConvLSTM，用于短期交通流预测	提出了时空特征提取模块（STFEM），由CNN、SENet、ResNet和ConvLSTM组成，以捕捉时空相关性并处理通道权重；设计了多注意力模块（MAM）来建模交通流数据的接近性、周期性和趋势性；使用聚合模块整合STFEM最后一个时间区间的输出和多注意力模块的输出	仅在两个真实数据集上进行了实验，未在其他数据集或实际场景中验证；未讨论模型的计算复杂度和实时性；未与其他先进方法进行广泛比较	提高短期交通流预测的准确性，解决时空相关性捕获、通道权重影响以及接近性、周期性和趋势性比例影响三个难题	交通流数据，包括出租车、网约车和公共自行车流量	机器学习	NA	NA	CNN, SENet, ResNet, ConvLSTM, 注意力机制	时间序列数据	两个真实数据集	NA	SE-MAConvLSTM, CNN, SENet, ResNet, ConvLSTM, 多注意力模块	RMSE	NA
320	2026-10-01	Exploiting the features of deep residual network with SVM classifier for human posture recognition 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0314959 PMID:39636954	研究论文	本文提出了一种结合ResNet-50深度特征与SVM分类器的混合架构，用于人体姿态识别和跌倒检测，并在多个数据集上取得了优于现有方法的性能	将ResNet-50提取的深度特征与SVM分类器在分类层进行融合，用于跌倒检测，并在多个数据集上验证了该混合架构在准确率和时间效率上的优势	未明确说明模型的泛化能力、计算复杂度以及对不同场景的适应性限制	分析基于深度学习的混合架构在跌倒检测中的性能，并比较不同分类器和深度学习网络的性能	人体姿态识别和跌倒检测	计算机视觉	老年疾病	深度学习	CNN, SVM	图像	使用了三个数据集：MCF（四种姿态）、URFD（四种姿态）、UPFD（四种姿态和两种姿态任务）	NA	ResNet-50, ResNet-101, VGG-19, InceptionV3, MobileNet, Xception	准确率	NA