深度学习在生物医药领域中的应用

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
41	2025-07-25	SleepECG-Net: Explainable Deep Learning Approach With ECG for Pediatric Sleep Apnea Diagnosis 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3495975 PMID:39527413	研究论文	本研究提出了一种名为SleepECG-Net的新型可解释深度学习方法，用于通过心电图（ECG）信号直接评估儿童阻塞性睡眠呼吸暂停（OSA）的严重程度	结合了卷积神经网络和循环神经网络（CNN-RNN），并应用了可解释人工智能（XAI）算法Grad-CAM来解释模型决策并提取与儿童OSA相关的ECG模式	研究使用了不同来源的数据集（CHAT、CFS和UofC），但样本量和数据质量可能存在差异，可能影响模型的泛化能力	简化儿童阻塞性睡眠呼吸暂停（OSA）的诊断过程，并提供心脏风险因素信息	儿童阻塞性睡眠呼吸暂停（OSA）患者	数字病理学	阻塞性睡眠呼吸暂停	深度学习	CNN-RNN	ECG信号	CHAT数据集1610例，CFS数据集64例，UofC数据集981例
42	2025-07-25	Advancing Sleep Disorder Diagnostics: A Transformer-Based EEG Model for Sleep Stage Classification and OSA Prediction 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3512616 PMID:40030422	研究论文	本研究开发了一种基于Transformer和CNN的深度学习模型，用于睡眠阶段分类和阻塞性睡眠呼吸暂停(OSA)预测	结合自注意力机制和条件随机场(CRF)的深度学习模型，能够捕捉单通道脑电图(EEG)中最具区分性的特征以及睡眠阶段之间的时间依赖性	模型性能在具有不同AHI值的数据集上表现不一，可能影响泛化能力	提高睡眠障碍(特别是OSA)的诊断准确性和自动化水平	睡眠阶段分类和OSA预测	数字病理学	睡眠障碍	深度学习	CNN, Transformer, CRF	EEG信号	NA
43	2025-07-25	Clinical Features and Physiological Signals Fusion Network for Mechanical Circulatory Support Need Prediction in Pediatric Cardiac Intensive Care Unit 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3510217 PMID:40030552	研究论文	该研究通过分析生理时间序列和临床特征，使用机器学习/深度学习集成方法，将血流动力学反应与机械循环支持（MCS）需求相关联，以预测儿科心脏重症监护病房中的MCS需求	与现有研究通常处理单一特征类型或从生理信号中关注短期诊断不同，本系统处理每分钟的多传感器数据，以识别急性失代偿性心力衰竭患者的MCS需求	研究数据来自一家四级医院的儿科心脏重症监护病房，可能限制了结果的普遍性	预测儿科心脏重症监护病房中患者对机械循环支持（MCS）的需求	急性失代偿性心力衰竭患者	机器学习	心血管疾病	机器学习/深度学习集成方法	NA	时间序列数据、临床特征数据、原始波形数据（心电图和动脉血压信号）	来自一家四级医院儿科心脏重症监护病房的患者数据
44	2025-07-25	Autoencoder-Based Detection of Insulin Pump Faults in Type 1 Diabetes Treatment 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3518233 PMID:40030700	研究论文	本文提出了一种基于LSTM自编码器和随机森林的新型方法，用于检测1型糖尿病患者胰岛素泵的故障	结合LSTM自编码器的特征提取能力和随机森林的异常检测能力，提出了一种新的胰岛素泵故障检测方法	研究使用的是FDA批准的T1D生理学非线性计算机模拟器生成的数据，而非真实患者数据	提高1型糖尿病患者胰岛素泵系统的安全性和可靠性	1型糖尿病患者的胰岛素泵系统	机器学习	1型糖尿病	LSTM自编码器, 随机森林	LSTM, 随机森林	模拟的生理数据	100名受试者，模拟90天的数据
45	2025-07-25	Scaling Synthetic Brain Data Generation 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3520156 PMID:40030742	research paper	介绍了一种名为Wirehead的可扩展内存数据管道，用于提升神经影像深度学习中实时合成数据生成的性能	Wirehead通过将数据生成与训练解耦，并运行多个独立的并行生成器，实现了接近线性的性能提升，同时利用MongoDB高效处理TB级数据，显著降低了存储成本	未来研究可进一步优化生成与训练的平衡以及资源分配	解决神经影像深度学习中高质量多样化数据集有限的问题	合成脑部数据生成	neuroimaging	NA	deep learning	NA	neuroimaging data	NA
46	2025-07-25	DSANIB: Drug-Target Interaction Predictions With Dual-View Synergistic Attention Network and Information Bottleneck Strategy 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3497591 PMID:40030194	研究论文	本文提出了一种名为DSANIB的新方法，用于预测药物与靶标之间的潜在相互作用	DSANIB方法结合了双视图协同注意力网络和信息瓶颈策略，能够显式捕捉药物-靶标对的局部相互作用并学习其高阶子结构嵌入，同时过滤冗余信息	未提及具体局限性	改进药物-靶标相互作用预测的准确性和效率	药物和靶标	机器学习	NA	深度学习	双视图协同注意力网络(DSAN), 信息瓶颈(IB)	药物-靶标相互作用数据	未提及具体样本量
47	2025-07-25	PFPRNet: A Phase-Wise Feature Pyramid With Retention Network for Polyp Segmentation 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3500026 PMID:40030242	research paper	提出了一种名为PFPRNet的新型网络结构，用于结肠息肉分割，通过预训练的Transformer编码器和定制的解码器提升分割性能	设计了Phase-wise Feature Pyramid with Retention Decoder和Enhance Perception模块，以及Low-layer Retention模块，有效整合全局与局部特征并提升模型对关键区域的注意力	需要大量标注数据进行训练，且息肉图像中的皱纹可能影响模型预测性能	提升结肠息肉分割的准确性和效率，以辅助结直肠癌的早期诊断和预防	结肠息肉图像	digital pathology	colorectal cancer	deep learning	Transformer, PFPRNet	image	多个广泛使用的息肉分割数据集
48	2025-07-25	CT-Less Whole-Body Bone Segmentation of PET Images Using a Multimodal Deep Learning Network 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3501386 PMID:40030243	研究论文	提出了一种新型多模态融合网络（MMF-Net），用于仅使用PET图像进行全身骨骼分割，无需CT图像	首次提出无需CT图像的PET全身骨骼分割方法，通过多模态融合网络整合三种PET模态图像的互补信息	研究仅基于130个全身PET图像数据集，样本量相对有限	开发一种无需CT图像的自动化全身骨骼分割方法，以提高骨癌诊断和分期的准确性	全身PET图像	数字病理学	骨癌	多模态深度学习	MMF-Net（多模态融合网络）	PET图像	130个全身PET图像数据集
49	2025-07-25	EDSRNet: An Enhanced Decoder Semantic Recovery Network for 2D Medical Image Segmentation 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3504829 PMID:40030272	研究论文	本文提出了一种增强型解码器语义恢复网络（EDSRNet），用于解决2D医学图像分割中的语义信息差距和全局局部信息交互问题	引入了多级语义融合（MLSF）模块、多尺度空间注意力（MSSA）和交叉卷积通道注意力（CCCA）模块，以及全局-局部语义恢复（GLSR）模块，显著提升了语义恢复效果	未提及具体计算复杂度或实时性表现，且仅在特定公开数据集上验证	提升2D医学图像分割的精度和语义恢复能力	2D医学图像	数字病理	NA	深度学习	EDSRNet（基于encoder-decoder架构的CNN变体）	医学图像	BUSI、CVC-ClinicDB和Kvasir-SEG公开数据集（未提具体样本数）
50	2025-07-25	WaveSleepNet: An Interpretable Network for Expert-Like Sleep Staging 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3498871 PMID:40030379	研究论文	提出了一种名为WaveSleepNet的可解释神经网络，用于模拟睡眠临床专家的方式进行睡眠分期	利用潜在空间表示识别不同睡眠阶段的特征波原型，并通过量化这些原型与输入信号的接近程度来进行睡眠分期，提高了模型的可解释性	未提及具体的技术限制或数据集局限性	开发一种可解释的深度学习模型，用于自动睡眠分期，以提高临床应用的接受度	睡眠信号数据	机器学习	NA	深度学习	WaveSleepNet（基于CNN的神经网络）	信号数据	三个公共数据集（未提及具体样本数量）
51	2025-07-24	Comparison of Pathologist and Artificial Intelligence-based Grading for Prediction of Metastatic Outcomes After Radical Prostatectomy 2025-Feb, European urology oncology IF:8.3Q1 DOI:10.1016/j.euo.2024.08.004 PMID:39232875	research paper	比较病理学家和基于人工智能的分级方法在预测前列腺癌根治术后转移结果方面的表现	首次将深度学习应用于前列腺癌组织病理图像分级，并与病理学家的分级结果在预测转移结果方面进行比较	研究仅基于三个手术队列的777名患者，样本量相对有限	评估人工智能在前列腺癌分级中的预测性能	前列腺癌患者	digital pathology	prostate cancer	deep learning	CNN	image	777名前列腺癌患者
52	2025-07-23	Tracking the Preclinical Progression of Transthyretin Amyloid Cardiomyopathy Using Artificial Intelligence-Enabled Electrocardiography and Echocardiography 2025-Feb-24, medRxiv : the preprint server for health sciences DOI:10.1101/2024.08.25.24312556 PMID:39252891	研究论文	利用人工智能技术通过心电图和超声心动图追踪转甲状腺素蛋白淀粉样心肌病的临床前进展	首次应用深度学习模型分析心电图和超声心动图数据，实现对转甲状腺素蛋白淀粉样心肌病的早期风险分层	研究为回顾性分析，样本来源仅限于两个医疗中心	开发可扩展的转甲状腺素蛋白淀粉样心肌病临床前监测策略	转诊接受核素心肌淀粉样蛋白检测的患者	数字病理学	心血管疾病	深度学习	深度学习模型	视频(TTE)、图像(ECG)	内部队列984人(YNHHS)，外部队列806人(HMH)，共分析7,352次TTE和32,205次ECG数据
53	2025-07-23	Top-DTI: Integrating Topological Deep Learning and Large Language Models for Drug Target Interaction Prediction 2025-Feb-08, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.07.637146 PMID:39975019	研究论文	提出了一种名为Top-DTI的新框架，通过整合拓扑深度学习和大型语言模型来预测药物靶点相互作用	结合拓扑数据分析和大型语言模型，利用持久同源性提取蛋白质接触图和药物分子图像的拓扑特征，同时通过蛋白质和药物的大型语言模型生成语义丰富的嵌入	未提及具体局限性	提高药物靶点相互作用预测的准确性和鲁棒性，为药物发现提供计算支持	药物靶点相互作用	机器学习	NA	拓扑数据分析(TDA)、大型语言模型(LLMs)	Top-DTI	蛋白质接触图、药物分子图像、蛋白质序列、药物SMILES字符串	公共BioSNAP和Human DTI基准数据集
54	2025-07-23	Deep learning to decode sites of RNA translation in normal and cancerous tissues 2025-Feb-02, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-56543-0 PMID:39894899	研究论文	本文介绍了一种基于transformer模型的方法RiboTIE，用于增强核糖体分析数据的分析，以解码RNA翻译位点在正常和癌变组织中的变化	RiboTIE直接利用原始核糖体分析计数，以高精度和灵敏度检测翻译的开放阅读框（ORFs），在多种数据集上评估其性能	未提及具体的技术限制或数据集局限性	提高核糖体分析数据的分析准确性和深度，以更好地理解蛋白质合成及其在疾病中的意义	正常脑组织和髓母细胞瘤癌症样本中的RNA翻译调控	生物信息学	髓母细胞瘤	Ribo-Seq	transformer模型	核糖体分析数据	多种数据集，包括正常脑组织和髓母细胞瘤样本
55	2025-07-23	Cell Segmentation With Globally Optimized Boundaries (CSGO): A Deep Learning Pipeline for Whole-Cell Segmentation in Hematoxylin-and-Eosin-Stained Tissues 2025-Feb, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2024.102184 PMID:39528162	研究论文	开发了一种名为CSGO的深度学习流程，用于在H&E染色组织中进行全细胞分割	整合了细胞核和细胞膜分割算法，并采用基于能量的分水岭方法进行后处理，显著提高了分割性能	仅在5个外部数据集上进行了评估，样本多样性可能有限	开发自动化的全细胞分割方法以推进病理图像分析能力	H&E染色组织中的细胞	数字病理学	肝癌	深度学习	YOLO, U-Net	图像	7例肝癌和11例正常肝组织样本，并在5个外部数据集（包括肝、肺和口腔疾病病例）上进行评估
56	2025-07-23	Quantifying Nuclear Structures of Digital Pathology Images Across Cancers Using Transport-Based Morphometry 2025-Feb, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.24917 PMID:39982036	研究论文	本文介绍了一种基于最优传输数学的新技术，用于直接从成像数据中建模与核染色质结构相关的信息内容	提出了一种基于最优传输的形态测量（TBM）框架，能够表示每个细胞核相对于模板细胞核的全部信息内容，且对不同染色模式和成像协议具有鲁棒性	NA	开发一种定量测量方法，用于在不同数据集和癌症类型之间进行有意义的比较	癌细胞核的形态学特征	数字病理学	癌症（包括肝癌、甲状腺癌、肺癌和皮肤癌等）	最优传输、特征提取、深度学习	TBM框架	图像	大型数据集（如TCGA和人类蛋白质图谱）
57	2025-07-23	ProtoSAM-2D: 2D Semantic Segment Anything Model with Mask-Level Prototype-Learning and Distillation 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3047044 PMID:40678353	研究论文	提出了一种名为ProtoSAM-2D的增强型2D医学图像语义分割模型，结合了原型学习和蒸馏技术	通过引入掩码级原型预测机制和蒸馏方法，增强了SAM-Med2D的语义理解能力，同时保持了计算效率	目前仅针对2D医学图像，未涉及3D或其他复杂场景	提升医学图像语义分割的适应性和效率	2D医学图像中的多器官分割	数字病理	NA	深度学习、原型学习、知识蒸馏	SAM增强模型（基于CNN架构）	2D医学图像	未明确说明具体数量，但涉及两种成像模态的多器官分割任务
58	2025-07-22	Current Advancements in Digital Neuropathology and Machine Learning for the Study of Neurodegenerative Diseases 2025-Feb-13, The American journal of pathology DOI:10.1016/j.ajpath.2024.12.018 PMID:39954963	综述	本文综述了数字神经病理学和机器学习在神经退行性疾病研究中的最新进展	强调了利用全切片图像(WSIs)和先进机器学习/人工智能(ML/AI)技术进行神经退行性疾病分析的变革性方法	面临专家标注有限、切片扫描不可及、机构间差异以及大型WSI数据集共享复杂等挑战	提升神经病理学评估、诊断和研究	神经退行性疾病	数字病理学	神经退行性疾病	ML/AI	深度学习模型	全切片图像(WSIs)	NA
59	2025-07-22	3D convolutional deep learning for nonlinear estimation of body composition from whole body morphology 2025-Feb-02, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01469-6 PMID:39894882	研究论文	本研究提出了一种使用3D卷积图网络和非线性高斯过程回归从3D光学图像中预测人体成分的新方法	首次将深度3D卷积图网络和非线性高斯过程回归应用于人体形状参数化和成分估计，相比线性算法显著提高了预测精度	深度形状特征仅对男性显示出更好的预测效果，性别差异的原因未深入探讨	开发更准确的人体成分预测方法	人体3D扫描图像和身体成分数据	计算机视觉	NA	3D卷积图网络，高斯过程回归(GPR)	3D CNN, GPR	3D图像	4286个扫描样本
60	2025-07-22	Whole-body low-dose computed tomography in patients with newly diagnosed multiple myeloma predicts cytogenetic risk: a deep learning radiogenomics study 2025-Feb, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-024-04733-0 PMID:38937291	研究论文	本研究开发了一种基于全身低剂量CT的深度学习模型，用于预测多发性骨髓瘤患者的细胞遗传学异常	首次利用全身低剂量CT扫描结合深度学习技术预测多发性骨髓瘤的细胞遗传学风险	样本量相对较小（151例患者），且仅使用单一机构的患者数据	开发能够预测多发性骨髓瘤细胞遗传学异常的影像组学模型	新诊断的多发性骨髓瘤患者	数字病理学	多发性骨髓瘤	全身低剂量CT (WBLDCT), 荧光原位杂交 (FISH)	深度学习模型	医学影像	151例多发性骨髓瘤患者