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
1181	2025-03-09	Decoding Drug Response With Structurized Gridding Map-Based Cell Representation 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3342280 PMID:38090819	研究论文	本研究提出了一种名为DD-Response的新策略，用于预测细胞系对药物的反应，通过整合多个数据集和开发新的细胞系和药物表示方法，提高了预测准确性	提出了基于二维结构化网格图（SGM）的细胞系和药物表示方法，避免了特征相关性忽略和潜在信息丢失，并构建了双分支多通道卷积神经网络模型	尽管在细胞系药物反应预测中表现出色，但在临床应用方面仍面临挑战	提高细胞系药物反应预测的准确性，以促进药物开发、再利用和耐药性逆转	细胞系和药物	机器学习	癌症	深度学习	双分支多通道卷积神经网络	结构化数据	多个数据集整合
1182	2025-03-09	MOPDDI: Predicting Drug-Drug Interaction Events Based on Multimodal Mutual Orthogonal Projection and Intermodal Consistency Loss 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3343911 PMID:38109247	研究论文	本文提出了一种基于多模态互正交投影和模态间一致性损失的药物相互作用事件预测新方法	通过多模态互正交投影模块消除模态间的冗余信息，并利用模态间一致性损失使各模态的预测特征更加相似	未提及具体局限性	准确预测药物相互作用（DDI）事件的机制	药物相互作用事件	机器学习	NA	多模态互正交投影和模态间一致性损失	深度学习	多模态数据	已知DDIs
1183	2025-03-09	Prediction of Drug-Target Interactions With High- Quality Negative Samples and a Network-Based Deep Learning Framework 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3354953 PMID:38227407	研究论文	本文研究了药物-靶点相互作用（DTI）预测中的高质量负样本选择和基于网络的深度学习框架构建	提出了基于复杂网络理论的负样本选择方法，并开发了一种名为HNetPa-DTI的新型DTI预测方法，整合了药物-蛋白质-疾病异质网络的拓扑信息和蛋白质的基因本体（GO）及通路注释信息	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效率	药物和蛋白质	机器学习	NA	图神经网络	HNetPa-DTI	网络数据	未提及具体样本数量
1184	2025-03-09	Dual Representation Learning for Predicting Drug-Side Effect Frequency Using Protein Target Information 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3350083 PMID:38241108	研究论文	本文提出了一种基于深度学习的药物副作用频率预测模型，利用蛋白质靶点信息等多种异质特征进行药物嵌入，并在共同向量空间中表示药物和副作用	该模型首次同时利用药物靶点信息、分子图、指纹和化学相似性等多种异质特征进行药物嵌入，并通过Adaboost方法扩展了对无明确靶点药物的预测能力	模型对无明确靶点药物的预测能力仍需进一步提升	预测药物副作用频率，以评估治疗风险和药物再利用	药物及其副作用	机器学习	NA	深度学习	Adaboost	分子图、指纹、化学相似性、蛋白质靶点信息	NA
1185	2025-03-09	AEGNN-M:A 3D Graph-Spatial Co-Representation Model for Molecular Property Prediction 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3368608 PMID:38386576	研究论文	本文介绍了一种名为AEGNN-M的3D图-空间共表示模型，用于准确预测分子特性	AEGNN-M结合了GAT和EGNN两种图神经网络，能够同时从分子图表示和3D空间结构表示中学习信息，以提高分子特性预测的准确性	NA	改进药物开发过程，加速满足精准医学需求的新药引入	分子特性预测	机器学习	乳腺癌	图神经网络	AEGNN-M, GAT, EGNN	分子图, 3D空间结构	七个公共数据集，包括三个回归数据集和14个乳腺癌细胞系表型筛选数据集
1186	2025-03-09	BINDTI: A Bi-Directional Intention Network for Drug-Target Interaction Identification Based on Attention Mechanisms 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3375025 PMID:38457318	研究论文	本文提出了一种基于注意力机制的双向意图网络BINDTI，用于药物-靶点相互作用（DTI）的识别	BINDTI框架结合了双向意图网络和ACmix混合模型，能够更精确地表示药物和蛋白质特征，并在不平衡数据集上表现出色	未明确提及具体局限性	提高药物-靶点相互作用（DTI）识别的准确性，以促进药物发现和虚拟筛选	药物和蛋白质	机器学习	NA	图卷积网络（GCN）、自注意力机制、卷积、多层感知机（MLP）	双向意图网络、ACmix混合模型	分子图（SMILES字符串）、氨基酸序列	BindingDB、BioSNAP、DrugBank和Human数据集
1187	2025-03-09	Property-Guided Few-Shot Learning for Molecular Property Prediction With Dual-View Encoder and Relation Graph Learning Network 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3381896 PMID:38536684	研究论文	本文提出了一种名为PG-DERN的少样本学习模型，用于分子属性预测，通过双视图编码器和关系图学习网络来提高预测准确性	引入了双视图编码器来整合节点和子图信息，提出了关系图学习模块以构建分子间相似性的关系图，并设计了属性引导的特征增强模块来转移相似属性的信息	未明确提及具体局限性	提高分子属性预测的准确性，特别是在数据有限的情况下	药物分子	机器学习	NA	少样本学习	双视图编码器、关系图学习网络、MAML元学习策略	分子数据	四个基准数据集
1188	2025-03-09	Multimodal Drug Target Binding Affinity Prediction Using Graph Local Substructure 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3386815 PMID:38598378	研究论文	本文提出了一种名为MLSDTA的多模态药物靶点结合亲和力预测模型，通过图局部子结构和序列模态信息的综合集成，实现了多模态特征的融合	MLSDTA模型通过交叉注意力方法实现多模态特征的融合，并应用自适应结构感知池化生成包含局部子结构信息的图，同时利用DropNode策略增强不同分子之间的区分度	模型可能仍存在对某些特定分子结构的适应性不足的问题	预测药物靶点结合亲和力，以减少药物开发成本和周期	药物和靶点的结构和序列信息	机器学习	NA	深度学习	MLSDTA	图和序列数据	两个基准数据集
1189	2025-03-09	Fusing Micro- and Macro-Scale Information to Predict Anticancer Synergistic Drug Combinations 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3500789 PMID:40030241	研究论文	本文提出了一种名为MMFSynergy的新方法，用于预测抗癌药物的协同组合	MMFSynergy方法首次在微尺度和宏观尺度上精细表征药物和细胞系，并通过自监督任务融合跨尺度信息，使用Transformer Encoder模型预测协同分数	尽管MMFSynergy在预测药物协同组合方面表现出色，但其泛化能力仍有待进一步验证	提高抗癌药物协同组合预测的准确性和泛化能力	抗癌药物和细胞系	机器学习	癌症	深度学习	Transformer Encoder	药物和蛋白质数据	基于两个公共数据集的实验
1190	2025-03-09	Pathways to chronic disease detection and prediction: Mapping the potential of machine learning to the pathophysiological processes while navigating ethical challenges 2025-Mar, Chronic diseases and translational medicine DOI:10.1002/cdt3.137 PMID:40051825	综述	本文综述了机器学习在慢性疾病检测和预测中的最新应用，涵盖了从传统技术到现代深度学习神经网络架构的主要方法	本文综合了机器学习在慢性疾病预测中的最新趋势和轨迹，为未来研究和临床转化提供了信息	本文指出了在实现可扩展、公平和临床可实施的机器学习解决方案方面仍需解决的关键挑战和限制	探索机器学习在慢性疾病早期检测和预测中的潜力	慢性疾病（如心脏病、癌症和糖尿病）	机器学习	慢性疾病	基因组学、转录组学、蛋白质组学、糖组学和脂质组学	逻辑回归、随机森林、深度学习神经网络	医学影像、基因组数据、可穿戴设备数据、电子健康记录	NA
1191	2025-03-08	Explainable multiscale temporal convolutional neural network model for sleep stage detection based on electroencephalogram activities 2025-Mar-07, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/adb90c PMID:39983236	研究论文	本文提出了一种基于脑电图活动的可解释多尺度时间卷积神经网络模型，用于自动睡眠阶段检测	该模型通过多尺度神经生理学模拟内核捕捉不同频率和时间长度的睡眠相关脑电图活动，提高了模型的可解释性和性能	尽管模型在少量数据上表现良好，但在实际应用中仍需进一步验证其泛化能力	开发一种自动睡眠阶段检测模型，以减少繁琐的手动标注过程	睡眠阶段的脑电图活动	机器学习	NA	脑电图（EEG）	多尺度时间卷积神经网络（MTCNN）	脑电图数据	153天的多导睡眠图数据
1192	2025-03-08	Deep learning-based quantification of T2-FLAIR mismatch sign: extending IDH mutation prediction in adult-type diffuse lower-grade glioma 2025-Mar-07, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11475-7 PMID:40050456	研究论文	本研究探讨了基于深度学习的定量T2-FLAIR不匹配比率（qT2FM）在成人型弥漫性低级别胶质瘤（LGG）中预测IDH突变状态的价值	利用深度学习进行全自动肿瘤分割，首次提出qT2FM作为识别IDH突变状态和IDHmut-Noncodel亚型的有力预测指标	研究为回顾性设计，样本量相对有限，且未涉及其他类型胶质瘤的验证	评估qT2FM在成人型弥漫性LGG中预测IDH突变状态的有效性	218名成人型弥漫性LGG患者	数字病理学	脑胶质瘤	深度学习	深度学习分割模型	医学影像	218名患者（125名男性，平均年龄47岁±15）
1193	2025-03-08	Automated deep learning-assisted early detection of radiation-induced temporal lobe injury on MRI: a multicenter retrospective analysis 2025-Mar-07, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11470-y PMID:40050455	研究论文	本文评估了一种基于深度学习的自动化工具（RTLI-DM）在MRI上早期检测辐射诱导的颞叶损伤（RTLI）的效果	开发并验证了一种结合Unet++和修改版DenseNet-121网络的自动化RTLI检测模型，显著提高了放射科医生的诊断性能并减少了阅读时间	尽管RTLI-DM显著提高了诊断性能，但在临床应用中仍需进一步验证	评估自动化深度学习工具在早期检测辐射诱导颞叶损伤中的效果	396名RTLI患者和3181名非RTLI患者	数字病理学	颞叶损伤	MRI	Unet++, DenseNet-121	图像	396名RTLI患者和3181名非RTLI患者，总计3577名患者
1194	2025-03-08	Determinants of ascending aortic morphology: Cross-sectional deep learning-based analysis on 25,073 non-contrast-enhanced NAKO MRI studies 2025-Mar-07, European heart journal. Cardiovascular Imaging DOI:10.1093/ehjci/jeaf081 PMID:40052574	研究论文	本研究利用深度学习技术自动分析25,073例非对比增强磁共振成像数据，探讨了升主动脉形态的决定因素	首次结合深度学习和因果分析技术，自动分割并分析升主动脉形态，揭示其与多种人口统计学和健康因素的关系	研究基于横断面数据，无法确定因果关系，且样本主要来自德国国家队列，可能限制结果的普适性	探讨升主动脉形态的决定因素，以支持心血管健康的精准诊断和预防策略	25,073例非对比增强磁共振成像数据	医学影像分析	心血管疾病	深度学习	NA	3D非对比增强磁共振成像数据	25,073例
1195	2025-03-08	The value of radiomics and deep learning based on PET/CT in predicting perineural nerve invasion in rectal cancer 2025-Mar-07, Abdominal radiology (New York) DOI:10.1007/s00261-025-04833-y PMID:40053051	研究论文	本研究探讨了基于PET/CT的放射组学特征和深度学习特征在预测直肠癌神经周围浸润（PNI）中的价值	结合PET代谢参数、放射组学特征和深度学习特征构建了联合模型，用于预测直肠癌的神经周围浸润	样本量相对较小，且外部验证集仅来自两家医院	研究PET/CT的放射组学和深度学习特征在预测直肠癌神经周围浸润中的应用价值	直肠癌患者	数字病理	直肠癌	PET/CT	深度学习模型、放射组学模型、联合模型	PET/CT图像	120例直肠癌患者（56例PNI阳性，64例PNI阴性），外加31例来自其他两家医院的患者作为外部验证集
1196	2025-03-08	Deep Learning-based Multi-class Classification for Neonatal Respiratory Diseases on Chest Radiographs in Neonatal Intensive Care Units 2025-Mar-06, Neonatology IF:2.6Q1 DOI:10.1159/000545107 PMID:40049153	研究论文	本研究介绍了一种基于深度学习的自动算法，用于分类新生儿重症监护病房中的各种新生儿呼吸系统疾病和健康肺	使用大规模高质量多类标注的胸部X光图像数据集，结合非影像数据，开发了一种新的深度学习模型，用于新生儿呼吸系统疾病的自动分类	研究仅基于韩国10所大学医院的数据，可能限制了模型的普遍适用性	开发一种自动分类算法，以支持新生儿科医生对重症新生儿的及时准确决策	新生儿重症监护病房中的新生儿	计算机视觉	新生儿呼吸系统疾病	深度学习	修改后的ResNet50	胸部X光图像	训练集34,598张，验证集4,370张，测试集4,370张
1197	2025-03-08	A deep learning framework for automated and generalized synaptic event analysis 2025-Mar-05, eLife IF:6.4Q1 DOI:10.7554/eLife.98485 PMID:40042890	研究论文	本文介绍了一种基于深度学习的自动化突触事件分析方法miniML，用于准确分类和检测自发突触事件	miniML方法在模拟真实数据上的比较分析显示，其在精确度和召回率上优于现有的事件分析方法，并能轻松推广到不同的突触制备、电生理和光学记录技术以及跨物种应用	NA	开发一种自动化、可靠且标准化的突触事件分析框架，以促进神经功能和功能障碍的高通量研究	自发突触事件	机器学习	NA	深度学习	NA	电生理记录数据	NA
1198	2025-03-08	Development of Hybrid radiomic Machine learning models for preoperative prediction of meningioma grade on multiparametric MRI 2025-Mar-05, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia IF:1.9Q4 DOI:10.1016/j.jocn.2025.111118 PMID:40048835	研究论文	本文开发并比较了基于多参数MRI的机器学习模型，用于术前区分低级别和高级别脑膜瘤	结合手工提取的放射组学特征和深度学习特征，开发了混合放射组学机器学习模型，用于术前预测脑膜瘤级别	模型在敏感性和阳性预测值方面存在不一致性，需要更大规模的多中心研究来验证结果	开发并比较机器学习模型，用于术前区分低级别和高级别脑膜瘤	脑膜瘤患者	数字病理	脑膜瘤	多参数MRI	Random Forest, XGBoost	MRI图像	97例低级别脑膜瘤和18例高级别脑膜瘤
1199	2025-03-08	Open-Source Manually Annotated Vocal Tract Database for Automatic Segmentation from 3D MRI Using Deep Learning: Benchmarking 2D and 3D Convolutional and Transformer Networks 2025-Mar-05, Journal of voice : official journal of the Voice Foundation IF:2.5Q1 DOI:10.1016/j.jvoice.2025.02.026 PMID:40050174	研究论文	本研究评估了深度学习算法在3D MRI数据中自动分割声道的效果，并比较了四种不同的深度学习架构	首次使用开源手动注释的声道数据库，并比较了2D和3D卷积网络以及Transformer网络在声道分割中的表现	所有模型在分割某些特定声音（如/kõn/）时表现不佳，且在骨性区域（如牙齿附近）频繁出现错误	评估深度学习算法在3D MRI数据中自动分割声道的效果	10名法语发音者的53个声道体积，包括21个独特的法语音素和3个独特的无声任务	计算机视觉	NA	深度学习	2D U-Net, 3D U-Net, 3D U-Net with transfer learning, 3D transformer U-Net (3D U-NetR)	3D MRI图像	53个声道体积来自10名法语发音者
1200	2025-03-08	DeepES: deep learning-based enzyme screening to identify orphan enzyme genes 2025-Mar-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf053 PMID:39909853	研究论文	本文介绍了一种名为DeepES的深度学习工具，用于筛选和识别孤儿酶基因	DeepES通过整合每个反应类别的二元分类器输出，评估输入基因是否包含感兴趣的生物合成基因簇，从而识别孤儿酶基因	NA	开发一种深度学习工具，用于识别孤儿酶基因，以填补序列与酶反应之间关联的理解空白	蛋白质序列和生物合成基因簇	机器学习	NA	深度学习	二元分类器	蛋白质序列	4744个宏基因组组装的基因组