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
581	2026-10-01	SPARNet: A Framework for Airway Invasion Tracking from Fluoroscopic Videos of Dysphagia Patients 2026-May-19, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3695144 PMID:42154713	研究论文	该研究提出了SPARNet框架，从吞咽障碍患者的荧光透视视频中自动追踪气道侵入	引入了新颖的气道侵入追踪器（AIT），将喉气管空气柱划分为象限，追踪食团位置，并计算时间侵入参数（事件持续时间、总暴露时间和侵入次数），提供了一个系统级、可临床解释的AI流水线，结合了吞咽阶段分类、食团和气道描绘以及气道侵入追踪，克服了现有深度学习方法的局限性	样本量较小，仅包含125个视频片段来自75名患者，需要在更大规模的数据集上进行验证	开发一个自动化、可解释的AI框架，用于从VFSS视频中追踪气道侵入，以支持吞咽困难的临床决策	吞咽困难患者的荧光透视吞咽研究（VFSS）视频	医学图像分析	吞咽困难	荧光透视吞咽研究（VFSS）	深度学习	视频	125个视频片段来自75名患者	NA	NA	F1分数, Dice系数, mAP	NA
582	2026-10-01	Accurate Protein Submitochondrial Localization Using Pre-Training and Adaptive Sampling Enhanced Deep Learning Model 2026-May-19, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3694709 PMID:42154725	研究论文	本文提出了一种端到端深度学习模型iPreDeepSubMito，用于蛋白质亚线粒体定位预测	使用更好的预训练蛋白质模型增强序列嵌入，无缝集成自适应合成采样方法处理不平衡数据集，新建并集成循环残差卷积神经网络和自注意力增强双向门控循环单元以有效捕获蛋白质序列的上下文语义特征	未明确提及	提高蛋白质亚线粒体定位预测性能，为疾病发病机制提供见解并促进药物设计进展	蛋白质亚线粒体定位，特别是膜间隙类别	机器学习	NA	NA	CNN, BiGRU, 自注意力机制	蛋白质序列	在三个基准数据集上进行了实验	NA	循环残差卷积神经网络, 自注意力增强双向门控循环单元	总体广义相关系数, 马修斯相关系数	NA
583	2026-10-01	A Multimodal Learning Framework for Detecting Systemic Hypertension in Sleep Apnea Patients Using ECG and PPG Signals 2026-May-19, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3694833 PMID:42154719	研究论文	本文提出了一种名为FusionNet的多模态深度学习框架，利用心电图和光电容积脉搏波信号检测阻塞性睡眠呼吸暂停患者的系统性高血压	提出FusionNet架构，采用多实例学习方法捕捉整夜PSG记录的长期时间动态，通过门控融合机制整合ECG和PPG信号，并融合频域心率和脉搏率变异性及临床上下文特征（睡眠阶段和呼吸暂停事件）	样本量较小（仅33名患者），需要在更大的独立队列中验证后才能临床部署	开发可扩展的自动化框架，利用常规收集的多导睡眠图信号筛查阻塞性睡眠呼吸暂停患者的系统性高血压	33名阻塞性睡眠呼吸暂停患者	机器学习	心血管疾病	多导睡眠图（PSG）、心电图（ECG）、光电容积脉搏波（PPG）	深度学习	信号（ECG和PPG时间序列信号）、临床特征	33名患者	NA	FusionNet（多实例学习+门控融合机制）	AUROC、准确率、特异性、MCC	NA
584	2026-10-01	Segmentation of single-cell impedance signals using deep learning: a multi-dataset study 2026-May-18, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3694594 PMID:42149758	研究论文	本研究探讨了将微流控阻抗细胞术（MIC）与深度学习相结合，对各种MIC系统产生的原始阻抗信号进行有效的信号分割（即事件检测）	构建了一个包含多种实验设置下具有不同属性和时间形态的阻抗信号的丰富数据库，并开发了一个解决跨设置泛化性挑战的MIC信号分割框架，其中编码器-解码器网络在分割性能上优于其他模型，且在未见数据上保持稳健	文中未明确提及研究的局限性	研究将MIC与深度学习相结合，以有效处理来自各种MIC系统的原始阻抗信号，重点关注信号分割（事件检测），这是处理流程的第一步，影响整个工作流程	来自多种实验设置的微流控阻抗细胞术（MIC）产生的原始阻抗信号	机器学习	NA	微流控阻抗细胞术（MIC）	CNN, RNN, 编码器-解码器神经网络	阻抗信号	NA	NA	循环神经网络, 卷积神经网络, 编码器-解码器网络	灵敏度, 阳性预测值	NA
585	2026-10-01	Distilling Clinical Reasoning from Text Corpora for Explainable AI in Medical Imaging 2026-May-15, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3693703 PMID:42139131	研究论文	提出K-Distill-XAI教师-学生框架，通过跨模态知识蒸馏从生物医学文献文本语料中提炼临床推理，以生成可解释的医学影像诊断解释。	首次将领域专家大语言模型作为教师，通过跨模态知识蒸馏将文本临床推理能力迁移至多模态学生模型，实现高层临床推理与视觉特征学习的解耦。	依赖MIMIC-CXR数据集，未验证在其他医学影像模态或临床场景的泛化能力；教师模型基于文献语料，可能无法完全覆盖真实临床推理的多样性。	解决医学影像深度学习模型缺乏临床可解释性的问题，生成具有临床意义的推理依据。	MIMIC-CXR数据集中的胸部X光影像及对应放射报告。	计算机视觉	肺癌	跨模态知识蒸馏	大语言模型、视觉语言模型	图像、文本	NA	NA	NA	CheXbert F1分数、微平均AUC、分类性能	NA
586	2026-10-01	Review of Current Advances in Ultrasound Computed Tomography for Medical Imaging 2026-May-14, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2026.3686264 PMID:42133513	综述	本文综述了超声计算机断层扫描（USCT）在医学成像中的最新进展，涵盖系统硬件设计、反射成像、定量多参数重建（尤其是全波形反演）、精确校准方法、临床应用以及深度学习技术的应用	系统性地从五个关键领域综合分析了USCT的最新进展，并全面回顾了深度学习相关技术在USCT中的应用，同时分析了当前挑战和新兴趋势	USCT的临床采用仍处于发展阶段，尚未广泛普及	综述USCT技术的最新进展，为研究人员和临床医生提供理解USCT技术现状和识别走向广泛临床实施关键路径的参考	超声计算机断层扫描（USCT）技术及其在乳腺、肌肉骨骼系统、大脑和肺部等解剖区域的应用	医学成像	乳腺癌, 肌肉骨骼疾病, 脑部疾病, 肺部疾病	超声计算机断层扫描（USCT）, 全波形反演, 深度学习	NA	超声信号, 图像	NA	NA	NA	NA	NA
587	2026-10-01	Fast BCIs: Leveraging Dual-Scale Time Windows with Test-Time Adaptation to Enhance Accuracy 2026-May-13, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3692973 PMID:42127061	研究论文	本文提出了一种双尺度时间窗口（DTW）结合测试时自适应（TTA）的策略，以提高短时间窗口下脑机接口的解码准确率	提出双尺度时间窗口策略与测试时自适应机制相结合，利用长时间窗口生成高置信度伪标签来更新短时间窗口的主网络，从而在短时间窗口下实现快速且准确的解码	未明确说明在不同受试者间的泛化能力以及计算复杂度	在短时间窗口下实现快速且准确的脑机接口解码	运动想象（MI）、稳态视觉诱发电位（SSVEP）和事件相关电位（ERP）任务	脑机接口	NA	脑电图（EEG）	深度学习	脑电信号	BCI-IV 2b、GIGA、Benchmark和VR-ERP数据集，具体样本量未说明	NA	主网络（MainNet）和辅助网络（AuxNet）	准确率、信息传输率（ITR）	NA
588	2026-10-01	Stacking Deep Neural Networks to Detect Multiple Types of Cardiac Arrhythmias 2026-May-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3691946 PMID:42113654	研究论文	本文提出了一种两级堆叠集成框架，通过结合DNN、CNN、LSTM和Transformer模型来检测多种类型的心律失常	提出两级堆叠集成框架，第一级使用DNN、CNN、LSTM和Transformer作为基学习器，第二级使用MLP作为元学习器来加权组合基学习器的预测，从而融合ECG信号的空间、时间和长程依赖特征	未明确说明模型的泛化能力、计算复杂度以及在临床实际部署中的可行性	解决单一深度学习模型在ECG心律失常分类中的固有局限性，提高心律失常检测的准确性	ECG信号中的心律失常	机器学习	心血管疾病	ECG信号分析	堆叠集成学习	信号	MIT-BIH心律失常数据库和INCART心律失常数据库	NA	DNN, CNN, LSTM, Transformer, MLP	F-score	NA
589	2026-10-01	Transformer-Based Modular Motion Generation Through Shoulder-Arm Decoupling for Upper Limb Rehabilitation 2026-May-08, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3691335 PMID:42102076	研究论文	该研究提出了一种基于Transformer的模块化运动生成框架，通过肩带与手臂解耦来规划上肢康复运动	明确将肩带与手臂解耦，分别建模肩胛动力学和手臂轨迹；采用Transformer架构进行人体运动预测；并将人类运动预测与机器人映射解耦，提高模块化和个性化能力	摘要中未提及	解决肩带与手臂耦合导致的上肢运动建模困难，为上肢康复提供有效且临床相关的类人运动生成方案	上肢康复中的肩带运动与手臂运动	机器学习	老年疾病	机器学习、深度学习、外骨骼映射、强化学习对比	Transformer、强化学习、LSTM	运动学数据、关节角度数据	摘要中未提及	NA	Transformer、LSTM	F1分数、ANOVA、T检验、RMSE、DTW	NA
590	2026-10-01	A Segmentation-Guided Feature Alignment and Fusion Network for Glioma IDH Genotyping 2026-May-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3691144 PMID:42096391	研究论文	提出一种分割引导的特征对齐与融合网络（SFAF-Net），用于胶质瘤IDH基因分型，通过多模态MRI特征整合实现无创预测	1）分割引导特征对齐模块利用肿瘤分割监督促进跨模态特征对齐；2）冗余衰减融合模块基于相似性对模态对进行选择性融合以减少特征冗余；3）RAF中的随机模态丢弃机制增强模型对输入变化的鲁棒性；4）支持任意数量的输入序列，灵活适应不同临床扫描协议	未明确说明	实现胶质瘤IDH基因型的无创预测，提升多模态MRI特征提取与融合的鲁棒性	胶质瘤患者的多模态MRI影像数据	医学图像分析	脑胶质瘤	多模态磁共振成像	深度学习	图像	NA	NA	SFAF-Net	NA	NA
591	2026-10-01	MSFSNet: Multi-Source Few-Shot Adaptation Network for Cross-Subject Depression Recognition from EEG Signals 2026-May-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3691159 PMID:42096389	研究论文	本文提出了一种基于多源小样本适应（MSFSA）的跨被试抑郁症识别方法，利用脑电信号（EEG）结合多源域适应与集成学习策略，以提高模型在不同被试间的泛化能力	提出多源小样本适应（MSFSA）方法，将多源域适应与集成学习相结合，采用无监督域适应与小样本适应交替训练机制，有效降低模型对特定被试的依赖，提升跨被试抑郁症识别的泛化性能	仅在公开的MODMA EEG数据集上进行验证，样本量较小（53名被试），尚未在更大规模或多中心数据集上验证方法的泛化性和鲁棒性	解决现有机器学习和深度学习方法在基于EEG的抑郁症识别中跨被试泛化能力不足的问题，提高模型对新被试的适应性和实际应用能力	53名被试的EEG信号数据，包括24名重度抑郁症患者和29名健康对照者	机器学习	抑郁症	EEG	多源域适应网络，集成学习	EEG信号（时间序列信号）	53名被试（24名重度抑郁症患者和29名健康对照者），来自公开MODMA EEG数据集	NA	多源域适应网络，集成学习模型	准确率	NA
592	2026-10-01	Harnessing Terminal Signal-Aware Deep Learning for Accurate Multi-Class Secreted Effector Identification 2026-May-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3690894 PMID:42090538	研究论文	提出TermSE框架，利用末端信号感知的深度学习进行多类分泌效应蛋白识别	显式捕获N端和C端序列特征，结合全局序列表示进行多视图表征，并采用余弦归一化分类器和加权采样解决类别不平衡问题	未明确提及	准确识别革兰氏阴性细菌分泌效应蛋白，以理解细菌致病机制	革兰氏阴性细菌分泌效应蛋白	机器学习, 生物信息学	细菌感染	蛋白质语言模型嵌入	卷积神经网络	蛋白质序列	NA	NA	卷积神经网络	NA	NA
593	2026-10-01	Enabling DCIS subtyping: leveraging foundation models for robust grading and molecular biomarker scoring 2026-May-06, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-026-00957-6 PMID:42091907	研究论文	本文开发了一种基于基础模型的深度学习流程，用于从H&E染色数字化病理切片中预测DCIS的级别、ER和HER2状态，以支持主动监测策略	利用基础模型实现DCIS的自动分级和分子生物标志物评分，并在多中心数据集上进行训练和外部验证，能够根据主动监测标准对患者进行分层	外部验证性能有所下降（AUROC从0.90降至0.80等），样本量有限（荷兰887例，英国259例），且仅针对ER阳性、HER2阴性的DCIS患者	开发深度学习模型预测DCIS的级别、ER和HER2状态，以识别符合主动监测标准的低风险患者，减少过度治疗	乳腺导管原位癌（DCIS）患者的H&E染色病理切片	数字病理学	乳腺癌	H&E染色，数字化病理切片	基础模型	图像	荷兰多中心数据集887例，英国外部验证数据集259例	NA	NA	AUROC，平衡准确率，NPV	NA
594	2026-10-01	Medical Knowledge-Driven Contrastive Learning for Similar Patient Retrieval 2026-May-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3690515 PMID:42085409	研究论文	本文提出一种医学知识驱动的对比学习方法，通过基于ICD编码和外部知识的负采样策略，提升通用嵌入模型对医学文本的表示能力，用于相似患者检索	提出基于ICD编码的新型负采样策略识别难负例，并开发基于外部知识的负采样方法融合统计知识和模糊知识，增强模型区分细粒度医学状况和复杂临床场景的能力，集成到对比学习框架中训练更鲁棒的患者表示	数据不平衡问题导致基于ICD编码的方法难以充分挖掘负例，需依赖外部知识补充	解决传统方法依赖词汇特征或医学本体无法捕捉隐式语义关系的问题，以及深度学习稠密检索方法在相似患者检索任务中适应性不足的挑战	真实世界医学数据集中的患者记录	自然语言处理	NA	对比学习，ICD编码	NA	文本	NA	NA	NA	NA	NA
595	2026-10-01	Comparative Analysis of Artificial Intelligence-Based Quantification versus Visual Rating of Enlarged Perivascular Spaces in the Multi-Ethnic Study of Atherosclerosis Cohort 2026-May-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9129 PMID:41397892	研究论文	本文比较了人工智能量化与视觉评级在识别扩大的血管周围间隙与血管危险因素和认知表现关联方面的效果	使用全自动深度学习算法进行血管周围间隙量化，比传统视觉评级更敏感地检测与血管危险因素和认知结果的关联	横断面研究设计，样本量相对较小（235名参与者），可能限制因果推断和普遍性	比较视觉评级与人工智能量化在识别血管周围间隙与血管危险因素和认知表现关联方面的效果	来自多民族动脉粥样硬化研究（MESA）队列的235名参与者	数字病理学	心血管疾病	脑MRI	CNN	图像	235名参与者	NA	NA	β系数、95%置信区间	NA
596	2026-10-01	Medical Microwave Imaging Using Physics-Guided Deep Learning-Part 2: The Inverse Solver 2026-May, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3653974 PMID:41533603	研究论文	本文提出了一种受畸变Born迭代法启发的深度神经网络用于医学微波成像，通过物理引导的深度学习解决传统方法计算成本高和不适定性问题	提出了一种避免使用格林函数的物理引导深度学习方法，通过前向神经网络求解器和逆向神经网络块更新介电对比度，并采用混合损失函数进行正则化，能够准确重建被健康组织信号掩盖的异常组织	未明确提及	解决传统医学微波断层成像不适定和计算成本高的问题，以及现有物理引导深度学习方法无法捕捉成像对象显著区域导致误诊的问题	医学微波成像中的异常组织重建	计算机视觉	NA	微波断层成像、畸变Born迭代法	深度神经网络	图像	NA	NA	前向神经网络求解器和逆向神经网络块	相对误差、结构相似性指数、Dice相似系数、Hausdorff距离	NA
597	2026-10-01	EnsDTI: Predicting Drug-Target Interaction With Mixture-of-Experts and Confidence Assessment 2026 May-Jun, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3653990 PMID:41533615	研究论文	本文提出EnsDTI框架，利用混合专家架构和归纳共形预测器预测药物-靶点相互作用并提供置信度评估	结合基于结构和基于配体的药物设计方法，使用混合专家架构整合现有深度学习模型，并引入归纳共形预测器提供置信度分数	未明确提及	准确识别药物-靶点相互作用，平衡速度和准确性，以高效排名和筛选潜在药物候选物	药物-靶点相互作用，蛋白质和分子特征，候选药物	机器学习	NA	深度学习，混合专家架构，归纳共形预测	混合专家	蛋白质和分子特征数据	四个广泛使用的基准数据集	NA	混合专家	预测准确性，置信度估计，候选排名与对接亲和力的相关性	NA
598	2026-10-01	Systematic Review on Deep Learning Algorithms for Blood Glucose Forecasting in Type 1 Diabetes 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3630214 PMID:41533628	系统综述	本文遵循PRISMA指南，系统综述了用于1型糖尿病血糖预测的深度学习算法，评估了26项研究的数据集特征、模型输入、训练范式、预测范围、模型架构、评价指标、性能和基线比较	填补了缺乏专门针对血糖预测深度学习应用的全面综述的空白，系统性地从多个维度评估了26项研究	深度学习模型在生理保真度和可解释性方面仍存在挑战，这两者对临床采用至关重要	系统综述用于1型糖尿病血糖预测的深度学习算法，分析现有研究的特征、方法和性能	1型糖尿病患者的连续血糖监测数据及相关深度学习预测模型	机器学习	1型糖尿病	连续血糖监测（CGM）	深度学习	时间序列	26项研究	NA	NA	NA	NA
599	2026-10-01	Robust Physics-Based Deep MRI Reconstruction via Diffusion Purification 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3631742 PMID:41533627	研究论文	本文提出了一种基于扩散净化（RODIO）的方法，用于提高深度学习MRI重建模型的鲁棒性	利用预训练的扩散模型作为净化器，通过仅对净化样本进行高效微调，避免了对抗训练中的最小-最大优化问题	未明确讨论计算成本或实时性，且可能依赖于预训练扩散模型的质量	解决深度学习MRI重建模型在测试时面临的鲁棒性挑战，如最坏情况扰动、噪声、参数变化和分布偏移	深度学习MRI重建模型	计算机视觉	NA	扩散模型	扩散模型	图像	NA	NA	NA	NA	NA
600	2026-10-01	Highly Undersampled MRI Reconstruction via a Single Posterior Sampling of Diffusion Models 2026-May, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3654585 PMID:41543953	研究论文	本文提出了一种基于单步扩散模型的MRI重建框架SSDM-MRI，用于从高度欠采样的k空间恢复MRI图像	通过迭代选择性蒸馏算法将条件扩散模型蒸馏四次，结合捷径反向采样策略，实现单步重建，大幅缩短推理时间	未明确提及	解决扩散模型在MRI重建中推理时间过长的问题，实现高度欠采样下的快速高质量重建	fastMRI脑部和膝部图像以及内部多回波GRE（QSM）受试者	计算机视觉	NA	MRI	扩散模型	图像	NA	NA	U-net	PSNR, SSIM	NA