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
2321	2025-05-25	DeepValve: The first automatic detection pipeline for the mitral valve in Cardiac Magnetic Resonance imaging 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110211 PMID:40311468	research paper	介绍了一种名为DeepValve的深度学习流程，用于在心脏磁共振成像中自动检测二尖瓣	首次提出用于心脏磁共振成像中二尖瓣自动检测的深度学习流程DeepValve，并测试了三种瓣膜检测模型	研究仅基于120例确诊二尖瓣疾病患者的临床数据集，样本量可能有限	开发自动检测二尖瓣的深度学习流程，以提高诊断准确性	二尖瓣在心脏磁共振成像中的自动检测	digital pathology	cardiovascular disease	deep learning	UNET-REG, UNET-SEG, DSNT-REG	image	120例确诊二尖瓣疾病患者的临床数据集
2322	2025-05-25	Deep learning meets marine biology: Optimized fused features and LIME-driven insights for automated plankton classification 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110273 PMID:40315719	research paper	提出了一种改进的浮游生物分类模型，通过特征融合和优化算法提高分类准确性和可解释性	结合InceptionResNetV2和DeepPlanktonNet模型的特征融合，利用鲸鱼优化算法(WOA)进行特征选择，并采用LIME增强模型可解释性	模型在有限标记数据下的高准确性和计算效率仍具挑战性	提高浮游生物自动分类的准确性和效率，支持大规模生态调查和水质监测	浮游生物	computer vision	NA	特征融合, 鲸鱼优化算法(WOA), LIME	InceptionResNetV2, DeepPlanktonNet	image	WHOI数据集
2323	2025-05-25	An explainable adaptive channel weighting-based deep convolutional neural network for classifying renal disorders in computed tomography images 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110220 PMID:40315718	研究论文	提出了一种名为EACWNet的自动化深度学习模型，用于分类肾脏CT图像中的不同疾病类别	结合了自适应通道加权的深度卷积神经网络和可解释人工智能技术，提高了分类准确率	模型在结石类别的精确度较低，因为结石具有固有的变异性和异质性	提高肾脏疾病诊断的工作流程效率和准确性	肾脏CT图像	计算机视觉	肾脏疾病	深度学习	CNN (VGG-19改进版)	图像	公开可用的肾脏CT图像数据集
2324	2025-05-25	Optimizing stroke lesion segmentation: A dual-approach using Gaussian mixture models and nnU-Net 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110221 PMID:40318493	research paper	本文系统评估了高斯混合模型（GMM）和nnU-Net在识别中风体积治疗相关变化中的有效性	首次将GMM与nnU-Net结合用于中风病灶分割，并评估其在检测治疗诱导变化方面的可靠性	nnU-Net仅基于手动分割训练时无法检测显著的治疗诱导中风体积减少，可能导致假阴性结果	评估不同分割方法在检测中风治疗反应中的有效性	中风病灶分割模型	digital pathology	cardiovascular disease	GMM, nnU-Net	GMM, nnU-Net	image	NA
2325	2025-05-25	Molecular landscape of endometrioid Cancer: Integrating multiomics and deep learning for personalized survival prediction 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110284 PMID:40319755	研究论文	本研究提出了一种结合多组学数据和深度学习的创新生存分析方法，用于子宫内膜样癌的个性化生存预测	开发了一种新的深度学习自编码器，设计了专门用于自编码器的新损失函数，以捕捉生物变量与生存结果之间的复杂非线性关系	NA	研究影响子宫内膜样癌患者预后的因素，识别潜在的生存生物标志物	子宫内膜样癌患者的多组学数据（转录组、甲基化和蛋白质组数据）	数字病理学	子宫内膜癌	多组学分析（转录组、甲基化、蛋白质组）	自编码器（Autoencoder）	多组学数据	来自TCGA-UCEC项目的子宫内膜样癌样本
2326	2025-05-25	Artificial intelligence in fetal brain imaging: Advancements, challenges, and multimodal approaches for biometric and structural analysis 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110312 PMID:40319756	review	本文综述了人工智能在胎儿脑成像中的应用，重点探讨了超声和磁共振成像的多模态整合及其在提高诊断准确性方面的潜力	强调了多模态方法整合超声和磁共振成像的互补优势，以及AI在实时诊断工具和人机协作框架中的创新应用	面临的主要挑战包括高质量多样化数据集的稀缺、计算效率不足以及数据隐私和安全的伦理问题	探索人工智能如何提升胎儿脑成像的诊断准确性和效率，改善围产期护理结果	胎儿脑成像，特别是通过超声和磁共振成像进行的生物测量和结构分析	数字病理	NA	超声(US)和磁共振成像(MRI)	深度学习框架和基于注意力的架构	图像	NA
2327	2025-05-25	NFR-EDL: Non-linear fuzzy rank-based ensemble deep learning for accurate diagnosis of oral and dental diseases using RGB color photography 2025-Jun, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110279 PMID:40319757	research paper	提出一种基于非线性模糊排序的集成深度学习模型NFR-EDL，用于通过RGB彩色摄影准确诊断口腔和牙齿疾病	结合四种深度CNN基础模型，通过非线性模糊排序和不确定性决策融合，提高诊断准确性和可靠性	未提及模型在多样化人群或不同光照条件下的泛化能力	开发高准确度的AI工具以改善口腔和牙齿疾病的早期诊断	口腔和牙齿疾病	digital pathology	oral and dental diseases	RGB color photography	CNN, NFR-EDL	image	Kaggle, MOD, ODSI-DB, and OaDD datasets
2328	2025-05-25	A transformer-based framework for temporal health event prediction with graph-enhanced representations 2025-Jun, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104826 PMID:40324665	research paper	该研究提出了一种结合图学习和Transformer框架的深度学习方法GLT-Net，用于预测时序健康事件	GLT-Net通过构建患者关联图和共病关联矩阵，利用图神经网络增强诊断代码的特征表示，并通过Transformer-Encoder框架捕捉历史入院记录的时间依赖性	未明确提及具体局限性	预测时序健康事件，深入理解患者健康状况和疾病趋势	患者入院记录和诊断代码	machine learning	NA	图神经网络, Transformer	GLT-Net (结合图学习和Transformer框架)	时序健康事件数据	未明确提及具体样本量
2329	2025-05-25	Deep learning-driven imaging of cell division and cell growth across an entire eukaryotic life cycle 2025-Jun-01, Molecular biology of the cell IF:3.1Q3 DOI:10.1091/mbc.E25-01-0009 PMID:40327364	研究论文	该研究通过结合微流控培养、生命周期阶段特异性图像分割和基于深度学习的视频帧插值算法FIEST，实现了对真核微生物整个生命周期的细胞分裂和细胞生长进行直接和连续的研究	提出了一种新的细胞追踪算法FIEST，基于深度学习视频帧插值，能够直接和连续地研究完整的微生物生命周期	研究仅针对特定微生物的生命周期，可能不适用于所有真核微生物	研究真核微生物整个生命周期中的细胞分裂和细胞生长	真核微生物的生命周期，包括休眠、交配、减数分裂和细胞分裂等状态	计算机视觉	NA	微流控培养、深度学习视频帧插值	深度学习	图像、视频	三个有性繁殖世代的真核微生物生命周期
2330	2025-05-25	Interpretable deep neural networks for advancing early neonatal birth weight prediction using multimodal maternal factors 2025-Jun, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104838 PMID:40339967	research paper	本研究提出了一种基于可解释深度神经网络的临床决策支持系统，用于早期预测新生儿出生体重，利用早期妊娠期间的多模态母体因素	创新性地结合了全面的母体因素，特别是营养元素与生理和生活方式变量，使用TabNet架构提高了预测的精确度和可解释性	NA	开发一个临床决策支持系统，早期预测新生儿出生体重，以改善新生儿健康结果	新生儿出生体重及其与母体因素的关系	machine learning	neonatal health	deep learning, TabNet	TabNet	tabular data	广泛的数据集，涵盖多种母体健康指标
2331	2025-05-25	Incorporating Pre-Training Data Matters in Unsupervised Domain Adaptation 2025-May-23, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3572963 PMID:40408198	研究论文	本文探讨了预训练数据在无监督域适应（UDA）中的重要性，并提出了一种名为TriDA的新框架	从预训练的新视角研究UDA，揭示了目标误差与预训练的关系，并提出了一个三域问题框架	未明确提及具体限制，但可能涉及预训练数据选择策略的泛化能力	研究预训练数据对无监督域适应的影响，并提出改进方法	无监督域适应（UDA）方法	机器学习	NA	无监督域适应（UDA）	NA	图像	多个基准测试数据集
2332	2025-05-25	Staged Self-Supervised Learning for Raven Progressive Matrices 2025-May-23, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3561069 PMID:40408204	研究论文	本研究提出并研究了一种基于Transformer架构的深度学习模型——抽象组合变换器(ACTs)，用于处理需要完成空间视觉模式的抽象推理任务	结合ACTs与选择模块，应用于Raven渐进矩阵(RPMs)，并通过自监督学习在小训练集上成功训练模型，缓解了以往研究中发现的RPMs偏差	NA	开发能够处理抽象推理任务的深度学习架构	Raven渐进矩阵(RPMs)	机器学习	NA	自监督学习	Transformer(ACTs)	空间视觉模式数据	相对较小的训练集
2333	2025-05-25	Interpretable and Adaptive GAN-BiLSTM Approach for Cyber Threat Detection in IoMT-based Healthcare 5.0 2025-May-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3573097 PMID:40408219	研究论文	提出了一种可解释和自适应的深度学习安全框架，用于检测基于IoMT的Healthcare 5.0中的网络安全威胁	结合GAN平衡数据集，使用BiLSTM识别时间模式和关键特征，并通过SHAP和PFI增强模型决策的透明度	实验仅在NSL-KDD数据集上进行，未在其他数据集验证	解决Healthcare 5.0中网络安全威胁检测的数据不平衡和模型可解释性问题	基于IoMT的Healthcare 5.0系统	机器学习	NA	GAN, BiLSTM, SHAP, PFI	GAN, BiLSTM	网络流量数据	NSL-KDD数据集
2334	2025-05-25	DenoiseMamba: An Innovative Approach for EEG Artifact Removal Leveraging Mamba and CNN 2025-May-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3573042 PMID:40408214	研究论文	提出了一种名为DenoiseMamba的新型深度学习模型，用于有效去除EEG信号中的伪迹	结合了CNN和结构化状态空间对偶机制（SSD），能够同时捕捉局部和全局的时空特征	仅在三个半模拟数据集上进行了实验，未涉及真实临床环境中的EEG数据	提升EEG信号去噪效果，以改善基于EEG的疾病诊断和脑机接口应用性能	EEG信号中的肌电、眼电和心电伪迹	机器学习	NA	深度学习	CNN, SSD	EEG信号	三个半模拟数据集
2335	2025-05-25	Self-supervised feature learning for cardiac Cine MR image reconstruction 2025-May-23, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3570226 PMID:40408221	research paper	提出了一种自监督特征学习辅助重建（SSFL-Recon）框架，用于解决现有监督学习方法在MRI重建中的局限性	首次在自监督重建网络中嵌入预学习的采样不敏感特征，以辅助去除伪影	实验仅在内部2D心脏Cine数据集上进行，未验证在其他类型MRI数据上的泛化能力	开发无需全采样图像的MRI重建方法	心脏Cine MRI图像	medical image reconstruction	cardiovascular disease	self-supervised learning	SSFL-Recon framework	MRI image	91例心血管病患者和38例健康受试者
2336	2025-05-25	SSC-SleepNet: A Siamese-Based Automatic Sleep Staging Model with Improved N1 Sleep Detection 2025-May-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3572886 PMID:40408218	research paper	提出了一种基于伪Siamese神经网络的自动睡眠分期模型SSC-SleepNet，旨在提高N1睡眠阶段的检测性能	采用伪Siamese神经网络架构和自适应损失函数，动态分配更高的惩罚给误分类的N1睡眠阶段，显著提升了N1检测性能	NA	提高单通道脑电图(EEG)自动睡眠分期中N1睡眠阶段的检测准确性	睡眠分期	machine learning	NA	EEG信号分析	伪Siamese神经网络(包含squeeze-and-excitation残差网络分支和CNN-LSTM分支)	EEG信号	四个数据集(Sleep-EDF-SC、Sleep-EDF-X、Sleep Heart Health Study和Haaglanden Medisch Centrum)
2337	2025-05-25	End-to-end prognostication in pancreatic cancer by multimodal deep learning: a retrospective, multicenter study 2025-May-23, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11694-y PMID:40410330	研究论文	通过多模态深度学习对胰腺癌进行端到端预后预测的一项回顾性多中心研究	利用多模态AI模型整合临床变量和增强CT图像，提高了胰腺癌患者短期和长期生存预测的准确性	研究为回顾性设计，可能存在选择偏倚；外部验证集的预测性能有所下降	探索人工智能如何通过整合多源数据提高胰腺癌预后准确性	胰腺导管腺癌(PDAC)患者	数字病理	胰腺癌	深度学习	多模态AI模型	临床变量和CT图像	开发队列401例患者(荷兰中心)，外部验证队列361例患者(荷兰和西班牙中心)
2338	2025-05-25	Development and validation of a radiomics model using plain radiographs to predict spine fractures with posterior wall injury 2025-May-23, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society IF:2.6Q1 DOI:10.1007/s00586-025-08948-0 PMID:40410361	research paper	开发并验证了一种基于平片X光图像的放射组学模型，用于预测伴有后壁损伤的脊柱骨折	结合前后位和侧位平片X光图像，利用Vision Transformer (ViT)技术提取影像特征，构建机器学习模型，提高了预测脊柱骨折伴有后壁损伤的准确性	研究样本量较小（130例患者），且为回顾性研究，可能存在选择偏倚	提高伴有后壁损伤的脊柱骨折的早期诊断准确性，优化治疗方案	脊柱骨折患者	digital pathology	spine fractures	radiomics analysis, deep learning	Vision Transformer (ViT), NaiveBayes, Support Vector Machine (SVM)	X-ray images	130例患者（来自两个中心）
2339	2025-05-25	Deep-learning-based single-domain and multidomain protein structure prediction with D-I-TASSER 2025-May-23, Nature biotechnology IF:33.1Q1 DOI:10.1038/s41587-025-02654-4 PMID:40410405	research paper	提出了一种结合深度学习和传统物理模拟的蛋白质结构预测方法D-I-TASSER，用于单域和多域蛋白质的结构建模	D-I-TASSER通过整合多源深度学习势能和迭代线程片段组装模拟，提出了一种新的域分割和组装协议，用于自动化建模大型多域蛋白质结构	未明确提及具体限制，但可能涉及计算资源需求或特定蛋白质类型的适用性	开发高精度的蛋白质结构和功能预测方法，适用于全基因组应用	单域和多域蛋白质	生物信息学	NA	深度学习，迭代线程片段组装模拟	D-I-TASSER	蛋白质序列和结构数据	人类蛋白质组中81%的蛋白质域和73%的全链序列
2340	2025-05-25	WDGBANDTI: A Deep Graph Convolutional Network-Based Bilinear Attention Network for Drug-Target Interaction Prediction with Domain Adaptation 2025-May-23, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00714-6 PMID:40410523	研究论文	提出了一种基于深度图卷积网络和双线性注意力网络的可解释深度学习框架WDGBANDTI，用于在子结构水平上分析和预测药物-靶标相互作用	结合Deep-GCN和BAN构建可解释框架，能在子结构水平分析药物-靶标相互作用，并通过添加模块增强模型对未识别靶标对的预测能力	未明确提及具体的数据集限制或模型适用范围	提升药物-靶标相互作用预测的准确性和可解释性，促进药物开发和副作用实验	药物分子和靶标蛋白	机器学习	NA	Deep Graph Convolutional Network, Bilinear Attention Network	Deep-GCN, BAN	分子结构数据	多个常用且覆盖广泛的数据库（未明确数量）