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
2541	2026-08-11	A Multi-Region Brain Model to Elucidate the Role of Hippocampus in Spatially Embedded Decision-Making 2025-May-29, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.29.656671 PMID:40502058	研究论文	本文提出一个多区域脑模型，通过反事实比较强化学习代理与不同网格细胞和位置细胞交互架构的脑模型，探讨海马在空间嵌入式决策中的规范性作用。	创新性地提出了网格细胞必须联合编码位置和证据的预测，以最大化学习效率并复现实验观察，为深度学习提供脑启发的结构化架构。	未提及。	阐明海马在空间嵌入式决策中的规范性作用，并为深度强化学习提供脑启发的结构归纳偏置。	强化学习代理，以及模拟网格细胞、位置细胞和皮层循环神经网络的脑模型。	机器学习	NA	NA	强化学习代理，循环神经网络（RNN），网格细胞和位置细胞模型	模拟数据	未提及。	NA	循环神经网络（RNN）	学习效率	NA
2542	2026-08-11	Preoperative Prediction of Microvascular Invasion in Hepatocellular Carcinoma From Multi-Sequence Magnetic Resonance Imaging Based on Deep Fusion Representation Learning 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3451331 PMID:39196745	研究论文	提出一种基于多序列MRI的深度融合表示学习算法，用于术前预测肝细胞癌的微血管侵犯，并验证其优越性能	提出了一种新的基于ResNet的多分支深度融合特征算法（DFFResNet），结合不同MRI序列增强信息互补性和集成性，同时采用数据预处理策略提取多视图特征并保留瘤周信息，并在ROI不完整时仍能保持高度竞争力的预测结果	研究仅在一个中心的数据集上进行验证，样本量有限（117例），且未提及外部验证集，可能存在泛化性限制	开发一种端到端的深度学习方法，利用多序列MRI术前预测肝细胞癌的微血管侵犯，以减少人工干预和耗时	肝细胞癌患者的术前多序列MRI图像	计算机视觉	肝细胞癌	MRI	深度学习模型（基于ResNet的DFFResNet）	多序列MRI图像	117例个体，包含7种MRI序列	NA	ResNet（DFFResNet）	鲁棒性指标，如准确率、AUC等（具体未列出），以及图像级和患者级的重复实验结果	NA
2543	2026-08-11	A Review on Intelligent Systems for ECG Analysis: From Flexible Sensing Technology to Machine Learning 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3508545 PMID:40030493	综述	本文广泛回顾了用于心电图采集的柔性心脏传感设备及其在心脏健康监测中的应用，并探讨了机器学习在心电图分析中的角色	强调柔性传感技术与机器学习集成的重要性，并概述两者的结合在心电监测中的潜在影响	未明确提及	综述柔性心电传感设备的关键特性、制造方法、材料，以及机器学习在心电分析和心脏健康监测中的应用	柔性心电传感设备及机器学习算法，用于心脏健康监测和心电图分析	机器学习	心血管疾病	NA	深度学习、支持向量机、随机森林、线性判别分析	心电图数据	NA	NA	NA	NA	NA
2544	2026-08-11	SWMA-UNet: Multi-Path Attention Network for Improved Medical Image Segmentation 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3523492 PMID:40030824	研究论文	提出了一种并行多路径注意力网络SWMA-UNet，用于改进医学图像分割	采用并行策略整合Transformer和CNN，替代传统的串行组合方式，以同时处理局部和全局信息并提升分割精度	摘要未提及明确局限性	提高医学图像分割的准确性	医学图像分割任务	计算机视觉	不适用	深度学习	混合模型（Transformer和CNN）	图像	Synapse、ACDC、ISIC 2018和MoNuSeg数据集	未提及	并行多路径注意力网络，具体架构未提及	未提及具体指标，如准确率、Dice系数等	未提及
2545	2026-08-11	FlexibleSleepNet:A Model for Automatic Sleep Stage Classification Based on Multi-Channel Polysomnography 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3525626 PMID:40030855	研究论文	本文提出了一种名为FlexibleSleepNet的轻量级卷积神经网络模型，用于基于多通道多导睡眠图数据的自动睡眠阶段分类	引入自适应特征提取模块和尺度变化压缩模块，有效平衡时空特征提取与计算复杂度，实现轻量级设计并提升分类性能	未提及具体局限性	提高自动睡眠阶段分类的准确性和计算效率，解决特征提取与计算复杂度之间的平衡问题	多通道多导睡眠图数据	机器学习	睡眠疾病	多导睡眠图	卷积神经网络	多通道多导睡眠图信号	三个数据库：SleepEDF-20、SleepEDF-78和SHHS，具体样本数量未提及	NA	FlexibleSleepNet（包含自适应特征提取模块和尺度变化压缩模块）	分类准确率	NA
2546	2026-08-11	Conditional Contrastive Predictive Coding for Assessment of Fetal Health From the Cardiotocogram 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3530610 PMID:40030899	研究论文	本文提出了一种基于条件对比预测编码的胎儿健康评估方法，从胎心宫缩图数据中检测异常，以提高评估准确性并减少不必要干预。	将对比预测编码扩展为具有随机、递归和以宫缩活动为条件的未来预测器，并引入一种更适合异常检测任务的新的训练目标。	未明确提及，但由于依赖专家标注和单模态数据，可能限制了泛化能力。	改进基于无监督深度学习模型的胎儿健康异常检测方法，以解决传统视觉解释中的高变异性和不必要干预问题。	胎心宫缩图数据，包括胎儿心率、宫缩活动及其对应的专家标注。	机器学习	胎儿健康问题	对比预测编码	递归神经网络	时间序列数据	未明确提及	未明确提及	对比预测编码	未明确提及，但基于专家标注进行评估	未明确提及
2547	2026-08-11	DiffuSeg: Domain-Driven Diffusion for Medical Image Segmentation 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3526806 PMID:40030962	研究论文	本文提出DiffuSeg，一种用于医学图像分割的条件扩散模型，利用现有标签和目标域未标注图像合成新图像，从而训练分割网络，避免人工标注。	提出了特征分解变分自编码器为扩散模型提供条件信息，实现仅需标签图和未标注图像即可在目标域生成图像，创新性地将扩散模型用于跨域医学图像分割。	摘要中未提及明显局限，可能包括对目标域数据分布依赖和生成图像质量影响分割性能等。	解决医学图像分割中因数据分布偏移和标注成本高而影响模型效能的问题。	MNIST数据集、视网膜眼底图像（血管分割）和MRI心脏图像（心脏分割）。	计算机视觉	不适用	扩散模型、变分自编码器	扩散模型、特征分解变分自编码器	图像	未提供具体数量，涉及MNIST、视网膜眼底图像和MRI心脏图像数据集	未提供具体框架	扩散模型、特征分解变分自编码器	图像生成和分割准确率	未提供具体信息
2548	2026-08-11	Physiological Information Preserving Video Compression for rPPG 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3526837 PMID:40030966	研究论文	提出一种专为远程光电容积描记（rPPG）设计的视频压缩方案，以在高度压缩下保持生理信息。	首次提出针对rPPG应用的专用视频压缩方案，通过面部ROI计算资源重分配、rPPG信号保留比特分配和时域上下采样编码，突破传统压缩算法不保留生理信号的局限。	未明确提及局限性。	开发能在视频压缩后保留rPPG生理信息的编码方案，支持远程医疗和大规模数据集生成。	rPPG视频数据，包括UBFC-rPPG、ECG-Fitness数据集及自采数据集。	计算机视觉	不适用	视频压缩	不适用	视频	使用UBFC-rPPG、ECG-Fitness和自采数据集，具体样本量未提及。	不适用	不适用	生理信息保留程度（以rPPG信号质量衡量，可能包括信噪比等，未明确）	未提及具体资源，但涉及视频编码和rPPG处理。
2549	2026-08-11	PEARL: Cascaded Self-Supervised Cross-Fusion Learning for Parallel MRI Acceleration 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3347355 PMID:38147421	研究论文	提出了一种名为PEARL的新型自监督加速并行MRI方法，通过级联自监督跨融合学习来重建高分辨率的MRI图像	引入多流联合深层解码器，包含两个跨融合机制和级联跨融合子块网络，实现了无需显式训练的自监督加速MRI重建，并通过双向归一化边缘方向相似性正则化增强细节重建	未明确提及，但可能存在计算复杂度较高或对特定MRI序列适应性有限的问题	开发一种无需监督训练即可加速并行MRI重建的自监督方法，以提高重建精度和速度	并行MRI图像重建问题	计算机视觉, 数字病理学	不适用	并行MRI, 压缩感知	深层解码器	MRI图像	未明确提及	未明确提及	级联跨融合子块网络	SSIM, PSNR, RLNE	未明确提及
2550	2026-08-11	Adaptive Cross-Feature Fusion Network With Inconsistency Guidance for Multi-Modal Brain Tumor Segmentation 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3347556 PMID:38150339	研究论文	提出了一种名为ACFNet的深度神经网络，用于多模态MRI中的脑肿瘤分割，通过自适应跨特征融合和预测不一致性引导，提高了分割性能。	提出了自适应跨特征融合（ACF）模块和预测不一致性引导（PIG）模块，分别用于编码器端融合不同模态的互补信息和解码器端引导网络关注易错区域，以弥合模态间差距。	实验仅在BraTS 2020数据集上进行，可能缺乏跨数据集或临床应用的泛化验证。	改进多模态MRI脑肿瘤分割的准确性和性能。	多模态MRI中的脑肿瘤。	计算机视觉	脑肿瘤	MRI	深度神经网络	图像	BraTS 2020数据集（具体样本数量未说明）	NA	并行编码器-解码器结构，包含三个流（基于CNN的架构可能），具体如编码器-解码器设计。	性能指标包括但不限于Dice系数等（具体未指定，但常见于分割任务中）	NA
2551	2026-08-11	MACTFusion: Lightweight Cross Transformer for Adaptive Multimodal Medical Image Fusion 2025-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3391620 PMID:38640042	研究论文	提出一种基于轻量级交叉Transformer的自适应多模态医学图像融合方法	提出交叉多轴注意力机制，包括交叉窗口注意力和交叉网格注意力，以增强局部和全局特征交互；设计空间自适应融合模块，使模型聚焦于最相关信息；结合梯度残差密集卷积与Transformer层进行特征提取	未提及	解决Transformer在多模态医学图像融合中缺乏局部特征提取和跨模态交互以及计算成本高的问题	多模态医学图像，包括临床脑肿瘤图像	计算机视觉	脑肿瘤	图像融合	Transformer	图像	NA	NA	交叉Transformer	融合性能、视觉质量	NA
2552	2026-08-11	Prediction of sudden cardiac death using artificial intelligence: Current status and future directions 2025-03, Heart rhythm IF:5.6Q1 DOI:10.1016/j.hrthm.2024.09.003 PMID:39245250	综述	本文综述了人工智能在预测心源性猝死方面的当前状态和未来方向，讨论了相关机器学习与深度学习模型的应用潜力及面临的挑战。	强调了人工智能在个性化心源性猝死风险预测中的应用，可识别传统统计方法无法发现的细微指标和预测因子。	存在重要的局限性，包括模型泛化能力、临床实践整合及广泛采用所面临的挑战，但具体未详述。	提供人工智能预测心源性猝死模型的当前最新进展概述，突出其在临床实践中的机会，并识别促进广泛采用的关键障碍。	心源性猝死风险预测模型及相关人工智能技术。	机器学习	心血管疾病, 心源性猝死	NA	机器学习, 深度学习	NA	NA	NA	NA	NA	NA
2553	2026-08-11	Predicting the exposure of mycophenolic acid in children with autoimmune diseases using a limited sampling strategy: A retrospective study 2025-01, Clinical and translational science DOI:10.1111/cts.70092 PMID:39727288	研究论文	利用机器学习和深度学习算法，基于有限采样策略预测儿童自身免疫性疾病患者体内霉酚酸暴露量	优化采样频率，仅用三个采血点即可准确估算MPA暴露量，减少儿童患者不适和医疗资源浪费	未明确提及，可能为回顾性单中心研究、样本量有限或缺乏外部验证	开发一种预测模型，用于儿童自身免疫性疾病中MPA暴露量的准确估算，同时优化采样频率	儿童自身免疫性疾病患者	机器学习	自身免疫性疾病	治疗药物监测	随机森林, XGBoost, LightGBM, 梯度提升决策树, CatBoost, 人工神经网络, 梯度提升机, Transformer, Wide&Deep, TabNet	临床数据	来自209名患者的614个MPA AUC样本	NA	随机森林, XGBoost, LightGBM, 梯度提升决策树, CatBoost, 人工神经网络, 梯度提升机, Transformer, Wide&Deep, TabNet	R², 准确率	NA
2554	2026-08-11	Integrating Model-Informed Drug Development With AI: A Synergistic Approach to Accelerating Pharmaceutical Innovation 2025-01, Clinical and translational science DOI:10.1111/cts.70124 PMID:39797502	研究论文	本文探讨了模型引导的药物开发（MIDD）与人工智能（AI）的整合，以加速药物创新并优化治疗策略	提出了MIDD与AI协同作用的框架，强调通过虚拟试验优化药物候选选择和剂量方案，并结合生成式AI增强预测能力	面临高质量数据集可用性、数据隐私、模型可解释性和算法偏差等挑战，且需标准化模型架构、数据格式和验证流程	阐述MIDD与AI整合的潜力，以加速药物发现、优化治疗策略，并推动个性化医疗发展	药物开发过程中的模型引导方法（如药代动力学/药效动力学模型）和AI技术（如机器学习、深度学习、生成式AI）	人工智能	不适用	不适用	机器学习、深度学习、生成式AI	文本	不适用	不适用	不适用	不适用	不适用
2555	2026-08-11	Improved deep learning prediction of antigen-antibody interactions 2024-10-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2410529121 PMID:39361651	研究论文	本文评估了深度学习在预测抗原-抗体相互作用中的性能，通过两个基准测试预测SARS-CoV-2刺突蛋白受体结合域的特异性抗体	采用了三种不同的输入序列比对策略来预测抗原-抗体复合物结构，并发现利用已知抗原结合序列的策略在预测精度上优于其他方法	召回率较低（仅25%），且测试集有限，预测准确性仍有提升空间	提高抗原-抗体相互作用的预测准确性，并探索与单B细胞测序结合的潜力	SARS-CoV-2刺突蛋白受体结合域及其特异性抗体	自然语言处理	新冠	NA	深度学习模型	序列数据	初始测试集包含已知实验结构，后续测试集约1000个抗体	NA	NA	精确度、召回率、成功率	NA
2556	2026-08-11	Overcoming CRISPR-Cas9 off-target prediction hurdles: A novel approach with ESB rebalancing strategy and CRISPR-MCA model 2024-09, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012340 PMID:39226304	研究论文	本研究提出了一种结合ESB类重平衡策略和CRISPR-MCA混合模型的新方法，用于克服CRISPR-Cas9脱靶预测中的挑战	首次提出专门针对仅含错配脱靶实例数据集的ESB类重平衡策略，并开发了基于多特征提取的CRISPR-MCA混合模型	研究主要针对错配仅脱靶数据集，对包含插入缺失的数据集适用性可能需要进一步验证	提高CRISPR-Cas9系统脱靶效应的预测准确性，解决数据集不平衡和模型复杂性挑战	CRISPR-Cas9系统中的脱靶效应	机器学习	NA	深度学习	混合神经网络模型	序列数据	四个不同的错配仅数据集和包含错配及插入缺失的数据集	NA	CRISPR-MCA	预测准确性	NA
2557	2026-08-11	aiSEGcell: User-friendly deep learning-based segmentation of nuclei in transmitted light images 2024-08, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012361 PMID:39178193	研究论文	本文介绍了aiSEGcell，一个用户友好的基于深度学习的软件，用于明场图像中细胞核和细胞的自动分割。	提供用户友好的CNN软件，无需荧光标记即可分割细胞核，且只需少量图像（32张）即可重新训练以适应新用例，并提供包含110万个细胞核和2万张图像的精选数据集。	未明确提及局限性，但可能包括对2D培养细胞图像的针对性，可能不适用于3D或组织结构。	开发并验证一个易用的深度学习工具，用于明场图像中细胞核的精确分割，减少对荧光标记和计算专家的依赖。	多种原代细胞类型的2D培养细胞，来自不同成像模态的明场图像。	计算机视觉，数字病理学	不适用	明场显微镜	卷积神经网络（CNN）	图像	20,000张图像，包含1.1百万个细胞核	不适用	不适用（可能是U-Net类，但未具体说明）	与手动分割结果的相似度（未具体列出指标）	不适用
2558	2026-08-11	DeepEnzyme: a robust deep learning model for improved enzyme turnover number prediction by utilizing features of protein 3D-structures 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae409 PMID:39162313	研究论文	本文介绍DeepEnzyme，一种结合Transformer和Graph Convolutional Network的深度学习模型，通过利用蛋白质3D结构特征提升酶转换数预测的准确性和鲁棒性	首次结合最新的Transformer和GCN，整合序列与3D结构特征，提高低序列相似性酶的预测鲁棒性，并支持评估点突变对催化活性的影响	未明确提及，可能依赖于高质量3D结构数据，对低序列相似性酶仍需进一步验证	改进酶转换数(kcat)预测的准确性和鲁棒性，特别是对低序列相似性酶，并探索点突变对酶催化活性的影响	酶的序列和3D结构数据，以及点突变效应	深度学习, 蛋白质结构预测	NA	蛋白质3D结构特征提取	Transformer, Graph Convolutional Network (GCN)	蛋白质序列和3D结构数据	未明确提及	未明确提及	Transformer, GCN	预测准确性和鲁棒性（未具体列出指标）	未明确提及
2559	2026-08-11	HTINet2: herb-target prediction via knowledge graph embedding and residual-like graph neural network 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae414 PMID:39175133	研究论文	提出了一种名为HTINet2的深度学习框架，用于预测草药靶点，整合知识图谱嵌入和残差图神经网络	设计了三个关键模块：知识图谱嵌入、残差图表示学习和监督目标预测，其中知识图谱嵌入模块融合了中医属性和临床治疗知识，残差图卷积网络用于捕捉草药与靶点间的深度交互	文中未明确提及，但摘要暗示其依赖知识库的完整性，可能存在知识图谱不完整带来的挑战	解决草药靶点预测中数据不完整和无监督模型局限性的问题，提高预测准确性	草药（例如青蒿、黄连）及其靶点	机器学习	不适用	知识图谱嵌入	图神经网络	知识图谱	未提及具体数量，但构建了大型知识图谱	未提及具体框架	残差图卷积网络	HR@10, NDCG@10	未提及
2560	2026-08-11	BertTCR: a Bert-based deep learning framework for predicting cancer-related immune status based on T cell receptor repertoire 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae420 PMID:39177262	研究论文	提出了一种基于Bert的深度学习框架BertTCR，用于基于T细胞受体库预测癌症相关免疫状态。	结合预训练蛋白质大语言模型与深度学习架构，提取TCR的深层上下文信息，并考虑序列内和序列间的相互作用，显著提高了预测性能。	未提及具体局限性。	开发一种基于TCR序列预测癌症相关免疫状态的深度学习框架。	T细胞受体（TCRs）序列及其在癌症免疫状态预测中的应用。	机器学习	多种癌症	NGS（TCR库测序）	Bert	序列数据（TCR库）	超过2000个公开TCR库，涵盖17种癌症和健康样本	NA	Bert, 深度学习架构	AUC	NA