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
3881	2025-04-23	C2BNet: A Deep Learning Architecture With Coupled Composite Backbone for Parasitic Egg Detection in Microscopic Images 2025-Apr, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3318604 PMID:37747862	research paper	提出了一种名为C2BNet的深度学习架构，用于在显微图像中检测寄生虫卵	C2BNet采用双路径结构的骨干网络，利用模型异质性从不同角度学习目标特征，并提出了一种新的特征组合方式以增强特征表示能力	NA	提高在显微图像中检测寄生虫卵的模型性能	寄生虫卵	computer vision	intestinal parasitic infection	deep learning	C2BNet	2D microscopic images	Chula-ParasiteEgg-11 dataset
3882	2025-04-23	SeqNovo: De Novo Peptide Sequencing Prediction in IoMT via Seq2Seq 2025-Apr, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3321780 PMID:37792659	research paper	提出了一种名为SeqNovo的新模型，用于IoMT中的de novo肽段测序预测，该模型结合了Seq2Seq结构、多层感知机（MLP）的高度非线性特性以及注意力机制捕捉长距离依赖关系的能力	SeqNovo模型结合了Seq2Seq结构、MLP和注意力机制，提高了肽段测序预测的准确性和可解释性，并增强了捕捉长距离依赖关系的能力	论文未明确提及具体局限性	解决当前深度学习模型在肽段测序预测中可解释性差和长距离依赖捕捉能力不足的问题	肽段测序预测	machine learning	NA	de novo peptide sequencing	Seq2Seq with MLP and attention mechanism	sequence data	NA
3883	2025-04-23	Development and validation of a semi-automatic radiomics ensemble model for preoperative evaluation of breast masses in mammotome-assisted minimally invasive resection 2025-Mar-31, Gland surgery IF:1.5Q3 DOI:10.21037/gs-24-440 PMID:40256481	研究论文	开发并验证了一种基于超声的半自动分割集成模型，用于在乳腺微创旋切术前评估乳腺肿块	提出了一种基于半自动分割的集成学习模型，减少了手动勾画的主观性和时间消耗，提高了术前评估的准确性	研究为回顾性分析，可能存在选择偏倚；模型性能在测试队列中的AUC相对训练队列有所下降	提高乳腺肿块术前评估的准确性，指导个体化治疗策略	773例患者的术前超声图像（543例肿瘤，230例非肿瘤）	数字病理	乳腺癌	超声成像，深度迁移学习（DTL）	DeepLabv3_ResNet50, FCN_ResNet50, 集成模型	超声图像	773例患者（543例肿瘤，230例非肿瘤）
3884	2025-04-23	TrGPCR: GPCR-Ligand Binding Affinity Prediction Based on Dynamic Deep Transfer Learning 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3307928 PMID:37610904	研究论文	提出了一种基于动态深度迁移学习的GPCR-配体结合亲和力预测方法TrGPCR	使用动态迁移学习解决GPCR数据不足的问题，并引入蛋白质二级结构（口袋）作为特征	GPCR数据量仍然有限，仅几千个已知GPCR可用于亲和力预测	预测GPCR-配体结合亲和力以辅助药物开发	GPCR-配体结合亲和力	机器学习	NA	动态深度迁移学习	TrGPCR	蛋白质序列和二级结构数据	BindingDB和GLASS数据库中的数千个GPCR数据
3885	2025-04-23	Multi-Omics Deep-Learning Prediction of Homologous Recombination Deficiency-Like Phenotype Improved Risk Stratification and Guided Therapeutic Decisions in Gynecological Cancers 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3308440 PMID:37616142	研究论文	提出了一种名为MODeepHRD的多组学深度学习框架，用于预测妇科癌症中的同源重组缺陷（HRD）表型，以改善风险分层和指导治疗决策	开发了一种新型的多组学整合深度学习框架MODeepHRD，利用卷积注意力自编码器有效利用组学特异性和跨组学互补知识学习	虽然在不同癌症队列中进行了验证，但可能需要更多样化的数据集以进一步验证其普适性	提高妇科癌症中HRD表型的预测准确性，以指导临床治疗决策	卵巢癌、乳腺癌和子宫内膜癌患者	数字病理学	妇科癌症	转录组学、DNA甲基化和突变数据	卷积注意力自编码器	多组学数据	351名卵巢癌患者用于训练，2133个卵巢癌样本（来自22个数据集）用于验证，并在多中心乳腺癌和子宫内膜癌队列中进一步验证
3886	2025-04-23	HiSIF-DTA: A Hierarchical Semantic Information Fusion Framework for Drug-Target Affinity Prediction 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3334239 PMID:37983161	研究论文	提出了一种名为HiSIF-DTA的分层语义信息融合框架，用于药物-靶标亲和力预测	构建了包含低阶结构语义和高阶功能语义的分层蛋白质图，并设计了两种分层融合策略（Top-down和Bottom-Up）来整合不同的蛋白质语义	未明确提及具体限制	提高药物-靶标亲和力预测的准确性	药物-靶标亲和力预测	机器学习	NA	深度学习	分层语义信息融合框架（HiSIF-DTA）	蛋白质序列和结构数据、蛋白质-蛋白质相互作用网络	基准数据集（未明确提及具体数量）
3887	2025-04-23	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，用于预测细胞系药物反应，通过整合多个数据集和开发二维结构化网格图（SGM）表示方法，提高了预测准确性	提出了一种新的细胞系药物反应预测策略DD-Response，通过整合多个数据集、开发二维结构化网格图（SGM）表示方法，并构建了双分支多通道CNN模型，显著提高了预测性能	虽然模型在细胞系药物反应预测上表现优异，但在临床应用方面仍面临挑战	开发一种更全面的方法来预测细胞系药物反应，以促进药物开发、再利用和耐药性逆转	细胞系药物反应机制	机器学习	癌症	深度学习	双分支多通道CNN	结构化网格图（SGM）	整合了多个数据集，具体样本数量未明确说明
3888	2025-04-23	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	research paper	提出一种基于多模态互正交投影和模态间一致性损失的新方法，用于预测药物相互作用事件	通过多模态互正交投影模块消除模态间的冗余共同信息，并利用模态间一致性损失使各模态的预测特征更加相似	未明确提及具体局限性	准确预测药物相互作用(DDI)事件的机制	药物相互作用事件	machine learning	NA	multimodal mutual orthogonal projection, intermodal consistency loss	deep learning	multimodal data	NA
3889	2025-04-23	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-靶标相互作用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，并开发了整合药物-蛋白质-疾病异质网络拓扑信息和蛋白质GO及通路注释信息的HNetPa-DTI预测方法	未明确提及方法在特定类型药物或靶标上的局限性	提高药物-靶标相互作用预测的准确性	药物-靶标相互作用对	机器学习	NA	异质图神经网络、图神经网络	HNetPa-DTI（整合异质图神经网络和GNN的框架）	网络数据、注释数据	未明确说明具体样本量
3890	2025-04-23	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	research paper	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源异构特征进行药物嵌入表示学习	首次同时利用药物靶点蛋白信息、分子图、指纹和化学相似性等多源异构特征进行药物嵌入表示学习，并采用Adaboost方法增强对无明确靶蛋白药物的预测能力	对于没有明确靶蛋白的药物预测性能仍有提升空间	预测药物副作用发生频率	药物及其副作用	machine learning	NA	deep learning, Adaboost	dual representation learning model	heterogeneous drug features (target protein information, molecular graphs, fingerprints, chemical similarity)	NA
3891	2025-04-23	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	本文提出了一种名为AEGNN-M的3D图-空间共表示模型，用于分子性质预测	结合GAT和EGNN两种图神经网络，同时利用分子图表示和3D空间结构表示进行分子性质预测	未提及具体局限性	提高分子性质预测的准确性以加速药物开发过程	分子性质预测	计算机辅助药物设计	乳腺癌	图神经网络	AEGNN-M (结合GAT和EGNN)	分子图和3D空间结构数据	7个公共数据集（包括3个回归数据集和14个乳腺癌细胞系表型筛选数据集）
3892	2025-04-23	Evaluating the Impact of Attention Mechanisms on a Fine-Tuned Neural Network for Magnetic Resonance Imaging Tumor Classification: A Comparative Analysis 2025-Mar, Cureus DOI:10.7759/cureus.80872 PMID:40255713	研究论文	本研究评估了不同注意力机制对基于ResNet50V2的MRI肿瘤分类模型的影响	比较了五种注意力机制在MRI肿瘤分类中的效果，发现SE机制表现最佳	未探索混合注意力机制（如基于Transformer的模型）的应用	评估注意力机制对MRI肿瘤分类模型性能的影响	脑部MRI扫描中的脑膜瘤、胶质瘤、垂体瘤和无肿瘤病例	计算机视觉	脑肿瘤	深度学习	ResNet50V2, SE, CBAM, SA, AGNet	MRI图像	3,096个标注的MRI扫描
3893	2025-04-23	Discovering effect of intuitionistic fuzzy transformation in multi-layer perceptron for heart disease prediction: a study 2025-Feb, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2284095 PMID:38013456	research paper	该研究探讨了直觉模糊变换在多感知层神经网络（MLP）中对心脏病预测的影响	论文的创新点在于从特征转换到深度学习的整个过程，特别是使用直觉模糊集（IFS）考虑成员度和非成员度两种不确定性	NA	减少心脏病的风险，通过先进的深度学习算法帮助医生早期诊断	心脏病预测	machine learning	cardiovascular disease	直觉模糊变换和模糊参数转换	MLP	临床参数	NA
3894	2025-04-23	Enhancing drug discovery in schizophrenia: a deep learning approach for accurate drug-target interaction prediction - DrugSchizoNet 2025-Feb, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2282951 PMID:38375638	研究论文	本文提出了一种基于深度学习的模型DrugSchizoNet，用于精神分裂症药物靶点相互作用的准确预测	采用LSTM层捕捉药物相互作用的序列特性，并结合OB-MOA优化进行超参数调优，显著提高了预测准确率至98.70%	模型性能依赖于DrugBank和repoDB数据库的数据质量，可能受限于数据覆盖范围	提升精神分裂症药物发现的效率和准确性	药物靶点相互作用数据	机器学习	精神分裂症	深度学习	LSTM	药物相关数据	来自DrugBank和repoDB数据库的药物数据
3895	2025-04-23	DeepCompoundNet: enhancing compound-protein interaction prediction with multimodal convolutional neural networks 2025-Feb, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2291829 PMID:38084744	研究论文	本文提出了一种名为DeepCompoundNet的多模态卷积神经网络模型，用于增强化合物-蛋白质相互作用的预测	整合了蛋白质特征、药物属性和多种相互作用数据，超越了仅依赖氨基酸序列同源性和化学结构相似性的现有方法	未提及具体的数据集规模限制或模型泛化能力的详细评估	提升化合物-蛋白质相互作用的预测准确率	化合物与蛋白质的相互作用	机器学习	NA	多模态卷积神经网络	CNN	分子结构数据、相互作用网络数据	未明确提及具体样本数量
3896	2025-04-23	A fine-tuning deep residual convolutional neural network for emotion recognition based on frequency-channel matrices representation of one-dimensional electroencephalography 2025-Feb, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2286918 PMID:38017703	研究论文	本研究提出了一种基于一维脑电图（EEG）信号的频率-通道矩阵（FCM）表示的深度残差卷积神经网络模型，用于情感识别（ER）	结合预训练的深度残差卷积神经网络和迁移学习技术，利用二维数据的FCM表示来自动学习多通道EEG数据的潜在内在特征	未提及具体的数据集局限性或模型泛化能力的讨论	提高基于EEG信号的情感识别系统的自动化和准确性	多通道EEG数据	机器学习	NA	Welch功率谱密度估计，t-SNE策略	深度残差卷积神经网络（ResNet）	一维EEG信号	DEAP数据集上的5折交叉验证
3897	2025-04-23	Neurosurgery inpatient outcome prediction for discharge planning with deep learning and transfer learning 2025-Feb, British journal of neurosurgery IF:1.0Q3 DOI:10.1080/02688697.2022.2151565 PMID:36458628	research paper	本研究探讨了深度学习和迁移学习在预测神经外科住院患者出院时间和出院目的地等住院结果中的应用	使用迁移学习和人工神经网络对自由文本医疗数据进行预测，提高了预测准确性	研究仅基于15个月的数据，样本量相对有限	预测神经外科住院患者的住院结果以辅助出院规划	神经外科住院患者	machine learning	neurosurgery	deep learning, transfer learning	artificial neural network	text	1341例住院患者
3898	2025-04-23	Community Graph Convolution Neural Network for Alzheimer's Disease Classification and Pathogenetic Factors Identification 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3269446 PMID:37204952	研究论文	提出了一种名为社区图卷积神经网络(Com-GCN)的新深度学习方法，用于研究阿尔茨海默病(AD)的分类和致病因素识别	提出了脑区基因社区网络(BG-CN)的概念，并设计了Com-GCN架构，该架构基于亲和力聚合模型，具有社区间和社区内卷积操作，提高了分类性能和可解释性	仅在ADNI数据集上进行了实验验证，未在其他神经退行性疾病数据集上进行验证	研究阿尔茨海默病的分类和致病因素识别	阿尔茨海默病患者	数字病理学	阿尔茨海默病	图卷积神经网络	Com-GCN	神经影像数据	ADNI数据集
3899	2025-04-23	Hypernetwork-Based Physics-Driven Personalized Federated Learning for CT Imaging 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3338867 PMID:38100342	research paper	提出了一种基于超网络的物理驱动个性化联邦学习方法（HyperFed），用于CT成像，以解决数据共享和隐私问题	将每个域的优化问题分为局部数据适应和全局CT成像两个子问题，通过机构特定的物理驱动超网络和全局共享成像网络分别实现	未提及具体样本量或实验范围，可能影响方法的泛化性	提高CT成像质量并满足不同机构或扫描仪的个性化需求，同时避免数据共享	CT成像数据	digital pathology	NA	deep learning, federated learning	hypernetwork	CT图像	NA
3900	2025-04-23	EnsembleSE: identification of super-enhancers based on ensemble learning 2025-Jan-15, Briefings in functional genomics IF:2.5Q3 DOI:10.1093/bfgp/elaf003 PMID:40251827	research paper	提出了一种基于集成学习的超增强子识别方法EnsembleSE，用于更有效地识别基因调控网络中的超增强子	集成不同模型的优势，提出基于集成策略的模型，增强模型的泛化能力，并设计了一种结合局部结构和全局信息的多角度特征表示方法	需要大量标记数据进行训练，限制了其在生物数据中的进一步应用	提高超增强子识别的准确性和效率，以支持基因调控网络和疾病机制的研究	超增强子（SEs）	machine learning	NA	ensemble learning	ensemble model	sequence data	在小鼠和人类数据集上进行了评估