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
4501	2026-08-12	Class-Agnostic Feature-Learning-Based Deep-Learning Model for Robust Melanoma Prediction 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3535536 PMID:40031346	研究论文	提出了一种基于类不可知激活图的鲁棒深度学习模型，用于提高黑色素瘤预测的准确性和可靠性。	使用类不可知激活图（CAAMs）来增强模型对图像变异和变换的鲁棒性，从而提高黑色素瘤预测和病灶识别的准确性。	未提及具体局限性。	开发鲁棒的深度学习模型用于黑色素瘤预测，解决图像变异性问题。	皮肤镜图像（ISIC 2017和2019数据集），重点关注黑色素瘤和痣。	计算机视觉	皮肤癌	NA	CNN	图像	ISIC 2017和2019数据集（具体数量未提）	NA	ConvNeXt, ResNet	AUROC, Dice分数	NA
4502	2026-08-12	Respiratory Anomaly and Disease Detection Using Multi-Level Temporal Convolutional Networks 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3545156 PMID:40031640	研究论文	本研究提出了一种基于多级时间卷积网络（ML-TCN）的深度学习框架，用于自动分析呼吸声音，以检测呼吸异常和肺部疾病。	提出了一种结合卷积操作和时序卷积网络的新框架，以捕捉呼吸声音的空间特征并利用其时空相关性，显著提高了异常呼吸周期和呼吸录音分类的准确性，并采用迁移学习以有效处理有限和不平衡的数据。	未明确提及局限性，但可能包括依赖特定数据集（ICBHI 2017）以及数据不平衡问题。	通过深度学习方法提高呼吸异常和疾病检测的准确性。	呼吸声音音频，具体为呼吸周期和呼吸录音。	机器学习	肺部疾病	深度学习，迁移学习	卷积神经网络（CNN）、时间卷积网络（TCN）	音频数据	使用了ICBHI 2017挑战数据集，具体样本数量未在标题和摘要中提及。	未提及具体框架	多级时间卷积网络（ML-TCN）	Score指标（平均敏感性和特异性）、分类准确率	未提及具体计算资源
4503	2026-08-12	Optimal Electroencephalogram and Electrooculogram Signal Combination for Deep Learning-Based Sleep Staging 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3541453 PMID:40031834	研究论文	本研究旨在确定基于深度学习的自动睡眠分期中最佳的脑电图和眼电图信号组合，通过训练31个深度学习模型并评估其分类性能。	首次系统比较了多种EEG和EOG信号组合在自动睡眠分期中的性能，发现简化测量设置即可达到与复杂设置相当的性能。	研究对象仅限于疑似阻塞性睡眠呼吸暂停患者，可能限制结果在其他人群中的普适性。	确定用于深度学习自动睡眠分期的最佳EEG和EOG信号组合，以简化测量设置而不牺牲性能。	876名疑似阻塞性睡眠呼吸暂停受试者的EEG和EOG信号。	深度学习	阻塞性睡眠呼吸暂停	多导睡眠图	深度学习模型	信号	876名受试者	NA	NA	准确率, Cohen's kappa	NA
4504	2026-08-12	DSleepNet: Disentanglement Learning for Personal Attribute-Agnostic Three-Stage Sleep Classification Using Wearable Sensing Data 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3541851 PMID:40031837	研究论文	提出DSleepNet模型，利用解耦学习将特征空间分为个人属性特定和无关组件，以提高可穿戴传感数据在睡眠分期分类中的泛化能力	引入两种概率编码器解耦特征空间，并采用独立激励机制去除特征间相关性，无需目标队列数据或推理时的个人属性信息	未明确提及，但可能受限于特定数据集和睡眠分期场景	提高睡眠分期模型对未见过人群的泛化能力，减少个人属性（如年龄、BMI、睡眠呼吸暂停严重程度）的影响	可穿戴传感数据中的睡眠分期任务	机器学习	睡眠障碍、心血管疾病、2型糖尿病、神经退行性疾病	NA	概率编码器（基于深度学习的解耦模型）	可穿戴传感数据（如生理信号）	未明确提及	NA	DSleepNet（包含两个概率编码器和独立激励机制）	F1分数、Cohen's Kappa	NA
4505	2026-08-12	Beyond the Ground Truth, XGBoost Model Applied to Sleep Spindle Event Detection 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3544966 PMID:40031867	研究论文	提出一种基于XGBoost的睡眠纺锤波检测框架SpinCo，结合滑动窗口特征提取，性能接近深度学习方法，并引入新的评估指标。	提出易解释的机器学习框架SpinCo，依赖固定可解释特征集；开发对称且概率可解释的按事件评估指标；提出基于泛化能力测试的新性能评估方法。	未提及具体局限性。	开发一种可解释、稳健的自动睡眠纺锤波检测方法，并改进评估指标以增强结果可解释性和专家间一致性评估。	睡眠纺锤波EEG微事件。	机器学习	NA	NA	XGBoost	脑电图（EEG）信号	未提及	XGBoost	XGBoost	准确性、灵敏度、特异性、AUC、F1分数	NA
4506	2026-08-12	Enhancing Image Retrieval Performance With Generative Models in Siamese Networks 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3543907 PMID:40036556	研究论文	本研究评估了生成式深度学习模型在基于内容的图像检索系统中提升检索质量的效果，提出了在孪生网络中使用生成模型的方法，并首次利用为CBIR优化的潜在表示训练注意力机制进行Gleason评分。	首次在文献中利用为CBIR优化的潜在表示来训练注意力机制，用于全切片图像的Gleason评分，并展示了生成式模型（ProGleason-GAN）在CBIR任务中的效用。	摘要中未提及具体限制。	评估生成式深度学习模型如何提升CBIR系统中的检索质量，并探索潜在表示在Gleason评分中的应用。	前列腺癌图像检索和Gleason评分，具体使用SiCAPv2数据集和ProGleason-GAN框架。	计算机视觉，数字病理学	前列腺癌	生成对抗网络，图像检索	孪生网络，生成对抗网络	图像	未提及具体样本数量，使用SiCAPv2数据集	未提及	孪生网络，ProGleason-GAN	未提及具体指标，但评估了检索质量指标	未提及
4507	2026-08-12	Contrastive Learning With Transformer to Predict the Chronicity of Children With Immune Thrombocytopenia 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3551365 PMID:40085458	研究论文	提出一种结合对比学习与Transformer的方法，用于预测儿童免疫性血小板减少症的慢性化	将对比学习与FT-Transformer骨干网络集成，同时处理小数据和类别不平衡问题，通过随机掩码和过采样增强数据	未提及明确的局限性	早期准确预测儿童ITP的慢性化，以帮助临床制定个性化治疗方案	儿童免疫性血小板减少症患者的数据	机器学习	免疫性血小板减少症	NA	Transformer	表格数据	未明确说明样本量，使用真实世界ITP儿童数据	NA	FT-Transformer	准确率、F1分数等（未具体列出）	NA
4508	2026-08-12	Multi-Modal Deep Representation Learning Accurately Identifies and Interprets Drug-Target Interactions 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3553217 PMID:40111772	研究论文	本文介绍了UnitedDTA，一种新型可解释的深度学习框架，通过整合多模态生物分子数据来提高药物-靶点结合亲和力预测的准确性和泛化能力	提出了一种名为UnitedDTA的框架，利用对比学习和交叉注意力机制实现跨模态对齐与整合，自动学习统一判别表示，并增强了可解释性以推断影响结合活性的重要子结构	未明确提及具体限制，但可能包括对多模态数据处理的复杂性和对大规模数据的依赖	旨在通过深度表示学习，提高药物-靶点结合亲和力的预测性能，特别是对于未见过的药物和靶点，并增强模型的可解释性	药物和靶点，包括其序列、图和三维结构等多模态数据	深度学习，药物发现	不适用	多模态深度学习，对比学习，交叉注意力机制	深度学习框架（UnitedDTA）	多模态数据（序列，图，三维结构）	多个基准数据集	不明确	对比学习与交叉注意力机制结合	性能指标包括准确性、泛化能力等	不明确
4509	2026-08-12	PhysCL: Knowledge-Aware Contrastive Learning of Physiological Signal Models for Cuff-Less Blood Pressure Estimation 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3554495 PMID:40131744	研究论文	提出了一种基于生理知识感知的对比学习方法（PhysCL），用于减少光电容积脉搏波（PPG）数据标签依赖，并提高无袖带血压估计的准确性	引入知识感知增强库，通过知识约束生成正生理信号对，解决对比学习中的语义一致性问题；提出对比特征重建方法，通过特征重采样和重加权增强特征多样性并防止模型崩溃	摘要中未明确提及局限性	减少对标记PPG数据的依赖，同时提高无袖带血压估计的准确性	光电容积脉搏波（PPG）信号，用于无袖带血压估计	机器学习	心血管疾病	NA	对比学习模型	生理信号数据（PPG）	106名受试者的数据，涵盖MIMIC III、MIMIC IV和UQVS数据集	NA	NA	平均绝对误差（MAE）	NA
4510	2026-08-12	Deep Learning-Based Automated Measurement of Cervical Length in Transvaginal Ultrasound Images of Pregnant Women 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3433594 PMID:39052464	研究论文	开发了一种名为CL-Net的深度学习网络，用于自动测量孕妇经阴道超声图像中的宫颈长度，以评估早产风险	CL-Net结合专家解剖学知识识别宫颈，捕获与宫颈长度测量相关的解剖特征，提高识别宫颈管的准确性	未明确提及局限性	实现可靠且可重复的自动宫颈长度测量，减少操作者间差异并改善工作流程	孕妇经阴道超声图像中的宫颈	计算机视觉	早产	超声成像	深度学习网络	超声图像	未明确提及	NA	CL-Net	成功率、绝对误差中位数、四分位距、范围	NA
4511	2026-08-12	GAN Inversion for Data Augmentation to Improve Colonoscopy Lesion Classification 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3397611 PMID:38713568	研究论文	本研究探讨利用生成对抗网络反演生成合成图像，作为数据增强手段，以提升结肠镜病变分类性能	利用GAN反演将同标签图像对映射到语义丰富且解耦的潜空间，操控潜在表示生成新合成图像，实现数据增强，并在未重新训练多个生成模型的情况下，显著提升息肉分类性能及跨域泛化能力	未在摘要中明确提及限制	解决医学影像中标注数据稀缺的问题，通过合成图像数据增强改善结肠镜病变分类性能	结肠镜图像中的息肉病变	计算机视觉	结肠癌	GAN反演	生成对抗网络	图像	未在摘要中明确提及	NA	生成对抗网络	F1分数、灵敏度	NA
4512	2026-08-12	Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3444771 PMID:39150812	研究论文	提出一种无监督异常提取网络（UNAEN）用于磁共振成像中的运动伪影减少，通过显式提取伪影图实现无配对训练。	提出UNAEN网络，无需配对MA损坏和MA-free图像，通过显式提取残余伪影图实现运动伪影减少。	未提及具体局限性。	解决监督式运动伪影减少方法依赖配对训练数据的问题，提升无监督MRI运动伪影减少性能。	磁共振图像（MRI），包括MA损坏和MA-free图像。	医学影像	NA	MRI	UNAEN（无监督异常提取网络）	图像	多个公开MRI数据集，未提供具体数量。	NA	UNAEN	定量评估指标（未具体列出，通常包括PSNR、SSIM等）	NA
4513	2026-08-12	P2TC: A Lightweight Pyramid Pooling Transformer-CNN Network for Accurate 3D Whole Heart Segmentation 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3526727 PMID:40030965	研究论文	提出一种轻量级金字塔池化Transformer-CNN（P2TC）网络，用于三维全心分割，在MM-WHS 2017数据集上取得了最优性能	设计了一种双编码器-解码器结构，结合3D金字塔池化Transformer进行多尺度信息融合和轻量级大核CNN提取局部特征，解码器设有两个分支分别用于像素级分类和上下文残差处理，以增强边界和变异的处理能力	未提及具体限制，但可推测轻量级设计可能在大规模复杂数据集上仍存在泛化性挑战	提高三维全心分割的准确性，解决空间上下文建模不足、长距离依赖捕获困难、计算复杂度高和局部高级语义信息表示有限的问题	全心结构（包括心脏的多个解剖结构），基于CT和MRI的三维影像数据	医学图像分割	心血管疾病	深度学习（主要涉及CNN和Transformer）	CNN-Transformer结合网络（P2TC）	三维医学图像（CT和MRI）	使用了MM-WHS 2017挑战数据集，具体样本数未在摘要中提及	未明确提及，可能使用PyTorch或TensorFlow（基于常见实践推断）	3D金字塔池化Transformer和轻量级大核CNN，双编码器-解码器结构	Dice得分	未提及具体资源（如GPU型号）
4514	2026-08-12	Neural Manifold Decoder for Acupuncture Stimulations With Representation Learning: An Acupuncture-Brain Interface 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3530922 PMID:40031188	research paper	提出一个基于深度学习框架的针灸刺激神经流形解码器，用于识别不同针灸操作过程及其对应的脑电图反应	将对比表示学习与域适应策略集成到深度学习中，首次实现从脑电图信号解码针灸操作过程，并构建针灸-脑接口，揭示躯体感觉刺激与神经表征的关联	信息不足，无法确定	建立针灸-脑接口，通过解码脑电图信号来预测针灸操作及其过程，以揭示躯体感觉刺激与动态脑反应的关联，并评估针灸治疗的临床疗效	接受针灸刺激的受试者，聚焦于足三里穴的提插和捻转等不同针灸操作	machine learning	NA	脑电图记录	神经网络	脑电图信号、视频记录	信息不足，无法确定	PyTorch	NA	精确率	NA
4515	2026-08-12	Coarse for Fine: Bounding Box Supervised Thyroid Ultrasound Image Segmentation Using Spatial Arrangement and Hierarchical Prediction Consistency 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3535541 PMID:40031340	研究论文	提出一种基于边界框弱监督的甲状腺超声图像分割方法，通过双分支框架优化语义特征分布	引入空间排列一致性分支和层次预测一致性分支，同时考虑目标定位和语义特征分布合理性，减少对低层特征像素级关联的依赖	未明确提及，但可能受限于弱监督标注的粗粒度，边界精确定位仍有挑战	实现甲状腺超声图像中腺体和结节的精确分割，降低标注成本，提升临床适用性	甲状腺超声图像中的甲状腺腺体和结节	计算机视觉	甲状腺疾病	超声成像	双分支弱监督学习框架	图像	三个甲状腺数据集	NA	NA	分割性能（具体指标未提及，可能包括Dice系数等）	NA
4516	2026-08-12	TriCvT-DTI: Predicting Drug-Target Interactions Using Trimodal Representations and Convolutional Vision Transformers 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3536476 PMID:40031370	研究论文	提出一种结合分子图像、化学序列特征和图表示的三模态药物-靶点相互作用预测方法，使用卷积视觉变换器（CvT）和双向多头注意力机制	首次将药物分子图像、化学序列和图表示三种模态整合用于DTI预测，并引入双向多头注意力机制进行药物与靶点的交互特征学习	未明确说明计算资源需求或模型训练时间等局限性	解决深度学习在药物-靶点相互作用预测中特征表示单一和忽略局部与全局信息的问题，提高预测性能	药物-靶点相互作用预测任务，涉及药物分子图像、化学序列和图表示	机器学习	NA	NA	卷积视觉变换器（CvT）	药物分子图像、化学序列特征、图表示	三个数据集：Human、C. elegans和Davis	NA	卷积视觉变换器（CvT）、双向多头注意力机制	NA	NA
4517	2026-08-12	Fall-Risk Monitoring in Diverse Terrains Using Dual-Task Learning and Wearable Sensing System 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3536030 PMID:40031371	研究论文	本研究提出一种结合地形感知传感器与惯性测量单元的多传感器系统，采用基于改进的CNN-LSTM模型的双任务学习架构，用于在不同地形上监测跌倒风险	创新点在于首次将地形感知与跌倒风险监测相结合，通过双任务学习同时识别跌倒风险等级和地形类型，以减少因地形变化导致的误报	摘要中未提及具体局限性	开发一种可靠的跌倒风险监测系统，能够在多样地形中准确识别跌倒风险等级，并为老年人提供实时监测	跌倒风险等级（正常、接近跌倒、跌倒）和地形类型（平地、上台阶、下台阶）	机器学习	老年疾病	惯性测量单元（IMU）和地形感知传感器	CNN-LSTM	传感器信号	10名年轻受试者（在实验室进行16项活动）和10名老年人（在医院进行4项活动）	NA	CNN-LSTM	准确率	NA
4518	2026-08-12	Optimized Drug-Drug Interaction Extraction With BioGPT and Focal Loss-Based Attention 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3540861 PMID:40031603	研究论文	本文介绍了一种名为BioFocal-DDI的框架，结合BioGPT、BioBERT、BiLSTM和关系图卷积网络来提取药物-药物相互作用，并采用基于焦点损失的注意力机制解决类别不平衡问题	将BioGPT用于数据增强，并引入基于焦点损失的注意力机制以增强对少数类和复杂实例的学习	未在摘要中明确提及局限性	改进药物-药物相互作用提取的准确性和鲁棒性，特别是在处理类别不平衡和复杂生物医学关系方面	药物-药物相互作用（DDI）	自然语言处理	不适用	不适用	BioGPT、BioBERT、BiLSTM、关系图卷积网络（ReGCN）	文本数据	DDI Extraction 2013数据集	不明确，可能使用PyTorch	BioGPT、BioBERT、BiLSTM、ReGCN	精确率、召回率、F1分数	未提及
4519	2026-08-12	Acupuncture State Detection at Zusanli (ST-36) Based on Scalp EEG and Transformer 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3540924 PMID:40031811	研究论文	本研究提出了一种基于头皮脑电图和Transformer的针刺状态检测模型，用于区分足三里穴的不同针刺状态	首次将CNN与Transformer结合用于针刺状态自动识别，实现了端到端的局部和全局特征提取	未详细说明计算资源需求及模型在不同穴位或人群中的泛化能力	开发一种基于深度学习的自动针刺状态检测方法，以标准化针刺流程	28名健康参与者的头皮脑电图数据	数字病理学	不适用	脑电图	卷积神经网络和Transformer	脑电图信号	28名健康参与者	未指定	CNN和Transformer	准确率	未指定
4520	2026-08-12	Predicting Mutation-Disease Associations Through Protein Interactions Via Deep Learning 2025-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3541848 PMID:40031830	研究论文	本文构建了一个真实的突变诱发疾病数据集，并提出了CGM（胶囊网络与图拓扑网络结合多头注意力）模型来预测突变与疾病的关联。	提出了结合胶囊网络、图拓扑网络和多头注意力机制的CGM模型，并在真实数据集上验证了蛋白突变导致结构改变的致病机制。	受限于突变蛋白数据集的规模，实验在基准和不平衡数据集上进行，可能影响模型的泛化能力。	预测蛋白质突变与疾病的关联，并阐明突变致病的机制。	蛋白质突变和疾病关联数据，以及蛋白相互作用对。	机器学习	NA	深度学习	胶囊网络、图拓扑网络、多头注意力机制	蛋白质相互作用和突变数据	NA	PyTorch	CGM（胶囊网络和图拓扑网络）	准确率、AUC	NA