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
661	2026-05-08	MOAEAM: Multi-Omics Data Integration With Autoencoder and Attention Mechanisms for Cancer Patient Classification and Biomarker Identification 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3628490 PMID:41182929	研究论文	提出MOAEAM深度学习框架，通过改进自编码器和注意力机制整合多组学数据，用于癌症患者分类和生物标志物识别	提出新型复合损失函数提取组学特异性特征，并设计多组学整合模块捕捉跨组学关联信息，同时引入辅助分类器提升性能	文本未明确提及方法局限，但可能涉及计算资源需求高或对超参数敏感等未说明问题	开发并验证用于癌症患者分类和生物标志物识别的多组学数据整合方法	癌症患者的多组学数据，涉及多个癌症数据集	机器学习	癌症	多组学数据整合	自编码器与注意力机制	组学数据	NA	NA	改进自编码器、注意力机制	分类性能	NA
662	2026-05-08	BiBLDR: Bidirectional Behavior Learning for Drug Repositioning 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3628673 PMID:41191475	研究论文	提出双向行为学习策略BiBLDR，将药物重定位重新定义为行为序列学习任务，以解决冷启动场景下的预测难题	首次将药物重定位问题转化为双向行为序列学习任务，并设计两阶段策略，通过构建原型空间和利用双向行为序列数据实现冷启动场景下更稳健的药物-疾病关联预测	NA	解决图方法在药物重定位中冷启动场景下性能不佳的问题	药物和疾病间的关联关系	机器学习	NA	NA	双向行为学习模型	序列数据	NA	NA	NA	NA	NA
663	2026-05-08	Radar HRV Monitoring With Physiological Prior Inspired Deep Neural Networks 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3628628 PMID:41191472	研究论文	提出一种基于生理先验的深度学习框架，用于雷达无接触监测心率变异性	利用心脏驱动整个躯干运动的空间-时间先验和心脏运动自相似性先验，设计混合深度神经网络建模全身射频反射与心跳的关系，并建立信号增强策略，提升真实场景中心率变异性监测的鲁棒性	未明确提及局限性	实现真实复杂生理条件下基于雷达的无接触心率变异性准确监测	7,150名具有复杂生理条件的门诊患者	机器学习	心血管疾病	雷达传感	混合深度神经网络	雷达信号	7,150名门诊患者	NA	NA	平均IBI误差, RMSSD误差, SDSD误差, pNN50误差	NA
664	2026-05-08	PathFusion-Net: A Rough Path Theory-Based Deep Learning Model for ECG Arrhythmia Classification 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3629717 PMID:41196785	研究论文	提出一种结合粗糙路径理论与深度学习的PathFusion-Net模型，用于心电图心律失常分类	将粗糙路径理论中的路径签名和路径发展融入深度学习，同时提取心电图图像的空间形态特征和信号的多阶时序表征	缺少关于模型实时推断速度、硬件资源消耗以及跨中心泛化性的讨论	开发一种更贴近真实临床诊断环境的心律失常自动分类模型	MIT-BIH心律失常数据库和一份私有临床数据集中的心电图	机器学习	心血管疾病	心电图	CNN, LSTM	信号	NA	NA	PathFusion-Net	准确率, 精确率, 召回率	NA
665	2026-05-08	Genetic Perturbation Modeling for Human Cell Therapy With BRNET 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3629554 PMID:41196787	研究论文	提出BRNET模型用于预测多基因扰动下的非线性转录结果	将先验知识与高级嵌入整合到非堆叠神经结构中，能同时预测单个和多个遗传扰动的转录响应，并泛化到未见场景	NA	解决湿实验昂贵耗时问题，建立高效预测遗传扰动转录响应的计算模型	基因扰动后细胞的转录响应	机器学习	NA	RNA-seq	非堆叠神经网络	转录组数据	NA	PyTorch	BRNET	NA	NA
666	2026-05-08	CFTResNet: A Novel Cross-Domain Diagnosis Framework Guided by Interpretability for Cardiovascular Diseases 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3620820 PMID:41082434	研究论文	提出一种可解释的跨领域诊断框架CFTResNet，用于心血管疾病诊断，旨在缓解领域偏移并提高诊断可解释性	提出模块鲁棒性关键性策略评估预训练模型弱鲁棒部分，仅微调这些弱模块而非整个模型，并整合时间-通道融合模块增强心音信号特征表示	仅在心音数据集上验证，未探索其他类型数据或多模态融合；框架在更大规模或更复杂临床场景下的泛化性需进一步验证	开发一种可解释、跨领域泛化的深度学习诊断框架，用于自动化检测心血管疾病	心音信号中的病理模式（如心脏听诊中的细微病理特征）	机器学习, 数字病理学（心音分析）	心血管疾病	心音信号分析	ResNet	心音信号	两个公开心音数据集	PyTorch	ResNet, 时间-通道融合模块	诊断准确率, AUC, F1分数	NA
667	2026-05-08	HighMPNN: A Graph Neural Network Approach for Structure-Constrained Cyclic Peptide Sequence Design 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3620163 PMID:41082435	研究论文	提出了HighMPNN，一种面向环状肽序列设计的图神经网络方法	显式整合结构约束到GNN框架中，结合交叉熵损失与FAPE损失，同时优化序列生成和结构精度	当前仅支持天然氨基酸，未涵盖非天然残基和结构多样的环状肽骨架	开发专用于环状肽序列设计的图神经网络模型	环状肽序列	机器学习	NA	蛋白质结构预测、序列设计	图神经网络	蛋白质结构数据	NA	PyTorch	GNN	序列恢复率、Cα均方根偏差	NA
668	2026-05-08	BreastUS-Net: An Attention-Guided Dual-Branch Network With Feature Fusion for Fine-Grained Breast Tumor Classification in Ultrasound Imaging 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3620256 PMID:41086071	研究论文	提出一种名为BreastUS-Net的双分支注意力引导网络，用于超声影像中的细粒度乳腺肿瘤分类	提出双分支MobileNet架构结合冻结与微调层以融合任务特定和通用特征，集成多头自注意力块增强诊断区域关注，并采用正交softmax层提升判别能力	NA	通过分层分类方法提升超声影像中乳腺肿瘤诊断的准确性和临床适用性	乳腺肿瘤（包括纤维腺瘤、叶状肿瘤及其分级）的超声影像	计算机视觉、数字病理	乳腺癌	超声成像	MobileNet、多头自注意力	图像	六个多中心数据集：浙江肿瘤医院（2,171张）、BUSI（780张）、云南肿瘤医院（351张）、邵逸夫医院（365张）、纤维腺瘤vs叶状肿瘤分类及叶状肿瘤分级数据集	NA	双分支MobileNet、多头自注意力块、正交softmax层	准确率	NA
669	2026-05-08	ML-TGNet: A Multi-Level Topology Guidance Network for Motor Imagery Decoding 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3624298 PMID:41129446	研究论文	提出一种多层拓扑引导网络ML-TGNet，利用脑同步信息解码运动想象脑电信号	首次将脑拓扑同步信息引入MI解码，通过多级拓扑引导模块提取与MI任务相关的特征，减少冗余信息	未明确提及局限性，但可能依赖公开数据集且未讨论实际BCI应用中的实时性挑战	利用脑动力学信息提高运动想象解码性能	运动想象脑电信号中的脑同步特征	机器学习	NA	脑电图	CNN	脑电信号	三个公开数据集：BCI Competition IV-2a、High Gamma、OpenBMI	NA	ML-TGNet	准确率	NA
670	2026-05-08	DPGOK: A Deep Learning-Based Method for Protein Function Prediction by Fusing GO Knowledge With Protein Features 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3622996 PMID:41129441	研究论文	提出一种名为DPGOK的深度学习方法，通过融合蛋白质感知的GO表示与蛋白质特征来预测蛋白质功能	首次提出为每个蛋白质定制GO嵌入以反映蛋白质特异的功能相关性，并利用知识图谱损失生成稳定的GO语义表示	未在更广泛的蛋白质序列或结构数据上验证，且依赖同源性方法提升性能可能引入偏差	提高蛋白质功能预测的准确性，以协助理解疾病机制和发现药物靶点	蛋白质及其功能预测	机器学习	NA	深度学习	深度学习模型（DPGOK）	蛋白质序列数据	NA	NA	知识图谱嵌入与特征融合架构	准确率（未具体说明）	NA
671	2026-05-08	Confident and Trustworthy Model for Fidgety Movement Classification 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3624341 PMID:41129439	研究论文	提出一种深度学习模型，用于婴儿扭动运动分类，能在不确定时选择性放弃分类	引入两种新颖的正则化损失，确保模型在两个运动类别间保持平衡覆盖率，并能评估自身分类置信度	未明确说明局限性，但可能涉及数据多样性或模型泛化性不足	提升自动全身运动评估的可及性，解决现有模型无法判断决策置信度的缺陷	婴儿扭动运动（Fidgety Movements），用于评估神经系统发育和脑瘫风险	计算机视觉	脑瘫	NA	深度学习网络	视频	NA	NA	NA	视频层面覆盖率、置信度	NA
672	2026-05-08	Comparative Performance of IMU and sEMG in Locomotion Mode Prediction Across Transitional and Steady-State Cyclic/Non-Cyclic Gaits 2026-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3623132 PMID:41129445	研究论文	对惯性测量单元和表面肌电图在跨过渡态和稳态周期/非周期步态中的运动模式预测性能进行系统比较分析	揭示了不同模态在特定步态类型中的最优窗口长度和深度学习架构，为多模态融合提供具体指导	未说明	系统比较IMU和sEMG在人类运动模式预测中的性能差异	人类受试者（9名）的17种步态活动	机器学习	NA	IMU, sEMG	CNN, LSTM, TCN	时间序列数据	9名受试者，17种步态活动	NA	CNN, LSTM, TCN	分类准确率	NA
673	2026-05-08	Graph-Aware AURALSTM: An Attentive Unified Representation Architecture with BiLSTM for Enhanced Molecular Property Prediction 2026-Apr, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11197-4 PMID:40279083	研究论文	提出一种名为Graph-Aware AURA-LSTM的混合深度学习模型，通过结合多种图神经网络架构和双向LSTM来增强分子性质预测的准确性	创新性地将图卷积网络、图注意力网络和图同构网络并行融合，并引入双向LSTM处理时序关系，实现多层次分子结构特征的全面捕获	未提及具体局限性	分子性质预测，旨在提高预测准确性以支持药物发现和生物技术等领域的应用	分子及其结构特征	机器学习	NA	NA	图神经网络、双向LSTM	分子图形表示	8个基准数据集	NA	GCN, GAT, GIN, BiLSTM	准确率	NA
674	2026-05-08	Predicting peroxisome proliferator-activated receptor gamma potency of small molecules: a synergistic consensus model and deep learning binding affinity approach powered by Enalos Cloud Platform 2026-Apr, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11230-6 PMID:40515966	研究论文	本研究结合共识模型与深度学习方法，通过Enalos云平台预测小分子对PPARγ的效力	首次整合随机森林、支持向量机和k近邻算法的共识模型与神经网络分类模型，用于预测PPARγ结合亲和力和拮抗活性，并部署于Enalos云平台实现便捷虚拟筛选	未明确说明模型在真实生物活性数据上的验证及与其他方法的对比性能	开发用于预测小分子与PPARγ结合亲和力及拮抗活性的计算机模拟模型，支持抗糖尿病药物发现	靶向PPARγ的小分子化合物，包括34种优先筛选的全氟和多氟烷基物质（PFAS）	机器学习	糖尿病	分子对接	神经网络、随机森林、支持向量机、k近邻	分子对接得分及分子描述符	NA	Scikit-learn, Enalos Cloud Platform	神经网络, 随机森林, 支持向量机, k近邻	准确性、少数类检测效率（基于OECD指南验证）	NA
675	2026-05-08	Application of multi-scale feature extraction and explainable machine learning in chest x-ray position evaluation within an integrated learning framework 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12097-9 PMID:41191081	研究论文	提出一种融合深度学习与机器学习的网络，用于定量和可解释地评估胸部X光片摆位质量	首次提出基于分割的随机森林融合网络，结合SHAP方法实现胸部X光摆位的可解释性分类，并识别关键操作因素	未提及	利用可解释人工智能方法评估胸部X光摄影中患者摆位质量，并提高放射技师操作的准确性	3300张胸部X光片（来自2021年3月至2022年12月中国某医疗机构）	计算机视觉	不适用	X光成像	U-net++, 随机森林融合网络, 阈值分类, 多变量逻辑回归	图像	3300张胸部X光片，分为XJ_chest_21和XJ_chest_22子集	不适用	U-net++, 随机森林融合网络, 阈值分类, 多变量逻辑回归	AUC, 准确率, 敏感度, 特异性, Dice系数	未提及
676	2026-05-08	Deep learning-driven false-lumen volumes predict adverse remodeling better than diameter in patients with residual aortic dissection on CT 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12116-9 PMID:41201600	研究论文	开发深度学习分割模型，自动测量残余主动脉夹层CT血管造影中的直径和假腔体积，并评估其对不良重构的预测价值	首次证明局部假腔体积（最大直径周围3厘米）比传统直径和全局体积能更好地预测残余主动脉夹层的不良重构	文章未提及具体限制	开发深度学习分割模型并评估其测量值对残余主动脉夹层不良重构的预测能力	残余主动脉夹层患者的CT血管造影数据	计算机视觉, 数字病理学	主动脉夹层	NC	深度学习分割模型	CT血管造影图像	322名患者（训练120，内部测试30，外部测试10，临床验证83+79）	NC	NC	Dice相似系数, AUC, 敏感性, 特异性	NC
677	2026-05-08	Attention-based deep learning network for predicting World Health Organization meningioma grade and Ki-67 expression based on magnetic resonance imaging 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11958-7 PMID:40836018	研究论文	基于注意力的深度学习网络用于预测WHO脑膜瘤分级和Ki-67表达	提出了全自动、基于注意力的2.5D深度学习网络，结合nn-Unet分割和注意力机制，实现了对WHO脑膜瘤分级和Ki-67表达的准确预测	NA	开发全自动注意力深度学习网络，用于预测WHO脑膜瘤分级和Ki-67表达	脑膜瘤患者	机器学习	脑膜瘤	磁共振成像	注意力增强的nn-Unet、ResNet50、Swin Transformer	磁共振图像	952名脑膜瘤患者，包括训练集542例、内部验证集96例、外部测试集314例	PyTorch	nn-Unet, ResNet50, Swin Transformer	Dice系数, AUC	NA
678	2026-05-08	VIBESegmentator: full body MRI segmentation for the NAKO and UK Biobank 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12035-9 PMID:41068435	研究论文	提出一个公开可用的基于深度学习的全身MRI分割模型，该模型提供全面的体素级覆盖，包括延伸到解剖隔室边界的 delineation	首次提供全躯干MRI和CT图像的完整分割模型，覆盖71-72个结构，在全身边界划分上优于现有方法	NA	开发全躯干MRI和CT图像的语义分割模型，用于大规模流行病学研究和临床应用	MRI和CT图像中的器官、肌肉、血管、骨骼、椎间盘、脊髓、椎管及身体成分	计算机视觉	NA	MRI, CT	nnUNet	图像	训练集：来自626名受试者的2897个序列（290名女性；平均年龄53±16）；内部测试集：来自12名受试者的36个序列（6名男性；平均年龄60±11）	PyTorch	nnUNet	Dice分数	NA
679	2026-05-08	Diagnostic performance of a coronary CT angiography-based deep learning model for the prediction of vessel-specific ischemia 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12048-4 PMID:41076470	研究论文	基于冠状动脉CT血管造影的深度学习模型用于预测血管特异性心肌缺血	采用深度学习模型CT-FFRAI从CCTA图像非侵入性地预测血管特异性缺血，并与有创FFR和iFR测量进行对比，展示了高诊断性能	冠状动脉钙化显著降低诊断准确性，提示需进一步改进空间分辨率	评估CT-FFRAI深度学习模型预测血管特异性心肌缺血的诊断性能	275名患者的322支血管，这些患者同时接受了CCTA和有创FFR/iFR测量	计算机视觉	心血管疾病	冠状动脉CT血管造影	深度学习模型	图像	275名患者的322支血管（来自两个中心）	NA	NA	敏感性、特异性、阳性预测值、阴性预测值、诊断准确性	NA
680	2026-05-08	Comprehensive deep learning-assisted multi-condition analysis of knee MRI studies improves resident radiologist performance 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12052-8 PMID:41107495	研究论文	开发深度学习模型用于膝关节MRI的多组织、多条件自动分析，并评估其对放射科住院医师诊断性能的提升效果	首次提出基于3D切片变换网络的综合深度学习模型，能同时分析膝关节MRI中软骨、半月板、骨髓、韧带等23种病理条件，并系统性评估模型辅助对不同经验水平住院医师诊断性能的影响	模型对细微或罕见条件的预测精度不足，需进一步优化以实现更精细的预测	开发并验证深度学习模型用于膝关节MRI的自动多条件分析，提升放射科医师的诊断效率和准确性	膝关节MRI影像及对应的23种病理标注（涵盖软骨、半月板、骨髓、韧带等软组织）	计算机视觉, 数字病理学	膝关节疾病	MRI	3D切片变换网络	影像	3121例MRI研究（来自3018名成人），外部测试集448例MRI研究（429名成人）	PyTorch	3D切片变换网络	AUC, 灵敏度, 特异度	NA