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
721	2025-12-10	SFM-Net: Semantic Feature-Based Multi-Stage Network for Unsupervised Image Registration 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3524361 PMID:40030793	研究论文	本文提出了一种名为SFM-Net的无监督多阶段语义特征网络，用于解决具有复杂解剖结构的图像之间的精细配准问题	提出了基于语义特征的多阶段网络，设计了双阶段训练策略（强度图像配准阶段和语义特征配准阶段），并构建了双流特征提取模块和精细化变形场生成模块，可在单一网络内实现从粗到精的配准	NA	改进具有复杂解剖结构的图像之间的无监督配准精度	3D脑部MRI图像和肝脏CT图像	计算机视觉	NA	NA	深度学习网络	图像	NA	NA	U-Net	NA	NA
722	2025-12-10	Multi-Sensor Wearable Device With Transformer-Powered Two-Stream Fusion Model for Real-Time Leg Workout Monitoring 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3524398 PMID:40030794	研究论文	本研究开发了一种用于腿部锻炼实时监测的多模态可穿戴设备，并提出了一种基于Transformer的双流融合模型，以高效提取时空特征	提出了一种新型的Transformer驱动的双流融合模型，用于高效准确地提取时空特征，并开发了具有实时步态分析能力的多模态可穿戴设备	未在摘要中明确说明	推进使用多传感器融合与深度学习和医疗物联网技术进行高级步态监测与分析	腿部锻炼监测与步态分析	机器学习	NA	多传感器融合，医疗物联网	Transformer	多模态传感器数据	未在摘要中明确说明	NA	Transformer-powered Two-Stream Fusion	精确率, 召回率, F1分数	NA
723	2025-12-10	Unsupervised Domain Adaptation for Cross-Modality Cerebrovascular Segmentation 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3523103 PMID:40030830	研究论文	本文提出了一种无监督域适应框架CereTS，用于跨模态脑血管分割，旨在解决不同成像模态间标注成本高和模型性能下降的问题	CereTS采用多级域对齐模式，包括图像级循环几何一致性约束、块级掩码对比约束和特征级语义感知约束，以缩小域差异同时保持血管结构一致性	NA	实现跨模态脑血管分割的无监督域适应，以支持颅内血管疾病的诊断和治疗规划	时间飞行磁共振血管成像（TOF-MRA）和计算机断层扫描血管成像（CTA）中的脑血管	计算机视觉	颅内血管疾病	TOF-MRA, CTA	深度学习模型	图像	NA	NA	CereTS	NA	NA
724	2025-12-10	A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3496996 PMID:40030193	研究论文	本研究提出了一种创新的混合人工智能系统，用于自动解读EEG背景活动并生成报告	结合深度学习模型进行后主导节律预测、无监督伪迹去除以及专家设计的异常检测算法，并利用大语言模型实现报告生成	局灶性异常检测的改进未达到统计学显著性	开发一个自动化的EEG背景分析和报告生成系统，以辅助资源有限环境下的神经科医生	脑电图（EEG）信号	机器学习	神经系统疾病	EEG信号分析	深度学习模型, 大语言模型	EEG信号	1530个标记的EEG数据，并在内部数据集和Temple University异常EEG语料库上进行验证	NA	集成模型	平均绝对误差, 均方根误差, 准确率, F1分数	NA
725	2025-12-10	Automatic Brain Segmentation for PET/MR Dual-Modal Images Through a Cross-Fusion Mechanism 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3516012 PMID:40030515	研究论文	本文提出了一种基于交叉融合机制的PET/MR双模态图像自动脑分割方法，用于精确分割45个脑区	引入了交叉融合机制，同时处理PET和MR图像，通过UX-Net和交叉融合块在编码器中进行特征提取与融合，实现了更精确的脑区分割	未明确提及方法在临床实践中的具体应用限制或数据泛化能力	开发一种自动脑分割方法，以辅助神经疾病的检测与诊断	PET/MR双模态脑部图像	数字病理学	神经系统疾病	PET/MR成像	深度学习网络	3D图像	NA	NA	UX-Net, 3DUXNET, SwinUNETR, UNETR, nnFormer, UNet3D, NestedUNet, ResUNet, VNet	Dice系数, Jaccard指数, 灵敏度, 精确度, Hausdorff距离	NA
726	2025-12-10	Human Activity Recognition Using Deep Residual Convolutional Network Based on Wearable Sensors 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3510860 PMID:40030576	研究论文	本文提出了一种名为DKInception的深度学习模型，用于基于可穿戴传感器的人体活动识别任务	提出了DKInception模型，该模型将深度卷积残差网络与注意力机制相结合，并利用多尺度卷积核来高效提取时序特征，基于Inception ResNet架构扩展了其能力，具有高效、快速收敛和鲁棒缩放特性	NA	开发一种准确的人体活动识别模型，用于监测人类日常活动和健康行为	人体活动识别	机器学习	NA	NA	CNN	传感器数据	四个基准HAR数据集：UCI-HAR、Opportunity、Daphnet和PAMAP2	NA	Inception ResNet	准确率	NA
727	2025-12-10	TrGPCR: GPCR-Ligand Binding Affinity Prediction Based on Dynamic Deep Transfer Learning 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3307928 PMID:37610904	研究论文	本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，以解决GPCR数据不足的问题	采用动态迁移学习策略，结合蛋白质二级结构（口袋）作为特征，解决了GPCR数据稀缺的挑战	未明确提及模型的具体泛化能力或对其他蛋白质家族的适用性	预测G蛋白偶联受体（GPCR）与配体的结合亲和力，以辅助药物开发	GPCR蛋白质及其配体	机器学习	NA	动态深度迁移学习	深度学习模型	序列数据、二级结构特征	源域使用BindingDB数据库，目标域使用GLASS数据库，具体样本数量未明确说明	NA	TrGPCR	RMSE, MAE	NA
728	2025-12-10	AEGNN-M:A 3D Graph-Spatial Co-Representation Model for Molecular Property Prediction 2025-03, 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，用于准确预测分子性质，以改进药物开发过程	结合GAT和EGNN两种图神经网络，首次整合分子图表示和3D空间结构表示进行分子性质预测	未明确说明模型的计算复杂度或可扩展性限制	提高分子性质预测的准确性，以加速精准医疗背景下的新药开发	分子（药物分子）	机器学习	乳腺癌	计算机辅助药物发现（CADD）	图神经网络（GNN）	分子图数据，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）	未明确指定（可能为PyTorch或TensorFlow）	GAT, EGNN	未明确指定（可能包括回归指标如RMSE、MAE等）	NA
729	2025-12-10	BINDTI: A Bi-Directional Intention Network for Drug-Target Interaction Identification Based on Attention Mechanisms 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3375025 PMID:38457318	研究论文	本文提出了一种基于注意力机制的双向意图网络BINDTI，用于药物-靶点相互作用识别	结合双向意图网络和ACmix混合模型，有效融合药物和蛋白质特征，提升DTI预测精度，尤其在非平衡数据集上表现优异	未提及模型在更大规模或更复杂数据集上的泛化能力，以及计算效率的具体分析	开发一个端到端的深度学习框架，以低成本高效识别药物-靶点相互作用，支持药物发现和虚拟筛选	药物分子和蛋白质靶点	机器学习	NA	SMILES字符串编码，氨基酸序列分析	GCN, 自注意力机制，卷积，多层感知机	分子图，序列数据	涉及BindingDB、BioSNAP、DrugBank和Human数据集，具体样本数未提及	NA	图卷积网络，ACmix混合模型，双向意图网络	准确率，精确率，召回率，F1分数，AUC	NA
730	2025-12-10	Multimodal Drug Target Binding Affinity Prediction Using Graph Local Substructure 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3386815 PMID:38598378	研究论文	本文提出了一种名为MLSDTA的多模态药物靶点结合亲和力预测模型，通过整合药物和靶点的图与序列模态信息，利用交叉注意力实现多模态融合，并采用自适应结构感知池化生成包含局部子结构信息的图	提出多模态融合方法，结合图与序列信息；引入自适应结构感知池化以捕获局部子结构；应用DropNode策略增强分子间区分度	未明确提及模型在更大规模或多样化数据集上的泛化能力，也未讨论计算效率或实际部署的挑战	预测药物靶点结合亲和力，以降低药物开发成本与周期	药物与靶点的分子结构及序列信息	机器学习	NA	深度学习	图神经网络, 注意力机制	图数据, 序列数据	基于两个基准数据集（未指定具体样本数量）	NA	MLSDTA（自定义多模态架构）	NA	NA
731	2025-12-10	Leveraging a Vision-Language Model with Natural Text Supervision for MRI Retrieval, Captioning, Classification, and Visual Question Answering 2025-Feb-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.15.638446 PMID:40027630	研究论文	本文提出了一种基于向量检索和对比学习的框架，利用自然语言监督学习视觉脑MRI概念，并应用于MRI检索、描述、分类和视觉问答等多个任务	通过自然语言监督联合嵌入学习，识别阿尔茨海默病中影响大脑的因素，并开发了一个能够执行多种任务的模型框架	未提及具体的数据隐私保护措施或服务托管透明度细节，且模型可能受限于训练数据的质量和领域相关性	开发一个基于自然语言监督的多任务框架，用于脑MRI的检索、描述、分类和视觉问答	脑MRI图像及其相关自然语言描述	计算机视觉	阿尔茨海默病	自然语言监督，对比学习，向量检索	Transformer	图像，文本	NA	NA	Transformer	NA	NA
732	2025-12-10	Lightweight Source-Free Domain Adaptation Based on Adaptive Euclidean Alignment for Brain-Computer Interfaces 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3463737 PMID:39292591	研究论文	本文提出了一种基于自适应欧几里得对齐的轻量级无源域适应方法，用于脑机接口中的跨被试识别	将欧几里得对齐扩展为自适应欧几里得对齐，通过学习投影矩阵对齐目标被试与源被试的分布，从而消除域漂移问题并提升模型性能	NA	在保护被试隐私的前提下，提升脑机接口中跨被试脑电信号分类的性能	脑电信号	脑机接口	NA	脑电图	深度学习模型	脑电信号	四个数据集（两个运动想象数据集、一个事件相关电位数据集、一个稳态视觉诱发电位数据集）	NA	EEGNet, Shallow ConvNet, Deep ConvNet, MSFBCNN	准确率	NA
733	2025-12-10	A Dual-Branch Cross-Modality-Attention Network for Thyroid Nodule Diagnosis Based on Ultrasound Images and Contrast-Enhanced Ultrasound Videos 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3472609 PMID:39356606	研究论文	本文提出了一种基于超声图像和超声造影视频的双分支跨模态注意力网络，用于甲状腺结节的诊断	提出了一种新颖的双分支网络，通过跨模态注意力机制（UAC-T和CAU-T）整合超声图像和超声造影视频的信息，模仿放射科医生的诊断方式，将诊断分解为结节分割和分类两个相关任务	未明确提及	提高甲状腺结节的诊断准确性	甲状腺结节	计算机视觉	甲状腺结节	超声造影	Transformer	图像, 视频	未明确提及	未明确提及	双分支跨模态注意力网络	准确率, 特异性, 敏感性	未明确提及
734	2025-12-10	Highlighted Diffusion Model as Plug-In Priors for Polyp Segmentation 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3485767 PMID:39446534	研究论文	本文提出了一种名为HDM+的两阶段息肉分割框架，通过引入高亮扩散模型作为先验知识来提升结肠镜图像中息肉分割的准确性	提出了一种两阶段框架HDM+，首次将高亮扩散模型作为插件式先验知识用于息肉分割，通过训练高亮真实数据来缩小领域差距并提高效率	未明确说明模型的计算效率具体提升程度，也未讨论在更广泛临床场景中的泛化能力	解决结肠镜图像中息肉自动分割的准确性问题，特别是针对息肉大小、形状、颜色多变以及隐藏息肉对比度低等挑战	结肠镜图像中的息肉区域	计算机视觉	结直肠癌	扩散模型	扩散模型, U-Net	图像	在六个息肉分割基准数据集上进行了广泛实验（具体样本数量未在摘要中说明）	未明确说明	U-Net	未在摘要中明确列出具体指标	未在摘要中说明
735	2025-12-10	CellCircLoc: Deep Neural Network for Predicting and Explaining Cell Line-Specific CircRNA Subcellular Localization 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3491732 PMID:39495689	研究论文	提出了一种基于序列的深度学习模型CellCircLoc，用于预测和解释不同细胞系中环状RNA的亚细胞定位	首次开发了考虑细胞系特异性的环状RNA亚细胞定位预测模型，结合了CNN、Transformer和BiLSTM，并引入了注意力卷积机制以捕获核苷酸重要性	未在摘要中明确说明	开发细胞系特异性的环状RNA亚细胞定位预测模型	环状RNA	自然语言处理	NA	深度学习	CNN, Transformer, BiLSTM	序列数据	未在摘要中明确说明	NA	CNN, Transformer, BiLSTM	未在摘要中明确说明	NA
736	2025-12-10	M-NET: Transforming Single Nucleotide Variations Into Patient Feature Images for the Prediction of Prostate Cancer Metastasis and Identification of Significant Pathways 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3493618 PMID:39509309	研究论文	本文提出了一种名为M-NET的新型生物信息深度学习框架，用于基于单核苷酸变异预测前列腺癌转移，并通过将变异转化为患者特征图像来优化卷积神经网络拟合	开发了将单核苷酸变异转化为适合卷积神经网络的图像表示的新方法，并识别了与转移状态相关的重要通路	NA	预测前列腺癌转移并识别相关重要通路	前列腺癌患者	数字病理学	前列腺癌	单核苷酸变异分析	CNN	图像	NA	NA	M-NET	准确率, 精确率, 召回率, F1分数, AUC, PR曲线下面积	NA
737	2025-12-10	Attention-Based Q-Space Deep Learning Generalized for Accelerated Diffusion Magnetic Resonance Imaging 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3487755 PMID:39471111	研究论文	提出一种基于注意力的q空间深度学习模型，用于加速扩散磁共振成像，支持可变q空间采样策略	引入注意力机制和Transformer编码器，将不同扫描策略的dMRI数据映射到共同特征空间，实现可变q空间采样策略下的重建	未明确说明模型在极端稀疏采样或噪声环境下的鲁棒性，以及计算效率的具体评估	加速扩散磁共振成像采集，通过深度学习重建定量扩散参数	扩散磁共振成像数据，特别是q空间采样信号	医学影像处理	NA	扩散磁共振成像	Transformer, 多层感知机	扩散加权信号数据	Human Connectome Project数据集及两个独立数据集，具体样本数未明确	NA	Transformer编码器, 多层感知机	重建精度	NA
738	2025-12-10	A Multimodal Consistency-Based Self-Supervised Contrastive Learning Framework for Automated Sleep Staging in Patients With Disorders of Consciousness 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3487657 PMID:39471113	研究论文	本文提出了一种基于多模态一致性的自监督对比学习框架MultiConsSleepNet，用于意识障碍患者的自动睡眠分期	提出了一种结合多模态一致性特征提取与自监督对比学习的网络，旨在探索脑电图和眼电图的通用表征，并提取模态内和模态间特征的一致性，以缓解模型对标注数据的依赖并提升对意识障碍患者的泛化能力	未明确说明模型在更大规模或更多样化数据集上的泛化性能，以及在实际临床环境中的部署挑战	开发一种能够利用有限标注数据和大量未标注数据的自动睡眠分期方法，特别针对意识障碍患者	意识障碍患者的睡眠数据	机器学习	意识障碍	脑电图, 眼电图	深度学习网络	多模态生理信号	三个公开数据集和一个自采集数据集	未明确说明	MultiConsSleepNet	未明确说明	NA
739	2025-12-10	SleepECG-Net: Explainable Deep Learning Approach With ECG for Pediatric Sleep Apnea Diagnosis 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3495975 PMID:39527413	研究论文	本研究提出了一种名为SleepECG-Net的可解释深度学习模型，利用心电图信号直接评估儿童阻塞性睡眠呼吸暂停的严重程度	结合卷积神经网络和循环神经网络，并应用Grad-CAM算法提供模型决策的可解释性，识别与儿童睡眠呼吸暂停相关的心电图模式	模型在不同数据集上的性能存在差异，例如在CFS数据集上的Cohen's Kappa仅为0.249，表明泛化能力有待提升	开发一种简化且可解释的深度学习方法，用于儿童阻塞性睡眠呼吸暂停的诊断和严重程度评估	儿童阻塞性睡眠呼吸暂停患者	数字病理学	阻塞性睡眠呼吸暂停	心电图信号分析	CNN, RNN	心电图信号	总计2655名儿童，包括CHAT数据集1610例、UofC数据集981例和CFS数据集64例	未明确指定	CNN-RNN组合架构	Cohen's Kappa	NA
740	2025-12-10	Advancing Sleep Disorder Diagnostics: A Transformer-Based EEG Model for Sleep Stage Classification and OSA Prediction 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3512616 PMID:40030422	研究论文	本研究开发了一种基于Transformer和条件随机场的序列网络，用于睡眠阶段分类和阻塞性睡眠呼吸暂停预测	将自注意力机制和条件随机场整合到多核卷积神经网络和Transformer编码器中，以增强单通道脑电图数据的特征提取和时序依赖性建模	未明确提及样本量或数据集的详细限制，可能依赖于特定数据源	提高睡眠阶段分类的准确性并探索睡眠阶段与阻塞性睡眠呼吸暂停严重程度之间的关系	单通道脑电图记录和睡眠阶段序列	机器学习	阻塞性睡眠呼吸暂停	脑电图	CNN, Transformer, CRF	脑电图信号	NA	NA	多核CNN, Transformer编码器	准确率	NA