深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 36553 篇文献，本页显示第 981 - 1000 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 981 | 2025-12-10 |
Multi-Gate Mixture of Multi-View Graph Contrastive Learning on Electronic Health Record
2025-Jun, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2023.3325221
PMID:37851554
|
研究论文 | 本文提出了一种多门混合多视图图对比学习方法，用于从电子健康记录中学习更合理的患者表示，以改善下游预测任务的性能 | 提出了一种新颖的多门混合多视图图对比学习方法，通过联合优化任务损失和对比损失，并利用分层全连接图结构和预训练节点特征，以更充分地挖掘电子健康记录中的潜在信息 | 未明确说明模型的计算复杂度、训练时间以及在不同规模数据集上的可扩展性 | 旨在通过改进电子健康记录的表示学习方法，提升患者相关预测任务的性能 | 电子健康记录中的患者就诊数据 | 机器学习 | NA | 图神经网络，对比学习 | GNN | 图数据 | 两个大型开源医疗数据集：MIMIC-III 和 eICU | NA | 多门混合多视图图对比学习 | NA | NA |
| 982 | 2025-12-10 |
Preoperative Prediction of Microvascular Invasion in Hepatocellular Carcinoma From Multi-Sequence Magnetic Resonance Imaging Based on Deep Fusion Representation Learning
2025-May, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3451331
PMID:39196745
|
研究论文 | 本研究提出了一种基于深度融合表示学习的新算法，用于从多序列磁共振成像中预测肝细胞癌的微血管侵犯 | 引入了一种基于ResNet的新型多分支深度融合特征算法（DFFResNet），结合不同序列的MRI图像以增强信息互补性和整合性 | 研究样本量相对较小（117名个体），且仅基于单一医院的放射科数据集，可能影响模型的泛化能力 | 预测肝细胞癌术前微血管侵犯，以辅助早期肿瘤复发风险评估 | 肝细胞癌患者的多序列磁共振成像数据 | 数字病理学 | 肝细胞癌 | 磁共振成像 | CNN | 图像 | 117名个体，包含七个MRI序列 | NA | ResNet, DFFResNet | NA | NA |
| 983 | 2025-12-10 |
SWMA-UNet: Multi-Path Attention Network for Improved Medical Image Segmentation
2025-May, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3523492
PMID:40030824
|
研究论文 | 本文提出了一种用于医学图像分割的并行多路径注意力网络SWMA-UNet，旨在同时捕获局部细节和全局上下文信息 | 提出了一种并行（而非串行）集成Transformer和CNN的多路径注意力架构，以同时处理全局和局部信息 | 未在摘要中明确说明 | 提高医学图像分割的准确性 | 医学图像 | 计算机视觉 | NA | 深度学习 | CNN, Transformer | 图像 | 在Synapse、ACDC、ISIC 2018和MoNuSeg数据集上进行了实验 | NA | SWMA-UNet (基于U-Net的变体) | NA | NA |
| 984 | 2025-12-10 |
FlexibleSleepNet:A Model for Automatic Sleep Stage Classification Based on Multi-Channel Polysomnography
2025-May, 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架构，用于基于多通道多导睡眠图数据的自动睡眠阶段分类 | 引入了自适应特征提取模块和尺度变化压缩模块，以平衡时空特征提取与计算复杂度，有效捕获通道间的时空依赖关系 | 未明确提及模型在更广泛或多样化数据集上的泛化能力，以及可能存在的过拟合风险 | 开发一种高效的自动睡眠阶段分类模型，以提升分类性能并降低计算复杂度 | 多通道多导睡眠图数据 | 机器学习 | NA | 多导睡眠图 | CNN | 多通道生理信号数据 | 三个数据库：SleepEDF-20、SleepEDF-78和SHHS，具体样本数量未明确 | NA | FlexibleSleepNet | 分类准确率 | NA |
| 985 | 2025-12-10 |
Conditional Contrastive Predictive Coding for Assessment of Fetal Health From the Cardiotocogram
2025-May, 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模型，用于从胎心宫缩图自动评估胎儿健康状况 | 将对比预测编码扩展为随机、循环且以子宫活动为条件的未来预测器，并引入了更适合异常检测的新训练目标 | 未明确说明模型在临床环境中的泛化能力或计算效率 | 开发一种自动化方法，通过胎心宫缩图评估胎儿健康状况，以减少人工解读的变异性 | 胎心宫缩图数据，包括胎儿心率和子宫活动记录 | 机器学习 | 胎儿健康 | 对比预测编码 | 深度学习模型 | 时间序列数据 | NA | NA | 对比预测编码扩展模型 | NA | NA |
| 986 | 2025-12-10 |
MACTFusion: Lightweight Cross Transformer for Adaptive Multimodal Medical Image Fusion
2025-May, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3391620
PMID:38640042
|
研究论文 | 本文提出了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 | 提出了基于交叉多轴注意力机制的轻量级交叉Transformer，结合交叉窗口注意力和交叉网格注意力来挖掘和整合多模态特征的局部与全局交互，并设计了空间自适应融合模块引导模型关注最相关信息 | 未明确说明模型在计算资源受限环境下的实际部署效果，也未讨论对其他医学图像模态（如超声、内镜图像）的泛化能力 | 开发一种计算效率高且性能优越的无监督多模态医学图像融合方法 | 多模态医学图像（特别是临床脑肿瘤图像） | 计算机视觉 | 脑肿瘤 | 医学图像融合技术 | Transformer | 医学图像 | 未明确说明具体样本数量，仅提及包含临床脑肿瘤图像 | 未明确说明 | 交叉Transformer（含交叉窗口注意力和交叉网格注意力），梯度残差密集卷积层 | 纹理清晰度，视觉质量（未明确量化指标） | 未明确说明 |
| 987 | 2025-12-10 |
Automated cervix biometry, volumetry and normative models for 3D motion-corrected T2-weighted 0.55-3T fetal MRI during 2nd and 3rd trimesters
2025-Apr-17, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.04.16.25325947
PMID:40321262
|
研究论文 | 本研究开发了一种用于胎儿MRI宫颈自动多层分割和生物测量的深度学习流程 | 首次引入深度学习流程，用于3D T2加权图像中怀孕宫颈的自动多层分割和生物测量，并生成了公开可用的3D群体平均图谱 | 研究仅基于20个数据集进行评估，样本量相对较小，且未明确说明模型在其他临床环境中的泛化能力 | 开发自动化方法，用于胎儿MRI中宫颈的测量和分析，以减少手动操作并提高准确性 | 怀孕期间的宫颈，基于3D T2加权MRI图像 | 数字病理学 | NA | 3D T2加权MRI | 深度学习 | 3D MRI图像 | 20个数据集用于评估，270个正常足月病例用于处理 | NA | NA | NA | NA |
| 988 | 2025-12-10 |
A Non-Invasive Blood Glucose Detection System Based on Photoplethysmogram With Multiple Near-Infrared Sensors
2025-04, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3443317
PMID:39141451
|
研究论文 | 本文开发了一种结合光电容积脉搏波和多近红外传感器的非侵入性血糖检测系统 | 将光电容积脉搏波与多近红外传感器方法相结合，以弥补各自在基线血糖预测和短期波动敏感性方面的不足 | 研究样本量较小（仅10名参与者），且未详细讨论个体和环境因素对系统性能的长期影响 | 开发一种非侵入性血糖检测系统，以提高血糖监测的准确性和实用性 | 人类参与者的指尖血糖数据 | 机器学习 | 糖尿病 | 光电容积脉搏波，多近红外传感器 | 深度学习模型 | 传感器信号数据 | 10名参与者，每人提供约700个数据段，每段约10秒 | NA | 轻量级深度学习模型 | 均方根误差，Parkes误差网格A区准确率 | NA |
| 989 | 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 |
| 990 | 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 |
| 991 | 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 |
| 992 | 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 |
| 993 | 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 |
| 994 | 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 |
| 995 | 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 |
| 996 | 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 |
| 997 | 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 |
| 998 | 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 |
| 999 | 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 |
| 1000 | 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 |