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
1321	2025-04-23	An energy-aware heart disease prediction system using ESMO and optimal deep learning model for healthcare monitoring in IoT 2025-Apr, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2298736 PMID:38165748	研究论文	提出了一种基于增强蜘蛛猴优化（ESMO）和权重优化神经网络的能量感知心脏病预测系统，用于物联网（IoT）医疗环境	结合ESMO和EAWO-DNN模型，优化能量消耗并提高心脏病预测准确率	未提及具体样本量或数据集来源，可能影响模型泛化能力	开发高效的心脏病预测系统以改善物联网医疗监控	心脏病患者数据	机器学习	心血管疾病	ESMO优化算法、EAWO-DNN模型	DNN	医疗数据	NA
1322	2025-04-23	Determining the Importance of Lifestyle Risk Factors in Predicting Binge Eating Disorder After Bariatric Surgery Using Machine Learning Models and Lifestyle Scores 2025-Apr, Obesity surgery IF:2.9Q1 DOI:10.1007/s11695-025-07765-0 PMID:40045153	研究论文	本研究通过生活方式评分和机器学习模型评估了生活方式风险因素与腹腔镜袖状胃切除术后两年暴食症之间的关联	结合生活方式评分和多种机器学习模型（包括RF、LG、SVM和ANN）来预测暴食症的发生，并识别出关键的生活方式风险因素	样本量相对较小（450人），且仅针对腹腔镜袖状胃切除术后的患者，结果可能不适用于其他减肥手术或人群	评估生活方式风险因素与腹腔镜袖状胃切除术后两年暴食症之间的关联	450名两年前接受过腹腔镜袖状胃切除术的患者	机器学习	暴食症	BES问卷、生活方式评分、多种机器学习模型	LG, KNN, DT, RF, SVM, XGBoost, ANN	问卷调查数据、临床数据	450名接受过腹腔镜袖状胃切除术的患者
1323	2025-04-23	Revolutionizing Breast Cancer Care: AI-Enhanced Diagnosis and Patient History 2025-Apr, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2300681 PMID:38178694	研究论文	本研究提出了一种结合人工智能和机器学习的方法，用于提高乳腺癌诊断的准确性和简化医疗历史记录	整合了SVM、KNN和模糊逻辑三种算法，并利用深度学习模型提高预测准确性，同时采用AI驱动的动态问诊系统	未提及具体样本量或临床验证结果	提升乳腺癌诊断准确性和医疗历史记录效率	乳腺癌患者	数字病理学	乳腺癌	机器学习、深度学习	SVM、KNN、Fuzzy Logic、GPT-3.5	医疗历史数据	NA
1324	2025-04-23	A pooling convolution model for multi-classification of ECG and PCG signals 2025-Apr, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2023.2299697 PMID:38193152	research paper	提出了一种用于ECG和PCG信号多分类的池化卷积模型	设计了一系列简单有效的池化卷积模型，包括堆叠块(MCM)及其变体，以及残差块(REC)，能够处理不同采样率的ECG和PCG数据	未明确提及模型的局限性	提高心血管疾病检测的效率	ECG和PCG信号	machine learning	cardiovascular disease	deep learning	CNN	signal	多个ECG和PCG数据集，包括一个同步的ECG-PCG数据集，分为七个不同疲劳等级
1325	2025-04-23	Deep Learning-Accelerated Non-Contrast Abbreviated Liver MRI for Detecting Malignant Focal Hepatic Lesions: Dual-Center Validation 2025-04, Korean journal of radiology IF:4.4Q1 DOI:10.3348/kjr.2024.0862 PMID:40150922	research paper	比较深度学习加速的非增强缩写MRI（AMRIDL）与标准缩写MRI（AMRISTD）在肝脏恶性局灶性病变检测中的图像质量和检测效果	AMRIDL协议在保持与AMRISTD相当的恶性病变检测灵敏度的同时，显著提高了图像质量并减少了约50%的扫描时间	研究为回顾性设计，且样本量相对较小（155例患者）	评估深度学习加速的非增强缩写MRI在肝脏恶性局灶性病变检测中的性能	155例接受标准肝脏MRI和AMRIDL序列检查的患者，其中64例患者共104个恶性局灶性病变	digital pathology	liver cancer	DL-accelerated MRI, SSFSEDL, DWIDL	deep learning	MRI images	155例患者（110例男性，平均年龄62.4±11岁），其中64例患者共104个恶性局灶性病变
1326	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
1327	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
1328	2025-04-23	Use of deep learning model for paediatric elbow radiograph binomial classification: initial experience, performance and lessons learnt 2025-Apr-01, Singapore medical journal IF:1.7Q2 DOI:10.4103/singaporemedj.SMJ-2022-078 PMID:40258236	研究论文	本研究比较了基于卷积神经网络的深度学习模型与儿科急诊医生在儿童肘部X光片二分类任务上的表现	首次使用EfficientNet B1网络架构的AI模型对儿童肘部X光片进行正常与异常的二分类，并与医生表现进行对比	样本量相对较小（1314张图像），医生组间评分者一致性仅为一般水平	评估深度学习模型在儿科肘部X光片二分类中的诊断性能	儿童肘部侧位X光片	数字病理	儿科骨科疾病	深度学习	CNN (EfficientNet B1)	医学影像	1314张儿童肘部X光片（患者平均年龄8.2岁）
1329	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）
1330	2025-04-23	Deep learning-based image classification reveals heterogeneous execution of cell death fates during viral infection 2025-Mar-01, Molecular biology of the cell IF:3.1Q3 DOI:10.1091/mbc.E24-10-0438 PMID:39841552	research paper	该研究利用深度学习图像分类技术分析病毒感染期间细胞死亡命运的异质性执行	采用深度学习图像分类技术揭示病毒感染中细胞死亡形态的异质性，补充了分子检测的不足	研究仅针对HSV-1感染的细胞，可能不适用于其他病毒或细胞类型	探究病毒感染期间细胞死亡命运的异质性执行	单纯疱疹病毒-1(HSV-1)感染的单个细胞	digital pathology	viral infection	deep learning-based image classification	CNN	image	NA
1331	2025-04-23	DenseSeg: joint learning for semantic segmentation and landmark detection using dense image-to-shape representation 2025-Mar, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-024-03315-8 PMID:39849288	research paper	提出一种密集图像到形状表示方法，用于联合学习语义分割和标志点检测	通过密集图像到形状表示实现标志点检测和语义分割的联合学习，无需显式训练标志点即可添加新标志点	在胸部X光设置中与基线方法性能相当，未显著超越	改进医学图像处理中的语义分割和标志点检测任务	胸部X光中的肺、心脏和锁骨，以及儿科手腕中的17种不同骨骼	digital pathology	NA	fully convolutional architecture	CNN	image	两个医学数据集（胸部X光和儿科手腕图像）
1332	2025-04-23	Multi-modal dataset creation for federated learning with DICOM-structured reports 2025-Mar, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03327-y PMID:39899185	research paper	该研究开发了一个开放平台，用于多模态数据集成和交互式过滤，以简化跨多个站点创建一致多模态数据患者队列的过程	利用DICOM结构化报告标准化链接任意信息，并开发了一个开放平台，支持交互式过滤和多中心数据协调	研究仅在一个由八家德国大学医院组成的联盟中进行了验证，可能需要进一步扩展到其他地区或机构	解决异构数据集在联邦学习中的挑战，特别是多模态学习范式中的数据协调问题	多模态医疗数据，包括影像数据、波形数据和注释数据	digital pathology	cardiovascular disease	DICOM-structured reports, federated learning	NA	image, waveform, annotations, metadata	来自八家德国大学医院的多模态数据
1333	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
1334	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
1335	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）
1336	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
1337	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
1338	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
1339	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
1340	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）