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
121	2025-07-25	A Multi-Model Machine Learning Framework for Identifying Raloxifene as a Novel RNA Polymerase Inhibitor from FDA-Approved Drugs 2025-Apr-28, Current issues in molecular biology IF:2.8Q3 DOI:10.3390/cimb47050315 PMID:40699714	研究论文	开发了一个多模型机器学习框架，用于从FDA批准的药物中识别潜在的RNA聚合酶抑制剂	结合五种传统算法和CNN深度学习模型，首次将raloxifene识别为RNA聚合酶抑制剂	需要进一步的实验验证来确认raloxifene的抗病毒活性	识别FDA批准药物中的RNA聚合酶抑制剂，用于抗病毒药物开发	FDA批准的药物和RNA依赖性RNA聚合酶(RdRP)	机器学习	病毒性疾病	分子对接研究和分子动力学模拟	ExtraTreesClassifier, RandomForestClassifier, LGBMClassifier, BernoulliNB, BaggingClassifier, CNN	化学数据集	PubChem数据集AID 588519
122	2025-07-25	Advancements in early detection of pancreatic cancer: the role of artificial intelligence and novel imaging techniques 2025-Apr, Abdominal radiology (New York) DOI:10.1007/s00261-024-04644-7 PMID:39467913	综述	本文综述了人工智能和新型成像技术在胰腺癌早期检测中的进展	重点介绍了深度学习在胰腺导管腺癌早期检测中的应用	未提及具体研究数据的局限性	提高胰腺导管腺癌的早期检测率和生存率	胰腺导管腺癌（PDA）	数字病理学	胰腺癌	新型成像技术	深度学习	影像数据	NA
123	2025-07-25	Recent advances in pulmonary tuberculosis, the application of deep learning to medical topics, and highlights from this issue of Ewha Medical Journal 2025-Apr, Ewha medical journal IF:0.3Q3 DOI:10.12771/emj.2025.00395 PMID:40703376	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
124	2025-07-25	Feature-based ensemble modeling for addressing diabetes data imbalance using the SMOTE, RUS, and random forest methods: a prediction study 2025-Apr, Ewha medical journal IF:0.3Q3 DOI:10.12771/emj.2025.00353 PMID:40703379	研究论文	本研究开发并评估了一种基于特征的集成模型，结合SMOTE、RUS和随机森林方法，用于解决糖尿病早期检测中的类别不平衡问题	提出了一种结合SMOTE、RUS和特征集成学习的创新方法，显著提高了少数类（高风险糖尿病）的预测性能	研究仅使用了Scikit-learn糖尿病数据集（442个样本），样本量相对较小	解决机器学习中类别不平衡问题，提高糖尿病早期预测的准确性	糖尿病进展预测	机器学习	糖尿病	SMOTE（合成少数类过采样技术）、RUS（随机欠采样）、随机森林	随机森林、全连接神经网络、k近邻	结构化数据	442个样本，10个特征
125	2025-07-25	Comparative evaluation of deep learning architectures, including UNet, TransUNet, and MIST, for left atrium segmentation in cardiac computed tomography of congenital heart diseases 2025-Apr, Ewha medical journal IF:0.3Q3 DOI:10.12771/emj.2025.00087 PMID:40703371	研究论文	本研究比较了三种深度学习模型（UNet、TransUNet和MIST）在先天性心脏病患者心脏CT图像中左心房分割的性能	MIST模型在左心房分割中表现出色，其集成的多尺度特征和优化架构显著提高了分割精度和边界描绘	MIST模型的计算开销较大，增加了临床实际部署的复杂性	比较不同深度学习架构在先天性心脏病患者心脏CT图像左心房分割中的性能	先天性心脏病患者的心脏CT图像	计算机视觉	心血管疾病	心脏CT成像	UNet, TransUNet, MIST	图像	108例公开可用的CT扫描数据，其中97例用于训练和验证，11例用于测试
126	2025-07-25	Development of automatic organ segmentation based on positron-emission tomography analysis system using Swin UNETR in breast cancer patients in Korea 2025-Apr, Ewha medical journal IF:0.3Q3 DOI:10.12771/emj.2025.00094 PMID:40703367	研究论文	本研究开发了一种基于深度学习的自动器官分割方法，用于标准化乳腺癌患者的正电子发射断层扫描（PET）分析	使用Swin UNETR模型进行自动器官分割，提高了标准化摄取值（SUV）评估的准确性和可靠性	样本量较小，测试数据集仅包含10名患者	标准化核医学成像中的SUV评估，提高乳腺癌预后诊断的准确性	乳腺癌患者的关键器官（乳腺、肝脏、脾脏和骨髓）	数字病理学	乳腺癌	正电子发射断层扫描（PET）	Swin UNETR	医学影像	60名患者（40名训练集，10名验证集，10名独立测试集）
127	2025-07-25	Cyclic dual latent discovery for improved blood glucose prediction through patient-provider interaction modeling: a prediction study 2025-Apr, Ewha medical journal IF:0.3Q3 DOI:10.12771/emj.2025.00332 PMID:40703385	研究论文	该研究提出了一种名为循环双潜在发现（CDLD）的深度学习框架，通过显式建模患者-提供者互动来改进血糖水平的预测	引入了CDLD框架，首次在血糖预测中显式建模患者-提供者互动，并采用循环训练机制交替更新患者和提供者的潜在表示	研究基于ICU患者数据，可能不适用于普通糖尿病患者群体	提高血糖变异性预测的准确性，改善糖尿病管理	ICU患者及其医疗提供者	机器学习	糖尿病	深度学习	CDLD（循环双潜在发现模型）	结构化医疗记录数据	约5,014例患者-提供者互动实例（来自MIMIC-IV v3.0重症监护数据库）
128	2025-07-25	Artificial intelligence in gastroenterology: Ethical and diagnostic challenges in clinical practice 2025-Mar-14, World journal of gastroenterology IF:4.3Q1 DOI:10.3748/wjg.v31.i10.102725 PMID:40093670	评论	本文讨论了人工智能在胃肠病学中的应用及其伦理和诊断挑战	探讨了深度学习模型在无线胶囊内窥镜决策过程中的应用，以及AI在胃肠疾病诊断中的变革性作用	AI在临床应用中存在患者隐私、数据安全和诊断偏见等伦理问题，需要多样化和代表性的数据集来缓解不平等	探讨人工智能在胃肠病学中的临床应用及其伦理挑战	胃肠疾病诊断，特别是小肠病变和癌前息肉	数字病理学	胃肠疾病	深度学习	NA	图像	NA
129	2025-07-25	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	提出了一种新型的3D全脑分割网络，通过交叉融合机制处理PET/MR双模态图像，以实现45个脑区的精确分割	引入了交叉融合机制，同时处理PET和MR图像，采用UX-Net和交叉融合块进行特征提取和融合	未提及具体的数据集规模或多样性限制，未来将在临床实践中进一步验证	提高脑区精确分割的性能，以辅助神经系统疾病的检测和诊断	PET/MR双模态图像	数字病理	神经系统疾病	PET/MR双模态成像	3D UX-Net	医学图像	未提及具体样本数量
130	2025-07-25	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	提出了一种基于可穿戴传感器的人类活动识别深度学习模型DKInception，该模型整合了深度卷积残差网络和注意力机制	DKInception模型结合了深度卷积残差网络与注意力机制，利用多尺度卷积核有效提取时间特征，并在Inception ResNet架构基础上扩展了快速收敛和鲁棒缩放特性	未提及具体局限性	通过精确的人类活动识别监测日常活动和健康行为，为慢性病管理和健康生活方式提供支持	人类日常活动	机器学习	NA	深度学习	CNN（具体为DKInception模型）	传感器数据	四个基准HAR数据集（UCI-HAR, Opportunity, Daphnet, PAMAP2）
131	2025-07-25	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	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作为特征	已知GPCR数量有限，可能影响模型性能	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	动态迁移学习	TrGPCR	蛋白质序列和二级结构数据	数千个已知GPCR
132	2025-07-25	Multi-Omics Deep-Learning Prediction of Homologous Recombination Deficiency-Like Phenotype Improved Risk Stratification and Guided Therapeutic Decisions in Gynecological Cancers 2025-03, 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	MODeepHRD利用卷积注意力自编码器有效整合组学特异性和跨组学互补知识学习，优于传统机器学习方法和其他类似任务方法	研究主要基于卵巢癌患者数据，虽然在乳腺癌和子宫内膜癌队列中进行了验证，但样本来源和多样性可能仍有局限	开发一种深度学习框架，准确预测妇科癌症中的HRD表型，以指导临床治疗决策	妇科癌症患者（主要为卵巢癌、乳腺癌和子宫内膜癌）	数字病理学	妇科癌症	转录组学、DNA甲基化和突变数据分析	卷积注意力自编码器	多组学数据	训练集351例卵巢癌患者，验证集2133例卵巢癌样本（来自22个数据集），并在乳腺癌和子宫内膜癌队列中进一步验证
133	2025-07-25	HiSIF-DTA: A Hierarchical Semantic Information Fusion Framework for Drug-Target Affinity Prediction 2025-03, 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，并设计了两种不同的分层融合策略来整合不同的蛋白质语义	未明确提及具体局限性	提高药物-靶标亲和力预测的准确性	药物-靶标亲和力	机器学习	NA	深度学习	分层语义信息融合框架	蛋白质序列和结构数据	基准数据集
134	2025-07-25	Decoding Drug Response With Structurized Gridding Map-Based Cell Representation 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3342280 PMID:38090819	研究论文	该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新的细胞系和药物表示方法，提高了预测准确性	提出了一种基于二维结构化网格图（SGM）的细胞系和药物表示方法，避免了特征相关性忽视和潜在信息丢失，并构建了一个基于双分支多通道CNN的模型	尽管在细胞系药物反应预测中表现出色，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	细胞系和药物	机器学习	癌症	深度学习	CNN	结构化数据	NA
135	2025-07-25	MOPDDI: Predicting Drug-Drug Interaction Events Based on Multimodal Mutual Orthogonal Projection and Intermodal Consistency Loss 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3343911 PMID:38109247	研究论文	提出了一种基于多模态互正交投影和模态间一致性损失的药物相互作用事件预测新方法	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	未提及具体的数据集规模限制或实际应用中的潜在问题	准确预测药物相互作用(DDI)事件的机制	药物相互作用事件	机器学习	NA	多模态互正交投影和模态间一致性损失	深度学习	多模态数据	NA
136	2025-07-25	Prediction of Drug-Target Interactions With High- Quality Negative Samples and a Network-Based Deep Learning Framework 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3354953 PMID:38227407	研究论文	本文提出了一种基于高质量负样本和网络深度学习的药物-靶标相互作用预测框架	提出了基于复杂网络理论的负样本选择方法，并构建了整合多源信息的HNetPa-DTI预测框架	未明确提及具体局限性	改进药物-靶标相互作用预测的准确性和效率	药物-靶标相互作用对	机器学习	NA	异构图神经网络	图神经网络	网络数据	未明确提及具体样本数量
137	2025-07-25	Dual Representation Learning for Predicting Drug-Side Effect Frequency Using Protein Target Information 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3350083 PMID:38241108	研究论文	提出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	首次同时利用药物靶蛋白信息、分子图、指纹和化学相似性等多源异构特征，并采用双重表示学习方法将药物和副作用映射到共同向量空间	对于没有明确靶蛋白的药物预测效果相对较差（尽管通过Adaboost方法进行了补偿）	预测药物副作用的发生频率	药物及其副作用	机器学习	NA	深度学习、Adaboost	双重表示学习模型	分子图、化学指纹、蛋白质靶点信息等多源异构数据	NA
138	2025-07-25	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	research paper	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	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	未明确提及具体局限性	改进药物开发过程，满足精准医学需求	分子性质预测	计算机辅助药物发现	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）
139	2025-07-25	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，创新性地融合药物和蛋白质特征，显著提高了DTI预测的准确性	未明确提及具体局限性	开发新的药物-靶点相互作用预测方法以加速药物发现过程	药物分子和蛋白质靶点	机器学习	NA	图卷积网络(GCN)、自注意力机制、卷积神经网络	双向意图网络、ACmix混合模型、多层感知机(MLP)	分子图(SMILES字符串)、氨基酸序列	BindingDB、BioSNAP、DrugBank和Human数据集
140	2025-07-25	Property-Guided Few-Shot Learning for Molecular Property Prediction With Dual-View Encoder and Relation Graph Learning Network 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3381896 PMID:38536684	research paper	提出了一种名为PG-DERN的少样本学习模型，用于分子属性预测，通过双视图编码器和关系图学习网络提高预测准确性	引入双视图编码器学习分子表示，提出关系图学习模块构建分子相似性关系图，采用MAML元学习策略优化参数，设计属性引导的特征增强模块	未明确提及具体局限性	提高分子属性预测的准确性，特别是在数据有限的情况下	药物分子的属性预测	machine learning	NA	few-shot learning, meta-learning	PG-DERN, dual-view encoder, relation graph learning network, MAML	molecular data	四个基准数据集