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
1381	2025-05-12	A hybrid deep learning model approach for automated detection and classification of cassava leaf diseases 2025-Feb-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90646-4 PMID:40016508	研究论文	本文探讨了利用深度学习技术自动检测和分类木薯叶疾病的方法	混合模型（DenseNet169 + EfficientNetB0）结合了DenseNet169的特征重用能力和EfficientNetB0的计算效率，提高了准确性和可扩展性	NA	开发自动化的木薯叶疾病检测和分类系统	木薯叶疾病	计算机视觉	植物疾病	深度学习	DenseNet169, EfficientNetB0, Xception, MobileNetV2, ResNet, Vgg19, InceptionV3, InceptionResNetV2	图像	约36,000张标记的木薯叶图像
1382	2025-05-12	Comparative Assessment of Protein Large Language Models for Enzyme Commission Number Prediction 2025-Feb-27, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-025-06081-9 PMID:40016653	研究论文	比较评估蛋白质大语言模型在酶委员会编号预测中的性能	首次全面比较了不同蛋白质大语言模型（如ESM2、ESM1b和ProtBERT）在预测酶委员会编号（EC编号）任务中的表现，并与传统的序列比对方法（如BLASTp）进行了对比	研究表明，大语言模型仍需改进才能超越BLASTp成为主流酶注释工具的金标准	评估和比较不同蛋白质大语言模型在预测酶功能（EC编号）方面的性能	酶序列及其对应的酶委员会编号（EC编号）	自然语言处理	NA	蛋白质序列比对（BLASTp、DIAMOND）	ESM2、ESM1b、ProtBERT、全连接神经网络	蛋白质序列	NA
1383	2025-05-12	Auxiliary meta-learning strategy for cancer recognition: leveraging external data and optimized feature mapping 2025-Feb-27, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-13740-w PMID:40016648	研究论文	提出一种辅助元学习策略用于癌症识别，通过利用外部数据和优化特征映射来提高识别准确率	在辅助训练阶段结合外部数据训练特征映射模型，减少误分类概率，并利用深度过参数化卷积层和三分支结构加速训练	未提及具体的数据集规模限制或模型计算资源需求	提高癌症识别的准确率，特别是在少样本学习场景下	癌症识别	数字病理学	癌症	元学习，深度过参数化卷积	三分支结构	图像	BreakHis、Pap smear和ISIC 2018数据集
1384	2025-05-12	MultiCycPermea: accurate and interpretable prediction of cyclic peptide permeability using a multimodal image-sequence model 2025-Feb-27, BMC biology IF:4.4Q1 DOI:10.1186/s12915-025-02166-2 PMID:40016695	research paper	提出了一种名为MultiCycPermea的新型深度学习模型，用于预测环肽的渗透性	MultiCycPermea模型首次结合了环肽的图像信息（2D结构信息）和序列信息（1D结构信息），并提出了一个子结构约束的特征对齐模块来对齐这两种特征	NA	开发一种能够快速准确预测环肽渗透性的工具，以辅助设计具有良好膜渗透性的环肽药物	环肽	machine learning	NA	深度学习	multimodal image-sequence model	image, sequence	CycPeptMPDB数据集
1385	2025-05-12	Development of an artificial intelligence-based multimodal diagnostic system for early detection of biliary atresia 2025-Feb-27, BMC medicine IF:7.0Q1 DOI:10.1186/s12916-025-03962-x PMID:40016769	research paper	开发了一种基于人工智能的多模态诊断系统，用于早期检测胆道闭锁	利用多样化的数据源和格式开发智能诊断系统，并简化模型以减少对血液样本的需求	尽管模型在内部和外部测试中表现良好，但样本量仍可能限制其广泛适用性	改善胆道闭锁的早期诊断，提高患者预后	胆道闭锁患者的多模态数据（超声图像、临床数据和实验室结果）	digital pathology	biliary atresia	deep learning	CNN	multimodal (image, clinical data, laboratory results)	1579名参与者（回顾性研究），171例（前瞻性研究外部测试集）
1386	2025-05-12	Predicting the efficacy of neoadjuvant chemotherapy in breast cancer patients based on ultrasound longitudinal temporal depth network fusion model 2025-Feb-27, Breast cancer research : BCR IF:6.1Q1 DOI:10.1186/s13058-025-01971-5 PMID:40016785	研究论文	本研究开发并验证了一种基于纵向超声数据和临床特征的深度学习放射组学模型，用于预测乳腺癌患者新辅助化疗后的病理完全缓解	结合了治疗前和治疗后2个周期的超声数据以及临床特征，构建了集成模型，提高了预测性能	样本量相对较小，且仅基于单一机构的患者数据	预测乳腺癌患者新辅助化疗后的病理完全缓解	312名经组织学确认的乳腺癌患者	数字病理学	乳腺癌	深度学习放射组学	XGBoost	超声图像和临床数据	312名患者（训练队列219名，测试队列93名）
1387	2025-05-12	Deep learning-based cell-specific gene regulatory networks inferred from single-cell multiome data 2025-Feb-27, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkaf138 PMID:40037709	research paper	该研究开发了一个名为scMultiomeGRN的深度学习框架，用于从单细胞多组学数据中推断细胞特异性基因调控网络	通过独特整合单细胞RNA测序和单细胞ATAC测序数据，构建了模态特定的邻居聚合器和跨模态注意力模块，以学习转录因子的潜在表示	单细胞测序数据的高丢失率可能导致单组学数据不足，影响基因调控网络的推断	开发深度学习框架以推断细胞特异性基因调控网络	转录因子调控网络	machine learning	Alzheimer's disease	single-cell RNA sequencing, single-cell ATAC sequencing	deep learning framework	single-cell multi-omics data	multiple benchmark datasets
1388	2025-05-12	Discrimination of unsound soybeans using hyperspectral imaging: A deep learning method based on dual-channel feature fusion strategy and attention mechanism 2025-Feb, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.115810 PMID:40022337	研究论文	本研究提出了一种基于双通道特征融合策略和注意力机制的深度学习方法，用于利用高光谱图像中的一维光谱数据和二维图像数据来鉴别不健全的大豆	提出了结合注意力机制的双通道特征融合模型（DCFFM），实现了高光谱图像中光谱和图像数据的高层次融合	未提及具体的数据集规模或实际应用场景的局限性	探索一个能够全面获取高光谱图像中光谱和图像的建模框架，实现高层次数据融合以提高准确性	不健全的大豆	计算机视觉	NA	高光谱成像	CNN与DCFFM	高光谱图像（包含一维光谱数据和二维图像数据）	NA
1389	2025-05-12	A robust deep learning model for predicting green tea moisture content during fixation using near-infrared spectroscopy: Integration of multi-scale feature fusion and attention mechanisms 2025-Feb, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.115874 PMID:40022390	研究论文	提出了一种结合多尺度特征融合和注意力机制的深度学习模型DiSENet，用于基于近红外光谱的绿茶杀青过程中水分含量预测	整合多尺度特征融合和注意力机制，提出新型深度学习网络DiSENet，有效校正温度变化引起的光谱干扰	NA	提高绿茶杀青过程中水分含量预测的准确性	绿茶杀青过程中的茶叶样本	机器学习	NA	近红外光谱(NIRS)	DiSENet	光谱数据	不同杀青阶段和温度下的茶叶样本
1390	2025-05-12	Automated and explainable machine learning for monitoring lipid and protein oxidative damage in mutton using hyperspectral imaging 2025-Feb, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.115905 PMID:40022412	研究论文	本研究开发了自动化和可解释的机器学习模型，用于通过高光谱成像监测羊肉中脂质和蛋白质的氧化损伤	结合AutoML、AutoDL和SHAP方法，实现了无需人工干预的高质量可解释预测模型	研究仅针对羊肉样品，未验证在其他肉类中的适用性	开发自动化的机器学习模型来监测肉类氧化损伤	经过不同冻融循环处理的羊肉样品	机器学习	NA	高光谱成像(HSI)、AutoML、AutoDL	AutoML、AutoDL	高光谱图像	经过不同冻融循环处理的羊肉样品
1391	2025-05-12	AI-augmented Biophysical modeling in thermoplasmonics for real-time monitoring and diagnosis of human tissue infections 2025-Feb, Journal of thermal biology IF:2.9Q1 DOI:10.1016/j.jtherbio.2025.104075 PMID:40023011	research paper	该研究提出了一种结合AI与局域表面等离子体共振(LSPR)技术的系统，用于实时监测和诊断人体组织感染	采用AI辅助的热等离子体技术，检测时间比传统技术缩短57.7%，并显著降低了假阳性和诊断成本	NA	开发一种实时监测和诊断人体组织感染的新方法	人体组织感染	数字病理	组织感染	Localised Surface Plasmon Resonance (LSPR)	circuitry deep learning	single-cell transcriptomic profiles	2,333,481个单细胞转录组图谱，来自486人（107名未受影响，379名受影响）
1392	2025-05-12	Advancing Sleep Disorder Diagnostics: A Transformer-Based EEG Model for Sleep Stage Classification and OSA Prediction 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3512616 PMID:40030422	research paper	本研究开发了一种基于Transformer和CNN的深度学习模型，用于睡眠阶段分类和阻塞性睡眠呼吸暂停（OSA）预测	结合自注意力机制和条件随机场（CRF）的深度学习模型，能够捕捉睡眠阶段的时序依赖性，提高分类准确性	模型性能在具有不同AHI值的数据集上表现不一，可能存在泛化性问题	提高睡眠阶段分类的准确性，并探索睡眠阶段与OSA严重程度之间的关系	单通道脑电图（EEG）记录	machine learning	sleep disorder	EEG	CNN, Transformer, CRF	EEG信号	NA
1393	2025-05-12	Clinical Features and Physiological Signals Fusion Network for Mechanical Circulatory Support Need Prediction in Pediatric Cardiac Intensive Care Unit 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3510217 PMID:40030552	研究论文	通过分析生理时间序列和临床特征，使用机器学习/深度学习集成方法预测儿科心脏重症监护病房中机械循环支持的需求	处理分钟级多传感器数据以识别急性失代偿性心力衰竭患者对机械循环支持的需求，不同于现有研究通常处理单一特征类型或关注生理信号的短期诊断	研究队列中的临床决策可能不明确，可能影响模型的普适性	预测儿科心脏重症监护病房中机械循环支持的需求	儿科心脏重症监护病房中急性失代偿性心力衰竭患者	机器学习	心血管疾病	机器学习/深度学习集成方法	NA	时间序列数据、临床特征数据、原始波形数据	来自四级医院的儿科心脏重症监护病房患者数据
1394	2025-05-12	Scaling Synthetic Brain Data Generation 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3520156 PMID:40030742	research paper	介绍了一种名为Wirehead的可扩展内存数据管道，显著提高了神经影像学中深度学习实时合成数据生成的性能	Wirehead通过将数据生成与训练解耦，并使用多个独立的并行生成器，实现了近乎线性的性能提升	未来研究可以在优化生成-训练平衡和资源分配方面进一步探索	解决神经影像学研究中高质量数据集有限的问题，提高合成数据生成的效率和灵活性	神经影像学数据	neuroimaging	NA	deep learning, synthetic data generation	NA	neuroimaging data	terabytes of data
1395	2025-05-12	Artificial intelligence in the detection and treatment of depressive disorders: a narrative review of literature 2025-Feb, International review of psychiatry (Abingdon, England) DOI:10.1080/09540261.2024.2384727 PMID:40035375	review	本文综述了人工智能在抑郁症检测和治疗中的应用	探讨了人工智能如何通过整合多种数据（如临床症状、神经影像、遗传学和生物标志物）来辅助抑郁症的筛查、诊断和预后预测	作为叙述性综述，可能未涵盖所有相关研究，且缺乏对方法学质量的系统评估	评估人工智能在抑郁症诊断和治疗中的潜在应用	抑郁症患者及其相关临床数据	natural language processing, machine learning, digital pathology	geriatric disease	Natural Language Processing, Machine Learning, Deep Learning	NA	text, neuroimaging data, genetics, biomarkers	NA
1396	2025-05-12	DSANIB: Drug-Target Interaction Predictions With Dual-View Synergistic Attention Network and Information Bottleneck Strategy 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3497591 PMID:40030194	research paper	提出了一种名为DSANIB的新方法，用于预测药物与靶标之间的潜在相互作用	DSANIB结合了双视图协同注意力网络和信息瓶颈策略，能够显式捕捉药物-靶标对的局部相互作用并学习其高阶子结构嵌入，同时过滤冗余信息以获得有效的嵌入表示	NA	改进药物-靶标相互作用（DTI）预测的准确性和效率	药物与靶标之间的相互作用	machine learning	NA	deep learning	Dual-View Synergistic Attention Network (DSAN), Information Bottleneck (IB)	molecular data	NA
1397	2025-05-12	PFPRNet: A Phase-Wise Feature Pyramid With Retention Network for Polyp Segmentation 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3500026 PMID:40030242	研究论文	提出了一种名为PFPRNet的新型网络结构，用于结肠息肉分割，通过结合预训练的Transformer编码器和定制的解码器模块，提高了分割性能	设计了Phase-wise Feature Pyramid with Retention Decoder和Enhance Perception模块，以及创新的Low-layer Retention模块，以更高效地进行全局注意力建模	需要大量标注数据进行训练，且息肉图像中的类似皱纹可能影响模型预测性能	提高结肠息肉分割的准确性和效率，以辅助结直肠癌的早期诊断和预防	结肠息肉图像	计算机视觉	结直肠癌	深度学习	PFPRNet（基于Transformer的编码器和定制解码器）	图像	多个广泛使用的息肉分割数据集（具体数量未提及）
1398	2025-05-12	CT-Less Whole-Body Bone Segmentation of PET Images Using a Multimodal Deep Learning Network 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3501386 PMID:40030243	研究论文	提出了一种新型多模态融合网络（MMF-Net），用于无需CT图像的PET图像全身骨分割	引入三种PET模态图像（示踪剂活性、衰减图和合成衰减图）到训练数据中，设计了多编码器结构和多模态融合模块，并采用了改进的卷积单元、SE归一化和深度监督以提高分割性能	研究仅基于130个全身PET图像数据集，样本量相对较小	开发一种无需CT图像的PET图像全身骨分割方法，以提高骨癌诊断的准确性和自动化水平	PET图像中的全身骨分割	数字病理学	骨癌	深度学习	MMF-Net	图像	130个全身PET图像数据集
1399	2025-05-12	EDSRNet: An Enhanced Decoder Semantic Recovery Network for 2D Medical Image Segmentation 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3504829 PMID:40030272	研究论文	提出了一种增强解码器语义恢复网络（EDSRNet），用于改善2D医学图像分割的性能	引入了多级语义融合（MLSF）模块、多尺度空间注意力（MSSA）和交叉卷积通道注意力（CCCA）模块，以及全局-局部语义恢复（GLSR）模块，以解决现有方法在语义信息补充和全局局部信息交互方面的不足	未提及具体的计算资源消耗或模型复杂度，也未讨论在不同类型医学图像上的泛化能力	提升2D医学图像分割的准确性和语义恢复效果	2D医学图像	数字病理	NA	深度学习	EDSRNet（基于encoder-decoder架构）	医学图像	公共数据集BUSI、CVC-ClinicDB和Kvasir-SEG（具体样本数量未提及）
1400	2025-05-12	WaveSleepNet: An Interpretable Network for Expert-Like Sleep Staging 2025-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3498871 PMID:40030379	研究论文	提出了一种名为WaveSleepNet的可解释神经网络，用于模拟临床专家的睡眠分期方法	利用潜在空间表示识别不同睡眠阶段的特征波原型，并通过量化这些原型的接近度来进行睡眠分期，提高了模型的可解释性	虽然模型性能与现有最先进模型相当，但未提及在更大规模或多样化数据集上的泛化能力	开发一种可解释的深度学习模型，用于自动睡眠分期，以促进临床采用	睡眠信号数据	机器学习	NA	深度学习	WaveSleepNet（基于潜在空间表示和原型学习的神经网络）	信号数据	三个公共数据集（未提及具体样本数量）