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
16161	2025-12-10	Enhancing Image Retrieval Performance With Generative Models in Siamese Networks 2025-Jul, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3543907 PMID:40036556	研究论文	本研究评估了生成式深度学习模型如何提升基于内容的图像检索系统在计算机辅助前列腺癌诊断中的检索质量	首次在文献中提出使用针对CBIR优化的潜在表示来训练注意力机制，以执行全切片图像的Gleason评分	NA	提升计算机辅助诊断系统中基于内容的图像检索性能，以辅助前列腺癌的早期准确诊断	前列腺癌组织图像	计算机视觉	前列腺癌	生成对抗网络	Siamese Network, GAN	图像	基于SiCAPv2数据集	NA	ProGleason-GAN	NA	NA
16162	2025-12-10	Contrastive Learning With Transformer to Predict the Chronicity of Children With Immune Thrombocytopenia 2025-Jul, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3551365 PMID:40085458	研究论文	本文提出了一种结合对比学习和Transformer的方法，用于预测儿童免疫性血小板减少症的慢性化风险	提出了一种新颖的集成对比学习和Transformer的方法，通过随机掩码和过采样处理小样本和不平衡数据问题，并利用FT-Transformer编码器生成的潜在表示构建对比对	未明确提及具体局限性，但可能受限于儿童患者数据的稀缺性和不平衡性	准确预测儿童免疫性血小板减少症的慢性化风险，以支持早期个性化治疗计划制定	儿童免疫性血小板减少症患者	机器学习	免疫性血小板减少症	对比学习，Transformer	Transformer	异构表格数据	未明确指定具体样本数量，但提及儿童患者数据稀缺	未明确指定，但可能基于PyTorch或TensorFlow	FT-Transformer	未明确指定具体指标，但提及优于现有方法	未明确指定
16163	2025-12-10	Leveraging a Vision-Language Model with Natural Text Supervision for MRI Retrieval, Captioning, Classification, and Visual Question Answering 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11251809 PMID:41336503	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，通过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	利用自然语言监督学习跨模态嵌入，实现单一模型执行多种放射学任务，包括MRI检索、描述、分类和视觉问答，提供了一种通用且多功能的研究工具	未明确提及模型在非阿尔茨海默病脑部疾病或其他医学影像模态上的泛化能力，以及数据隐私和透明度方面的具体实施细节	开发一个基于自然语言监督的跨模态框架，用于脑MRI的多任务学习，以支持阿尔茨海默病研究和临床辅助诊断	脑MRI图像及其相关的自然语言描述	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
16164	2025-12-10	AI-Powered Vocalization Analysis in Poultry: Systematic Review of Health, Behavior, and Welfare Monitoring 2025-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s25134058 PMID:40648313	综述	本文对人工智能和生物声学在通过禽类发声分析进行非侵入式福利监测方面的应用进行了系统性回顾	系统性地梳理了从传统声学特征提取到前沿深度学习架构（如CNN、LSTM、注意力机制及自监督模型wav2vec2和Whisper）的演变，并强调了边缘计算部署和可解释AI集成的重要性	存在数据集标准化不足、评估协议不一致、算法可解释性有限等持续性方法瓶颈，以及在跨物种领域泛化和上下文声学适应方面存在关键知识缺口	回顾和评估人工智能驱动的禽类发声分析技术在健康、行为及福利监测领域的应用现状、潜力和挑战	禽类（家禽）的发声数据	机器学习	NA	生物声学分析	CNN, LSTM, 注意力机制, 自监督模型	音频	NA	NA	wav2vec2, Whisper	NA	边缘计算（通过TinyML框架）
16165	2025-12-10	Deep Learning-Based Automated Measurement of Cervical Length in Transvaginal Ultrasound Images of Pregnant Women 2025-Jun, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3433594 PMID:39052464	研究论文	本文开发了一种基于深度学习的自动化方法CL-Net，用于在孕妇经阴道超声图像中测量宫颈长度，以减少操作者依赖性并提高测量可重复性	CL-Net首次将专家解剖知识整合到深度学习网络中，以识别宫颈管，解决了超声图像中低信噪比和宫颈管对比度极低的挑战	未明确说明模型在不同人群或设备间的泛化能力，以及临床部署中的实时性能要求	开发一种可靠且可重复的自动宫颈长度测量方法，以降低评估者间变异并改善工作流程	孕妇的经阴道超声图像	计算机视觉	产科疾病	经阴道超声成像	深度学习网络	图像	NA	NA	CL-Net	成功率, 中位数差异, 四分位距, 范围	NA
16166	2025-12-10	A GAN Guided Parallel CNN and Transformer Network for EEG Denoising 2025-Jun, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3277596 PMID:37220036	研究论文	提出了一种基于GAN引导的并行CNN和Transformer网络（GCTNet），用于脑电图（EEG）信号的去噪，以解决现有方法在时间特征捕获和整体一致性方面的不足	设计了一个结合并行CNN块和Transformer块的生成器，分别捕获局部和全局时间依赖性，并利用判别器检测和校正去噪后EEG信号与真实干净信号之间的整体不一致性	未明确提及具体限制，但可能包括对特定类型伪影的泛化能力或计算资源需求	开发一种高效的深度学习方法来去除EEG信号中的生理伪影，提高信号质量以支持后续分析	脑电图（EEG）信号，特别是受生理伪影（如肌电图伪影）污染的信号	机器学习	NA	脑电图（EEG）信号处理	GAN, CNN, Transformer	时间序列数据（EEG信号）	NA	NA	GCTNet（包含并行CNN块和Transformer块的生成器，以及判别器）	RRMSE（相对均方根误差），SNR（信噪比）	NA
16167	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
16168	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
16169	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
16170	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
16171	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
16172	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
16173	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
16174	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
16175	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
16176	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
16177	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
16178	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
16179	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
16180	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