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
1	2026-02-06	An enhanced diabetes prediction using an improved hybrid deep learning algorithm with mountain gazelle optimizer 2026-Jun, Journal of diabetes and metabolic disorders IF:1.8Q4 DOI:10.1007/s40200-025-01844-w PMID:41641400	研究论文	提出了一种基于改进混合深度学习算法和山地瞪羚优化器的糖尿病预测框架	结合CatBoost算法、CNN和Bi-LSTM的混合深度学习架构，并利用山地瞪羚优化器进行超参数调优	仅使用Pima印度糖尿病数据集，样本规模有限，未在更广泛或多样化的数据集上验证	提高糖尿病预测的准确性和诊断效率	糖尿病患者的医疗数据	机器学习	糖尿病	深度学习	CNN, Bi-LSTM	结构化医疗数据	Pima印度糖尿病数据集（具体样本数未明确）	NA	CNN, Bi-LSTM	准确率, 精确率, 召回率, F1分数	NA
2	2026-02-06	SERS-based deep learning approach for early detection of gestational diabetes mellitus 2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127472 PMID:41547262	研究论文	本研究提出了一种结合表面增强拉曼光谱（SERS）与深度学习的新策略，用于妊娠期糖尿病（GDM）的早期快速筛查	首次将SERS技术与融合PCA-CNN的深度学习模型相结合，用于GDM的早期诊断，实现了高精度、快速且样本需求量小的检测	未明确说明研究样本的具体来源、多样性或潜在的批次效应，也未提及模型在外部验证集上的泛化性能	开发一种快速、准确且临床适用的早期妊娠期糖尿病筛查方法	孕妇血清样本	机器学习	妊娠期糖尿病	表面增强拉曼光谱（SERS），基于银纳米颗粒（Ag NPs）的基底	CNN	光谱数据（一维SERS光谱）	未在摘要中明确说明具体样本数量	NA	融合PCA-CNN模型（主成分分析结合一维卷积神经网络）	准确率，灵敏度，特异性	NA
3	2026-02-06	A research on applying the diffusion model algorithm for Infrared and Raman spectroscopy data augmentation to improve the accuracy of diseases 2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127466 PMID:41558273	研究论文	本研究提出了一种基于扩散模型的光谱数据生成方法，用于增强红外和拉曼光谱数据，以提高疾病诊断的准确性	通过分别编码时间和类别标签信息，并结合多头注意力机制，在多尺度上提取光谱的整体形态和局部细微特征，在反向重建阶段基于隐式建模估计噪声分布，并利用交叉注意力在不同标签下生成不同类别的光谱，实现了条件约束下的精确去噪和特征谱峰位置等信息的渐进重建	NA	克服光谱数据样本量有限、噪声干扰和设备变异性等挑战，提高深度学习模型在疾病诊断中的泛化性能和准确性	甲状腺疾病和系统性红斑狼疮（SLE）的红外和拉曼光谱数据	机器学习	甲状腺癌, 系统性红斑狼疮	红外光谱, 拉曼光谱	扩散模型	光谱数据	NA	NA	EfficientNet, MLP, Transformer	皮尔逊相关系数, 准确率	NA
4	2026-02-06	Passive data do not improve prediction or detection of alcohol consumption beyond temporal patterns in major depression: A 90-day cross-validated study 2026-Apr, Addictive behaviors IF:3.7Q1 DOI:10.1016/j.addbeh.2026.108624 PMID:41610630	研究论文	本研究探讨了利用被动收集数据（如加速度计、心率、呼吸频率、屏幕使用和GPS数据）通过深度学习模型预测或检测重度抑郁症患者酒精使用的效果	首次在重度抑郁症患者中，结合被动收集的多模态数据，评估深度学习模型对酒精使用的预测能力，并对比了时间模式基线	模型性能与仅使用星期几作为预测因子的基线模型相当，表明被动数据的附加价值有限，且样本仅来自特定抑郁症研究队列	评估被动数据在预测或检测重度抑郁症患者酒精使用方面的有效性	300名临床诊断为重度抑郁症的个体	机器学习	重度抑郁症	被动数据收集（加速度计、心率、呼吸频率、屏幕使用、GPS）	深度学习模型	时间序列传感器数据	300名重度抑郁症患者，为期90天的纵向研究	未明确指定	未明确指定	AUC	未明确指定
5	2026-02-06	Causality-Driven Convolutional Manifold Attention Network for Electroencephalogram Signal Decoding 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3625631 PMID:41144414	研究论文	本研究提出了一种因果驱动的卷积流形注意力网络（CD-CMAN），用于从脑电图（EEG）信号中学习不变表示，以增强模型在分布外（OOD）场景下的泛化能力	结合结构因果模型、黎曼几何和深度学习的优势，设计了具有流形注意力单元的双潜在编码器，将时空特征图显式分离为语义和变异潜在因子，并引入HSIC准则、变分信息瓶颈和梯度反转层来增强因子的独立性和解耦	论文未明确提及模型的计算复杂度、在更大规模或更多样化数据集上的泛化能力，以及在实际BCI应用场景中的实时性能限制	解决基于深度学习的脑机接口（BCI）方法在独立同分布假设下对分布外（OOD）场景泛化能力不足的问题	脑电图（EEG）信号	机器学习	NA	脑电图（EEG）信号处理	深度学习网络	时序信号数据	基于两个公共数据集进行评估，具体样本数量未在摘要中说明	NA	因果驱动的卷积流形注意力网络（CD-CMAN），包含时空卷积模块、双潜在编码器（含流形注意力单元）、重建模块	在主体依赖和主体独立设置下与基线模型进行比较，具体评估指标未在摘要中明确列出	NA
6	2026-02-06	A Gravity-Informed Spatiotemporal Transformer for Human Activity Intensity Prediction 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3625859 PMID:41150240	研究论文	提出一种融合物理定律的深度学习框架Gravityformer，用于预测人类活动强度	首次将万有引力定律融入Transformer注意力机制，以物理约束优化空间交互建模，并提出了并行时空图卷积Transformer架构	未明确说明模型在极端稀疏数据或非常规城市结构中的泛化能力	提升人类活动强度预测的准确性与可解释性	人类时空活动数据	机器学习	NA	深度学习	Transformer, 图卷积网络	时空序列数据	六个大规模真实世界活动数据集	NA	Gravityformer（基于Transformer与图卷积的混合架构）	定量评估指标（具体未列明）	NA
7	2026-02-06	Joint Sparse Optical Flow Estimation and Keypoint Detection via Dual-task Imperative Learning 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3627192 PMID:41171660	研究论文	提出一种新颖的双任务强制学习框架，联合优化稀疏光流估计与自适应关键点检测，以解决深度学习光流方法在可解释性、泛化能力和部署效率方面的挑战	采用双任务强制学习框架，结合期望最大化（EM）范式和高斯-牛顿推理引擎，实现稀疏光流估计与关键点检测的协同优化，在超紧凑模型参数下提升性能	仅使用200个训练图像对进行训练，可能限制模型在更大规模或更复杂场景下的泛化能力	解决深度学习光流估计在可解释性、泛化能力和部署效率方面的局限性，特别是在视觉里程计等需要稀疏点跟踪的应用中	稀疏光流估计和关键点检测任务	计算机视觉	NA	深度学习	CNN	图像	200个训练图像对	NA	NA	端点误差, F1-all, 视觉里程计轨迹精度	NA
8	2026-02-06	Revisiting Transformation Invariant Geometric Deep Learning: An Initial Representation Perspective 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3626735 PMID:41171655	研究论文	本文提出了一种名为TinvNet的简单通用插件，通过设计变换不变且保持距离的初始点表示，为几何数据（如点云和图）实现变换不变性	研究发现变换不变且保持距离的初始点表示足以实现变换不变性，无需复杂的神经层设计，从而提出了一种简单通用的插件方法TinvNet	未在摘要中明确说明	研究几何深度学习中的变换不变性问题，旨在设计能够保持对平移、旋转、缩放等变换不变性的模型	几何数据，包括点云和图	机器学习	NA	NA	图神经网络（GNN），变换不变神经网络（TinvNet）	点云，图	NA	NA	NA	NA	NA
9	2026-02-06	OoDBench+: Quantifying and Understanding Two Dimensions of Out-of-Distribution Generalization 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3628027 PMID:41182941	研究论文	本文提出并量化了两种分布偏移类型（多样性偏移和相关性偏移），以评估和提升深度学习模型在分布外泛化任务中的性能	首次形式化定义并量化了分布外泛化中的多样性偏移和相关性偏移，并证明了算法性能受这两种偏移的上界限制	研究主要基于分类和目标检测数据集，可能未覆盖所有类型的分布偏移场景	深入理解分布外泛化问题中的两种关键分布偏移类型，并建立量化评估基准	深度学习模型在分布外数据上的泛化能力	机器学习	NA	NA	NA	图像数据	NA	NA	NA	NA	NA
10	2026-02-06	Criteria for Keratoconus Progression: A Systematic Review of Diagnostic Test Accuracy 2026-Mar-01, Cornea IF:1.9Q2 DOI:10.1097/ICO.0000000000004020 PMID:41247279	系统综述	本文系统综述了用于定义圆锥角膜进展的诊断标准准确性	首次系统评估了多种圆锥角膜进展诊断标准的准确性，并比较了复合指标与单点测量的性能	纳入研究数量有限（15项），且主要为回顾性研究，可能存在偏倚风险	评估用于定义圆锥角膜进展的诊断标准的准确性	圆锥角膜患者	NA	圆锥角膜	NA	NA	NA	3547只眼睛（来自2654名患者）	NA	NA	灵敏度, 特异度, 诊断比值比	NA
11	2026-02-06	Demystifying Higher-Order Graph Neural Networks 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3637114 PMID:41289127	研究论文	本文设计了一个高阶图神经网络（HOGNNs）的深入分类法和蓝图，以分析、比较现有模型，并提供选择指南和研究挑战	提出了首个针对高阶图神经网络的综合分类法和蓝图，帮助设计高性能模型并指导模型选择	分类法可能无法覆盖未来所有新兴HOGNN架构，且分析基于现有模型，未进行大规模实证验证	分析和比较高阶图神经网络模型，为特定场景选择最合适的模型提供指导	高阶图神经网络（HOGNNs）及相关拓扑深度学习架构	机器学习	NA	NA	GNN, HOGNN	图数据	NA	NA	NA	NA	NA
12	2026-02-06	Deep Learning With Data Privacy via Residual Perturbation 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3637239 PMID:41296949	研究论文	本文提出了一种基于随机微分方程的残差扰动方法，用于在深度学习中保护数据隐私	通过向ResNet的每个残差映射注入高斯噪声，该方法在保证差分隐私的同时，减少了泛化差距，并在计算效率和效用维护上优于现有的差分隐私随机梯度下降方法	NA	研究在深度学习中保护数据隐私的方法，旨在减少隐私保护机制对模型效用和计算效率的负面影响	深度学习模型，特别是ResNet架构	机器学习	NA	随机微分方程，高斯噪声注入	ResNet	NA	NA	NA	ResNet	NA	NA
13	2026-02-06	Deep Tabular Representation Corrector 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3637810 PMID:41308107	研究论文	提出一种名为TRC的深度表格表示校正器，用于在不修改原始模型参数的情况下增强任何已训练深度表格模型的表示能力	提出模型无关的表示校正方法，通过表格表示重估计和表格空间映射两个任务联合优化，解决了表示偏移和表示冗余问题	未在论文摘要中明确说明	提升深度表格机器学习模型的表示能力	表格数据	机器学习	NA	深度学习方法	Transformer, ResNet	表格数据	NA	NA	Transformer, ResNet	NA	NA
14	2026-02-06	Physics-Driven Neural Compensation for Electrical Impedance Tomography 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3639647 PMID:41336161	研究论文	提出了一种名为PhyNC的无监督深度学习框架，用于解决电阻抗断层扫描中的逆问题病态性和灵敏度分布不均问题	结合EIT物理原理，通过动态分配神经表示能力到低灵敏度区域，实现准确且平衡的电导率重建	未明确提及具体限制，但暗示传统方法忽略灵敏度变化，而监督深度学习方法需要大量数据且泛化能力不足	解决电阻抗断层扫描中的逆问题病态性和空间变化灵敏度分布挑战，提升重建精度和鲁棒性	电阻抗断层扫描图像重建	医学影像	NA	电阻抗断层扫描	深度学习	模拟数据和实验数据	NA	NA	NA	细节保留和伪影抵抗能力	NA
15	2026-02-06	Semantic Correspondence: Unified Benchmarking and a Strong Baseline 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3640429 PMID:41343305	综述	本文首次对语义对应任务进行了全面的综述，提出了分类法、分析了现有方法、汇总了基准测试结果，并提出了一个新的强基线模型	首次对语义对应任务进行系统性综述，提出了统一的分类法，汇总了跨多个基准的对比结果，并通过控制实验深入分析了不同方法的组件，最后提出了一个简单有效的强基线模型	作为综述文章，主要依赖现有文献进行分析，未提出全新的算法框架	对计算机视觉中的语义对应任务进行全面综述和基准分析	语义对应匹配方法	计算机视觉	NA	NA	NA	图像	NA	NA	NA	NA	NA
16	2026-02-06	Comparative Analysis of Deep Learning-Based Algorithms for Peptide Structure Prediction 2026-Mar, Proteins IF:3.2Q2 DOI:10.1002/prot.70049 PMID:41047732	研究论文	本研究比较了AlphaFold2、RoseTTAFold2和ESMFold等深度学习算法在肽三维结构预测中的性能	首次系统性地将最新的深度学习蛋白质结构预测方法应用于肽结构预测，并识别了影响预测质量的结构特征	所有方法在肽结构预测上的整体性能低于蛋白质结构预测，且某些情况下生成的肽结构需谨慎使用	评估深度学习算法在肽三维结构预测中的有效性，并比较不同方法的性能	肽的三维结构预测	机器学习	NA	深度学习	深度学习模型	蛋白质序列数据	NA	NA	AlphaFold2, RoseTTAFold2, ESMFold	预测准确性	NA
17	2026-02-06	A Comprehensive Survey on Evidential Deep Learning and its Applications 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3625258 PMID:41134959	综述	本文全面综述了证据深度学习（EDL）的理论基础、研究进展及其在多个机器学习范式与下游任务中的应用	提出了一种新的不确定性估计范式——证据深度学习，它能在单次前向传播中以最小计算开销提供高质量的不确定性估计，解决了传统方法（如深度集成或贝叶斯神经网络）计算开销大的问题	NA	综述证据深度学习（EDL）的研究现状，为读者提供该领域的广泛介绍，并展望其未来发展方向	证据深度学习（EDL）的理论、方法及其应用	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
18	2026-02-06	Association of echocardiographic findings with mortality: human assessment vs. automated deep learning analysis 2026-Mar, European heart journal. Digital health DOI:10.1093/ehjdh/ztaf148 PMID:41640420	研究论文	本研究比较了基于AI的超声心动图分析与人类专家解读在预测住院患者一年死亡率方面的表现	首次在真实世界环境中，将商业AI软件（Us2.ai）的超声心动图分析与人类专家解读进行对比，并评估它们与临床结局（一年死亡率）的关联性，特别是发现结合自动左心室应变分析后，AI模型在预测死亡率上优于人类分析	研究为回顾性设计，样本量相对有限（731名患者），且仅使用单一商业AI软件，可能限制结果的普适性	评估AI与人类专家在超声心动图分析上的相关性，并比较它们在预测一年死亡率方面的性能	住院患者（731名，平均年龄68±16岁，46%女性）的超声心动图数据	数字病理学	心血管疾病	超声心动图成像	深度学习	图像	731名住院患者的超声心动图数据	NA	NA	AUC	NA
19	2026-02-06	Convolutional Graph Isomorphism Network to Detect Glaucomatous Visual Field Defects 2026-Mar, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.101041 PMID:41641113	研究论文	本研究开发了一种基于图同构网络（GIN）的深度学习模型，用于检测青光眼性视野缺损，并在标准自动视野检查数据上评估其性能	首次将图同构网络（GIN）应用于青光眼视野缺损检测，通过将视野数据建模为图结构并整合空间关系，实现了优于传统诊断标准和常规神经网络模型的性能与可解释性	研究为横断面回顾性设计，样本量相对有限（1874次测试），且仅基于单一设备（Humphrey视野分析仪）的数据，可能影响模型的泛化能力	评估基于图同构网络的深度学习模型在检测青光眼性视野缺损方面的诊断性能，并与传统诊断标准及其他深度学习模型进行比较	来自676名患者1009只眼的1874次可靠标准自动视野检查测试	医学图像分析	青光眼	标准自动视野检查（SAP）	图同构网络（GIN），密集神经网络（NN），卷积神经网络（CNN）	图结构数据（节点特征包括敏感度、总偏差和模式偏差值）	1874次标准自动视野检查测试	NA	图同构网络（GIN）	AUC，精确率-召回率曲线，95%特异性下的敏感度，F1分数，可重复性，模型可解释性	NA
20	2026-02-06	Development and application of an instrument for microstructure matrix inclusion distribution analysis in oversized metallic materials 2026-Feb-20, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114620 PMID:41630922	研究论文	本研究开发了一种用于超大金属材料中微观结构基体夹杂物分布分析的自动化检测系统	集成高精度CNC平台、多单元显微成像、激光光谱和基于YOLOv11的深度学习模型，实现了米级样品的全区域快速扫描，检测效率比传统方法提高20倍以上	未明确说明系统对不同金属材料类型的适用性限制	解决洁净钢生产中夹杂物分析的迫切需求，开发自动化检测系统	超大金属材料（汽车板材样品）中的微观结构夹杂物	计算机视觉	NA	CNC平台控制、显微成像、激光光谱分析、深度学习	CNN	图像	汽车板材样品（具体数量未明确），共分析533,041个夹杂物	NA	YOLOv11	检测效率（与传统方法对比）	NA