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
1461	2026-02-08	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的通用插件方法，通过设计变换不变且保持距离的初始点表示，来实现几何深度学习的变换不变性，而无需复杂的网络层设计	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，并提出了一种简单通用的插件方法TinvNet，该方法可与现有神经网络结合，严格保证变换不变性	未明确说明方法在极端变换或噪声数据下的鲁棒性，也未讨论计算复杂度相对于传统方法的详细对比	研究如何使深度神经网络在处理几何数据（如点云和图）时保持对平移、旋转、缩放等变换的不变性	几何数据，包括点云和图	机器学习	NA	NA	图神经网络, 深度神经网络	点云, 图数据	NA	NA	TinvNet	NA	NA
1462	2026-02-08	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），用于评估和理解OoD泛化算法的性能	识别并形式化定义了两种普遍存在的分布偏移类型，证明了OoD算法性能受其上限约束，并将不同研究领域的OoD数据集和算法整合到一个统一框架中	未在论文摘要中明确说明具体限制	量化并理解OoD泛化中的两种分布偏移维度，为未来研究提供基础	OoD泛化算法及其在分类和目标检测数据集上的性能	机器学习	NA	NA	NA	图像数据（基于分类和目标检测任务推断）	NA	NA	NA	NA	NA
1463	2026-02-08	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（DL）中保护数据隐私，通过向ResNets的每个残差映射注入高斯噪声来实现	提出了一种新颖的残差扰动机制，该机制在保证差分隐私（DP）的同时，减少了深度学习的泛化差距，并在计算效率和效用维护方面优于现有的差分隐私随机梯度下降（DPSGD）方法	未明确提及具体局限性，但可能涉及噪声注入对模型性能的潜在影响或在不同网络架构中的适用性	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带来的效用损失和计算开销	深度学习模型，特别是ResNets（残差网络）	机器学习	NA	随机微分方程，高斯噪声注入	ResNet	NA	NA	NA	ResNet	效用维护，泛化差距	NA
1464	2026-02-08	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	提出了一种名为TRC的深度表格表示校正器，用于增强已训练的深度表格模型的表示，而无需修改其参数	引入了一种模型无关的表示校正方法，通过两个任务（表格表示重估计和表格空间映射）来缓解表示偏移和冗余，提高预测性能	NA	提升深度表格机器学习模型的表示质量	表格数据	机器学习	NA	NA	Transformer, ResNet	表格数据	NA	NA	Transformer, ResNet	NA	NA
1465	2026-02-08	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	提出一种名为PhyNC的无监督深度学习框架，用于解决电阻抗断层成像中的逆问题不适定性和灵敏度分布不均的挑战	结合EIT的物理原理，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	未明确提及具体局限性	提升电阻抗断层成像的重建精度和鲁棒性，特别是在低灵敏度区域	电阻抗断层成像的逆问题与灵敏度分布	医学成像	NA	电阻抗断层成像	深度学习	模拟数据与实验数据	NA	NA	NA	细节保留与伪影抵抗能力	NA
1466	2026-02-08	The development of an image processing model to estimate tooth width and space requirements 2026-Mar, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2026.106330 PMID:41491146	研究论文	本研究开发并测试了一种基于AI的工具，用于测量牙齿宽度和牙列拥挤度	首次开发了一种基于AI的工具，能够从STL文件中自动计算牙齿的近远中宽度，并验证了其与人类评估者的一致性	研究仅基于单一正畸医生的患者数据，且样本量有限（245名患者），未来需扩大数据集并纳入更多参数如牙弓平整度	开发并验证一种AI工具，以提高正畸治疗中牙齿宽度测量和空间需求评估的效率和准确性	245名在专科正畸诊所完成治疗的患者的前后治疗石膏研究模型	计算机视觉	正畸疾病	立体光刻（STL）扫描	深度学习模型	三维图像（STL文件）	245名患者的石膏模型，其中12组预处理模型作为测试数据	NA	NA	组内相关系数（ICC），平均绝对差异（毫米）	NA
1467	2026-02-08	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的相关性，并评估了它们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，并纳入自动左心室应变分析以提升死亡率预测性能	研究为回顾性设计，样本量相对有限（731例），且仅使用单一商业AI软件，可能影响结果的普适性	评估AI与人类专家在超声心动图分析中的相关性，并比较它们在预测临床结局（一年死亡率）方面的效能	住院患者（共889例，其中731例纳入分析，平均年龄68±16岁，46%为女性）的临床超声心动图检查	数字病理学	心血管疾病	超声心动图成像	深度学习模型	图像	731例住院患者的超声心动图数据	NA	NA	AUC	NA
1468	2026-02-08	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	本研究评估了一种基于图同构网络（GIN）的深度学习模型在检测青光眼视野缺损方面的性能，并与传统诊断标准、密集神经网络和卷积神经网络模型进行比较	首次将标准自动视野检查（SAP）数据建模为图结构，利用图同构网络（GIN）捕捉测试点间的空间关系，从而在青光眼视野缺损检测中实现更优的诊断性能和可解释性	研究为横断面回顾性设计，可能受限于数据选择和潜在偏差；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	评估图同构网络（GIN）在检测青光眼视野缺损中的诊断性能，并与传统方法和现有深度学习模型进行对比	来自676名患者1009只眼的1874次可靠标准自动视野检查（SAP）测试	机器学习	青光眼	标准自动视野检查（SAP）	GIN, CNN, 密集神经网络	图数据（节点特征包括敏感度、总偏差和模式偏差值）	1874次SAP测试（来自1009只眼，676名患者）	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
1469	2026-02-07	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），用于从脑电图信号中学习不变表征，以增强分布外泛化能力	结合结构因果模型、黎曼几何和深度学习的优势，通过双潜在编码器和流形注意力单元显式分离时空特征为语义和变异潜在因子，并引入HSIC准则确保其统计独立性	未明确说明模型在更复杂或噪声更大的现实场景中的鲁棒性，以及计算复杂度可能较高	提升脑机接口技术在分布外场景下的泛化能力	脑电图信号	机器学习	NA	脑电图信号处理	CNN, 注意力机制	时序信号	基于两个公共数据集，未明确具体样本数量	NA	因果驱动卷积流形注意力网络	NA	NA
1470	2026-02-07	Engineering strategies for microbial synthesis, customized modification, and application of hemoglobin 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2025.108752 PMID:41242508	综述	本文综述了血红蛋白的微生物合成、定制化功能修饰及其在多个领域的应用策略	强调利用人工智能算法定制血红蛋白功能修饰，并整合Pareto最优、迭代生物工程框架、深度学习和合成生物学等先进技术以加速其合成与应用	NA	探讨血红蛋白微生物合成的关键挑战与解决方案，并概述其在医学和生物技术等领域的应用前景	血红蛋白的合成、修饰与应用	合成生物学	NA	微生物合成、人工智能算法、深度学习、合成生物学	NA	NA	NA	NA	NA	NA	NA
1471	2026-02-07	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	本文设计了一种高阶图神经网络（HOGNNs）的深度分类法和蓝图，以分析和比较现有模型，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深度分类法和蓝图，帮助设计高性能模型并系统分析比较现有方法	NA	分析和比较高阶图神经网络模型，提供选择指南和未来研究方向	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	图数据	NA	NA	NA	NA	NA
1472	2026-02-07	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与分析，提出了分类法、统一了基准比较，并提出了一个简单有效的强基线方法	提出了首个语义对应方法的广泛综述，建立了统一的分类法和基准比较表，并通过控制实验深入分析了不同方法组件的有效性，同时提出了一个在多个基准上达到最先进性能的简单强基线	NA	对计算机视觉中的语义对应任务进行全面回顾、分析和基准统一，并为未来研究提供参考和基线	语义对应方法	计算机视觉	NA	深度学习	NA	图像	NA	NA	NA	NA	NA
1473	2026-02-07	From traditional to AI-driven: The evolution of intelligent enzyme engineering for biocatalysis 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2025.108788 PMID:41443357	综述	本文综述了酶工程从传统方法到AI驱动方法的演变，重点介绍了机器学习与深度学习在酶工程策略中的应用	总结了机器学习与深度学习在酶工程中的最新应用，并展望了未来多模态基础模型与标准化数据库的发展方向	存在力场精度限制、突变采样约束、实验通量限制以及上位效应等挑战	探讨酶工程的发展历程及其在生物催化中的应用，并分析AI技术如何提升酶工程效率	酶工程策略，包括定向进化、理性/半理性设计、残基共进化及从头设计	机器学习	NA	机器学习，深度学习	NA	序列数据，结构数据	NA	NA	NA	NA	NA
1474	2026-02-07	Geometric deep learning assists protein engineering. Opportunities and Challenges 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2025.108790 PMID:41456696	综述	本文全面评述了几何深度学习在蛋白质工程中的应用、机遇与挑战	整合几何深度学习于蛋白质计算设计工作流，克服传统方法在序列空间探索和实验验证成本上的限制，强调其在可解释性和泛化性方面的增强	NA	为计算方法和实验蛋白质工程师提供指导，促进算法概念与实用设计考虑的结合	蛋白质工程	机器学习	NA	几何深度学习	NA	非欧几里得域数据（空间、拓扑、物理化学特征）	NA	NA	NA	NA	NA
1475	2026-02-07	Decoding polyphenol-protein interactions with deep learning: From molecular mechanisms to food applications 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108803 PMID:41544721	综述	本文探讨了深度学习如何重塑多酚-蛋白质相互作用的研究，从分子机制到食品应用	利用深度学习高效预测结合位点、相互作用亲和力和分子动力学，克服传统实验和计算方法的可扩展性、通量和可重复性限制	深度学习的有效性受限于数据可用性、质量和代表性，特别是在天然产物领域	研究深度学习在多酚-蛋白质相互作用分析中的应用，以加速营养科学和治疗开发	多酚和蛋白质及其相互作用	机器学习	NA	深度学习	NA	高维生物信息学和化学信息学数据	NA	NA	NA	NA	NA
1476	2026-02-07	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、最新进展及其在机器学习和下游任务中的广泛应用	提出了证据深度学习（EDL）这一新范式，能够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	NA	为读者提供对证据深度学习（EDL）领域的广泛介绍，无需先验知识	证据深度学习（EDL）的理论、方法及应用	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
1477	2026-02-05	Xception Convolutional Deep Maxout Network for Enhanced Breast Cancer Classification Using Histopathological Images 2026-Mar, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.70088 PMID:41147717	研究论文	本文提出了一种结合Xception卷积神经网络、深度最大输出网络和分数阶微积分的混合模型，用于基于组织病理学图像的乳腺癌分类	开发了Xception卷积深度最大输出网络（Xcov-DMN），该网络融合了深度最大输出网络、分数阶微积分和Xception卷积神经网络，以解决高分辨率图像中关键特征提取的困难并减少过拟合	未明确说明模型在外部验证集上的泛化能力或计算效率的具体评估	提高乳腺癌分类的准确性和精确性，以支持及时检测和治疗	乳腺癌组织病理学图像	数字病理学	乳腺癌	组织病理学成像	CNN	图像	NA	NA	Xception Convolutional Neural Network, Deep Maxout Network	准确率, 真阴性率, 真阳性率	NA
1478	2026-02-05	Detection of Lymph Node Metastasis in Thyroid Cancer Using Deep Learning and Second Harmonic Generation Imaging 2026-Mar, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.70082 PMID:41051062	研究论文	本研究提出了一种结合二次谐波成像与深度学习的自动化框架，用于甲状腺癌淋巴结转移的检测	首次将二次谐波成像技术与深度学习结合，构建了自动化的甲状腺癌淋巴结转移分类网络，并整合了病理信息与胶原特征	未提及外部验证集或临床前瞻性研究的应用，可能限制其泛化能力	开发一种自动化、定量的甲状腺癌淋巴结转移检测方法	甲状腺癌（特别是乳头状甲状腺癌）的淋巴结转移	数字病理	甲状腺癌	二次谐波成像	深度学习	图像	NA	NA	Pyramid Vision Transformer v2, 多层感知机	ROC曲线下面积	NA
1479	2026-02-03	Dysmorphic neurons express markers of inhibitory glycinergic signaling in focal cortical dysplasia IIb 2026-Mar, Brain pathology (Zurich, Switzerland) DOI:10.1111/bpa.70043 PMID:40957662	研究论文	本研究利用深度学习技术对局灶性皮质发育不良IIb型进行解剖学映射，并结合空间转录组学分析，揭示了畸形神经元中非经典信号通路和神经递质通路的标记物	首次结合深度学习和空间转录组学，对FCD IIb型进行客观解剖学映射和分子特征分析，发现了畸形神经元中新的信号通路标记物	NA	研究局灶性皮质发育不良IIb型中畸形神经元的分子特征，以寻找新的治疗靶点	局灶性皮质发育不良IIb型中的巨细胞畸形神经元	数字病理学	癫痫	空间转录组学	深度学习	图像, 转录组数据	NA	NA	NA	NA	NA
1480	2026-02-03	Deep learning-enhanced 3D imaging unveils semaglutide impact on cardiac fibrosis 2026-Mar, British journal of pharmacology IF:6.8Q1 DOI:10.1111/bph.70217 PMID:41121520	研究论文	本研究开发了一种结合三维光片荧光显微镜和深度学习的心脏纤维化量化方法，并用于评估GLP-1R激动剂司美格鲁肽在HFpEF小鼠模型中的抗纤维化疗效	开发了首个结合荧光胶原标记、组织透明化、三维光片荧光显微镜和深度学习的高通量全心脏成像平台，实现了微米分辨率的心脏纤维化区域异质性量化	研究仅在小鼠模型中进行，未在人类样本中验证；司美格鲁肽对替代性纤维化无显著影响	开发心脏纤维化的三维成像与深度学习量化方法，并评估GLP-1R激动剂的抗纤维化疗效	db/db UNx-ReninAAV小鼠模型（表现为糖尿病、肾衰竭、肥胖和高血压）	数字病理学	心血管疾病	荧光胶原标记、组织透明化、三维光片荧光显微镜	深度学习	三维图像	未明确样本数量，但分析了17个左心室节段	NA	NA	NA	NA