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
2721	2025-04-06	Physics-Informed Deep Learning for Musculoskeletal Modeling: Predicting Muscle Forces and Joint Kinematics From Surface EMG 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2022.3226860 PMID:37015568	研究论文	本文提出了一种基于物理信息的深度学习框架，用于肌肉骨骼建模，通过将物理知识作为软约束引入数据驱动模型，预测肌肉力和关节运动学	结合物理知识与深度学习，提出了一种新的肌肉骨骼建模框架，解决了传统物理模型速度慢和数据驱动模型无法反映神经力学过程的局限性	实验验证仅基于健康受试者的数据，未涉及功能受损患者	开发一种能够实时预测肌肉力和关节运动学的肌肉骨骼建模方法	肌肉力和关节运动学的预测	机器学习	NA	表面肌电图(sEMG)	CNN	生物信号数据	一个基准数据集和六名健康受试者的自收集数据集
2722	2025-04-06	Multiscale Convolutional Transformer for EEG Classification of Mental Imagery in Different Modalities 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2022.3229330 PMID:37015688	研究论文	提出了一种多尺度卷积Transformer模型，用于解码不同模态下的心理想象任务中的EEG信号分类	在空间、频谱和时间域上应用多头注意力机制，克服了现有EEG-based transformer模型仅关注时间域的局限性，并能够学习多种类型的神经表征	未明确提及具体局限性，但暗示现有BCI系统存在类别数量有限和分类性能低的问题	开发一个通用模型来学习各种类型的神经表征，提高脑机接口系统中EEG信号分类的准确性和多样性	基于运动想象、视觉想象和言语想象任务的EEG信号	脑机接口	NA	EEG源定位，多尺度卷积Transformer	Transformer，CNN	EEG信号	私有EEG数据集、BCI competition IV 2a数据集和亚利桑那州立大学数据集
2723	2025-04-06	Time-Division Multiplexing Light Field Display With Learned Coded Aperture 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2022.3203210 PMID:37015682	研究论文	本文提出了一种新颖的编码时分复用技术，用于解决传统立体显示中的视觉疲劳问题，并通过深度学习优化光场显示流程	首次使用深度学习优化光场显示流程，提出编码时分复用技术以解决传统立体显示的视觉疲劳问题	未提及具体样本量或实验规模，可能影响结果的普遍性	解决传统立体显示中的视觉疲劳问题，提高光场显示的质量	光场显示技术及其在立体显示中的应用	计算机视觉	NA	深度学习，傅里叶光学	深度学习模型（未具体说明）	光场数据	NA
2724	2025-04-06	SIR: Self-Supervised Image Rectification via Seeing the Same Scene From Multiple Different Lenses 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2022.3231087 PMID:37018554	research paper	提出了一种基于自监督学习的图像矫正方法SIR，通过从不同镜头观察同一场景来实现图像矫正	提出了一种新的自监督学习方案，无需真实失真参数或正常图像作为监督信号，通过多镜头一致性实现图像矫正	可能对特定失真模型的通用性有限，且缺乏对失真和矫正过程的显式建模	提高图像矫正模型在真实世界鱼眼图像上的泛化能力	失真图像及其矫正结果	computer vision	NA	自监督学习	共享编码器和多个预测头的网络架构	图像	合成数据集和真实世界鱼眼图像
2725	2025-04-06	TRNR: Task-Driven Image Rain and Noise Removal With a Few Images Based on Patch Analysis 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2022.3232943 PMID:37018333	research paper	提出了一种基于补丁分析的任务驱动图像去雨和去噪方法（TRNR），以减少对大型标注数据集的依赖	引入了补丁分析策略和N-frequency-K-shot学习任务，提高了图像利用率，使神经网络能在少量数据下有效学习	未明确提及具体限制，但实验仅基于少量图像（如Rain100H数据集的20%训练集）	减少深度学习模型对大型标注数据集的依赖，提高图像去雨和去噪的效率	图像去雨和去噪	computer vision	NA	patch analysis策略，N-frequency-K-shot学习任务	Multi-Scale Residual Network (MSResNet)	image	少量图像（如Rain100H数据集的20%训练集）
2726	2025-04-06	Detection of Brain Abnormalities in Parkinson's Rats by Combining Deep Learning and Motion Tracking 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3237916 PMID:37021880	研究论文	结合深度学习和运动追踪技术检测帕金森病大鼠的脑部异常	提出了一种端到端的CNN-BGRU深度学习模型，用于从3D坐标信息中提取时空信息并进行分类	研究仅使用了6-OHDA处理的大鼠模型，未涉及其他帕金森病动物模型或人类患者数据	开发一种新的临床检测帕金森综合征的方法	6-OHDA处理的帕金森病大鼠模型和健康大鼠	计算机视觉	帕金森病	三维运动捕捉技术	CNN-BGRU	3D坐标信息	未明确提及样本数量，仅提到病鼠和健康鼠
2727	2025-04-06	Schizo-Net: A novel Schizophrenia Diagnosis Framework Using Late Fusion Multimodal Deep Learning on Electroencephalogram-Based Brain Connectivity Indices 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3237375 PMID:37022027	研究论文	提出了一种基于多模态深度学习的晚期融合框架Schizo-Net，用于通过脑电图(EEG)的脑连接指数诊断精神分裂症	首次考虑大量脑连接指数用于精神分裂症诊断，并采用晚期融合多模态深度学习框架	NA	开发高准确度和可靠的精神分裂症诊断模型	精神分裂症患者和健康受试者的EEG数据	机器学习	精神分裂症	EEG信号处理和深度学习	多模态深度学习框架(六种不同架构)	EEG信号	NA
2728	2025-04-06	Interpretable Multi-Modal Image Registration Network Based on Disentangled Convolutional Sparse Coding 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3240024 PMID:37022244	研究论文	提出了一种基于解缠卷积稀疏编码的可解释多模态图像配准网络（InMIR-Net），用于解决多模态图像配准问题	首次将多模态图像配准问题建模为解缠卷积稀疏编码（DCSC）模型，并设计了一个伴随指导网络（AG-Net）来监督RA特征的提取	未提及具体的数据集规模限制或计算资源需求	提高多模态图像配准的准确性和效率，同时增强模型的可解释性	多模态图像，包括RGB/深度图像、RGB/近红外（NIR）图像、RGB/多光谱图像、T1/T2加权磁共振（MR）图像和CT/MR图像	计算机视觉	NA	解缠卷积稀疏编码（DCSC）	InMIR-Net, AG-Net	多模态图像	NA
2729	2025-04-06	Deep Face Video Inpainting via UV Mapping 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3240835 PMID:37022429	research paper	提出了一种基于UV映射的两阶段深度学习方法，用于面部视频修复	利用3DMM作为3D面部先验，在UV空间进行面部修复，减少姿势和表情变化的影响，并引入帧间注意力模块利用相邻帧的对应关系	未明确提及具体局限性	解决面部视频修复问题，特别是在大姿态和表情变化下的修复效果	面部视频	computer vision	NA	deep learning	CNN	video	未明确提及样本数量
2730	2025-04-06	Self-Supervised Learning for Label- Efficient Sleep Stage Classification: A Comprehensive Evaluation 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3245285 PMID:37022869	研究论文	本文评估了自监督学习在少量标签情况下提升睡眠阶段分类模型性能的效果	利用自监督学习解决睡眠阶段分类中标签稀缺问题，仅需5%的标签数据即可达到与全标签监督训练相当的性能	研究仅基于三个睡眠阶段分类数据集，可能无法覆盖所有实际应用场景	探索自监督学习在脑电信号睡眠阶段分类中的应用效果	脑电信号(EEG)睡眠阶段分类模型	机器学习	睡眠障碍	自监督学习(SSL)	深度学习模型	EEG信号	三个SSC数据集
2731	2025-04-06	A Model Combining Multi Branch Spectral-Temporal CNN, Efficient Channel Attention, and LightGBM for MI-BCI Classification 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3243992 PMID:37022898	研究论文	提出了一种结合多分支谱时CNN、高效通道注意力和LightGBM的模型，用于解码运动想象脑机接口任务	提出了一种新的端到端深度学习模型MBSTCNN-ECA-LightGBM，结合多分支CNN、高效通道注意力机制和LightGBM，显著提高了MI-BCI任务的解码准确率	未提及模型在不同噪声水平或不同受试者群体中的泛化能力	提高运动想象脑机接口任务的解码准确率	运动想象脑电图信号	脑机接口	NA	EEG信号处理	MBSTCNN-ECA-LightGBM（多分支谱时CNN、高效通道注意力机制、LightGBM）	脑电图信号	未明确提及具体样本数量，但使用了受试者内跨会话训练策略
2732	2025-04-06	MRCPs-and-ERS/D-Oscillations-Driven Deep Learning Models for Decoding Unimanual and Bimanual Movements 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3245617 PMID:37027527	研究论文	提出了一种基于运动相关皮层电位（MRCPs）和事件相关同步/去同步（ERS/D）振荡的深度学习模型，用于解码单侧和双侧手部运动意图	首次将MRCPs和ERS/D振荡融合到深度学习中，以提高多类别单侧和双侧手部运动解码的性能	未提及具体样本量或数据集的局限性	提高脑机接口（BCI）中单侧和双侧手部运动意图的解码性能	脑电图（EEG）信号中的单侧和双侧手部运动意图	脑机接口	神经系统疾病	EEG信号分析	CNN	EEG信号	NA
2733	2025-04-06	Toward Adversarial Robustness in Unlabeled Target Domains 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3242141 PMID:37022907	研究论文	本文提出了一种名为无监督跨域对抗训练（UCAT）的新框架，用于解决在未标记目标域中进行对抗训练的问题	UCAT框架通过利用标记源域的知识，结合自动选择的高质量伪标签和源域数据的判别性锚表示，有效防止对抗样本误导训练过程	未明确提及具体限制，但可能包括对源域和目标域之间分布差异的敏感性	提高深度学习模型在未标记目标域中对对抗攻击的鲁棒性	深度学习模型在跨域环境中的对抗训练	机器学习	NA	对抗训练（AT）	深度学习模型	未标记目标域数据和标记源域数据	四个公共基准数据集
2734	2025-04-06	Connections Between Deep Equilibrium and Sparse Representation Models With Application to Hyperspectral Image Denoising 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3245323 PMID:37027683	研究论文	本研究探讨了多维视觉数据的稀疏表示问题，提出了一种新的计算高效稀疏编码优化方法，并应用于高光谱图像去噪	结合可学习正则化技术与神经网络作为结构先验，开发了基于深度展开和深度均衡的算法，在稀疏表示理论与深度学习建模之间建立了桥梁	未明确提及具体的数据集规模限制或计算资源需求	解决多维视觉数据（如高光谱图像）的稀疏表示与去噪问题	多维视觉数据（高光谱图像、彩色图像或视频数据）	计算机视觉	NA	稀疏编码优化、深度学习建模	深度展开算法、深度均衡算法	图像（高光谱图像、彩色图像、视频数据）	未明确提及具体样本量
2735	2025-04-06	Integrated Multiscale Domain Adaptive YOLO 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3255106 PMID:37028346	研究论文	本文提出了一种新颖的多尺度域自适应YOLO框架（MS-DAYOLO），用于解决深度学习应用中的域偏移问题	引入了三种新颖的深度学习架构用于域适应网络（DAN），包括渐进特征缩减（PFR）、统一分类器（UC）和集成架构	NA	解决深度学习中的域偏移问题，提升目标检测性能	YOLOv4目标检测器	计算机视觉	NA	深度学习	YOLOv4, Faster R-CNN	图像	流行数据集（未具体说明数量）
2736	2025-04-06	MDTL: A Novel and Model-Agnostic Transfer Learning Strategy for Cross-Subject Motor Imagery BCI 2023, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2023.3259730 PMID:37030758	研究论文	提出了一种新颖且模型无关的迁移学习策略MDTL，用于跨被试运动想象脑机接口	MDTL策略利用多源域数据到目标域以及多源域之间的迁移，具有模型无关性，能快速部署于现有模型	未明确提及具体局限性	提升跨被试运动想象脑机接口的性能并减少准备时间	运动想象脑机接口系统	机器学习	NA	迁移学习	DeepConvNet, ShallowConvNet, EEGNet	EEG信号	两个公开的运动想象数据集（BCIC IV dataset 2a和Lee2019）
2737	2025-04-06	Tolerating Annotation Displacement in Dense Object Counting via Point Annotation Probability Map 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3331908 PMID:37971907	研究论文	本文提出了一种通过点标注概率图（PAPM）来容忍密集物体计数中标注位移的方法	利用广义高斯分布（GGD）函数构建学习目标点标注概率图（PAPM），以提高对标注位移的鲁棒性	手设计的PAPM方法可能对特定网络和数据集不是最优的	提高密集物体计数中对标注位移的鲁棒性	拥挤场景中的物体计数	计算机视觉	NA	广义高斯分布（GGD）	P2PNet	图像	NA
2738	2025-04-06	Deep learning and radiomics framework for PSMA-RADS classification of prostate cancer on PSMA PET 2022-Dec-29, EJNMMI research IF:3.1Q1 DOI:10.1186/s13550-022-00948-1 PMID:36580220	研究论文	开发了一个深度学习和放射组学框架，用于在PSMA PET图像上进行前列腺癌的PSMA-RADS分类	结合深度学习和放射组学方法，实现了病变级别和患者级别的PSMA-RADS分类，并提供了置信度和概率评分	研究为回顾性研究，样本来源单一	提高前列腺癌在PSMA PET图像上的分类准确性	前列腺癌患者的PSMA PET图像	数字病理学	前列腺癌	PET/CT扫描	深度学习	医学影像	267名男性患者的3794个病变
2739	2025-04-06	Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram 2021-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-021-01264-7 PMID:34711971	研究论文	介绍了一种名为Tangram的方法，用于将单细胞/单核RNA测序数据与空间数据对齐，以构建器官的生物图谱	Tangram方法能够将sc/snRNA-seq数据与多种空间数据形式对齐，包括MERFISH、STARmap、smFISH、Spatial Transcriptomics (Visium) 和组织学图像，并能处理多模态数据如SHARE-seq	虽然Tangram能够解决空间分辨率和基因通量的限制，但其在更广泛的组织类型和疾病模型中的应用仍需验证	构建器官的生物图谱，将单细胞转录组数据与解剖尺度关联	健康小鼠脑组织，特别是视觉和躯体运动区域	数字病理学	NA	sc/snRNA-seq, MERFISH, STARmap, smFISH, Spatial Transcriptomics (Visium), SHARE-seq	深度学习	单细胞转录组数据、空间数据、多模态数据	健康小鼠脑组织样本
2740	2025-04-06	Determination of disease severity in COVID-19 patients using deep learning in chest X-ray images 2021-Jan, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.5152/dir.2020.20205 PMID:32815519	研究论文	本研究利用深度学习技术分析COVID-19患者的胸部X光片，以确定疾病严重程度	首次在COVID-19急性爆发期间应用深度学习模型进行胸部X光片分析，并评估其与放射科医生解读的一致性	样本量较小（48名患者），且为单中心回顾性研究	探索COVID-19患者临床特征与胸部X光片表现之间的关联，并评估深度学习模型在急性爆发环境中的应用可行性	48名SARS-CoV-2 RT-PCR阳性患者（年龄60±17岁，15名女性）的65张胸部X光片	数字病理学	COVID-19	深度学习	深度学习模型（具体架构未说明）	胸部X光图像	48名患者（65张X光片）