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
5541	2025-04-06	A compact deep learning approach integrating depthwise convolutions and spatial attention for plant disease classification 2025-Apr-02, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01325-4 PMID:40176127	研究论文	提出一种轻量级深度学习模型LWDSC-SA，用于植物病害分类，结合深度可分离卷积和空间注意力机制以提高特征提取能力并保持计算效率	整合空间注意力和深度可分离卷积，提升模型在资源受限环境中的部署能力，同时在PlantVillage数据集上达到98.7%的准确率	模型仅在PlantVillage数据集上进行测试，未在其他多样化的真实农业场景中验证	开发高效轻量的植物病害分类模型以支持农业生产力	14种植物物种的叶片病害图像	计算机视觉	植物病害	深度学习	LWDSC-SA（深度可分离卷积与空间注意力结合的轻量模型）	图像	55,000张图像（涵盖38个病害类别）
5542	2025-04-06	Global Clue-Guided Cross-Memory Quaternion Transformer Network for Multisource Remote Sensing Data Classification 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3406735 PMID:38875091	研究论文	提出一种名为GCCQTNet的多模态联合分类框架，用于多源遥感数据分类	设计了独立挤压扩展式融合结构和跨记忆四元数变换器结构，以克服多模态数据的异质性并探索其互补性	未明确提及具体局限性	解决多源遥感数据分类中的异质性问题并探索其互补性	多源遥感数据（高光谱图像HSI、合成孔径雷达SAR和激光雷达LiDAR）	计算机视觉	NA	深度学习	Transformer	遥感图像	三个公开的多源遥感数据集
5543	2025-04-06	Leveraging Unsupervised Data and Domain Adaptation for Deep Regression in Low-Cost Sensor Calibration 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3409364 PMID:38889022	研究论文	本文提出了一种利用无监督数据和领域自适应技术进行深度回归的方法，用于低成本传感器的校准	将传感器校准任务转化为半监督领域自适应问题，并提出了新的解决方案，包括使用直方图损失对抗协变量偏移和样本加权处理标签差距	NA	提高低成本空气质量传感器的校准精度	低成本空气质量传感器	机器学习	NA	深度回归	NA	传感器数据	NA
5544	2025-04-06	Learning Disentangled Priors for Hyperspectral Anomaly Detection: A Coupling Model-Driven and Data-Driven Paradigm 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3401589 PMID:38833391	research paper	提出了一种结合模型驱动和数据驱动的方法，通过学习解耦先验（LDP）来提高高光谱异常检测的准确性	结合模型驱动的低秩表示方法和数据驱动的深度学习技术，通过学习解耦先验来捕获完整的先验知识	未提及具体局限性	提高高光谱图像中异常检测的准确性和泛化能力	高光谱图像中的背景和异常对象	computer vision	NA	低秩表示（LRR）和深度学习	deep unfolding architecture	hyperspectral images	多个广泛认可的数据集
5545	2025-04-06	Spectral Tensor Layers for Communication-Free Distributed Deep Learning 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3394861 PMID:38809740	研究论文	提出了一种用于无通信分布式深度学习的谱张量层	通过张量形式表示数据并替换传统神经网络中的矩阵乘积为张量乘积，实现了无通信成本的分布式学习	NA	解决分布式深度学习中的通信成本问题	深度学习模型在分布式环境下的优化	机器学习	NA	谱张量网络	传统神经网络	图像	MNIST, CIFAR-10, ImageNet-1K, ImageNet-21K数据集
5546	2025-04-06	An Interpretable Adaptive Multiscale Attention Deep Neural Network for Tabular Data 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3392355 PMID:38748522	research paper	提出了一种名为自适应多尺度注意力深度神经网络的新技术，用于处理表格数据，以提高分类和回归任务的性能	通过并行多级特征加权，自适应多尺度注意力能够成功学习特征注意力，从而在七种不同分类任务和四种回归任务中实现高性能	与浅层学习技术相比，深度学习在表格结构化数据上的性能仍存在一定限制	提高表格数据在分类和回归任务中的性能	表格数据	machine learning	NA	adaptive multiscale attention deep neural network	deep neural network	tabular data	小、中、大和非常大的数据集
5547	2025-04-06	Deep Probabilistic Principal Component Analysis for Process Monitoring 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3386890 PMID:38652625	research paper	提出了一种新颖的深度概率主成分分析（DePPCA）模型，结合了概率建模和深度学习的优势，用于工业过程监控和故障检测	结合了概率建模和深度学习的优势，提出了DePPCA模型，具有分层深度结构和端到端微调阶段	未提及具体的数据集限制或模型在更广泛工业场景中的适用性	提高工业过程监控和故障检测的准确性和效率	工业过程监控和故障检测	machine learning	NA	probabilistic modeling, deep learning	DePPCA	process data	Tennessee Eastman (TE) process和multiphase flow (MPF) facility的数据
5548	2025-04-06	Covariate-Balancing-Aware Interpretable Deep Learning Models for Treatment Effect Estimation 2025-Apr, Statistics in biosciences IF:0.8Q4 DOI:10.1007/s12561-023-09394-6 PMID:40170916	research paper	本文提出了一种新的深度学习方法，用于在观察数据中估计处理效应，并提高了模型的可解释性	通过利用加权能量距离的特性，提出了一个更紧的平均处理效应（ATE）估计偏差上界，并设计了一个新的目标函数，不需要正确指定倾向得分模型	NA	提高观察数据中处理效应估计的准确性和可解释性	观察数据中的处理效应	machine learning	NA	深度学习方法	neural additive models	观察数据	使用了两个基准数据集（IHDP和ACIC）以及NHANES中关于吸烟对血镉水平影响的研究数据
5549	2025-04-06	On the Robustness of Bayesian Neural Networks to Adversarial Attacks 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3386642 PMID:38648123	research paper	本文分析了贝叶斯神经网络（BNNs）在过参数化极限下对抗攻击的几何特性，并证明了在该极限下BNNs对基于梯度的对抗攻击具有鲁棒性	揭示了在过参数化极限下，BNNs对基于梯度的对抗攻击的鲁棒性源于数据分布的退化性，并证明了BNN后验分布对这类攻击的鲁棒性	研究依赖于无限宽BNNs收敛到高斯过程的假设，且实验仅在MNIST、Fashion MNIST和一个合成数据集上进行	研究贝叶斯神经网络在对抗攻击下的鲁棒性	贝叶斯神经网络（BNNs）	machine learning	NA	Hamiltonian Monte Carlo, variational inference	Bayesian neural networks (BNNs), Gaussian processes (GPs)	image	MNIST, Fashion MNIST, 和一个合成数据集
5550	2025-04-06	General Hyperspectral Image Super-Resolution via Meta-Transfer Learning 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3387970 PMID:38648133	研究论文	提出了一种基于元迁移学习的通用高光谱图像超分辨率框架，以解决数据稀缺和高维度带来的挑战	通过元迁移学习随机采样不同光谱范围进行超分辨率任务，设计任务调度逐步扩展波段数量，并采用多融合特征的网络架构提升性能	未明确提及具体的数据集规模限制或计算资源需求	提升高光谱图像超分辨率的泛化能力和性能	高光谱图像	计算机视觉	NA	元迁移学习	MTL（元迁移学习框架）	高光谱图像	未明确提及具体样本数量，但使用了多个数据集
5551	2025-04-06	Dual-Channel Adaptive Scale Hypergraph Encoders With Cross-View Contrastive Learning for Knowledge Tracing 2025-Apr, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3386810 PMID:38652621	research paper	提出了一种名为HyperKT的新型知识追踪模型，通过双通道自适应尺度超图编码器和跨视图对比学习来捕捉学习者知识状态的多粒度特征	设计了自适应尺度超边蒸馏组件生成知识感知和模式感知超边，引入双通道超图编码器捕捉全局和局部知识状态，并采用跨视图对比学习机制增强监督信号	未提及具体限制	改进知识追踪任务，更准确地预测学习者未来表现	学习者的历史响应数据	natural language processing	NA	graph neural networks, contrastive learning	dual-channel hypergraph encoders (simplified hypergraph convolution network and collaborative hypergraph convolution network)	response data	三个真实世界数据集（未提供具体样本数量）
5552	2025-04-06	Applications of AI in Predicting Drug Responses for Type 2 Diabetes 2025-Mar-27, JMIR diabetes DOI:10.2196/66831 PMID:40146874	research paper	本文探讨了人工智能在预测2型糖尿病药物反应中的应用	利用AI技术（包括机器学习和深度学习）分析大规模数据集，以提高药物反应预测的准确性，并倾向于使用集成方法作为首选模型	未提及具体的数据集规模或模型性能的局限性	预测2型糖尿病患者对降糖药物的反应，以优化治疗方案和实现个性化医疗	2型糖尿病患者	machine learning	diabetes	machine learning, deep learning	ensemble methods	electronic health records, clinical trials, observational studies	NA
5553	2025-04-06	DeepTWA-TM: Deep Learning T-Wave Alternans Detection in Ambulatory ECG via Time Analysis 2025-Mar-26, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3553789 PMID:40138221	研究论文	本研究提出了一种名为DeepTWA-TM的深度学习方法，用于在动态心电图中通过时间分析检测T波交替（TWA）	该方法利用迁移学习和稳健的架构（如VGG、ResNet和Inception）直接从心电信号中检测TWA，无需先前的信号处理步骤（如R峰识别、T波分割或特征工程）	NA	开发一种非侵入性标记物，用于评估心源性猝死的风险	动态心电图中的T波交替（TWA）	机器学习	心血管疾病	深度学习	VGG, ResNet, Inception	心电信号	来自真实患者的自定义长期数据集，包含从不可见的微交替到20至100μV的高振幅TWA的TWA发作
5554	2025-04-06	A Survey of Deep Learning in Sports Applications: Perception, Comprehension, and Decision 2025-Mar-26, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2025.3554801 PMID:40138241	综述	本文全面综述了深度学习在体育应用中的算法、数据集、虚拟环境及挑战	系统梳理了深度学习在体育表现中的感知、理解和决策三个层次的应用，并总结了当前挑战与未来趋势	未涉及具体实验验证或新型算法开发	探讨深度学习在体育领域的应用现状与发展方向	体育表现中的感知、理解和决策	机器学习	NA	深度学习	NA	视频、传感器数据等	NA
5555	2025-04-06	Integrating Single-Molecule Sequencing and Deep Learning to Predict Haplotype-Specific 3D Chromatin Organization in a Mendelian Condition 2025-Mar-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.26.640261 PMID:40166185	research paper	该研究提出了一种结合单分子测序和深度学习的模型FiberFold，用于预测单倍型特异性的3D染色质组织	结合卷积神经网络和Transformer架构，利用长读长测序数据预测细胞类型和单倍型特异性的3D基因组组织	NA	研究3D基因组结构在基因调控和人类疾病中的作用	人类单倍型特异性3D染色质组织	machine learning	Mendelian disease	Fiber-seq, long-read sequencing	CNN, Transformer	multi-omic data	NA
5556	2025-04-06	Predicting Task Activation Maps from Resting-State Functional Connectivity using Deep Learning 2025-Mar-19, bioRxiv : the preprint server for biology DOI:10.1101/2024.09.10.612309 PMID:39314460	research paper	使用深度学习从静息态功能连接预测任务激活图	复制了最先进的深度学习模型BrainSurfCNN，并探索了两种新的架构改进方法：添加Squeeze-and-Excitation注意力机制（BrainSERF）和使用基于图神经网络的架构（BrainSurfGCN）	未提及具体局限性	推进深度学习在神经影像学中的应用	人脑连接组计划（HCP）中的静息态和任务fMRI数据	神经影像学	NA	深度学习，fMRI	BrainSurfCNN, BrainSERF, BrainSurfGCN	fMRI数据	未提及具体样本量
5557	2025-04-06	Predictions from Deep Learning Propose Substantial Protein-Carbohydrate Interplay 2025-Mar-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.07.641884 PMID:40161692	research paper	该研究开发了一种名为PiCAP的新型数据集和神经网络架构，用于预测蛋白质是否非共价结合碳水化合物，并开发了CAPSIF2模型预测与碳水化合物相互作用的蛋白质残基	开发了PiCAP和CAPSIF2两个新模型，分别用于预测蛋白质与碳水化合物的结合以及相互作用的残基，性能优于现有模型	研究基于已知碳水化合物结合蛋白的数据集，可能无法涵盖所有潜在的相互作用	预测蛋白质与碳水化合物的非共价结合及其相互作用位点	蛋白质和碳水化合物的相互作用	machine learning	NA	neural network	PiCAP, CAPSIF2	protein sequence data	已知碳水化合物结合蛋白的数据集及三个蛋白质组
5558	2025-04-06	Strategies to include prior knowledge in omics analysis with deep neural networks 2025-Mar-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101203 PMID:40182174	综述	本文探讨了在深度学习模型中整合先验知识以提高分子谱数据分析性能的策略	提出了三种利用先验知识指导深度学习模型处理分子谱数据的主要策略，并回顾了相关深度学习架构，包括图神经网络的新思想	未提及具体实施这些策略时的计算资源需求或实际应用中的潜在挑战	提高基于分子谱数据的表型预测性能	分子谱数据	机器学习	NA	高通量分子分析技术	深度学习模型，图神经网络(GNN)	分子谱数据	NA
5559	2025-04-06	GREEN: A lightweight architecture using learnable wavelets and Riemannian geometry for biomarker exploration with EEG signals 2025-Mar-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101182 PMID:40182177	研究论文	介绍了一种名为GREEN的轻量级神经网络架构，用于处理原始EEG数据，结合了小波变换和黎曼几何	GREEN结合了小波变换和黎曼几何，提供了一种轻量级且可解释的EEG信号处理方法，优于现有非深度学习和大型深度学习模型	未提及具体局限性	探索EEG信号中的生物标志物，并开发一种轻量级且可解释的神经网络架构	EEG信号	机器学习	NA	小波变换和黎曼几何	GREEN（Gabor Riemann EEGNet）	EEG信号	超过5,000名参与者的四个数据集
5560	2025-04-06	Minimizing Human-Induced Variability in Quantitative Angiography for Robust and Explainable AI-Based Occlusion Prediction 2025-Mar-13, ArXiv PMID:40160450	研究论文	本研究通过消除定量血管造影中的注射偏差，提高了深度神经网络对颅内动脉瘤闭塞预测的准确性和可解释性	提出了一种消除注射偏差的算法，并结合可解释AI（XAI）提高模型预测的可靠性和临床相关性	研究仅基于458名患者的血管造影数据，样本量可能不足以覆盖所有临床情况	提高颅内动脉瘤闭塞预测的准确性和模型的可解释性	接受流动转向器治疗的颅内动脉瘤患者	数字病理学	颅内动脉瘤	定量血管造影（QA）	深度神经网络（DNN）	血管造影图像	458名患者的血管造影数据