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
7881	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
7882	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
7883	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
7884	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
7885	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
7886	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）
7887	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
7888	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
7889	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
7890	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
7891	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
7892	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
7893	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
7894	2025-04-06	MMFmiRLocEL: A multi-model fusion and ensemble learning approach for identifying miRNA subcellular localization using RNA structure language model 2025-Mar-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3548940 PMID:40053625	研究论文	本文提出了一种名为MMFmiRLocEL的多模型融合与集成学习方法，用于识别miRNA的亚细胞定位	首次结合序列、结构和功能三种信息进行miRNA亚细胞定位预测，并采用多模型融合与集成学习策略	未提及具体样本量或验证数据集规模	提高miRNA亚细胞定位预测的准确性和鲁棒性	miRNA亚细胞定位(MSL)	生物信息学	NA	RNA 3D结构预测模型、卷积神经网络、深度残差神经网络	CNN、ResNet、多模型融合与集成学习	RNA序列数据、3D结构数据、miRNA-疾病关联网络数据	NA
7895	2025-04-06	Weakly Aligned Feature Fusion for Multimodal Object Detection 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2021.3105143 PMID:34437075	研究论文	提出一种名为AR-CNN的多模态检测器，解决多模态数据中的位置偏移问题，并通过特征融合提升物体检测的准确性和鲁棒性	设计了区域特征对齐模块和RoI抖动策略，提出新型多模态特征融合方法，并提供了新的多模态标注数据集KAIST-Paired	未明确提及方法在极端未对齐情况下的性能表现	解决多模态物体检测中的位置偏移问题，提升检测准确性和鲁棒性	多模态图像数据（如彩色、热成像和深度图像）中的物体	计算机视觉	NA	多模态特征融合	CNN, AR-CNN	多模态图像（RGB-T, RGB-D）	在多种2D和3D物体检测数据集上进行了广泛实验
7896	2025-04-06	Bilateral Cross-Modality Graph Matching Attention for Feature Fusion in Visual Question Answering 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2021.3135655 PMID:35130171	research paper	该论文提出了一种图匹配注意力网络（GMA），用于解决视觉问答（VQA）任务中图像和问题特征的跨模态融合问题	创新点包括为图像和问题构建图结构，探索模态内关系，并提出双边跨模态GMA来推断图像与问题之间的关系	未明确提及具体限制	研究目的是改进视觉问答任务中跨模态信息的对齐和利用	研究对象是视觉问答任务中的图像和问题	computer vision	NA	graph matching attention (GMA)	GMA network	image, text	GQA dataset和VQA 2.0 dataset（具体样本量未提及）
7897	2025-04-06	Quality-Driven Regularization for Deep Learning Networks and Its Application to Industrial Soft Sensors 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3144162 PMID:35180085	研究论文	本文提出了一种新的质量驱动正则化（QR）方法，用于深度网络从工业过程数据中学习质量相关特征	提出QR-SAE模型，通过改变损失函数控制不同输入变量的权重，以提取质量相关信息	NA	开发数据驱动的软传感器，提高工业过程质量预测的准确性	工业过程数据	机器学习	NA	深度网络	QR-SAE（基于质量驱动正则化的堆叠自编码器）	工业过程数据	NA
7898	2025-04-06	Learning Selective Sensor Fusion for State Estimation 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2022.3176677 PMID:35657847	研究论文	提出了一种名为SelectFusion的端到端选择性传感器融合模块，用于处理自动驾驶和移动机器人系统中的多传感器数据融合问题	提出了两种新的融合模块——确定性软融合和随机硬融合，并提供了一个统一的框架，不限于特定的模态或任务	当前深度测距模型缺乏可解释性	解决多传感器数据融合中的鲁棒性问题，以处理现实世界中的噪声或不完整传感器观测	自动驾驶车辆和移动机器人系统	机器学习和传感器融合	NA	深度学习（DL）	SelectFusion模块	单目图像、惯性测量、深度图像和LIDAR点云	公共数据集和逐步退化的数据集
7899	2025-04-06	Dynamic Neural Network Structure: A Review for its Theories and Applications 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3377194 PMID:40038922	综述	本文全面回顾了动态神经网络（DNN）的理论及其应用，重点探讨了其在深度学习和广泛学习领域的发展	详细分析了DNN的动态结构和参数灵活性带来的优势，并探讨了其在多个领域的应用潜力	虽然综述了DNN的理论和应用，但未涉及具体实验验证或性能比较	旨在为研究人员提供对DNN的全面理解，并指导未来的研究方向	动态神经网络（DNN）的理论基础、结构优化及其应用	机器学习	NA	NA	DNN, BLS	NA	NA
7900	2025-04-06	Age-sex-specific burden of urological cancers attributable to risk factors in China and its provinces, 1990-2021, and forecasts with scenarios simulation: a systematic analysis for the Global Burden of Disease Study 2021 2025-Mar, The Lancet regional health. Western Pacific DOI:10.1016/j.lanwpc.2025.101517 PMID:40177596	research paper	该研究分析了1990-2021年中国及其各省份泌尿系统癌症的年龄性别特异性负担，并预测了未来情景模拟下的疾病负担	首次采用多注意力深度学习管道(iTransformer)建模泌尿系统癌症的时空模式，并提供年龄-性别-地区特异性长期预测	研究依赖于GBD数据库的准确性，且预测模型可能无法完全捕捉未来社会经济变化的影响	监测中国泌尿系统癌症的分布和决定因素，模拟健康干预措施的效果	中国34个省份的泌尿系统癌症患者	digital pathology	prostate cancer, bladder cancer, kidney cancer, testicular cancer	iTransformer深度学习模型	iTransformer	流行病学数据	全国范围1990-2021年数据，2021年新发病例266,887例，现患病例159,506,067例