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
9321	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
9322	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
9323	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
9324	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
9325	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
9326	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
9327	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）
9328	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
9329	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
9330	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
9331	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
9332	2025-04-06	Conv-MTD: A CNN Based Multi-Label Medical Tubes Detection and Classification Model to Facilitate Resource-constrained Point-of-care Devices 2025-Feb-18, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3543245 PMID:40036431	research paper	提出了一种基于CNN的多标签医疗管检测与分类模型Conv-MTD，用于辅助资源受限的即时医疗设备	利用EfficientNet-B7架构作为主干，并在中间层增强辅助头以缓解梯度消失问题，同时采用16位浮点量化优化模型	未提及模型在多样化数据集上的泛化能力或实际临床环境中的测试结果	开发一种自动化检测和分类医疗管放置位置的模型，以辅助放射科医生	医疗管的放置位置检测与分类	digital pathology	NA	CXR imaging	CNN, EfficientNet-B7	image	NA
9333	2025-04-06	AV-FOS: A Transformer-Based Audio-Visual Multi-modal Interaction Style Recognition for Children with Autism Based on the Family Observation Schedule (FOS-II) 2025-Feb-13, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3542066 PMID:40031833	research paper	提出了一种基于Transformer的音频-视觉多模态交互风格识别模型AV-FOS，用于自闭症儿童的行为分析	利用Transformer结构和自监督学习，结合FOS-R-III临床编码的音频-视觉多模态数据，自动生成具有临床可接受准确度的FOS-R-III测量结果	未明确提及具体样本量或数据集的多样性限制	开发一种能够自动分析自闭症儿童行为并生成临床有意义量表的AI模型	自闭症儿童的行为交互风格	digital pathology	autism	self-supervised learning, prompt engineering	Transformer, GPT4V	audio-visual multimodal data, video recordings	NA
9334	2025-03-05	DNA-CBIR: DNA Translation Inspired Codon Pattern-based Deep Image Feature Extraction for Content-based Image Retrieval 2025-Feb-10, IEEE transactions on nanobioscience IF:3.7Q3 DOI:10.1109/TNB.2025.3540102 PMID:40031697	研究论文	本文提出了一种基于DNA翻译启发的密码子模式的深度图像特征提取方法，用于基于内容的图像检索	提出了一种新颖的编码方案，利用图像的最高三位有效位并将其转换为遵循运行长度和GC约束的核苷酸字符串，形成存储在DNA介质中的DNA平面，并通过密码子特征进行实例图像检索	NA	解决DNA存储中多媒体数据（如图像）的高效搜索和检索问题	图像数据	计算机视觉	NA	DNA存储技术	ResNet-50, VGG-16, VGG-19, Inception V3	图像	多种数据集，包括珊瑚、医学和多标签图像
9335	2025-04-06	Large Generative Model Impulsed Lightweight Gaze Estimator via Deformable Approximate Large Kernel Pursuit 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3529379 PMID:40031234	研究论文	提出了一种新型轻量级网络结构，通过可变形近似大核和大型生成模型的隐式蒸馏，实现了高效且高精度的视线估计	设计了可变形近似大核的轻量级网络结构，并利用大型生成模型（Stable Diffusion V1.5）的泛化能力进行隐式蒸馏	未明确提及具体限制	开发高效且高精度的轻量级视线估计方法，适用于移动交互平台	视线估计模型	计算机视觉	NA	深度学习	轻量级网络结构（含可变形近似大核），Stable Diffusion V1.5	图像	未明确提及具体样本数量
9336	2025-04-06	Trustworthy Limited Data CT Reconstruction Using Progressive Artifact Image Learning 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3534559 PMID:40031253	研究论文	提出了一种名为渐进伪影图像学习（PAIL）的展开框架，用于有限数据CT重建，旨在解决现有深度学习方法在泛化性和稳定性方面的不足	通过残差域模块（RDM）、图像域模块（IDM）和小波域模块（WDM）三个关键模块的协作，逐步去除伪影并重建CT图像，同时通过小波压缩感知增强网络稳定性	方法在模拟CT数据集、临床心脏数据集和羊肺数据集上验证，但未提及在其他类型数据集上的表现	提高有限数据CT重建的质量和效率，减少辐射暴露或加速扫描过程	有限数据CT重建	数字病理	NA	深度学习	PAIL（包含RDM、IDM和WDM模块）	CT图像	两个模拟CT数据集、一个临床心脏数据集和一个羊肺数据集
9337	2025-04-06	Deep Underwater Image Quality Assessment With Explicit Degradation Awareness Embedding 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3539477 PMID:40031436	研究论文	本文提出了一种新型的深度学习模型EDANet，用于水下图像质量评估，通过显式嵌入退化感知信息来提高模型性能	设计了EDANet模型，采用两阶段训练策略，先通过DIDNet子网络推断退化残差图，再将其嵌入DQENet子网络以增强退化感知能力	未提及具体的数据集规模限制或模型在特定场景下的适用性限制	改进水下图像质量评估的准确性和可靠性	水下退化图像	计算机视觉	NA	深度学习	EDANet (包含DIDNet和DQENet子网络)	图像	在两个基准数据集上进行了测试（未提及具体样本数量）
9338	2025-04-06	ADStereo: Efficient Stereo Matching With Adaptive Downsampling and Disparity Alignment 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3540282 PMID:40031538	research paper	本文提出了一种高效的立体匹配方法ADStereo，通过自适应下采样和视差对齐模块来平衡精度和计算效率	提出了自适应下采样模块（ADM）和视差对齐模块（DAM），以解决传统方法中因下采样操作导致的特征丢失和空间错位问题	未提及具体局限性	提高立体匹配算法在实时应用中的准确性和计算效率	立体匹配算法	computer vision	NA	NA	ADStereo	image	多个公共基准测试数据集（如KITTI stereo 2015）
9339	2025-04-06	Joint Spatial and Frequency Domain Learning for Lightweight Spectral Image Demosaicing 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3536217 PMID:40031727	research paper	提出了一种基于联合空间和频域信息学习的轻量级光谱图像去马赛克方法	结合空间和频域信息学习，提出无参数的光谱图像初始化策略和高效的空间-频率变换网络	未明确提及具体局限性	提高光谱图像去马赛克的重建质量和效率	光谱图像	computer vision	NA	Fourier transform, deep learning	spatial-frequency transformer network	image	模拟和真实数据（未明确提及具体数量）
9340	2025-04-06	Local-Global Correlation Fusion-Based Graph Neural Network for Remaining Useful Life Prediction 2025-Jan, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3330487 PMID:37983145	研究论文	提出一种基于局部-全局相关性融合的图神经网络框架（LOGO），用于剩余使用寿命（RUL）预测	结合局部和全局信息有效建模传感器相关性，提出自适应融合机制和序列微图定义方法	未明确说明方法在极端工况或传感器故障情况下的鲁棒性	提升复杂系统中剩余使用寿命预测的准确性	多传感器监测的工业设备系统	机器学习	NA	图神经网络（GNN）	GNN	时间序列传感器数据	未明确说明具体样本数量