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
1141	2025-12-06	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	研究论文	本文提出了一种结合模型驱动与数据驱动的新范式，通过学习解耦先验来提升高光谱图像异常检测的性能	提出了一种耦合模型驱动低秩表示方法与数据驱动深度学习技术的新范式，通过解耦先验学习来建模背景，并设计了跳跃残差连接来建模显式与隐式先验之间的关系	未在摘要中明确说明	提升高光谱图像异常检测的准确性和泛化能力	高光谱图像中的背景与异常目标	计算机视觉	NA	高光谱成像	深度学习	高光谱图像	多个广泛认可的数据集（未指定具体数量）	NA	基于模型驱动的深度展开架构	检测性能、泛化能力（未指定具体指标）	NA
1142	2025-12-06	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	研究论文	本文提出了一种名为自适应多尺度注意力深度神经网络（兴奋注意力）的新颖技术，用于处理表格数据，旨在通过并行多级特征加权提高分类和回归任务的性能，并提供多层次的可解释性	提出自适应多尺度注意力机制，通过并行多级特征加权学习特征注意力，在多种规模的数据集上实现高性能，并提供四个层次的可解释性分析	未明确提及具体局限性，可能包括对特定数据类型或领域的泛化能力未经验证	开发一种用于表格数据的深度学习方法，以提高性能并增强模型的可解释性	表格结构化数据	机器学习	NA	自适应多尺度注意力深度神经网络	深度神经网络	表格数据	涉及小型、中型、大型和超大型数据集，具体数量未明确	NA	自适应多尺度注意力深度神经网络（兴奋注意力）	F1分数, 平均绝对误差	NA
1143	2025-12-06	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	本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、高维度和数据集间巨大域差异的问题	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，使模型积累多样化任务经验，并采用任务调度策略逐步扩展波段数以弥合数据集间的域差异	未明确提及具体的数据集规模限制或计算资源需求，可能在实际应用中面临数据获取和计算成本挑战	提升高光谱图像超分辨率的性能和泛化能力，使其适用于多种场景	高光谱图像	计算机视觉	NA	NA	深度学习模型	高光谱图像	NA	NA	基于多融合特征的网络架构	定性评估, 定量评估	NA
1144	2025-12-06	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	研究论文	本文提出了一种名为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预测学习者的未来表现	设计了自适应尺度超边蒸馏组件来生成反映响应间非成对高阶特征的知识感知超边和模式感知超边，并引入双通道超图编码器从全局和局部状态超图中捕获多粒度知识状态，同时采用跨视图对比学习机制增强监督信号	未在摘要中明确说明	改进知识追踪任务，更准确地预测学习者的未来表现	学习者的历史响应数据	机器学习	NA	NA	超图神经网络, 对比学习	学习者响应序列数据	三个真实世界数据集（未指定具体数量）	NA	简化超图卷积网络, 协作超图卷积网络	NA	NA
1145	2025-12-06	A Colorectal Coordinate-Driven Method for Colorectum and Colorectal Cancer Segmentation in Conventional CT Scans 2025-04, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3386610 PMID:38687670	研究论文	本文提出了一种名为DeepCRC-SL的自动化分割算法，用于在常规增强CT扫描中分割结直肠和结直肠癌	首次在常规增强CT中实现结直肠和结直肠癌的自动化分割，引入了拓扑感知的深度学习方法和一维结直肠坐标系，并采用坐标驱动的自学习策略利用未标记数据提升性能	未明确提及具体局限性，但可能包括数据集规模有限或算法在更广泛临床环境中的泛化能力	开发自动化分割算法以辅助结直肠癌的检测、分期和治疗反应监测	结直肠和结直肠癌组织	数字病理	结直肠癌	常规增强CT扫描	深度学习	医学图像（CT扫描）	227个标记病例和585个未标记病例	NA	自注意力层	DSC（Dice相似系数）	NA
1146	2025-12-06	Learning Ordinal-Hierarchical Constraints for Deep Learning Classifiers 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3360641 PMID:38347692	研究论文	本文提出了两种新的序数-层次深度学习方法来同时学习标签的层次和序数约束，以提高泛化性能	首次在深度学习中同时集成层次和序数约束，通过全局和局部图路径分解问题并最小化相应损失，创新性地结合了序数二元分解和累积链接模型	未明确说明方法在极端数据不平衡或噪声环境下的鲁棒性，也未讨论计算复杂度或模型可扩展性	开发能够同时处理标签层次结构和序数关系的深度学习分类器，以提升分类性能	具有序数层次结构的分类问题，涉及工业、生物医学、计算机视觉和金融领域的真实数据集	机器学习	NA	深度学习	深度学习分类器	NA	四个真实用例数据集	NA	HCLM, HOBD	NA	NA
1147	2025-12-06	DER-GCN: Dialog and Event Relation-Aware Graph Convolutional Neural Network for Multimodal Dialog Emotion Recognition 2025-03, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3367940 PMID:38437139	研究论文	提出一种新颖的对话与事件关系感知图卷积神经网络（DER-GCN），用于多模态对话情感识别	首次在对话情感识别中同时建模说话者间的对话关系和潜在事件关系，并引入自监督掩码图自编码器（SMGAE）和多信息Transformer（MIT）来增强特征融合与关系间相关性捕获	未在摘要中明确说明	提升多模态对话情感识别的性能	多模态对话数据（文本、视频、音频）	自然语言处理	NA	多模态深度学习	图卷积神经网络（GCN）, Transformer	文本, 视频, 音频	在两个基准数据集（IEMOCAP和MELD）上进行实验，具体样本量未在摘要中说明	NA	DER-GCN, 自监督掩码图自编码器（SMGAE）, 多信息Transformer（MIT）	平均准确率, 情感识别值	NA
1148	2025-12-06	Generalizable and Discriminative Representations for Adversarially Robust Few-Shot Learning 2025-Mar, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3379172 PMID:38536695	研究论文	本文提出了一种对抗性鲁棒的小样本图像分类方法，通过学习泛化性和判别性表征来防御恶意对抗样本	提出对抗感知机制利用特征级差异提供额外监督，设计对抗性重加权训练策略改善样本不平衡，并引入循环特征净化器在投影后处理中减少未知对抗样本干扰	未明确说明方法在极端小样本场景（如1-shot）下的性能表现，也未讨论计算效率与实时性权衡	开发能够防御对抗样本攻击的小样本图像分类系统	图像数据	计算机视觉	NA	对抗训练	深度学习	图像	基于三个标准基准数据集（未指定具体数量）	未明确说明	未明确说明	鲁棒性指标，自然性能指标	未明确说明
1149	2025-12-06	Community Graph Convolution Neural Network for Alzheimer's Disease Classification and Pathogenetic Factors Identification 2025-02, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3269446 PMID:37204952	研究论文	提出一种基于脑区基因社区网络的社区图卷积神经网络，用于阿尔茨海默病的分类和致病因素识别	提出脑区基因社区网络抽象模型，并设计具有社区间和社区内卷积操作的新型图神经网络架构，更好地匹配生理机制	仅基于ADNI数据集进行验证，未在其他独立数据集或神经疾病上进行广泛测试	开发深度学习方法来研究社区内和社区间的信息传递，用于阿尔茨海默病的诊断和致病因素提取	阿尔茨海默病患者	机器学习	阿尔茨海默病	神经影像学	GCN	图数据	ADNI数据集	NA	社区图卷积神经网络	分类性能	NA
1150	2025-12-06	Information Theoretic Learning-Enhanced Dual-Generative Adversarial Networks With Causal Representation for Robust OOD Generalization 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3330864 PMID:37976189	研究论文	本研究提出了一种结合信息理论学习和因果表示学习的双生成对抗网络框架，以增强机器学习模型在分布外泛化中的鲁棒性	创新点包括设计了一个ITCRL-DGAN模型，该模型集成了因果表示学习与信息理论学习，通过特征分离策略构建因果图，并利用双对抗训练机制在特征和数据层面进行增强	NA	旨在解决现代智能制造或智能交通系统中机器学习模型的分布外泛化问题	现代智能制造和智能交通系统中的机器学习模型	机器学习	NA	NA	GAN, 自编码器	NA	NA	NA	双生成对抗网络, 自编码器-因果表示学习结构	学习效率, 分类性能	NA
1151	2025-12-06	Knowledge-Augmented Deep Learning and its Applications: A Survey 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3338619 PMID:38090869	综述	本文综述了知识增强深度学习（KADL）的概念、任务、知识分类及其在数据高效、泛化性强和可解释性方面的应用	提出了一个广泛且完整的领域知识分类法，并基于此系统回顾了现有技术，不同于以往仅关注特定知识类型或集成方法的综述	作为综述文章，未涉及具体实验或模型性能评估，主要依赖现有文献的总结	探讨如何将先验知识整合到深度学习模型中，以解决数据依赖性强、泛化能力差和缺乏可解释性的问题	知识增强深度学习（KADL）的方法、技术和应用	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
1152	2025-12-06	Hypernetwork-Based Physics-Driven Personalized Federated Learning for CT Imaging 2025-02, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3338867 PMID:38100342	研究论文	提出一种基于超网络的物理驱动个性化联邦学习方法（HyperFed），用于解决CT成像中的领域偏移和隐私问题	将每个领域的优化问题分解为局部数据适应和全局CT成像两个子问题，分别通过机构特定的物理驱动超网络和全局共享成像网络实现，利用物理扫描协议信息实现个性化重建	未明确说明方法在不同CT扫描协议间的泛化能力，以及超网络设计的计算复杂度分析	在保护数据隐私的前提下，提高CT成像质量并满足不同机构或扫描仪的个性化需求	CT成像数据	医学影像分析	NA	CT扫描	深度学习模型	CT图像	NA	PyTorch	超网络架构	NA	NA
1153	2025-12-06	Masked Spatial-Spectral Autoencoders Are Excellent Hyperspectral Defenders 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3345734 PMID:38163309	研究论文	本文提出了一种基于自监督学习的掩码空间-光谱自编码器，用于增强高光谱图像分析系统对抗对抗性攻击的鲁棒性	提出了掩码序列注意力学习模块以增强光谱通道的固有鲁棒性，并开发了具有可学习图结构的图卷积网络来建立全局像素级组合以分散攻击效果	未在摘要中明确说明	增强高光谱图像分析系统对抗对抗性攻击的鲁棒性	高光谱图像分析系统	计算机视觉	NA	自监督学习	自编码器, 图卷积网络	高光谱图像	三个基准数据集	NA	掩码空间-光谱自编码器, 图卷积网络	NA	NA
1154	2025-12-06	Capsule Networks With Residual Pose Routing 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3347722 PMID:38194388	研究论文	本文提出了一种基于残差姿态路由的胶囊网络新算法，以构建更深层的胶囊网络架构，提升图像分类性能	引入了残差姿态路由算法，通过身份映射简化路由计算，避免梯度消失，并构建了类似ResNet的深层胶囊网络架构	未明确讨论算法在更复杂数据集或实际应用中的泛化能力限制	开发一种简单有效的胶囊路由算法，以构建深层胶囊网络，提高图像分类和相关任务的性能	胶囊网络（CapsNets）的深层架构设计与优化	计算机视觉	NA	胶囊网络路由算法	胶囊网络（CapsNets）	图像	涉及MNIST、AffNIST、SmallNORB、CIFAR-10/100等数据集，具体样本数量未明确	NA	ResCaps（残差胶囊网络），类似ResNet的架构	NA	NA
1155	2025-12-06	MDEformer: Mixed Difference Equation Inspired Transformer for Compressed Video Quality Enhancement 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3354982 PMID:38285580	研究论文	本文提出了一种基于混合差分方程启发的Transformer模型（MDEformer），用于压缩视频质量增强任务	利用混合差分方程的图形概念指导网络设计，通过跨层交叉注意力聚合模块利用压缩伪影的多尺度相似性，并引入分区边界平滑模块消除压缩视频中分区边界对整体质量的影响	未明确说明模型的计算复杂度或实时性表现，也未讨论在不同压缩标准或分辨率下的泛化能力	提升压缩视频的质量，通过消除压缩伪影和分区边界影响来改善视觉质量	压缩视频序列	计算机视觉	NA	深度学习	Transformer	视频	基于MFQE 2.0数据集进行实验，但未明确具体样本数量	未明确指定，可能为PyTorch或TensorFlow	MDEformer（基于Transformer架构，包含跨层交叉注意力聚合模块和分区边界平滑模块）	客观指标和视觉质量评估	NA
1156	2025-12-06	eVAE: Evolutionary Variational Autoencoder 2025-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2024.3359275 PMID:38546992	研究论文	本文提出了一种进化变分自编码器（eVAE），通过整合变分遗传算法和进化算子，动态解决VAE训练中表示推断与任务拟合之间的平衡问题	首次将进化学习引入VAE框架，提出变分进化算子（变分突变、交叉、进化），无需额外约束或超参数调优即可动态解决ELBO中的学习权衡不确定性	未明确说明计算复杂度增加的具体程度，也未讨论在超大规模数据集上的扩展性	解决变分自编码器中表示推断与任务拟合的失衡问题，提升生成质量和解耦性能	变分自编码器的训练机制与生成性能	机器学习	NA	变分信息瓶颈理论，进化神经网络学习	VAE, 进化算法	文本，图像	NA	NA	进化变分自编码器（eVAE）	重建损失，图像清晰度，解耦性能，生成质量，生成-推断平衡	NA
1157	2025-12-06	Semi-Supervised Detection Model Based on Adaptive Ensemble Learning for Medical Images 2025-01, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3282809 PMID:37339032	研究论文	本文提出了一种基于自适应集成学习的半监督检测模型，用于内窥镜医学图像检测	提出了一种新的集成机制Al-Adaboost，结合了两个层次模型的决策，并引入了半监督机制来处理标注样本不足的问题	NA	开发一个端到端的医学图像检测模型，以提高内窥镜检测的效率和准确性	结肠镜和喉镜图像数据	计算机视觉	NA	NA	集成学习, 半监督学习	图像	来自CVC-ClinicDB和高雄医科大学附属医院的结肠镜和喉镜数据	NA	具有注意力时空路径的局部区域提议模型, 循环注意力模型(RAM)	NA	NA
1158	2025-12-06	Non-Intrusive Speech Quality Assessment Based on Deep Neural Networks for Speech Communication 2025-Jan, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3321076 PMID:37824322	研究论文	本文提出了一种基于深度学习的非侵入式语音质量评估方法，通过大规模模拟数据和对抗性训练提升评估准确性和泛化能力	提出数据模拟方法生成带POLQA标签的退化语音用于预训练；引入对抗性说话人分类器减少说话人依赖信息的影响；采用基于自编码器的表示学习和对抗训练方案，从模拟数据迁移知识；开发端到端的相位感知神经网络，结合幅度和相位谱特征	未明确说明模型在极端噪声环境或跨语言场景下的泛化能力，且依赖于模拟数据与主观测试数据的对齐质量	提高非侵入式语音质量评估的准确性和泛化性，减少对参考信号或额外设备的依赖	语音信号的质量评估	自然语言处理	NA	深度学习，对抗训练，表示学习	自编码器，对抗性自编码器，神经网络	语音信号	三个数据集：一个POLQA模拟数据集和两个主观听力测试记录数据集	NA	对抗性自编码器，端到端神经网络	均方根误差	NA
1159	2025-12-06	Multivariate Time Series Forecasting Using Multiscale Recurrent Networks With Scale Attention and Cross-Scale Guidance 2025-Jan, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3326140 PMID:37903050	研究论文	本文提出了两种多尺度循环网络模型，用于多变量时间序列预测，通过整合多尺度分析和注意力机制来提升预测性能	将多尺度分析无缝集成到深度学习框架中，构建了尺度感知的循环网络，并引入了尺度注意力和跨尺度指导机制	未明确提及模型的计算复杂度或在大规模数据集上的可扩展性限制	提高多变量时间序列预测的准确性，通过建模时间步和序列间的复杂非线性依赖关系	多变量时间序列数据	机器学习	NA	NA	RNN	时间序列数据	五个典型的多变量时间序列数据集	NA	多尺度循环网络	NA	NA
1160	2025-12-06	Contrastive Registration for Unsupervised Medical Image Segmentation 2025-01, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2023.3332003 PMID:37983143	研究论文	本文提出了一种名为CLMorph的新型无监督医学图像分割方法，结合图像级配准和特征级对比学习	提出了一种基于卷积神经网络的对比配准架构，首次将图像级配准与特征级对比学习结合用于无监督医学图像分割	未提及具体的数据集规模限制或计算资源需求，且未与监督学习方法进行直接精度比较	开发一种无需标注数据的医学图像分割方法，以克服标注成本高和人为偏差的问题	医学图像	计算机视觉	NA	深度学习	CNN	图像	在两个主要医学图像数据集上进行实验，但未提及具体样本数量	NA	CLMorph	通过数值和视觉实验评估，但未提及具体指标名称	NA