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
1	2026-05-15	A novel deep learning approach for classification of EEG motor imagery signals 2017-02, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2560/14/1/016003 PMID:27900952	研究论文	提出一种新颖的深度学习方法来分类脑电图运动想象信号，将CNN与SAE结合构建新网络，在BCI竞赛数据集上取得优于获胜算法的分类性能	首次引入结合时间、频率和位置信息的新输入形式，用于具有一维卷积和最大池化层的CNN；同时提出CNN与SAE结合的新型深度网络架构	研究仅基于BCI竞赛IV数据集2b，未在其他数据集上验证；当数据量较小时可能不适用	利用深度学习方法提高脑电图运动想象信号的分类性能，改善脑机接口系统的信号分类效果	BCI竞赛IV数据集2b中的脑电图运动想象信号	机器学习	NA	脑电图	CNN, SAE	信号	BCI竞赛IV数据集2b（具体数量未提及）	NA	CNN（含一维卷积和最大池化层）, SAE	Kappa值	NA
2	2026-03-11	Deep Learning for Brain Tumor Classification 2017-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2254195 PMID:41799012	研究论文	本研究应用深度学习方法来分类脑部图像中的不同肿瘤类型：脑膜瘤、胶质瘤和垂体瘤	采用更通用的深度学习方法，无需图像扩张和肿瘤环状子区域处理，即可超越需要这些专门步骤的方法	研究仅使用轴向平面的图像，以避免不同平面图像对神经网络的混淆，这可能限制了模型对多平面信息的利用	应用深度学习方法对脑部肿瘤图像进行分类	脑部MRI图像中的脑膜瘤、胶质瘤和垂体瘤	计算机视觉	脑肿瘤	T1加权对比增强MRI	CNN, 全连接神经网络	图像	来自191名患者的989张轴向MRI图像	NA	NA	五折交叉验证准确率	NA
3	2024-09-13	[Study of attention deficit/hyperactivity disorder classification based on convolutional neural networks] 2017-Feb, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi PMID:29717596	研究论文	本文提出了一种基于卷积神经网络的注意力缺陷/多动障碍（ADHD）分类算法	利用粗分割和深度学习方法，提高了ADHD分类的准确性，并简化了计算过程	未提及具体的局限性	解决ADHD诊断中高误诊率和漏诊率的问题	ADHD患者和正常人群的分类	计算机视觉	精神疾病	卷积神经网络	CNN	图像	未提及具体样本数量	NA	NA	NA	NA
4	2024-08-05	Marginal Shape Deep Learning: Applications to Pediatric Lung Field Segmentation 2017-Feb-11, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2254412 PMID:28592911	研究论文	本文提出了边缘形状深度学习（MaShDL）框架，旨在通过深度分类器实现可变形物体的分割。	该框架结合了统计形状模型的优势和深度学习的自动特征学习架构，是首个使用深度学习框架进行参数化形状学习以 delineate 可变形物体的示范。	尽管该框架在高复杂性多参数估计问题上表现良好，但具体的实现细节和效果在不同场景中的普遍适用性尚需进一步验证。	研究通过深度学习改善 deformable 对象的分割效果。	本研究的对象是314幅正常与异常的小儿胸部 X 光片中的肺野。	数字病理学	肺癌	深度学习	深度分类器	医学影像	314幅小儿胸部 X 光片	NA	NA	NA	NA