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	2026-05-24	Deep learning in the cross-time frequency domain for sleep staging from a single-lead electrocardiogram 2018-12-21, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aaf339 PMID:30524025	研究论文	该研究利用单导联心电图中的拍检测、时频域心肺耦合和深度卷积神经网络进行睡眠阶段分类	提出基于ECG的睡眠阶段分类方法，在非脑电图数据上达到最高报告结果，使用数据集比以往研究大十倍以上，系统无需人工标注可扩展至大规模分析	NA	从单导联心电图自动分类睡眠阶段	睡眠阶段（清醒、快速眼动睡眠、非快速眼动浅睡眠、非快速眼动深睡眠）	机器学习	睡眠障碍	心电图分析、心肺耦合分析	卷积神经网络	心电图信号	使用MIT-BIH多导睡眠图数据库、PhysioNet/CinC2018数据库和睡眠心脏健康研究数据库	NA	NA	NA	NA
2	2026-05-24	Gumpy: a Python toolbox suitable for hybrid brain-computer interfaces 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae186 PMID:30215610	研究论文	介绍一个新的免费开源Python工具箱Gumpy，专为混合脑机接口设计	提供从经典机器学习到深度神经网络模型的广泛分类方法，并支持混合脑机接口的实时应用	NA	提供一个集成先进算法和信号处理方法的开源工具箱，用于混合脑机接口研究	脑电和肌电生物信号	机器学习	NA	脑电图(EEG), 肌电图(EMG), sEMG, SSVEP	深度学习模型	生物信号(EEG和EMG)	NA	Python	NA	准确率	NA
3	2026-05-24	Comparison of logistic regression, support vector machines, and deep learning classifiers for predicting memory encoding success using human intracranial EEG recordings 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae131 PMID:30211695	研究论文	比较逻辑回归、支持向量机和深度学习分类器在利用人类颅内脑电图记录预测记忆编码成功中的性能	首次直接比较传统与深度学习方法在预测成功记忆编码中的二元分类性能	基于30名立体脑电图患者的数据集，样本量较小，可能限制泛化能力	评估不同机器学习策略在预测情景记忆编码成功中的性能，并探索特征降维的影响	记忆编码成功与否的二元分类任务	机器学习	NA	颅内脑电图	逻辑回归, 支持向量机, 深度学习	脑电信号	30名立体脑电图患者	NA	逻辑回归, 支持向量机, 深度学习	AUC	NA
4	2026-05-24	Deep compressive autoencoder for action potential compression in large-scale neural recording 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae18d PMID:30215605	研究论文	开发一种基于深度学习的压缩模型，用于大规模神经记录中动作电位的带宽减少	首次将深度压缩自编码器与矢量量化结合应用于动作电位压缩，通过离散潜在嵌入和残差转换实现高压缩比和高质量重建	未明确说明局限性	设计低带宽、高保真的神经信号压缩方法，以支持大规模神经接口的数据传输	动作电位信号（包括合成数据集和体内数据集）	机器学习	NA	神经记录	深度压缩自编码器（CAE）	神经信号（动作电位波形）	合成数据集和体内数据集（未提供具体样本数量）	PyTorch（基于代码开源仓库推测）	残差变换编码器、解卷积解码器、矢量量化嵌入层	压缩比、重建精度、尖峰分类准确率	NA
5	2026-05-24	Multiclass classification of obstructive sleep apnea/hypopnea based on a convolutional neural network from a single-lead electrocardiogram 2018-06-20, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aac7b7 PMID:29794342	研究论文	提出基于卷积神经网络的深度学习架构，利用单导联心电图记录对阻塞性睡眠呼吸暂停/低通气进行多分类	首次利用六层CNN模型对正常、低通气和呼吸暂停三类事件进行自动分类，并基于单导联ECG实现高精度筛查	样本量较小（仅86名受试者），且未经外部验证集验证	实现阻塞性睡眠呼吸暂停/低通气的早期自动检测和多类分类	阻塞性睡眠呼吸暂停/低通气患者（86名受试者，约6小时ECG记录，分段为10秒片段）	机器学习	阻塞性睡眠呼吸暂停/低通气	单导联心电图记录	卷积神经网络（CNN）	心电图信号	86名受试者（训练集69人，测试集17人），共56,370个10秒时段	NA	六层CNN	加权F1分数	NA
6	2026-05-24	Decoding of finger trajectory from ECoG using deep learning 2018-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aa9dbe PMID:29182152	研究论文	使用深度学习从ECoG信号解码手指运动轨迹	将特征提取和时序建模整合到一个联合优化的深度学习网络中，无需分阶段训练，支持在线学习	NA	开发一种自适应、在线学习的脑机接口解码系统，提高解码性能	ECoG信号中的手指运动轨迹解码	机器学习	NA	ECoG	CNN-LSTM	信号	NA	NA	CNN, LSTM	NA	NA
7	2026-05-24	Deep learning for hybrid EEG-fNIRS brain-computer interface: application to motor imagery classification 2018-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aaaf82 PMID:29446352	研究论文	本文研究了使用深度学习方法对混合EEG-fNIRS脑机接口数据进行运动想象分类	首次将深度神经网络（DNN）应用于EEG与fNIRS多模态记录的结合，显著提高了脑机接口分类性能	未提及具体限制	评估深度学习方法在混合EEG-fNIRS脑机接口中用于运动想象分类的性能	15名受试者进行的左右手运动想象任务	机器学习	NA	EEG, fNIRS	深度神经网络（DNN）	脑电和血氧信号	15名受试者，每人10分钟实验，1秒响应时间	NA	NA	分类准确率	NA
8	2026-05-24	A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update 2018-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aab2f2 PMID:29488902	综述	对基于脑电图的脑机接口分类算法的十年回顾，更新了2007年以来的研究进展	总结了2007至2017年间新开发的分类算法，将其分为四类，并评估了各算法的优势和劣势	深度学习方法尚未在脑机接口中展现优于现有技术的改进，迁移学习的可变性较大	提供脑机接口中EEG分类算法的全面回顾，并指导何时及如何使用这些方法	基于EEG的脑机接口分类算法	机器学习	NA	EEG	自适应分类器、矩阵和张量分类器、迁移学习、深度学习	EEG信号	NA	NA	Riemannian几何方法、收缩线性判别分析、随机森林	NA	NA
9	2026-05-24	A deep learning approach for fetal QRS complex detection 2018-04-20, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aab297 PMID:29485406	研究论文	提出一种基于深度学习的胎儿QRS复合波检测方法，利用卷积神经网络从原始非侵入性胎儿心电图信号中直接检测胎儿QRS复合波	无需消除母体心电图信号即可从单通道原始信号中实现可靠的胎儿QRS复合波检测	NA	探究是否能在不消除母体心电图信号的情况下，从单通道非侵入性胎儿心电图信号特征中获得可靠的胎儿QRS复合波检测性能	胎儿心电图中的QRS复合波	机器学习	胎儿疾病	非侵入性胎儿心电图	卷积神经网络	心电图信号	从PhysioNet/计算心脏病学挑战赛数据库的set-a中收集数据	NA	CNN	精确率, 召回率, F值, 准确率	NA
10	2026-05-24	A robust deep convolutional neural network for the classification of abnormal cardiac rhythm using single lead electrocardiograms of variable length 2018-03-27, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aaaa9d PMID:29369044	研究论文	提出一种基于深度卷积神经网络的架构，用于分类单导联心电图中的异常心律	通过系统方法优化超参数、输入集和优化方法，确定了一个最优的13层CNN模型	未提及	实现房颤等异常心律的自动检测和分类	单导联心电图记录	机器学习	心血管疾病	NA	卷积神经网络 (CNN)	信号（心电图）	训练集8528条短单导联心电图记录，测试集3658条记录	NA	13层CNN	F1分数	计算速度快，支持实时应用
11	2026-05-21	A deep learning approach for 18F-FDG PET attenuation correction 2018-Nov-12, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-018-0225-8 PMID:30417316	研究论文	开发并评估基于深度学习的PET图像衰减校正方法deepAC，无需解剖成像即可从18F-FDG PET图像生成伪CT图像	首次提出数据驱动的深度学习框架，直接从非衰减校正的18F-FDG PET图像生成连续值的伪CT，无需CT或MRI解剖成像	仅针对头部PET成像，且训练数据量较小（100例），未评估其他部位或示踪剂的泛化能力	实现无需解剖成像的PET衰减校正，避免额外CT辐射并提高临床适用性	18F-FDG PET头部图像及对应CT数据	数字病理学	脑部疾病	PET/CT, 18F-FDG PET	卷积编码器-解码器网络	图像	100例回顾性3D FDG PET头部图像用于训练，28例患者用于评估	NA	深度卷积编码器-解码器网络	Dice系数, 平均绝对误差, 配对样本t检验	NA
12	2026-05-17	Retinal optical coherence tomography image enhancement via deep learning 2018-Dec-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.9.006205 PMID:31065423	研究论文	引入基于深度学习的视网膜光学相干断层扫描图像增强方法，有效降低散斑噪声并提高图像质量	提出两种网络版本（基于均方误差的CNN和基于Wasserstein距离与感知相似性的GAN），满足不同用户需求，并在定量和定性指标上取得优异效果	训练数据仅来自健康眼睛，对青光眼等病变眼睛的泛化能力有待进一步验证	开发一种基于深度学习的视网膜OCT图像去噪方法，改善图像质量并辅助层分割	OCT图像，包括健康眼睛和青光眼眼睛的横截面	计算机视觉	青光眼	光学相干断层扫描（OCT）	卷积神经网络（CNN）和生成对抗网络（GAN）	图像	NA	PyTorch	CNN和GAN（含Wasserstein距离与感知相似性）	PSNR, SSIM, 准确率, 清晰度, 个人偏好	NA
13	2026-05-03	Inferring single-trial neural population dynamics using sequential auto-encoders 2018-10, Nature methods IF:36.1Q1 DOI:10.1038/s41592-018-0109-9 PMID:30224673	研究论文	提出一种基于序列自编码器的深度学习方法，用于从单次试验的神经尖峰数据中推断潜在动态	引入动态系统的潜在因子分析，成功从单次试验的神经数据中提取动态特征，并有效处理不完全采样、试验间变异和动作电位时间波动等挑战	NA	开发一种能够从单次试验神经活动中推断潜在种群动态的方法，以更深入理解神经活动与行为之间的关系	多种猴子和人类运动皮层数据集	机器学习	NA	神经记录	序列自编码器	神经尖峰数据	包含多种猴子和人类运动皮层数据集，具体样本量未明确说明	PyTorch	潜在因子分析通过动态系统	行为变量预测的准确性、单次试验神经放电率估计精度、与行为选择相关的动态扰动推断、跨非重叠记录会话数据整合效果	NA
14	2026-04-17	Quantitative imaging of cancer in the postgenomic era: Radio(geno)mics, deep learning, and habitats 2018-12-15, Cancer IF:6.1Q1 DOI:10.1002/cncr.31630 PMID:30383900	综述	本文综述了定量图像分析（放射组学）在癌症异质性量化中的应用，并探讨了深度学习与肿瘤栖息地分割的扩展	提出将放射组学与深度学习结合，自动检测信息区域和特征，并引入肿瘤栖息地分割以链接肿瘤病理生理学	NA	为精准肿瘤学实践提供决策支持，通过图像分析改进癌症诊断、预后、预测和治疗监测	癌症患者，特别是其放射学图像中的肿瘤异质性	计算机视觉	癌症	放射组学，深度学习	CNN	图像	NA	NA	卷积神经网络	NA	NA
15	2026-04-12	Bag of deep features for preoperative prediction of sentinel lymph node metastasis in breast cancer 2018-Dec-14, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aaf241 PMID:30523819	研究论文	本文提出了一种结合深度学习和词袋模型的集成方案，用于术前预测乳腺癌前哨淋巴结转移	提出了一种结合卷积神经网络和词袋模型的集成方案，通过核融合方法整合所有特征，构建判别性支持向量机分类器，实现高维稀疏表示	样本量相对较小（172例患者），且仅基于扩散加权磁共振成像数据，可能限制模型的泛化能力	术前预测乳腺癌患者的前哨淋巴结转移状态	乳腺癌患者的前哨淋巴结	数字病理学	乳腺癌	扩散加权磁共振成像	CNN, SVM	图像	172例患者（74例SLN阳性，98例SLN阴性）	NA	CNN, BOF模型	AUC	NA
16	2026-04-12	Fully automated organ segmentation in male pelvic CT images 2018-Dec-14, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aaf11c PMID:30523973	研究论文	本研究提出了一种基于深度学习的全自动男性盆腔CT图像分割工作流，用于前列腺癌放疗计划中前列腺及周围危及器官的精确分割	采用2D器官体积定位网络与3D分割网络相结合的架构，并引入ResNeXt改进的编码臂，实现了全自动的盆腔器官分割	研究仅基于136例患者的数据集，样本量相对有限，且未在外部数据集上进行验证	开发一种全自动的男性盆腔CT图像分割方法，以支持前列腺癌放疗治疗计划	男性盆腔CT图像中的前列腺、膀胱、直肠和双侧股骨头	数字病理学	前列腺癌	CT成像	CNN	图像	136例患者的盆腔CT图像数据集	NA	2D U-Net, 3D U-Net, ResNeXt	Dice系数	NA
17	2026-04-12	Incorporating automatically learned pulmonary nodule attributes into a convolutional neural network to improve accuracy of benign-malignant nodule classification 2018-12-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aaf09f PMID:30524071	研究论文	本文提出了一种结合肺结节良恶性分类和图像属性分类的新方法，通过构建独特的3D CNN和设计新颖的损失函数，以提高肺结节分类的准确性	将自动学习的肺结节图像属性作为高层语义标签整合到CNN中，设计了一种平衡两种分类任务影响的损失函数，使结节属性分类与良恶性分类相互促进	NA	提高肺结节良恶性分类的准确性	肺结节	计算机视觉	肺癌	深度学习	CNN	图像	使用公开可用的LIDC数据集进行训练和测试	NA	3D CNN	准确率	NA
18	2026-04-12	Visually interpretable deep network for diagnosis of breast masses on mammograms 2018-Dec-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aaef0a PMID:30511660	研究论文	提出一种视觉可解释的深度学习网络框架，用于乳腺X光片中肿块诊断，并提供视觉解释	引入BIRADS引导图和批评网络，使深度学习网络能够根据BIRADS标准进行视觉解释，提高诊断决策的可解释性	仅基于公开乳腺X光数据库进行验证，未涉及多中心或更大规模数据集，可能影响泛化能力	开发一种视觉可解释的计算机辅助诊断框架，以改善乳腺肿块诊断的深度学习模型可解释性	乳腺X光片中的恶性与良性肿块	计算机视觉	乳腺癌	深度学习	深度神经网络	图像	独立测试集包含170个恶性肿块和170个良性肿块	NA	BIRADS引导诊断网络, BIRADS批评网络	NA	NA
19	2026-04-12	Deep learning with cinematic rendering: fine-tuning deep neural networks using photorealistic medical images 2018-09-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aada93 PMID:30113015	研究论文	本文提出了一种利用电影渲染技术生成逼真医学图像，以微调深度学习网络的方法，用于内窥镜单目深度估计任务	首次将电影渲染技术应用于深度学习，通过使用电影渲染生成的逼真CT数据微调合成数据驱动的网络，提高了模型对真实医学图像的适应性和鲁棒性	研究主要针对内窥镜深度估计任务，可能未涵盖其他医学图像分析应用；且依赖于特定渲染条件，泛化能力需进一步验证	解决医学图像数据稀缺问题，提升深度学习模型在真实医学图像上的性能	内窥镜图像，特别是结肠内窥镜图像	计算机视觉	NA	电影渲染，CT数据重建	CNN	图像	NA	NA	NA	深度估计误差减少百分比	NA
20	2026-04-12	Computer-aided detection of small intestinal ulcer and erosion in wireless capsule endoscopy images 2018-08-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/aad51c PMID:30033931	研究论文	提出一种基于深度学习的计算机辅助检测方法，用于无线胶囊内窥镜图像中小肠溃疡和糜烂的检测	首次将深度学习框架应用于无线胶囊内窥镜图像中溃疡和糜烂的自动检测，能够直接从数据中提取图像特征，提高识别准确性和效率	NA	开发一种计算机辅助检测方法，以自动识别无线胶囊内窥镜图像中的小肠溃疡和糜烂	无线胶囊内窥镜图像中的小肠溃疡和糜烂病变	计算机视觉	小肠溃疡和糜烂	无线胶囊内窥镜成像	CNN	图像	数万张无线胶囊内窥镜图像	NA	AlexNet	准确率, 灵敏度, 特异性, AUC	NA