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	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
2	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
3	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
4	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
5	2024-11-10	DeFine: deep convolutional neural networks accurately quantify intensities of transcription factor-DNA binding and facilitate evaluation of functional non-coding variants 2018-06-20, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gky215 PMID:29617928	研究论文	本文介绍了一种基于深度学习的模型DeFine，用于准确量化转录因子与DNA结合的强度，并评估非编码变异的功能影响	DeFine模型不仅能够准确分类转录因子与DNA的结合与否，还能预测实值的结合强度，从而评估变异的功能影响	NA	开发一种能够准确预测转录因子与DNA结合强度并评估非编码变异功能影响的工具	转录因子与DNA结合的强度以及非编码变异的功能影响	机器学习	NA	深度学习	卷积神经网络	序列数据	利用大规模的转录因子ChIP-seq数据进行模型训练和验证	NA	NA	NA	NA
6	2024-09-05	Model-Based Learning for Accelerated, Limited-View 3-D Photoacoustic Tomography 2018-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2018.2820382 PMID:29870367	研究论文	本文提出了一种专门设计用于从有限光声测量中提供高分辨率3D图像的深度神经网络	网络设计为迭代方案，并结合了数据拟合的梯度信息以补偿有限视图伪影	NA	加速有限视图3D光声断层成像	光声测量数据	计算机视觉	NA	深度学习	深度神经网络	图像	一组来自肺部CT扫描的分段血管及体内光声测量数据	NA	NA	NA	NA
7	2024-08-07	Latent source mining in FMRI via restricted Boltzmann machine 2018-06, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.24005 PMID:29457314	研究论文	本文提出了一种基于受限玻尔兹曼机（RBM）的盲源分离（BSS）方法，用于功能性磁共振成像（fMRI）时间序列分析，以提高脑网络识别的准确性	该方法通过将RBM应用于fMRI时间序列而非体积，显著降低了模型复杂性并提高了训练集规模，从而提升了训练效率	NA	探索RBM在大型fMRI数据中挖掘复杂结构的能力，并评估其在fMRI数据分析中作为深层模型构建块的潜力	fMRI数据中的脑网络识别	机器学习	NA	受限玻尔兹曼机（RBM）	RBM	时间序列	基于Human Connectome Project（HCP）数据集	NA	NA	NA	NA
8	2024-08-05	An Algorithm Based on Deep Learning for Predicting In-Hospital Cardiac Arrest 2018-06-26, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.118.008678 PMID:29945914	研究论文	本研究提出了一种基于深度学习的预警系统，用于预测院内心脏骤停	该系统表现出比现有的传统追踪和触发系统更高的性能，具有更高的敏感性和更低的误报警率	此研究基于回顾性队列，样本来源于两家医院，可能存在外部有效性限制	研究旨在提高对院内心脏骤停的预测能力	研究对象为2010年6月至2017年7月期间住院的患者共52,131例	机器学习	心脏疾病	深度学习	循环神经网络	医疗数据	52,131名患者	NA	NA	NA	NA