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	2025-11-17	Predict In-Hospital Code Blue Events using Monitor Alarms through Deep Learning Approach 2018-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC.2018.8513269 PMID:30441177	研究论文	本研究使用LSTM深度学习模型分析ICU监护仪报警序列，预测院内蓝色代码事件	首次将LSTM序列深度学习模型应用于连续监护仪报警序列分析，捕捉蓝色代码事件前的时间依赖特征	初步研究，样本量有限，需要进一步验证	通过深度学习减少ICU监护仪误报警，提高蓝色代码事件预测准确性	重症监护室监护仪报警数据序列	医疗健康监测	重症监护	深度学习序列分析	LSTM	时间序列报警数据	NA	NA	LSTM	AUC, 敏感度, 特异度	NA
2	2025-10-07	A novel stacked generalization of models for improved TB detection in chest radiographs 2018-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC.2018.8512337 PMID:30440497	研究论文	提出一种新颖的堆叠泛化模型，通过结合手工设计特征和CNN特征来改进胸部X光片中的结核病检测	首次将手工设计特征与CNN特征通过堆叠分类器相结合，构建非线性决策函数以提升结核病检测性能	NA	开发计算机辅助诊断工具以改善资源受限地区结核病的及时检测和治疗	胸部X光片中的结核病检测	计算机视觉	结核病	胸部X光成像	CNN, 集成学习	医学图像	NA	NA	堆叠分类器	NA	NA
3	2025-10-07	Automatic detection and classification of marmoset vocalizations using deep and recurrent neural networks 2018-07, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/1.5047743 PMID:30075670	研究论文	本研究使用深度学习和循环神经网络实现了狨猴发声的自动检测与分类	首次将LSTM-RNN应用于狨猴发声检测，并在大规模数据集上对比了多种深度学习方法与传统方法的性能	测试集区分了训练集中是否包含相同狨猴个体的数据，可能影响模型泛化能力评估	开发自动化的狨猴发声检测与分类系统	狨猴发声录音	自然语言处理	NA	音频分析	DNN, LSTM, SVM	音频	1500分钟录音数据，来自4对狨猴双胞胎	NA	DNN, LSTM-RNN	帧错误率, 准确率	NA
4	2025-10-07	FPGA implementation of deep-learning recurrent neural networks with sub-millisecond real-time latency for BCI-decoding of large-scale neural sensors (104 nodes) 2018-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC.2018.8512415 PMID:30440576	研究论文	本文提出了一种基于FPGA的深度学习递归神经网络实现，用于大规模神经传感器的脑机接口解码，能够实现亚毫秒级实时延迟	开发了名为NeuroCoder的移动低功耗嵌入式系统平台，首次在FPGA上实现了参数量达404万的LSTM RNN模型，能够实时解码10,000个神经通道	目前仅在模拟的10,000个神经通道和20维声谱时域表示的语音词解码场景中进行了概念验证	开发低延迟实时神经解码系统，用于下一代脑机接口在复杂人类任务中的应用	大规模神经传感器数据，包括神经元放电、多单元活动和局部场电位	脑机接口	NA	神经信号解码	LSTM, RNN	神经信号数据	10,000个神经通道的模拟数据	NA	LSTM	实时延迟（亚毫秒级）	FPGA（现场可编程门阵列），移动低功耗嵌入式系统平台
5	2024-11-12	Towards a Scalable Software Defined Network-on-Chip for Next Generation Cloud 2018-Jul-18, Sensors (Basel, Switzerland) DOI:10.3390/s18072330 PMID:30021975	研究论文	本文提出了一种可扩展的软件定义片上网络（SDNoC）架构，以支持下一代云计算中的高效和可扩展系统	本文的创新点在于结合了分层片上网络拓扑（如环形和2D网格拓扑）与动态重配置的优势，并引入了数据驱动的编程执行模型，以支持深度学习应用	本文未详细讨论在实际部署中可能遇到的硬件和软件兼容性问题	研究目的是设计一种可扩展且高效的片上网络架构，以支持云计算中的各种应用需求	研究对象包括片上网络的拓扑结构、动态重配置机制以及数据驱动的编程执行模型	计算机网络	NA	片上网络（NoC）	NA	NA	实验中使用了最多1024个处理核心（PEs）进行对比测试	NA	NA	NA	NA
6	2024-08-07	Extracting psychiatric stressors for suicide from social media using deep learning 2018-07-23, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-018-0632-8 PMID:30066665	研究论文	本研究旨在利用深度学习方法从社交媒体Twitter中提取与自杀相关的心理压力源	首次尝试使用深度学习方法从Twitter数据中提取心理压力源，并通过转移学习策略利用现有临床文本注释数据集	NA	探索识别Twitter上与自杀相关的心理压力源的技术	Twitter上的自杀相关推文	机器学习	NA	深度学习	卷积神经网络（CNN）和循环神经网络（RNN）	文本	包含自杀相关推文的Twitter数据集	NA	NA	NA	NA