深度学习在生物医药领域中的应用

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
221	2025-03-11	Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning 2024-Dec-09, bioRxiv : the preprint server for biology DOI:10.1101/2024.05.05.592587 PMID:38979147	研究论文	本文介绍了一种基于深度学习的模型ICoN，用于从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并应用于高度动态的蛋白质构象采样	提出了一种新的深度学习模型ICoN，能够从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并生成新的合成构象，揭示了实验未观察到的原子级细节	模型的训练依赖于分子动力学模拟数据，可能受限于模拟的准确性和计算资源	研究高度动态蛋白质的构象集合，以理解其功能调控和疾病相关聚集	高度动态的蛋白质，特别是内在无序蛋白质（IDPs）和淀粉样β（Aβ42）单体	机器学习	NA	分子动力学模拟（MD）	深度学习模型（ICoN）	分子动力学模拟数据	NA
222	2025-03-06	Evaluating inter- and intra-rater reliability in assessing upper limb compensatory movements post-stroke: creating a ground truth through video analysis? 2024-Dec-20, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-024-01506-7 PMID:39702329	研究论文	本研究通过视频分析评估职业和物理治疗师在评估中风后上肢补偿运动时的评分者间和评分者内可靠性	使用深度学习方法和广义线性混合效应模型评估补偿运动的可靠性，为自动评估补偿运动建立基础	研究结果的可信区间较宽，可能影响结果的可靠性，且仅基于治疗师的评分无法推荐建立自动评估补偿运动的基准	评估职业和物理治疗师在评估中风后上肢补偿运动时的评分者间和评分者内可靠性	七名轻度至中度上肢运动障碍的中风患者	数字病理	中风	视频分析	广义线性混合效应模型	视频	七名中风患者和二十二名治疗师
223	2025-03-06	Lazy Resampling: Fast and information preserving preprocessing for deep learning 2024-Dec, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2024.108422 PMID:39395305	研究论文	本文介绍了一种名为Lazy Resampling的软件，旨在优化深度学习中的预处理步骤，减少信息损失并简化流程设计	Lazy Resampling通过将空间预处理操作重新表述为图形管道，减少了管道执行时间和信号退化，使裁剪等操作变为非破坏性	尽管Lazy Resampling在减少信息损失和简化流程设计方面表现出色，但其在医学影像等领域的广泛应用仍需进一步验证	优化深度学习中的预处理步骤，减少信息损失并简化流程设计	医学影像数据	计算机视觉	NA	深度学习	UNet	图像	Medical Segmentation Decathlon数据集
224	2025-03-06	Fully Automated Region-Specific Human-Perceptive-Equivalent Image Quality Assessment: Application to 18 F-FDG PET Scans 2024-Dec-01, Clinical nuclear medicine IF:9.6Q1 DOI:10.1097/RLU.0000000000005526 PMID:39466652	研究论文	本文提出了一种全自动框架，用于对全身18 F-FDG PET扫描进行区域图像质量评估（IQA）	该框架能够在日常临床图像采集过程中即时识别低质量扫描，并在人工智能驱动的18 F-FDG PET分析模型开发中通过拒绝低质量图像和带有伪影的图像来构建干净的数据集	研究样本量相对较小，且未对不同模型之间的性能差异进行深入分析	开发一种全自动且与人类感知等效的模型，用于对18 F-FDG PET图像进行区域图像质量评估	87名患者的174张18 F-FDG PET图像	数字病理学	NA	深度学习（DL）和放射组学机器学习（radiomics-ML）	深度学习模型和机器学习模型	图像	87名患者的174张18 F-FDG PET图像
225	2025-03-06	Lightweight Transformer exhibits comparable performance to LLMs for Seizure Prediction: A case for light-weight models for EEG data 2024-Dec, Proceedings : ... IEEE International Conference on Big Data. IEEE International Conference on Big Data DOI:10.1109/bigdata62323.2024.10825319 PMID:40041397	研究论文	本文提出了一种轻量级Transformer架构，用于实时EEG数据的癫痫发作预测，并与多种深度学习模型进行了性能比较	提出了一种轻量级Transformer架构，具有更小的模型尺寸和更低的计算负载，能够在实时推理中表现优异	EEG传感器数据质量的可变性、不同癫痫和发作特征、缺乏标注数据集和ML-ready基准	开发一种能够在有限硬件计算能力下实时推理的轻量级模型，用于癫痫发作预测	癫痫患者的EEG数据	机器学习	癫痫	深度学习	Transformer, ResNet, ViT, LLM	EEG数据	MLSPred-Bench数据集，包含12个基准测试
226	2025-03-05	Decoding Gestures in Electromyography: Spatiotemporal Graph Neural Networks for Generalizable and Interpretable Classification 2024-Dec-30, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2024.3523943 PMID:40030831	研究论文	本文提出了一种基于图卷积网络（GCN）的肌电图（EMG）手势识别方法，旨在解决现有方法在多通道EMG信号处理中的局限性	引入了新颖的图结构，以捕捉分布式EMG传感器的空间邻近性和EMG信号的时间邻接性，从而提高了模型的性能、泛化能力和可解释性	尽管在五个公开数据集上取得了最先进的性能，但该方法在实际应用中的效果仍需进一步验证	提升基于EMG的上肢手势识别系统的性能、泛化能力和可解释性	多通道EMG信号	机器学习	NA	图卷积网络（GCN）	GCN	EMG信号	五个公开数据集
227	2025-03-05	A Review of Deep Learning for Video Captioning 2024-Dec-26, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3522295 PMID:40030799	综述	本文对基于深度学习的视频字幕生成方法进行了全面回顾	提供了视频字幕生成领域的详细分类，包括基于注意力的架构、图网络、强化学习、对抗网络和密集视频字幕生成，并讨论了现有数据集和研究空白	未提出新的方法或模型，仅对现有研究进行总结和分类	回顾和分类视频字幕生成领域的深度学习方法	视频字幕生成方法	自然语言处理	NA	深度学习	基于注意力的架构、图网络、强化学习、对抗网络	视频	NA
228	2025-03-05	mm-HrtEMO: Non-Invasive Emotion Recognition via Heart Rate Using mm-Wave Sensing in Diverse Scenarios 2024-Dec-26, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3522316 PMID:40030825	研究论文	本文提出了一种基于毫米波雷达和深度学习的非接触式、保护隐私的情绪识别框架	该框架通过毫米波雷达在动态场景中隔离心率信号，并采用混合1D-CNN和Bi-LSTM模型进行特征提取和时序分析，确保实时性，且不受环境因素如光照或衣物的影响	NA	开发一种非侵入式情绪识别系统，适用于医疗、人机交互和教育等多种场景	通过毫米波雷达捕捉的心率信号	机器学习	NA	毫米波雷达	1D-CNN, Bi-LSTM	雷达信号	NA
229	2025-03-05	Deep Learning Based Post-stroke Myoelectric Gesture Recognition: From Feature Construction to Network Design 2024-Dec-23, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2024.3521583 PMID:40030685	研究论文	本文探讨了深度学习在脑卒中后手势识别中的应用，通过收集八名慢性脑卒中患者的表面肌电信号，研究了特征域、数据结构和神经网络架构对识别效果的影响	本研究首次全面评估了18种深度学习模型在脑卒中后手势识别中的表现，并分析了两种后处理算法对识别准确率的提升效果	研究样本量较小，仅涉及八名慢性脑卒中患者，可能影响结果的普适性	探索深度学习在脑卒中后手势识别中的应用，以提高机器人辅助康复的效果	八名慢性脑卒中患者的表面肌电信号	机器学习	脑卒中	表面肌电信号(sEMG)	CNN, CNN-LSTM, CNN-LSTM-Attention	一维和二维图像数据	八名慢性脑卒中患者
230	2025-03-05	Naturalistic multimodal emotion data with deep learning can advance the theoretical understanding of emotion 2024-Dec-21, Psychological research DOI:10.1007/s00426-024-02068-y PMID:39708231	研究论文	本文探讨了如何利用深度学习和多模态情感数据来推进情感理论的理解	通过整合多模态情感标记数据，包括主观体验、情境因素、脑-身体生理信号和表达行为，深度学习算法能够在多维空间中揭示和映射它们之间的复杂关系，从而提供对情感类别是先天还是后天习得以及情感是否表现出一致性或退化等长期问题的新的、细致入微的见解	获取全面的自然主义多模态情感数据仍面临重大挑战，特别是在自然主义多模态情感的同步测量方面需要进一步的技术进步	探讨如何利用人工智能，特别是深度学习和多模态情感数据，来克服传统研究方法的局限性，从而推进情感理论的理解	情感的多模态标记数据，包括主观体验、情境因素、脑-身体生理信号和表达行为	自然语言处理	NA	深度学习	NA	多模态数据（包括主观体验、情境因素、脑-身体生理信号和表达行为）	NA
231	2025-03-05	End-to-End Mandarin Speech Reconstruction Based on Ultrasound Tongue Images Using Deep Learning 2024-Dec-20, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2024.3520498 PMID:40030663	研究论文	本研究提出了一种基于深度学习的端到端方法，利用超声舌图像重建普通话语音	使用对抗神经网络构建语音重建模型，包括预训练的特征提取器、上采样块和判别器，以生成高保真度的重建语音	未来研究需要集中在喉切除患者的特定条件上，通过扩大训练数据集、研究超声舌成像参数的影响以及进一步优化方法来增强模型性能	通过利用发音运动信息有效恢复语音功能，进行语音康复研究	喉切除患者	自然语言处理	喉癌	深度学习	对抗神经网络	超声舌图像和语音数据	NA
232	2025-03-05	Diffusion Models as Strong Adversaries 2024-Dec-16, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2024.3514361 PMID:40030592	研究论文	本文探讨了扩散模型作为强对抗者的能力，特别是在无盒对抗攻击中的应用	首次利用扩散模型生成的数据进行无盒对抗攻击，无需访问训练数据集或目标模型	研究仅限于ImageNet数据集，未在其他数据集上验证	研究扩散模型在对抗攻击中的潜力	扩散模型生成的合成数据集	计算机视觉	NA	扩散模型	扩散模型	图像	ImageNet数据集
233	2025-03-05	MHAN-DTA: A Multiscale Hybrid Attention Network for Drug-Target Affinity Prediction 2024-Dec-16, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3518619 PMID:40030699	研究论文	本文提出了一种名为MHAN-DTA的多尺度混合注意力网络，用于药物-靶标亲和力预测，旨在解决现有方法在特征挖掘不足的问题，从而提高预测性能	提出了一个基于自注意力机制的口袋导向特征聚合和提取模块，以及一个应用于靶蛋白的分层策略，以增强模型的全局感知能力，并引入了跨模态融合模块和跨实体交互模块，用于挖掘结合位点内的多尺度细胞内和细胞间特征	NA	提高药物-靶标亲和力预测的性能	药物-靶标复合物	机器学习	NA	深度学习	多尺度混合注意力网络（MHAN-DTA）	分子数据	四个基准测试集，包括一个内部和三个外部基准数据集
234	2025-03-05	Transformer-Based Approach for Predicting Transactive Energy in Neurorehabilitation 2024-Dec-11, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2024.3515175 PMID:40030465	研究论文	本文提出了一种基于Transformer的模型，用于预测神经康复中的交易能量，以增强人机交互的安全性和个性化	引入了交易能量的概念，并开发了基于Transformer的模型来预测交易势能，为个性化机器人控制提供了新的方法	模型仅在踝关节康复机器人上进行了实验，样本量较小，且仅涉及中风患者	增强物理人机交互（pHRI）的安全性和个性化	中风患者和踝关节康复机器人	机器学习	中风	深度学习	Transformer	实验数据	5名中风患者
235	2025-03-05	DREAM-PCD: Deep Reconstruction and Enhancement of mmWave Radar Pointcloud 2024-Dec-11, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2024.3512356 PMID:40030488	研究论文	本文提出了一种名为DREAM-PCD的新框架，用于实时3D环境感知，结合信号处理和深度学习方法，解决了毫米波雷达点云重建中的三大挑战	DREAM-PCD框架通过非相干累积、合成孔径累积和实时去噪多帧网络，解决了毫米波雷达点云重建中的镜面信息丢失、低角分辨率和严重干扰问题，显著提高了泛化性能和实时能力	NA	提高毫米波雷达点云的重建质量和实时能力，以应对复杂环境下的3D感知需求	毫米波雷达点云	计算机视觉	NA	信号处理和深度学习方法	NA	毫米波雷达点云数据	超过1,000,000帧的毫米波室内数据集RadarEyes
236	2025-03-05	Continuous Estimation of Hand Kinematics from Electromyographic Signals based on Power-and Time-Efficient Transformer Deep Learning Network 2024-Dec-10, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2024.3514938 PMID:40030573	研究论文	本文提出了一种基于Transformer深度学习网络的高效方法，用于从表面肌电信号中连续估计手部运动学，旨在提高模型效率和准确性	采用EMSA（高效多重自注意力）和剪枝机制，同时提高效率和准确性，适用于可穿戴设备的实时应用	研究主要基于Ninapro DB2数据集，可能在其他数据集上的泛化能力有待验证	提高从表面肌电信号中估计手指关节角度的模型效率和准确性，以满足可穿戴设备的实时应用需求	表面肌电信号（sEMG）	机器学习	NA	深度学习	Transformer	信号数据	38名受试者的Ninapro DB2数据集
237	2025-03-05	"Understanding Robustness Lottery": A Geometric Visual Comparative Analysis of Neural Network Pruning Approaches 2024-Dec-09, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2024.3514996 PMID:40030441	研究论文	本文通过几何视觉比较分析，探讨了神经网络剪枝方法对模型内部特征表示和性能的影响	引入了一种高维模型特征空间的视觉几何分析工具，用于比较和突出剪枝对模型性能和特征表示的影响	由于神经网络的‘黑箱’性质，对剪枝过程的理解仍然有限	揭示不同剪枝方法如何改变网络的内部特征表示及其对模型性能的影响	神经网络模型	机器学习	NA	NA	神经网络	NA	NA
238	2025-03-05	Scale Propagation Network for Generalizable Depth Completion 2024-Dec-09, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2024.3513440 PMID:40030448	研究论文	本文提出了一种新的尺度传播归一化方法（SP-Norm），用于提高深度补全任务在不同场景中的泛化能力	提出了尺度传播归一化方法（SP-Norm），通过从输入到输出传播尺度信息，同时保留归一化操作以便于收敛，从而解决了现有深度补全模型在未见场景中泛化能力不足的问题	尽管在多个未见数据集上进行了广泛实验，但模型在极端稀疏深度图情况下的表现仍需进一步验证	提高深度补全任务在不同场景中的泛化能力	稀疏深度图	计算机视觉	NA	NA	ConvNeXt V2	图像	六个未见数据集，包含不同类型的稀疏深度图（随机采样0.1%/1%/10%有效像素、4/8/16/32/64线LiDAR点、结构光生成的空洞）
239	2025-03-05	A Semantic Conditional Diffusion Model for Enhanced Personal Privacy Preservation in Medical Images 2024-Dec-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3511583 PMID:40030430	研究论文	本文提出了一种新的医学图像处理框架——医学语义扩散模型（MSDM），旨在通过语义信息合成医学图像，以增强个人隐私保护	MSDM模型通过集成自适应批归一化（AdaBN）将语义信息编码到高维潜在空间，并直接嵌入去噪神经网络中，从而提高了图像质量和语义准确性，同时确保合成图像与原始图像属于同一分布	尽管MSDM在多个数据集上表现出色，但其对语义掩码的依赖可能限制了其应用范围，尽管提出了Spread算法来自动生成这些掩码	研究目标是开发一种能够有效去除医学图像中个人可识别信息（PII）的框架，以增强患者隐私保护	研究对象是医学图像，特别是包含面部特征、独特解剖结构、罕见病变或特定纹理模式的图像	计算机视觉	NA	扩散模型	MSDM（医学语义扩散模型）	图像	使用了BraTS 2021、MSD Lung、DSB18和FIVES数据集进行实验
240	2025-03-05	Synergizing Anti-Cancer Drug Combinations With Dual-View Hypergraph Representation Fusion 2024-Dec-05, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3511657 PMID:40030495	研究论文	本文提出了一种名为DVHSyn的深度学习模型，通过双视图超图表示融合来识别协同药物组合	DVHSyn模型首次利用双视图超图表示融合方法，同时学习样本三元组的局部和全局上下文关系，从而更有效地识别协同药物组合	尽管DVHSyn在实验中表现优异，但其预测新型协同药物组合的潜力仍需进一步验证	研究目标是开发一种能够有效识别协同药物组合的深度学习方法，以促进新药开发	研究对象是癌症细胞系的转录组特征和药物的分子结构	机器学习	癌症	深度学习	DVHSyn	转录组数据和分子结构数据	NA