深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 2151 篇文献，本页显示第 601 - 620 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 601 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_102531
PMID:41442629
|
研究论文 | 本研究利用tau-PET数据和深度学习算法，识别了阿尔茨海默病谱系中基于tau蛋白空间积累模式的三种不同亚型 | 采用新颖的自监督深度学习框架结合高斯混合模型，基于tau-PET的空间模式识别阿尔茨海默病的异质性亚型 | 本研究为横断面研究，无法确定亚型的时间演变或因果关系 | 识别阿尔茨海默病谱系中基于tau蛋白空间积累模式的异质性人群亚型 | 阿尔茨海默病谱系中的个体 | 数字病理学 | 阿尔茨海默病 | tau-PET成像 | 深度学习, 高斯混合模型 | 图像 | 318名参与者（来自ADNI Phase 3） | NA | NA | 验证准确率, 调整互信息分数 | NA |
| 602 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_103177
PMID:41442697
|
研究论文 | 本研究利用先进的成像技术和自动化处理流程，识别额颞叶痴呆亚型的敏感生物标志物并优化临床试验设计 | 整合了体积和扩散MRI指标，并结合深度学习分割技术，提高了变化检测的精确性和早期性，从而降低了临床试验所需的样本量 | 研究样本主要来自FTLDNI数据库，可能无法完全代表所有额颞叶痴呆患者群体 | 识别额颞叶痴呆亚型的敏感生物标志物，优化临床试验设计，以支持疾病修饰疗法的开发 | 额颞叶痴呆患者，包括行为变异型、语义变异型原发性进行性失语和非流利变异型原发性进行性失语亚型，以及健康对照 | 数字病理学 | 额颞叶痴呆 | MRI, 扩散MRI, 深度学习分割 | 深度学习 | MRI图像 | 238名参与者（52名bvFTD, 32名nfvPPA, 35名svPPA, 117名健康对照） | NA | NA | 样本量计算, 脑萎缩减少检测 | NA |
| 603 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_099593
PMID:41443276
|
研究论文 | 本研究开发了一种利用多模态MRI检测阿尔茨海默病淀粉样蛋白病理的深度学习方法，旨在提供一种成本效益高、可及性强且非侵入性的替代方案 | 创新点在于利用常规获取的MRI扫描合成淀粉样蛋白病理图像，从而避免了传统昂贵且侵入性的PET检测方法 | 模型准确度（0.71）仍有待进一步提高，且方法目前处于概念验证阶段，需要更广泛的验证 | 研究目标是开发一种非侵入性、成本效益高的方法来早期检测阿尔茨海默病的淀粉样蛋白病理，以改善患者预后 | 研究对象为阿尔茨海默病神经影像学倡议（ADNI）中的参与者，涵盖阿尔茨海默病谱系及认知健康的成年人 | 数字病理学 | 阿尔茨海默病 | 多模态MRI（T1加权和T2加权） | 深度学习模型 | 图像（MRI和PET扫描） | 1,488对AV-45淀粉样蛋白PET和MRI扫描用于训练，149名参与者用于验证 | NA | U-Net | 灵敏度, 特异性, 准确度 | NA |
| 604 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_104230
PMID:41443610
|
研究论文 | 本文提出了一种名为DeepSUVR的新型深度学习方法，通过学习纵向趋势中的扫描特异性变异来校正淀粉样蛋白PET成像中的标准化摄取值比（SUVR）量化，并在多个大型队列中验证其性能 | 开发了一种基于深度学习的SUVR校正方法，该方法利用纵向数据训练模型以学习扫描特异性变异，从而在独立访问中进行推理，提高了淀粉样蛋白PET量化的准确性和一致性 | 模型训练需要纵向数据，可能限制了在缺乏此类数据的研究中的应用 | 提高淀粉样蛋白PET成像中SUVR量化的准确性和跨研究、跨示踪剂的一致性，以支持一致的决策制定和干预效果评估 | 淀粉样蛋白PET图像，来自多个大型队列（如AIBL、ADNI、OASIS3、AMYPAD、MCSA、HABS-HD、A4-LEARN）的参与者 | 医学影像分析 | 阿尔茨海默病 | 淀粉样蛋白PET成像，Centiloid量化 | 深度学习网络 | 图像 | 8,806名参与者，12,320次扫描 | NA | DeepSUVR | Spearman秩相关，AUC，组间分离，效应大小 | NA |
| 605 | 2025-12-28 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_100253
PMID:41443657
|
研究论文 | AD-Detect Kenya项目旨在通过深度学习分析认知、临床和生物心理社会标志物，提升肯尼亚老年人痴呆风险预测和表型分析，为非洲阿尔茨海默病及相关痴呆症的精准预防策略奠定基础 | 首次在非洲低资源环境中整合多模态深度表型方法，结合文化验证的神经心理学工具、数字数据捕获和先进成像技术，针对非洲人群开发定制化痴呆风险预测模型 | 初步研究阶段，样本规模和长期随访数据有限，结果需进一步验证；在低资源环境中的技术实施可能面临挑战 | 开发适用于非洲人群的痴呆风险预测和表型分析方法，为痴呆临床试验和预防策略提供支持 | 肯尼亚老年人，包括健康对照组、轻度认知障碍患者和痴呆患者，涵盖不同社会经济阶层 | 数字病理学 | 老年疾病 | 深度学习分析，多模态表型方法，神经心理学评估，数字数据捕获（语音、嗅觉系统），先进成像（MRI、FDG-PET），液体生物标志物（血液、尿液、唾液） | 深度学习模型 | 多模态数据，包括认知测试数据、临床数据、生物心理社会标志物、影像数据、生物流体数据 | 初步研究涉及肯尼亚老年人群体，具体样本规模未明确说明 | NA | NA | NA | NA |
| 606 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_098995
PMID:41443812
|
研究论文 | 本文介绍了一种名为purple-mri的新型软件包，用于对死后MRI进行组织分割、解剖分区和空间标准化，并提供了一个在共同坐标系中连接形态测量与组织病理学的点状表面组级研究框架 | 开发了结合深度学习与经典技术的体素和表面联合处理流程，用于死后大脑半球的精确分区，并实现了死后与生前MRI之间的可变形图像配准，以在共同参考坐标系中关联厚度与病理分布 | 研究样本量有限（N=49匹配案例，部分分析包含额外26例），且主要关注阿尔茨海默病连续体诊断，可能无法推广到其他疾病或更大群体 | 开发并验证一个用于死后MRI大规模图像分析的软件包，以促进死后与生前MRI信息的映射，从而指导更精确和敏感的体内生物标志物开发 | 死后大脑半球MRI图像（7T，0.3mm³分辨率）及对应的生前MRI图像（3T，0.8mm³分辨率），涉及阿尔茨海默病及相关痴呆症（ADRD）连续体诊断的脑标本 | 数字病理学 | 阿尔茨海默病及相关痴呆症 | MRI（7T和3T）、组织病理学检查、可变形图像配准 | 深度学习 | 图像 | 49例匹配的死后与生前MRI脑标本，额外26例仅死后MRI扫描（部分分析中总N=75） | NA | NA | NA | NA |
| 607 | 2025-12-28 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_099054
PMID:41444858
|
研究论文 | 本研究通过新型物体-位置记忆测试，比较了早发性阿尔茨海默病、语言变异型原发性进行性失语症、后皮质萎缩症和认知正常参与者的记忆障碍模式 | 首次使用专门设计的物体-位置记忆测试来深入探究非典型阿尔茨海默病综合征中的关联记忆障碍，并揭示了不同变体在编码和存储损失方面的差异 | 样本量相对较小，且研究仅关注早期阶段患者，可能无法全面反映疾病进展中的记忆变化 | 明确非典型阿尔茨海默病综合征中记忆障碍的共享和可分离模式，以改进诊断和认知训练策略 | 早发性阿尔茨海默病、语言变异型原发性进行性失语症、后皮质萎缩症患者及认知正常对照者 | 神经科学 | 阿尔茨海默病 | 物体-位置记忆测试，方差分析，事后t检验，一般线性模型 | NA | 行为测试数据，神经影像数据 | 75名参与者（16名EOAD，9名lvPPA，21名PCA，29名CN） | NA | NA | z分数，t值，p值 | NA |
| 608 | 2025-12-28 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_099219
PMID:41444929
|
研究论文 | 本文评估了基于自注意力的深度学习模型SAITS在阿尔茨海默病纵向认知评估数据缺失值填补中的有效性 | 首次将自注意力机制的深度学习模型SAITS应用于阿尔茨海默病纵向认知数据缺失填补，并与传统方法及先进深度学习模型进行比较 | 研究仅基于特定数据集（GERAS-EU和GERAS-US），未来需评估模型对下游任务（如认知衰退预测）的影响 | 评估深度学习填补方法在阿尔茨海默病纵向认知数据缺失处理中的效果 | 阿尔茨海默病患者的纵向认知评估数据（MMSE和ADAS-cog评分） | 机器学习 | 阿尔茨海默病 | 纵向认知评估数据缺失填补 | 深度学习 | 时间序列数据 | GERAS-EU研究1336名参与者，GERAS-US研究563名参与者 | NA | SAITS, iTransformer, BRITS | 平均绝对误差（MAE） | NA |
| 609 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_098859
PMID:41445100
|
研究论文 | 本研究使用深度学习模型RetinAD分析视网膜照片，比较了非痴呆老年受试者中RetinAD分类为“阳性”和“阴性”的视网膜血管网络差异，以探索其识别阿尔茨海默病早期风险的潜力 | 首次将已验证的深度学习模型RetinAD应用于非痴呆老年人群，评估其识别视网膜微血管病变的能力，并发现阳性受试者具有更高的血管分支系数，提示该模型可能用于早期阿尔茨海默病风险预测 | 样本量较小（仅187名受试者），且研究人群局限于香港地区的主观认知下降患者，可能限制结果的普遍性；未进行长期随访以验证模型对未来痴呆发展的预测准确性 | 比较RetinAD分类的“阳性”与“阴性”非痴呆老年受试者的视网膜血管网络测量差异，探索RetinAD在识别早期阿尔茨海默病相关视网膜微血管病变中的应用 | 香港BEAT AD服务项目中的非痴呆社区居住老年受试者（59-80岁），伴有主观认知下降 | 数字病理学 | 阿尔茨海默病 | 视网膜摄影，深度学习模型分析，视网膜血管定量测量 | 深度学习模型 | 视网膜图像 | 187名主观认知下降的受试者 | NA | RetinAD | 分支系数（动脉和静脉），年龄和平均动脉压调整后的显著性检验 | NA |
| 610 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_101044
PMID:41445122
|
研究论文 | 本研究开发了一种名为DL-SHAP的可解释人工智能方法，用于基于全脑MRI体积变化预测阿尔茨海默病连续体的认知功能，并识别关键脑区 | 首次将深度学习模型与SHAP特征重要性策略相结合，系统性地研究全脑体积变化与认知功能之间的多变量预测关系，并识别出与认知预测和疾病严重程度相关的关键脑区层次结构 | 研究样本量相对有限（实验数据n=668），且年龄范围较宽（55.1-91.5岁），可能影响模型的泛化能力 | 开发可解释的AI方法以预测阿尔茨海默病连续体的认知功能，并揭示全脑体积变化与认知之间的多变量关系 | 阿尔茨海默病连续体患者 | 机器学习 | 阿尔茨海默病 | MRI | 深度学习, 机器学习 | 图像 | 半模拟数据1108例，实验数据668例（年龄55.1-91.5岁，女性46.1%） | 未明确说明 | 未明确说明 | Spearman相关系数 | NA |
| 611 | 2025-12-28 |
Dementia Care Research and Psychosocial Factors
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70858_097670
PMID:41445158
|
研究论文 | 本文开发了一种基于视觉Transformer的自动化痴呆诊断流程，用于分析手绘时钟绘图测试图像 | 首次将视觉Transformer与CNN预处理结合，实现完全自动化的痴呆诊断，性能优于传统人工评分和现有深度学习模型 | 研究依赖于特定数据集，未在更广泛人群中进行验证，且未考虑其他认知障碍因素的干扰 | 开发一种自动化、可扩展的远程认知筛查工具，以提高痴呆诊断的可及性和舒适度 | 阿尔茨海默病及其他形式痴呆患者的认知筛查 | 计算机视觉 | 老年疾病 | 时钟绘图测试图像分析 | CNN, ViT | 图像 | 训练集：NHATS数据集（n=54027）；测试集：TDRA临床队列（痴呆诊断n=522，正常认知n=340） | PyTorch, TensorFlow | Vision Transformer, MiniVGG, MobileNetV2, RF-VAE | 平衡准确度 | NA |
| 612 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_099536
PMID:41445160
|
研究论文 | 本研究开发了一种融合语音和绘图数据的多模态深度学习模型，以提高痴呆症诊断的准确性 | 首次将语音和绘图数据与临床数据结合，通过加权集成学习构建多模态模型，用于痴呆症筛查 | 样本仅来自韩国五家大学医院，可能限制模型的泛化能力；绘图数据在二元分类任务中贡献有限 | 开发并评估多模态深度学习模型以改善痴呆症诊断准确性 | 来自韩国五家大学医院的1,091名参与者（包括认知正常、轻度认知障碍和痴呆患者） | 机器学习 | 老年疾病 | 语音转换为MFCC谱图，绘图预处理为灰度图像 | DenseNet, MLP | 语音、图像、临床数据 | 1,091名参与者 | NA | DenseNet, 多层感知机 | 准确率, AUC | NA |
| 613 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_100169
PMID:41445171
|
研究论文 | 本研究提出了一种基于SWI MRI和Attention U-Net的自动微出血检测方法，用于评估抗淀粉样蛋白治疗中的ARIA-H严重程度 | 采用带有深度监督的Attention U-Net架构处理脑微出血的小尺寸和形态相似性，提高了检测的准确性和可靠性 | 研究为单中心数据，未来需要多中心外部验证，并考虑纳入更多ARIA相关因素以提升检测的全面性 | 开发一种自动化的微出血检测系统，以改善抗淀粉样蛋白治疗中ARIA-H评估的效率和可靠性 | 来自Asan Medical Center的565例SWI MRI扫描，包括429例阳性和136例阴性病例 | 数字病理学 | 老年疾病 | SWI MRI | CNN | 图像 | 565例SWI MRI扫描（429例阳性，136例阴性） | PyTorch | Attention U-Net | Dice系数, Matthews相关系数, AUC, 敏感性, 特异性 | NA |
| 614 | 2025-12-28 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_100938
PMID:41445245
|
研究论文 | 本研究使用可穿戴脑电图设备评估轻度认知障碍患者的睡眠阶段变化，并探究其与认知功能的关系 | 首次使用可穿戴单通道前额脑电图设备在家庭环境中评估轻度认知障碍患者的睡眠结构，并发现快速眼动睡眠减少与认知功能下降相关 | 样本量较小（7名MCI患者和13名对照），数据收集仍在进行中，需进一步验证 | 探索阿尔茨海默病的早期生物标志物，特别是睡眠障碍与认知功能下降的关系 | 轻度认知障碍患者和年龄匹配的认知健康对照者 | 数字病理学 | 阿尔茨海默病 | 可穿戴脑电图，多导睡眠图 | 深度学习 | 脑电图信号 | 7名轻度认知障碍患者和13名认知健康对照者 | NA | U-Sleep | p值，效应量（d） | NA |
| 615 | 2025-12-28 |
Biomarkers
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70856_104560
PMID:41445244
|
研究论文 | 本文提出了一种基于深度学习的语音分析方法，用于通过声学和语言特征识别早期认知衰退 | 使用双向长短期记忆网络结合声学和语言特征来预测认知障碍，相比传统机器学习和其他深度学习模型表现更优 | 样本量较小（81名参与者），且仅限于英语母语者，可能影响模型的泛化能力 | 开发一种可访问且可扩展的认知障碍和阿尔茨海默病诊断方法 | 阿尔茨海默病研究中心的参与者提供的语音样本 | 自然语言处理 | 阿尔茨海默病 | 语音处理，特征提取 | BiLSTM | 音频，文本 | 81名英语母语参与者（19名轻度认知障碍，62名认知未受损） | 未明确指定，但提及了深度学习模型 | 双向长短期记忆网络 | 准确率，F1分数 | NA |
| 616 | 2025-12-28 |
Data-driven assessment of air quality and health benefits from future shipping emission controls in coastal China
2025-Dec, Eco-Environment & Health
DOI:10.1016/j.eehl.2025.100203
PMID:41446865
|
研究论文 | 本文开发了名为DeepShip的深度学习模型，用于预测与航运相关的PM浓度，并评估未来航运排放控制政策对沿海中国空气质量和健康效益的影响 | 结合多任务学习和生成对抗训练策略，增强数据驱动模型对小排放源变化的敏感性，并基于210种排放情景全面分析航运相关PM对人为排放变化的响应 | 未明确提及模型在极端或未预见排放情景下的泛化能力，以及数据覆盖范围的局限性 | 评估未来航运排放控制政策对沿海中国空气质量和健康效益的影响，以支持政策制定 | 航运相关的PM浓度、排放控制情景（硫和氮排放）、成本效益分析 | 机器学习 | NA | 深度学习、多任务学习、生成对抗训练 | 深度学习模型 | 排放数据、PM浓度数据 | 基于210种排放情景进行分析 | NA | DeepShip | NA | NA |
| 617 | 2025-12-28 |
Geometry-based BERT: An experimentally validated deep learning model for molecular property prediction in drug discovery
2025-Dec, Journal of pharmaceutical analysis
IF:6.1Q1
DOI:10.1016/j.jpha.2025.101465
PMID:41446890
|
研究论文 | 本文提出了一种名为GEO-BERT的自监督表示学习框架，用于药物发现中的分子性质预测 | GEO-BERT通过整合三维分子构象的位置信息，并引入原子-原子、键-键和原子-键三种位置关系，增强了分子结构的表征能力 | NA | 开发用于药物发现中分子性质预测的深度学习模型 | 分子结构，特别是DYRK1A抑制剂 | 机器学习 | NA | 自监督表示学习 | Transformer | 分子结构数据（原子和化学键信息） | NA | NA | BERT | NA | NA |
| 618 | 2025-12-28 |
Basic Science and Pathogenesis
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70855_107083
PMID:41447114
|
研究论文 | 本文提出了一种名为NADCSM的可解释深度学习框架，用于阿尔茨海默病生存分析，旨在平衡预测性能与临床实用性 | 结合神经可加模型与深度聚类生存机，提供对脑区贡献的可解释性见解，同时保持竞争力的预测性能 | 模型仍基于特定数据集（ADNI AV45 PET），其泛化能力需进一步验证，且可解释性方法可能受限于特征选择 | 开发可解释的深度学习模型以识别影响阿尔茨海默病进展的关键脑区，促进生物标志物发现和靶向治疗开发 | 阿尔茨海默病及轻度认知障碍患者的基因型、人口统计学和影像数据 | 机器学习 | 阿尔茨海默病 | AV45 Florbetapir PET成像 | 神经可加模型, 深度聚类生存机 | 影像数据, 基因型数据, 人口统计学数据 | 来自ADNI数据库的AV45 Florbetapir PET影像数据，具体样本数量未明确说明 | 未明确说明，但提及使用多层感知机 | NADCSM（神经可加深度聚类生存机） | C指数, LogRank统计量 | NA |
| 619 | 2025-12-28 |
Clinical Manifestations
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70857_102378
PMID:41447149
|
研究论文 | 本研究评估了大型语言模型在仅基于文本临床笔记预测痴呆症方面的有效性，并开发了一种分层注意力机制模型 | 提出了一种结合句子级和类别级注意力的分层注意力机制，用于从临床笔记中提取关键信息，并利用文本数据质量提升上下文信息提取 | 研究仅基于韩国数据集（n=1387），可能缺乏泛化性；且未详细探讨模型在不同医疗环境或语言中的表现 | 评估大型语言模型在仅基于文本临床笔记预测痴呆症方面的有效性，并开发一种改进的分类方法 | 临床笔记数据，来自韩国收集的阿尔茨海默病（AD）患者和正常对照（NC）个体 | 自然语言处理 | 痴呆症 | 深度学习，分层注意力机制 | Transformer-based model (DistilBERT), LLMs (ChatGPT, LLaMA, Claude) | 文本（临床笔记） | 1387个样本（AD=542，NC=845） | 未明确指定，但提及预训练DistilBERT模型 | DistilBERT, 分层注意力机制（句子级注意力和类别级注意力） | 准确率, F1分数 | NA |
| 620 | 2025-12-28 |
Dementia Care Research and Psychosocial Factors
2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz70858_100300
PMID:41447237
|
研究论文 | 本研究利用实时定位系统（RTLS）数据，通过机器学习模型检测痴呆患者的运动激越行为，并识别休息-活动节律的数字表型，以支持纵向行为健康监测 | 首次将RTLS数据与临床评估结合，开发基于机器学习的运动激越检测模型，并应用无监督深度学习识别痴呆患者的休息-活动数字表型，为行为症状提供客观量化指标 | 研究样本量较小（47名参与者），且需在长期护理环境中进一步验证模型的普适性和有效性 | 开发基于RTLS数据的临床标记物和表型，以监测痴呆患者的行为健康变化 | 痴呆患者，特别是住院护理单元中的个体 | 数字病理学 | 老年疾病 | 实时定位系统（RTLS）、机器学习、无监督深度学习 | 机器学习模型、深度学习 | 位置数据、临床评估数据 | 47名痴呆患者，平均每人7周的位置数据 | NA | NA | AUROC | NA |