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
1981	2025-12-05	FEMBA: Efficient and Scalable EEG Analysis with a Bidirectional Mamba Foundation Model 2025-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/EMBC58623.2025.11252697 PMID:41336943	研究论文	提出了一种名为FEMBA的新型自监督框架，用于高效、可扩展的脑电图分析	首次将双向状态空间建模引入EEG分析，相比Transformer模型实现了线性时间与内存复杂度，显著提升了处理长序列EEG数据的效率	未明确说明模型在不同EEG设备或采集协议下的泛化能力，也未讨论对罕见癫痫类型的检测性能	开发适用于资源受限环境的EEG分析模型，实现高效、可扩展的癫痫检测与伪迹识别	脑电图信号	机器学习	癫痫	脑电图	Mamba	时间序列信号	超过21,000小时的未标记EEG数据	NA	双向状态空间模型	平衡准确率, AUROC	资源受限设备（提及7.8M参数变体）
1982	2025-12-05	Self-supervised learning for stroke lesion segmentation on CT: a new pretext task for neuroimaging 2025-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/EMBC58623.2025.11253683 PMID:41336954	研究论文	本文提出了一种专为神经影像设计的自监督学习前置任务，用于CT扫描中的卒中病灶分割	创新点在于利用卒中ASPECTS评分设计了一个针对神经影像的特定前置任务，相比通用任务能提升分割性能和稳定性	NA	研究目标是开发一种自监督学习方法，以解决CT扫描中卒中病灶分割的标注数据有限和对比度低的问题	研究对象是CT扫描中的卒中病灶	数字病理学	卒中	CT扫描	深度学习模型	图像	NA	NA	NA	NA	NA
1983	2025-12-05	Yet another STAin NORmalization Method: Point Set Registration for Color Space Alignment in Histological Images 2025-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/EMBC58623.2025.11253721 PMID:41336962	研究论文	本文提出了一种名为YSTANORM的染色归一化方法，通过点集配准对齐组织学图像的颜色空间，以减轻领域偏移对深度学习模型性能的影响	利用点集配准技术计算参考图像与目标图像颜色分布之间的变换，实现颜色空间对齐，从而提升分割模型性能	染色归一化方法可能对模型性能产生负面影响，且方法效果依赖于参考图像的选择	开发一种新的染色归一化方法，以改善组织学图像分析中深度学习模型的泛化能力	组织学图像	数字病理学	NA	染色归一化	深度学习模型	图像	NA	NA	NA	NA	NA
1984	2025-12-05	Clinical Evaluation of PPG-Based Deep Learning Models for Sleep Staging in Patients with Suspected Sleep Apnea 2025-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/EMBC58623.2025.11253745 PMID:41336967	研究论文	本研究评估了基于光电容积脉搏波描记法（PPG）的深度学习模型在疑似睡眠呼吸暂停患者中进行睡眠分期的临床性能	将PPG信号与深度学习模型结合，在临床队列中评估其在家庭睡眠监测中的可行性，并比较了手腕和上臂佩戴位置以及轻量级模型变体的性能	研究样本量相对较小（134名患者），且仅针对疑似睡眠呼吸暂停患者，模型性能在上臂佩戴时有所下降	评估基于PPG的深度学习模型在临床环境中进行睡眠分期的准确性和可行性	134名疑似睡眠呼吸暂停的临床患者	机器学习	睡眠呼吸暂停	光电容积脉搏波描记法（PPG），加速度计信号	深度学习模型	PPG信号，加速度计信号	134名患者	NA	NA	准确率，Cohen's Kappa	NA
1985	2025-12-05	Multimodal Data and Deep Learning-Driven Diagnostic and Therapeutic Assistance Framework for Patellar Dislocation 2025-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/EMBC58623.2025.11253687 PMID:41336970	研究论文	本研究结合多模态数据和人工智能算法，构建了一个用于识别解剖风险因素、预测复发风险和评估术后结果的模型	提出了一个整合术前、术中和术后信息的三阶段建模框架，并在复发风险预测模块中首次纳入了脂质代谢谱和临床变量	未来需要纳入真实世界的影像数据以提升影像分析组件的性能	为髌骨脱位的诊断、预后和治疗提供更准确和个体化的临床决策支持	髌骨脱位患者	数字病理	骨科疾病	多模态数据整合	深度学习	多模态数据（临床变量、脂质代谢谱、影像数据）	未明确说明	未明确说明	未明确说明	AUC, F1-score, 敏感度	未明确说明
1986	2025-12-05	OptiGuard: Generalized, Attention-Driven & Explainable Glaucoma Classification 2025-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/EMBC58623.2025.11253669 PMID:41336972	研究论文	本文提出了一种名为OptiGuard的深度学习计算机辅助诊断系统，用于基于视网膜眼底图像的青光眼分类	集成了直观的Web界面，提供视觉和定量解释以增强模型透明度，并在跨数据集性能上表现出强大的泛化能力	未明确提及具体局限性	开发一个自动化、可解释且泛化能力强的青光眼检测系统	青光眼	计算机视觉	青光眼	视网膜眼底图像分析	深度学习	图像	使用G1020数据集进行视盘和视杯分割，使用SMDG-19数据集进行青光眼分类	NA	NA	NA	NA
1987	2025-12-05	SegUnXt+: A High-Performance Deep Learning Model for Thyroid Segmentation in Fully Automatic 3D USE Robotic Examination System 2025-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/EMBC58623.2025.11253700 PMID:41336966	研究论文	本文提出了一种结合SegUnXt+深度学习模型的全自动3D超声弹性成像机器人检查系统，用于甲状腺分割与结节检测	开发了SegUnXt+深度学习模型，在甲状腺分割和结节分割任务中表现出色，并集成到全自动3D超声弹性成像机器人系统中，提高了诊断的精确性和可重复性	未提及	提高甲状腺癌的早期检测准确性，减少观察者依赖性，实现自动化、定量的弹性成像和形态学分析	甲状腺及甲状腺结节	计算机视觉	甲状腺癌	超声弹性成像（USE）、亮度模式（USB）、3D重建	深度学习模型	3D超声图像	未提及	未提及	SegUnXt+	IoU, DC	未提及
1988	2025-12-05	Enhancing Depression Detection from Emotion EEG with Temporal-Spatial-Spectral Representation Learning 2025-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/EMBC58623.2025.11253710 PMID:41336971	研究论文	本研究提出了一种结合CNN和Transformer的混合模型EMOCT，用于从情绪EEG数据中学习时空频谱表示，以增强抑郁症的检测	提出了一种新颖的混合模型EMOCT，结合CNN和Transformer块，有效捕获与抑郁或健康精神状态相关的脑活动的时空频谱特征，实现了更全面的表示学习	样本量相对较小（33名抑郁症患者和40名健康对照），可能影响模型的泛化能力	开发可靠、客观的抑郁症诊断生物标志物，通过深度学习技术桥接可观察的抑郁症状与潜在神经特征	抑郁症患者和健康对照者在快乐、中性和悲伤情绪刺激下的脑电图记录	机器学习	抑郁症	脑电图	CNN, Transformer	脑电图信号	33名抑郁症患者和40名健康对照者	NA	EMOCT（一种结合CNN和Transformer块的混合架构）	准确率	NA
1989	2025-12-05	Transformers Predict Hypoxia-Ischemia Timing in Term Fetal Sheep EEG in the Key 2-Hour Window Post-Insult 2025-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/EMBC58623.2025.11253690 PMID:41336977	研究论文	本研究首次通过基于Transformer的深度学习模型，利用胎羊脑电图预测缺氧缺血损伤后的关键2小时窗口内的时间点	首次在临床前模型中应用Transformer架构预测缺氧缺血损伤后的时间，揭示了脑电图信号中编码损伤进展的潜在“隐藏时钟”	研究基于胎羊模型，尚未在临床人类脑电图数据上验证；高斯噪声数据增强未改善性能，可能受限于脑电图信号的内在变异性	开发一种精确预测新生儿缺氧缺血性脑病损伤时间的方法，以优化治疗干预（如低温疗法）的临床决策	八只足月胎羊的脑电图记录，通过颈动脉闭塞诱导缺氧缺血损伤	数字病理学	新生儿缺氧缺血性脑病	脑电图记录	Transformer	脑电图信号	八只胎羊的脑电图数据，采样频率为256 Hz，使用5分钟片段进行模型训练	PyTorch	Wav2Vec2	类别平衡预测准确率, F1分数	NA
1990	2025-12-05	Towards Affordable Smartphone Eye Tracking for Nystagmus Analysis and Monitoring 2025-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/EMBC58623.2025.11253718 PMID:41336982	研究论文	本研究提出了一种基于智能手机的眼动追踪流程，用于眼球震颤分析，结合深度学习分割模型和圆拟合算法估计瞳孔位置	利用智能手机和深度学习模型实现低成本、可扩展的眼球震颤分析，替代昂贵的临床眼动追踪系统	追踪性能仍需进一步改进以提升准确性	开发一种经济实惠的眼球震颤分析与监测工具	眼球震颤（眼震）运动	计算机视觉	神经系统疾病	深度学习分割，圆拟合算法	U-Net	视频	12段视动性眼球震颤（OKN）视频	NA	U-Net	交叉熵损失，交并比损失，DICE分数，相关系数R	NA
1991	2025-12-05	LocNeXt: Fast Automatic ConvNeXt-based Coronary Ostia Landmarks Detection in 3D CCTA Images 2025-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/EMBC58623.2025.11253678 PMID:41336995	研究论文	本文提出了一种基于ConvNeXt架构的快速深度学习方法LocNeXt，用于在3D心脏CT血管造影图像中自动检测冠状动脉开口标志点	利用ConvNeXt架构结合大卷积核、反向瓶颈和全局响应归一化等现代设计原则，将检测问题转化为高效的单通道3D分类任务，而非传统的向量场回归方法	未明确提及具体局限性，但方法性能可能受冠状动脉开口解剖变异性的影响，尤其是在左冠状动脉区域	开发一种快速、高效的自动检测冠状动脉开口标志点的方法，以支持临床工作流程	3D心脏CT血管造影图像中的冠状动脉开口标志点	计算机视觉	心血管疾病	心脏CT血管造影	CNN	3D图像	两个公共数据集（CAT08和ASOCA），具体样本数量未明确说明	未明确提及	ConvNeXt	中位定位误差	未明确提及
1992	2025-12-05	Deep Learning-Driven Non-Contact Sound Source Localization via Multi-Axis Analysis with Laser Doppler Vibrometry 2025-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/EMBC58623.2025.11253713 PMID:41336989	研究论文	本研究提出了一种基于多轴振动分析和深度学习分类的非侵入式声源定位方法	结合多轴振动分析与深度学习，利用激光多普勒测振技术提取方向信息，通过卷积操作和贝叶斯推理实现高精度声源到达方向估计	NA	开发一种非侵入式声源定位方法，用于临床诊断、声学工程和助听技术	声源引起的表面振动信号	机器学习	心血管疾病	激光多普勒测振技术	CNN	振动信号	两种不同材料在不同频率下的实验数据	NA	NA	分类准确率	NA
1993	2025-12-05	LPD-Net: A Lightweight and Efficient Deep Learning Model for Accurate Colorectal Polyp Segmentation 2025-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/EMBC58623.2025.11254269 PMID:41337006	研究论文	本文提出了一种轻量高效的深度学习模型LPD-Net，用于实现准确的结直肠息肉分割	通过优化网络架构、减少残差块数量以及利用深度可分离卷积和逐点卷积，在保持高分割精度的同时显著降低了计算复杂度，是DUCK-Net的轻量高效替代方案	未明确提及	开发一种适用于实时临床使用的轻量高效结直肠息肉分割模型	结肠镜图像中的结直肠息肉	计算机视觉	结直肠癌	结肠镜检查	CNN	图像	基于CVC-ClinicDB和Kvasir-SEG数据集（具体样本数量未明确提及）	NA	LPD-Net（基于DUCK-Net优化）	分割精度	NA
1994	2025-12-05	Synergistic Spatial-Frequency Feature Guided Transformer Network for Denoising X-Space Reconstruction in Magnetic Particle Imaging 2025-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/EMBC58623.2025.11254253 PMID:41337000	研究论文	本文提出了一种基于稀疏轻量级Transformer模型的协同空间-频率特征引导方法，用于磁粒子成像（MPI）图像去噪和质量增强	引入了协同空间-频率特征引导方法，结合快速傅里叶调整（FFA）模块和空间与频率引导（SAG）模块，通过双域空间-频率表示学习来提升低浓度MPI图像质量	未提及实验是否在真实临床数据上进行验证，以及方法对不同噪声水平的泛化能力的具体评估	提高磁粒子成像（MPI）在低示踪剂浓度下的图像质量，减少噪声伪影	磁粒子成像（MPI）图像，特别是低浓度下的图像	计算机视觉	NA	磁粒子成像（MPI），快速傅里叶变换（FFT）	Transformer	图像	NA	NA	稀疏轻量级Transformer，包含FFA模块和SAG模块（SFA块、MLP）	NA	NA
1995	2025-12-05	Contextual Corpus Callosum Analysis for Differentiating Early and Late Mild Cognitive Impairment 2025-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/EMBC58623.2025.11254241 PMID:41337012	研究论文	本研究提出了一种结合YOLOv5目标检测与3D CNN的新方法，用于自动分类早期和晚期轻度认知障碍，通过分析胼胝体及其周围区域的结构MRI数据	整合YOLOv5目标检测与3D CNN实现全自动化分类，无需预处理步骤，并利用“带上下文的胼胝体”提升分类准确性	NA	区分早期轻度认知障碍（EMCI）和晚期轻度认知障碍（LMCI）	胼胝体及其周围脑区	数字病理学	老年疾病	结构MRI	CNN	图像	1098名受试者的结构MRI体积数据，来自公开ADNI数据集	PyTorch	YOLOv5, 3D CNN	准确率	NA
1996	2025-12-05	HealthMap: Transforming Clinical Time-series into Visual Representation for Predictive Modeling 2025-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/EMBC58623.2025.11254209 PMID:41337019	研究论文	本研究提出了一种基于视觉的深度学习模型，将ICU时间序列数据转换为热图表示，并利用卷积神经网络进行死亡率预测	创新性地将ICU时间序列数据转换为热图表示，利用CNN进行空间特征提取，以捕捉局部和全局时间趋势，替代传统的RNN方法	未明确说明模型在捕获长时间复杂时间模式方面的具体局限性，且实验数据可能仅限于特定ICU环境	开发一种基于视觉表示的死亡率预测模型，以改善ICU患者的风险分层和临床干预	ICU患者的时间序列数据，特别是用于死亡率预测的电子健康记录（EHR）数据	机器学习	重症监护	时间序列数据转换，热图表示	CNN	时间序列数据，热图	NA	NA	卷积神经网络	AUROC, AUPRC, 整体分类准确率	NA
1997	2025-12-05	Leveraging Eye-Tracking Signals for Neurodegenerative Disease Classification with Deep Learning Models 2025-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/EMBC58623.2025.11254272 PMID:41337029	研究论文	本研究利用深度学习模型，基于133名参与者的原始眼动追踪数据，对神经退行性疾病进行分类	首次将深度学习模型直接应用于原始眼动追踪数据，以区分多种神经退行性疾病，并发现不同任务（如文本阅读和平滑追踪）在区分特定疾病组时具有独特优势	样本量相对较小（133名参与者），且疾病组间样本数量不平衡（如PDM组仅18人），可能影响模型的泛化能力	开发一种基于眼动追踪数据的客观工具，用于神经退行性疾病的分类和评估	133名参与者，包括51名健康对照、25名阿尔茨海默病患者、39名帕金森病患者和18名帕金森病类似疾病患者	机器学习	神经退行性疾病	眼动追踪	深度学习模型	眼动追踪信号数据	133名参与者	NA	NA	分类准确率	NA
1998	2025-12-05	Automated and Expert-Level Identification of Interictal Epileptiform Discharges with AI-Powered methods 2025-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/EMBC58623.2025.11254245 PMID:41337036	研究论文	本文提出了一种结合卷积自编码器和Kolmogorov-Arnold网络的深度学习模型，用于自动识别脑电图中的发作间期癫痫样放电	首次将Kolmogorov-Arnold网络用于IED分类，并结合候选选择、潜在空间压缩和特征剪枝，实现了高精度、高效率且可解释的分类	模型灵敏度为71%，仍有提升空间，且未在更大规模、更多样化的临床数据上进行验证	提高发作间期癫痫样放电的自动检测精度和效率，以辅助癫痫诊断和护理	脑电图中的发作间期癫痫样放电	机器学习	癫痫	脑电图	卷积自编码器, Kolmogorov-Arnold网络	脑电图信号	未明确说明	未明确说明	卷积自编码器, Kolmogorov-Arnold网络	精确度, 灵敏度, 准确率	未明确说明
1999	2025-12-05	Comparison of Context-based Imputation for Missing Intracranial Pressure Signal 2025-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/EMBC58623.2025.11254602 PMID:41337052	研究论文	本研究比较了不同信号插补方法在颅内压信号缺失数据重建中的表现，旨在提高ICP信号的可靠性	首次将自注意力模型（SAITS）等现代深度学习技术应用于颅内压信号缺失数据的插补，并与传统SARIMA方法进行对比	这些方法不适用于处理较长的数据缺失间隙	测试深度学习模型在颅内压信号缺失数据插补中的可行性	神经重症监护患者的颅内压信号记录	机器学习	神经系统疾病	信号处理	BRITS, VAE, SAITS	信号数据	NA	NA	双向循环网络, 变分自编码器, 自注意力模型	重建质量, 在线处理适用性	NA
2000	2025-12-05	Improved Cough Classification With Symmetric Projection Attractor Reconstruction 2025-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/EMBC58623.2025.11254626 PMID:41337076	研究论文	本研究探索使用对称投影吸引子重构（SPAR）技术，结合深度学习模型，提高基于Respeck设备加速度计数据的呼吸干扰（如咳嗽）分类准确性	首次将SPAR技术应用于Respeck加速度计数据，以增强深度学习模型对呼吸干扰的分类性能，揭示了传统方法忽略的复杂动态特征	研究样本主要来自健康志愿者和COPD患者，可能未覆盖其他呼吸疾病群体；模型在未见纵向数据上的泛化能力需进一步验证	提高呼吸干扰（特别是咳嗽）的远程监测准确性，以支持个性化干预和减少临床依赖	152名健康志愿者和17名COPD患者，使用Respeck设备收集的加速度计数据	机器学习	慢性阻塞性肺疾病（COPD）	对称投影吸引子重构（SPAR）	CNN, RNN, 混合模型	加速度计时间序列数据	152名健康志愿者和17名COPD患者，总计904天的纵向数据	NA	CNN-BiLSTM	准确率	NA