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
2901	2026-05-24	A New Subject-Specific Discriminative and Multi-Scale Filter Bank Tangent Space Mapping Method for Recognition of Multiclass Motor Imagery 2021, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2021.595723 PMID:33762911	研究论文	提出一种新的主题特异性判别多尺度滤波器组切空间映射方法，用于多类别运动想象识别	通过多变量方差分析的非参数方法选择判别性频带，生成多尺度滤波器组，结合时间窗分解多通道脑电信号，利用切空间映射（TSM）估计特征，并采用线性支持向量机分类，有效提升多类别运动想象任务的分类精度并降低执行时间	未提及具体限制，如实验样本量较小或数据通用性不足	设计主题特异性滤波器组以提高多类别运动想象任务的识别性能	多类别运动想象脑电信号，来自4类BCI竞赛IV-2a数据集	机器学习	NA	脑电图（EEG）信号处理	支持向量机（SVM）	脑电图（EEG）信号	9名受试者的4类运动想象数据（BCI竞赛IV-2a数据集）	NA	多尺度滤波器组切空间映射（DMFBTSM）	分类准确率, 训练时间, 测试时间	NA
2902	2026-05-24	Automated and semi-automated enhancement, segmentation and tracing of cytoskeletal networks in microscopic images: A review 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.04.019 PMID:33995906	综述	综述了显微图像中细胞骨架网络的自动与半自动增强、分割和追踪方法	对比传统方法与深度学习辅助方法，强调后者在细胞骨架网络分割中的优势	仅提供简短总结，未深入比较各方法的性能	总结专用于细胞骨架网络显微图像的增强、分割和追踪方法	细胞骨架细丝及其网络结构	计算机视觉	NA	显微成像	CNN, LSTM, GAN	图像	NA	NA	NA	NA	NA
2903	2026-05-24	Quantifying behavior to understand the brain 2020-12, Nature neuroscience IF:21.2Q1 DOI:10.1038/s41593-020-00734-z PMID:33169033	综述	回顾了用于量化动物行为的技术进展，特别是运动追踪和动态结构表征方法，并探讨了深度学习在计算行为学中的应用及其对神经科学研究的推动作用	强调深度学习作为核心驱动力，推动了行为量化从传统任务（如心理物理学）向完整行为描述扩展，并提出了连接神经活动与行为的量化框架	未明确提及具体局限性，但隐含挑战包括行为量化的完整性和动态结构的解析难度	综述行为量化技术进展，探讨如何通过量化行为理解脑功能，最终解析神经环路、认知过程与行为之间的关系	动物行为，包括自然环境中的运动和心理物理学任务中的行为表现	计算机视觉、机器学习	不适用	深度学习、行为追踪、运动动力学分析	深度学习模型（如用于特征提取和动态表征的神经网络）	行为视频、运动追踪数据	不适用	不适用	不适用	不适用	不适用
2904	2026-05-24	Deep learning in the cross-time frequency domain for sleep staging from a single-lead electrocardiogram 2018-12-21, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aaf339 PMID:30524025	研究论文	该研究利用单导联心电图中的拍检测、时频域心肺耦合和深度卷积神经网络进行睡眠阶段分类	提出基于ECG的睡眠阶段分类方法，在非脑电图数据上达到最高报告结果，使用数据集比以往研究大十倍以上，系统无需人工标注可扩展至大规模分析	NA	从单导联心电图自动分类睡眠阶段	睡眠阶段（清醒、快速眼动睡眠、非快速眼动浅睡眠、非快速眼动深睡眠）	机器学习	睡眠障碍	心电图分析、心肺耦合分析	卷积神经网络	心电图信号	使用MIT-BIH多导睡眠图数据库、PhysioNet/CinC2018数据库和睡眠心脏健康研究数据库	NA	NA	NA	NA
2905	2026-05-24	Gumpy: a Python toolbox suitable for hybrid brain-computer interfaces 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae186 PMID:30215610	研究论文	介绍一个新的免费开源Python工具箱Gumpy，专为混合脑机接口设计	提供从经典机器学习到深度神经网络模型的广泛分类方法，并支持混合脑机接口的实时应用	NA	提供一个集成先进算法和信号处理方法的开源工具箱，用于混合脑机接口研究	脑电和肌电生物信号	机器学习	NA	脑电图(EEG), 肌电图(EMG), sEMG, SSVEP	深度学习模型	生物信号(EEG和EMG)	NA	Python	NA	准确率	NA
2906	2026-05-24	Comparison of logistic regression, support vector machines, and deep learning classifiers for predicting memory encoding success using human intracranial EEG recordings 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae131 PMID:30211695	研究论文	比较逻辑回归、支持向量机和深度学习分类器在利用人类颅内脑电图记录预测记忆编码成功中的性能	首次直接比较传统与深度学习方法在预测成功记忆编码中的二元分类性能	基于30名立体脑电图患者的数据集，样本量较小，可能限制泛化能力	评估不同机器学习策略在预测情景记忆编码成功中的性能，并探索特征降维的影响	记忆编码成功与否的二元分类任务	机器学习	NA	颅内脑电图	逻辑回归, 支持向量机, 深度学习	脑电信号	30名立体脑电图患者	NA	逻辑回归, 支持向量机, 深度学习	AUC	NA
2907	2026-05-24	Deep compressive autoencoder for action potential compression in large-scale neural recording 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae18d PMID:30215605	研究论文	开发一种基于深度学习的压缩模型，用于大规模神经记录中动作电位的带宽减少	首次将深度压缩自编码器与矢量量化结合应用于动作电位压缩，通过离散潜在嵌入和残差转换实现高压缩比和高质量重建	未明确说明局限性	设计低带宽、高保真的神经信号压缩方法，以支持大规模神经接口的数据传输	动作电位信号（包括合成数据集和体内数据集）	机器学习	NA	神经记录	深度压缩自编码器（CAE）	神经信号（动作电位波形）	合成数据集和体内数据集（未提供具体样本数量）	PyTorch（基于代码开源仓库推测）	残差变换编码器、解卷积解码器、矢量量化嵌入层	压缩比、重建精度、尖峰分类准确率	NA
2908	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
2909	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
2910	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
2911	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
2912	2026-05-24	A deep learning approach for fetal QRS complex detection 2018-04-20, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aab297 PMID:29485406	研究论文	提出一种基于深度学习的胎儿QRS复合波检测方法，利用卷积神经网络从原始非侵入性胎儿心电图信号中直接检测胎儿QRS复合波	无需消除母体心电图信号即可从单通道原始信号中实现可靠的胎儿QRS复合波检测	NA	探究是否能在不消除母体心电图信号的情况下，从单通道非侵入性胎儿心电图信号特征中获得可靠的胎儿QRS复合波检测性能	胎儿心电图中的QRS复合波	机器学习	胎儿疾病	非侵入性胎儿心电图	卷积神经网络	心电图信号	从PhysioNet/计算心脏病学挑战赛数据库的set-a中收集数据	NA	CNN	精确率, 召回率, F值, 准确率	NA
2913	2026-05-24	A robust deep convolutional neural network for the classification of abnormal cardiac rhythm using single lead electrocardiograms of variable length 2018-03-27, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aaaa9d PMID:29369044	研究论文	提出一种基于深度卷积神经网络的架构，用于分类单导联心电图中的异常心律	通过系统方法优化超参数、输入集和优化方法，确定了一个最优的13层CNN模型	未提及	实现房颤等异常心律的自动检测和分类	单导联心电图记录	机器学习	心血管疾病	NA	卷积神经网络 (CNN)	信号（心电图）	训练集8528条短单导联心电图记录，测试集3658条记录	NA	13层CNN	F1分数	计算速度快，支持实时应用
2914	2026-05-23	A Hierarchical Multimodal Framework for Sedation Monitoring in ICU Patients 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3626584 PMID:41150235	研究论文	提出一种分层多模态融合动态校正框架，整合脑电图与生理信号用于ICU患者镇静水平监测	提出分层多模态融合与动态校正机制，通过置信加权方法智能融合脑电图时域特征和频谱特征，实现优于单模态和简单融合方法的镇静状态分类性能	未提及	开发一种连续、客观的ICU患者镇静水平监测方法，克服传统行为量表的主观性和延迟性	ICU患者的镇静水平分级（RASS评分从-5到+1的七个等级）	机器学习	重症监护疾病	脑电图（EEG）与生理信号采集	深度学习多模态融合模型（分层多模态融合动态校正框架）	时间序列信号（脑电图、血压、心率、血氧饱和度）	105名ICU患者的2880个标注RASS评估样本	NA	双流路径网络（处理原始时域脑电图数据和频谱图的谱特征）、动态校正模块	分类准确率（83.8%）	NA
2915	2026-05-23	An Active Dry-Contact Continuous EEG Monitoring System for Seizure Detection Applications in Clinical Neurophysiology 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3629563 PMID:41196782	research paper	提出一种基于主动干接触电极的低成本可调脑电图头套，结合可解释深度学习模型和多模态伪影去除算法，用于新生儿癫痫检测	结合主动干接触电极、可调头套设计、可解释深度学习模型和多模态伪影去除算法，实现低成本、实时新生儿癫痫检测，在临床环境取得优于基准方法的性能	仅在单个儿科失神癫痫患者上进行临床评估，样本量小，可能限制泛化性	开发低成本、连续脑电图监测系统，用于新生儿癫痫检测	新生儿癫痫患者	machine learning	癫痫	干接触电极EEG	深度学习模型	脑电图信号	1位儿科失神癫痫患者	NA	NA	相关系数、信噪比、准确率、召回率	NA
2916	2026-05-23	Direct Quantification of Uncertainty in Deep Learning-Based Automatic Sleep Staging 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3623380 PMID:41115081	研究论文	评估和比较深度学习中自动睡眠分期的不确定性量化方法	提出了一种新的Hypnodensity区间（HI）方法，结合样本均值和标准差进行不确定性评估	仅基于STAGES和DOD数据集验证，方法在更广泛场景中的表现需进一步探索	提高自动睡眠分期系统的透明度并支持临床采用	深度学习模型在睡眠分期中的不确定性量化方法	机器学习	睡眠相关疾病	MC dropout	深度学习模型（具体未指定）	脑电图等生理信号数据（来自STAGES和DOD数据集）	STAGES数据集用于训练，DOD数据集用于独立评估	NA	NA	准确率	NA
2917	2026-05-23	A Cost-Efficient Multi-Angle Fusion Deep Learning for Ultrasound Localization Microscopy 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3623140 PMID:41115083	研究论文	提出一种名为AF-UNet的轻量级多角度深度学习框架，用于加速超声定位显微镜中的杂波滤波	AF-UNet通过处理旋转3D同相/正交数据的时空切片并融合，实现组织抑制与微血管重建，在多个解剖器官上表现出强泛化性和高图像保真度	NA	开发计算机高效且适用于实时临床应用的超声定位显微镜杂波滤波方法	微泡定位实现的微血管结构超分辨率成像	计算机视觉	NA	超声定位显微镜	深度学习模型 (AF-UNet)	超声图像数据	包括大脑、眼睛、肾脏在内的多种解剖器官数据	PyTorch	AF-UNet	图像保真度	NA
2918	2026-05-23	Cross-Hemispheric Spatial-Temporal Attention Network for Decoding Silent Speech From EEG 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3624878 PMID:41129430	研究论文	提出跨半球时空注意力网络（CHSTAN）用于从脑电图解码无声言语	利用语言功能侧化原则，设计多尺度时间卷积块和半球空间卷积块，并引入交叉注意力机制增强半球间特征交互，特别强化左半球特征表示	研究仅针对10个中文汉字的无声言语任务，样本量和类别数有限，可能限制模型泛化能力	提高基于脑电图的言语解码性能	10个不同中文汉字的无声言语任务中的脑电图信号	机器学习	言语障碍	脑电图（EEG）	CNN（卷积神经网络）	信号	未明确报告样本数量，涉及10个中文汉字的无声言语任务	NA	跨半球时空注意力网络（CHSTAN）	准确率, F1分数	NA
2919	2026-05-23	Zero-Shot Unsupervised Motion Estimation for Motion-Corrected Cardiac T1 Mapping 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3624279 PMID:41124069	研究论文	提出一种基于深度学习的零样本无监督运动估计方法，用于心脏T1映射的运动校正	利用物理qMRI信号模型进行零样本运动估计，无需大规模训练数据，对欠采样伪影具有鲁棒性	未提及实际计算资源需求或与其他运动校正方法的全面比较	实现连续采集的心脏qMRI数据的非刚性运动校正，缩短扫描时间	心脏T1映射中的运动估计与校正	数字病理学	弥漫性心肌纤维化	定量磁共振成像	U-Net	图像	数值模拟和体内采集数据	PyTorch	U-Net	T1精度, 清晰度, 时间图像对齐	NA
2920	2026-05-23	In Silico Digital Breast Tomosynthesis Dataset for the Comparative Analysis of Deep Learning Models in Tumor Segmentation 2026-Apr, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01626-z PMID:40760265	研究论文	评估计算机生成的数字乳腺断层合成（DBT）数据作为肿瘤分割深度学习模型训练来源的可行性	首次系统评估计算机生成的DBT数据在深度学习肿瘤分割中的可用性，并比较了13种模型架构在合成数据上的表现	样本量有限（230个感兴趣区域），合成数据与真实数据之间存在域偏移	探索计算机生成的DBT数据作为深度学习模型用于乳腺肿瘤分割训练的可行性	乳腺肿瘤分割任务及13种深度学习模型（U-Net、FCN、DeepLabv3、DeepLabv3+等）	计算机视觉	乳腺癌	数字乳腺断层合成成像	U-Net, FCN, DeepLabv3, DeepLabv3+	图像	230个二维感兴趣区域	PyTorch	U-Net, FCN, DeepLabv3, DeepLabv3+, ResNet50, ResNet101	F1分数, 交并比, 精确率, 召回率	NA