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
5101	2025-04-06	Detection of Brain Abnormalities in Parkinson's Rats by Combining Deep Learning and Motion Tracking 2023, 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.2023.3237916 PMID:37021880	研究论文	结合深度学习和运动追踪技术检测帕金森病大鼠的脑部异常	提出了一种端到端的CNN-BGRU深度学习模型，用于从3D坐标信息中提取时空信息并进行分类	研究仅使用了6-OHDA处理的大鼠模型，未涉及其他帕金森病动物模型或人类患者数据	开发一种新的临床检测帕金森综合征的方法	6-OHDA处理的帕金森病大鼠模型和健康大鼠	计算机视觉	帕金森病	三维运动捕捉技术	CNN-BGRU	3D坐标信息	未明确提及样本数量，仅提到病鼠和健康鼠
5102	2025-04-06	Schizo-Net: A novel Schizophrenia Diagnosis Framework Using Late Fusion Multimodal Deep Learning on Electroencephalogram-Based Brain Connectivity Indices 2023, 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.2023.3237375 PMID:37022027	研究论文	提出了一种基于多模态深度学习的晚期融合框架Schizo-Net，用于通过脑电图(EEG)的脑连接指数诊断精神分裂症	首次考虑大量脑连接指数用于精神分裂症诊断，并采用晚期融合多模态深度学习框架	NA	开发高准确度和可靠的精神分裂症诊断模型	精神分裂症患者和健康受试者的EEG数据	机器学习	精神分裂症	EEG信号处理和深度学习	多模态深度学习框架(六种不同架构)	EEG信号	NA
5103	2025-04-06	Interpretable Multi-Modal Image Registration Network Based on Disentangled Convolutional Sparse Coding 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3240024 PMID:37022244	研究论文	提出了一种基于解缠卷积稀疏编码的可解释多模态图像配准网络（InMIR-Net），用于解决多模态图像配准问题	首次将多模态图像配准问题建模为解缠卷积稀疏编码（DCSC）模型，并设计了一个伴随指导网络（AG-Net）来监督RA特征的提取	未提及具体的数据集规模限制或计算资源需求	提高多模态图像配准的准确性和效率，同时增强模型的可解释性	多模态图像，包括RGB/深度图像、RGB/近红外（NIR）图像、RGB/多光谱图像、T1/T2加权磁共振（MR）图像和CT/MR图像	计算机视觉	NA	解缠卷积稀疏编码（DCSC）	InMIR-Net, AG-Net	多模态图像	NA
5104	2025-04-06	Deep Face Video Inpainting via UV Mapping 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3240835 PMID:37022429	research paper	提出了一种基于UV映射的两阶段深度学习方法，用于面部视频修复	利用3DMM作为3D面部先验，在UV空间进行面部修复，减少姿势和表情变化的影响，并引入帧间注意力模块利用相邻帧的对应关系	未明确提及具体局限性	解决面部视频修复问题，特别是在大姿态和表情变化下的修复效果	面部视频	computer vision	NA	deep learning	CNN	video	未明确提及样本数量
5105	2025-04-06	Self-Supervised Learning for Label- Efficient Sleep Stage Classification: A Comprehensive Evaluation 2023, 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.2023.3245285 PMID:37022869	研究论文	本文评估了自监督学习在少量标签情况下提升睡眠阶段分类模型性能的效果	利用自监督学习解决睡眠阶段分类中标签稀缺问题，仅需5%的标签数据即可达到与全标签监督训练相当的性能	研究仅基于三个睡眠阶段分类数据集，可能无法覆盖所有实际应用场景	探索自监督学习在脑电信号睡眠阶段分类中的应用效果	脑电信号(EEG)睡眠阶段分类模型	机器学习	睡眠障碍	自监督学习(SSL)	深度学习模型	EEG信号	三个SSC数据集
5106	2025-04-06	A Model Combining Multi Branch Spectral-Temporal CNN, Efficient Channel Attention, and LightGBM for MI-BCI Classification 2023, 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.2023.3243992 PMID:37022898	研究论文	提出了一种结合多分支谱时CNN、高效通道注意力和LightGBM的模型，用于解码运动想象脑机接口任务	提出了一种新的端到端深度学习模型MBSTCNN-ECA-LightGBM，结合多分支CNN、高效通道注意力机制和LightGBM，显著提高了MI-BCI任务的解码准确率	未提及模型在不同噪声水平或不同受试者群体中的泛化能力	提高运动想象脑机接口任务的解码准确率	运动想象脑电图信号	脑机接口	NA	EEG信号处理	MBSTCNN-ECA-LightGBM（多分支谱时CNN、高效通道注意力机制、LightGBM）	脑电图信号	未明确提及具体样本数量，但使用了受试者内跨会话训练策略
5107	2025-04-06	MRCPs-and-ERS/D-Oscillations-Driven Deep Learning Models for Decoding Unimanual and Bimanual Movements 2023, 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.2023.3245617 PMID:37027527	研究论文	提出了一种基于运动相关皮层电位（MRCPs）和事件相关同步/去同步（ERS/D）振荡的深度学习模型，用于解码单侧和双侧手部运动意图	首次将MRCPs和ERS/D振荡融合到深度学习中，以提高多类别单侧和双侧手部运动解码的性能	未提及具体样本量或数据集的局限性	提高脑机接口（BCI）中单侧和双侧手部运动意图的解码性能	脑电图（EEG）信号中的单侧和双侧手部运动意图	脑机接口	神经系统疾病	EEG信号分析	CNN	EEG信号	NA
5108	2025-04-06	Toward Adversarial Robustness in Unlabeled Target Domains 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3242141 PMID:37022907	研究论文	本文提出了一种名为无监督跨域对抗训练（UCAT）的新框架，用于解决在未标记目标域中进行对抗训练的问题	UCAT框架通过利用标记源域的知识，结合自动选择的高质量伪标签和源域数据的判别性锚表示，有效防止对抗样本误导训练过程	未明确提及具体限制，但可能包括对源域和目标域之间分布差异的敏感性	提高深度学习模型在未标记目标域中对对抗攻击的鲁棒性	深度学习模型在跨域环境中的对抗训练	机器学习	NA	对抗训练（AT）	深度学习模型	未标记目标域数据和标记源域数据	四个公共基准数据集
5109	2025-04-06	Connections Between Deep Equilibrium and Sparse Representation Models With Application to Hyperspectral Image Denoising 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3245323 PMID:37027683	研究论文	本研究探讨了多维视觉数据的稀疏表示问题，提出了一种新的计算高效稀疏编码优化方法，并应用于高光谱图像去噪	结合可学习正则化技术与神经网络作为结构先验，开发了基于深度展开和深度均衡的算法，在稀疏表示理论与深度学习建模之间建立了桥梁	未明确提及具体的数据集规模限制或计算资源需求	解决多维视觉数据（如高光谱图像）的稀疏表示与去噪问题	多维视觉数据（高光谱图像、彩色图像或视频数据）	计算机视觉	NA	稀疏编码优化、深度学习建模	深度展开算法、深度均衡算法	图像（高光谱图像、彩色图像、视频数据）	未明确提及具体样本量
5110	2025-04-06	Integrated Multiscale Domain Adaptive YOLO 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3255106 PMID:37028346	研究论文	本文提出了一种新颖的多尺度域自适应YOLO框架（MS-DAYOLO），用于解决深度学习应用中的域偏移问题	引入了三种新颖的深度学习架构用于域适应网络（DAN），包括渐进特征缩减（PFR）、统一分类器（UC）和集成架构	NA	解决深度学习中的域偏移问题，提升目标检测性能	YOLOv4目标检测器	计算机视觉	NA	深度学习	YOLOv4, Faster R-CNN	图像	流行数据集（未具体说明数量）
5111	2025-04-06	MDTL: A Novel and Model-Agnostic Transfer Learning Strategy for Cross-Subject Motor Imagery BCI 2023, 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.2023.3259730 PMID:37030758	研究论文	提出了一种新颖且模型无关的迁移学习策略MDTL，用于跨被试运动想象脑机接口	MDTL策略利用多源域数据到目标域以及多源域之间的迁移，具有模型无关性，能快速部署于现有模型	未明确提及具体局限性	提升跨被试运动想象脑机接口的性能并减少准备时间	运动想象脑机接口系统	机器学习	NA	迁移学习	DeepConvNet, ShallowConvNet, EEGNet	EEG信号	两个公开的运动想象数据集（BCIC IV dataset 2a和Lee2019）
5112	2025-04-06	Tolerating Annotation Displacement in Dense Object Counting via Point Annotation Probability Map 2023, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2023.3331908 PMID:37971907	研究论文	本文提出了一种通过点标注概率图（PAPM）来容忍密集物体计数中标注位移的方法	利用广义高斯分布（GGD）函数构建学习目标点标注概率图（PAPM），以提高对标注位移的鲁棒性	手设计的PAPM方法可能对特定网络和数据集不是最优的	提高密集物体计数中对标注位移的鲁棒性	拥挤场景中的物体计数	计算机视觉	NA	广义高斯分布（GGD）	P2PNet	图像	NA
5113	2025-04-06	Deep learning and radiomics framework for PSMA-RADS classification of prostate cancer on PSMA PET 2022-Dec-29, EJNMMI research IF:3.1Q1 DOI:10.1186/s13550-022-00948-1 PMID:36580220	研究论文	开发了一个深度学习和放射组学框架，用于在PSMA PET图像上进行前列腺癌的PSMA-RADS分类	结合深度学习和放射组学方法，实现了病变级别和患者级别的PSMA-RADS分类，并提供了置信度和概率评分	研究为回顾性研究，样本来源单一	提高前列腺癌在PSMA PET图像上的分类准确性	前列腺癌患者的PSMA PET图像	数字病理学	前列腺癌	PET/CT扫描	深度学习	医学影像	267名男性患者的3794个病变
5114	2025-04-06	Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram 2021-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-021-01264-7 PMID:34711971	研究论文	介绍了一种名为Tangram的方法，用于将单细胞/单核RNA测序数据与空间数据对齐，以构建器官的生物图谱	Tangram方法能够将sc/snRNA-seq数据与多种空间数据形式对齐，包括MERFISH、STARmap、smFISH、Spatial Transcriptomics (Visium) 和组织学图像，并能处理多模态数据如SHARE-seq	虽然Tangram能够解决空间分辨率和基因通量的限制，但其在更广泛的组织类型和疾病模型中的应用仍需验证	构建器官的生物图谱，将单细胞转录组数据与解剖尺度关联	健康小鼠脑组织，特别是视觉和躯体运动区域	数字病理学	NA	sc/snRNA-seq, MERFISH, STARmap, smFISH, Spatial Transcriptomics (Visium), SHARE-seq	深度学习	单细胞转录组数据、空间数据、多模态数据	健康小鼠脑组织样本
5115	2025-04-06	Determination of disease severity in COVID-19 patients using deep learning in chest X-ray images 2021-Jan, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.5152/dir.2020.20205 PMID:32815519	研究论文	本研究利用深度学习技术分析COVID-19患者的胸部X光片，以确定疾病严重程度	首次在COVID-19急性爆发期间应用深度学习模型进行胸部X光片分析，并评估其与放射科医生解读的一致性	样本量较小（48名患者），且为单中心回顾性研究	探索COVID-19患者临床特征与胸部X光片表现之间的关联，并评估深度学习模型在急性爆发环境中的应用可行性	48名SARS-CoV-2 RT-PCR阳性患者（年龄60±17岁，15名女性）的65张胸部X光片	数字病理学	COVID-19	深度学习	深度学习模型（具体架构未说明）	胸部X光图像	48名患者（65张X光片）
5116	2025-04-05	Radioisotope compositional analysis using Monte Carlo γ-ray simulations and regression neural network 2025-Jun, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine IF:1.6Q3 DOI:10.1016/j.apradiso.2025.111746 PMID:40020474	research paper	本文开发了一种基于回归的卷积神经网络（CNN），用于预测模拟混合源光谱中的源及其比例，并与传统的库最小二乘算法进行了比较	采用回归CNN预测混合放射性同位素的光谱组成，相比传统线性方法具有更高的准确性和效率	研究基于模拟数据，实际环境中的噪声和干扰可能影响模型性能	开发高效自动化的γ光谱分析工具，用于放射性同位素的识别和定量分析	6种不同的放射性同位素及其混合光谱	machine learning	NA	Monte Carlo γ-ray simulations, GEANT4软件包	CNN	γ-ray光谱数据	6种同位素的综合模拟数据集
5117	2025-04-05	Light scattering imaging modal expansion cytometry for label-free single-cell analysis with deep learning 2025-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108726 PMID:40112688	研究论文	本研究开发了一种基于深度学习的模态扩展细胞术，用于无标记单细胞分析	提出了一种新的网络优化方法，结合对抗损失、L1距离损失和VGG感知损失，将单模光散射图像扩展为多模态图像	实验验证仅限于模拟图像、标准球体和特定细胞类型（如宫颈癌细胞和白血病细胞）	开发一种无标记单细胞分析方法，用于药物开发、疾病诊断和个性化医疗	宫颈癌细胞和白血病细胞	计算机视觉	宫颈癌和白血病	深度学习	GAN	图像	模拟图像、标准球体和多种细胞类型（如宫颈癌细胞和白血病细胞）
5118	2025-04-05	The impact of training image quality with a novel protocol on artificial intelligence-based LGE-MRI image segmentation for potential atrial fibrillation management 2025-Jun, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.108722 PMID:40112687	研究论文	本研究开发了一种基于深度学习的自动化分割流程，通过标准化标记协议提高LGE-MRI图像分割的准确性和效率，以支持心房颤动患者的消融治疗	采用标准化标记协议和预训练的RIFE模型，显著提高了神经网络在心房LGE-MRI图像分割中的性能	研究样本量未明确说明，可能影响结果的普遍性	开发高效的自动化深度学习分割流程，以改善心房颤动患者的消融治疗效果	心房颤动患者的LGE-MRI图像	数字病理	心血管疾病	LGE-MRI	nnU-Net, smpU-Net++, RIFE	图像	NA
5119	2025-04-05	Developing the Artificial Intelligence Method and System for "Multiple Diseases Holistic Differentiation" in Traditional Chinese Medicine and Its Interpretability to Clinical Decision 2025-Jun, Journal of evidence-based medicine DOI:10.1111/jebm.70016 PMID:40176367	研究论文	本研究开发了一种结合先验规则和深度学习的中医人工智能方法及系统，用于提升中医多病整体辨证的临床决策透明度和可解释性	提出了融合BERT与CNN的TCM-BERT-CNN模型作为基准模型，并开发了TCM-SEI-RD方法和TCM-MDHD系统，显著提高了中医证候要素预测性能	未提及具体临床验证规模或跨中心验证结果	开发可解释的中医人工智能系统以支持临床决策	中医多病整体辨证（MDHD）中的证候与模式	自然语言处理	中医多病种	深度学习与规则融合	BERT-CNN混合模型	专家知识数据集与临床序列数据	未明确说明具体样本量
5120	2025-04-05	Deep Learning-Based Precontrast CT Parcellation for MRI-Free Brain Amyloid PET Quantification 2025-May-01, Clinical nuclear medicine IF:9.6Q1 DOI:10.1097/RLU.0000000000005652 PMID:39876079	研究论文	本研究开发了一种基于深度学习的CT脑区分割模型，用于无MRI依赖的淀粉样蛋白PET定量	首次提出利用深度学习直接从CT图像进行脑区分割，无需高分辨率MRI，实现了淀粉样蛋白PET的准确定量	研究基于回顾性数据，且样本量相对有限（226例）	开发不依赖MRI的淀粉样蛋白PET定量方法	轻度认知障碍或痴呆患者（157例）和健康对照者（69例）	数字病理学	老年痴呆症	PET/CT扫描	UNet	CT和PET图像	226人（157例患者+69例对照）