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
9841	2025-01-03	Automatic Detection and Assessment of Freezing of Gait Manifestations 2024, 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.2024.3431208 PMID:39028610	研究论文	本文研究了使用深度学习技术基于惯性测量单元数据自动检测和评估帕金森病患者的冻结步态（FOG）表现	本文创新性地将深度学习应用于冻结步态的分类，并引入细化模型以解决过分割错误，成功区分了冻结步态与其他形式的运动停止	研究样本量较小，仅包含18名帕金森病患者，需要在更大和更多样化的验证队列中进一步研究	分析深度学习在分类冻结步态表现中的有效性，并评估其严重程度	帕金森病患者的冻结步态表现	机器学习	帕金森病	深度学习	深度学习模型	惯性测量单元数据	18名帕金森病患者
9842	2025-01-03	BrainNPT: Pre-Training Transformer Networks for Brain Network Classification 2024, 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.2024.3434343 PMID:39074019	研究论文	本文提出了一种基于Transformer网络的预训练方法BrainNPT，用于脑功能网络分类	首次将Transformer网络应用于脑网络分析，并提出了预训练框架以利用未标记数据	未明确提及具体局限性	提高脑功能网络分类的准确性	脑功能网络数据	机器学习	NA	Transformer网络	Transformer	脑功能网络数据	未明确提及具体样本数量
9843	2025-01-03	fNIRS-Driven Depression Recognition Based on Cross-Modal Data Augmentation 2024, 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.2024.3429337 PMID:39012734	研究论文	本文提出了一种基于跨模态数据增强的fNIRS驱动的抑郁症识别架构（fCMDA），通过将fNIRS数据转换为伪序列激活图像来提高抑郁症诊断的准确性	提出了跨模态数据增强方法（fCMDA），将fNIRS数据转换为伪序列激活图像，并结合时间域增强机制生成多样化数据，解决了数据不足的问题	数据收集仍然依赖于标准实验范式，且数据量有限，可能影响模型的泛化能力	提高抑郁症的早期诊断和干预效果，探索基于fNIRS和深度学习的抑郁症识别方法	抑郁症患者	机器学习	抑郁症	功能近红外光谱（fNIRS）	深度分类网络	fNIRS数据	NA
9844	2025-01-03	Digital Biomarker for Muscle Function Assessment Using Surface Electromyography With Electrical Stimulation and a Non-Invasive Wearable Device 2024, 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.2024.3444890 PMID:39150814	研究论文	本文提出了一种使用表面肌电图（sEMG）结合电刺激和可穿戴设备的数字生物标志物测量技术，用于在家方便地监测肌肉功能	结合电刺激和可穿戴设备，利用卷积神经网络模型从连续小波变换图像中提取深度学习特征，训练回归模型来测量数字生物标志物	研究仅招募了健康参与者，未涉及患有肌肉功能退化的人群	开发一种便捷的肌肉功能监测技术，以检测由肌肉减少症引起的肌肉退化	20-60岁的健康参与者	数字病理学	老年疾病	表面肌电图（sEMG）结合电刺激	卷积神经网络（CNN）	图像	98名健康参与者，包括48名男性
9845	2025-01-03	ABR-Attention: An Attention-Based Model for Precisely Localizing Auditory Brainstem Response 2024, 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.2024.3445936 PMID:39159023	研究论文	本文介绍了一种名为ABR-Attention的深度学习网络，用于自动提取听觉脑干反应（ABR）中的特征波V潜伏期	ABR-Attention模型引入了自注意力模块、一阶和二阶导数注意力模块以及回归模块，提高了特征波V潜伏期提取的准确性和效率	尽管ABR-Attention在提取特征波V潜伏期方面表现出色，但其在不同声压水平（SPLs）和不同误差尺度下的效果仍需进一步验证	开发一种自动提取ABR特征波V潜伏期的方法，以减少临床医生的工作量	听觉脑干反应（ABR）中的特征波V潜伏期	机器学习	NA	深度学习	ABR-Attention	信号数据	NA
9846	2025-01-03	A Novel Method to Identify Mild Cognitive Impairment Using Dynamic Spatio-Temporal Graph Neural Network 2024, 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.2024.3450443 PMID:39190512	研究论文	本文提出了一种利用动态时空图神经网络识别轻度认知障碍的新方法	首次从时空结构的角度分析rs-fMRI数据，构建了动态时空图神经网络模型，包含时间块、空间块和图池化块三个模块	未提及模型在其他数据集或更大样本上的泛化能力	提高轻度认知障碍（MCI）的识别准确率，并探索其在阿尔茨海默病（AD）研究中的应用	轻度认知障碍（MCI）、阿尔茨海默病（AD）和正常对照组（NC）的受试者	数字病理学	老年疾病	rs-fMRI	动态时空图神经网络	图像	未提及具体样本数量
9847	2025-01-03	A Strong and Simple Deep Learning Baseline for BCI Motor Imagery Decoding 2024, 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.2024.3451010 PMID:39196743	研究论文	本文提出了一种名为EEG-SimpleConv的简单1D卷积神经网络，用于脑机接口（BCI）中的运动想象解码	EEG-SimpleConv使用标准组件构建，具有高性能和低推理时间，展示了跨受试者的强大知识转移能力	未明确提及具体局限性	提出一个简单且高性能的基线模型，用于脑机接口中的运动想象解码	脑机接口中的运动想象数据	机器学习	NA	1D卷积神经网络	CNN	EEG数据	四个EEG运动想象数据集
9848	2025-01-03	Effects of Individual Research Practices on fNIRS Signal Quality and Latent Characteristics 2024, 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.2024.3458396 PMID:39259640	研究论文	本研究评估了不同实验室在功能性近红外光谱（fNIRS）信号质量上的差异及其潜在特征	首次使用深度学习模型提取fNIRS数据的深层特征，并通过支持向量机（SVM）模型对不同实验室的数据进行分类	研究仅涉及两个实验室的数据，样本量相对较小，可能无法全面反映fNIRS信号质量的差异	评估不同实验室在fNIRS信号质量上的差异及其潜在特征	新加坡（N=74）和意大利（N=84）两个不同实验室收集的fNIRS数据	神经影像学	NA	功能性近红外光谱（fNIRS）	支持向量机（SVM）	fNIRS信号数据	新加坡74人，意大利84人
9849	2025-01-03	Federated Motor Imagery Classification for Privacy-Preserving Brain-Computer Interfaces 2024, 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.2024.3457504 PMID:39255189	研究论文	本文提出了一种名为FedBS的联邦学习方法，用于保护EEG数据隐私的脑机接口运动想象分类	FedBS结合了本地批次特定批归一化和锐度感知最小化优化器，以减少不同客户端之间的数据差异并提高模型泛化能力	NA	研究如何在保护用户数据隐私的同时，训练出准确的EEG脑机接口分类器	EEG数据	机器学习	NA	联邦学习	深度学习模型	EEG数据	三个公共运动想象数据集
9850	2025-01-03	Early Detection of Parkinson's Disease Using Deep NeuroEnhanceNet With Smartphone Walking Recordings 2024, 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.2024.3462392 PMID:39288062	研究论文	本文利用智能手机的行走记录数据，通过深度学习模型NeuroEnhanceNet进行帕金森病的早期检测	提出了专门针对惯性传感器数据的深度学习模型NeuroEnhanceNet，能够同时关注单通道内的长期数据特征和通道间的相关性	未提及样本的具体数量和多样性，可能影响模型的泛化能力	探索智能手机行走记录数据在帕金森病早期检测中的应用	帕金森病患者	数字病理学	帕金森病	深度学习	NeuroEnhanceNet	惯性传感器数据	NA
9851	2025-01-03	Cortical ROI Importance Improves MI Decoding From EEG Using Fused Light Neural Network 2024, 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.2024.3461339 PMID:39283802	研究论文	本文提出了一种基于融合轻量神经网络的脑电信号运动想象解码方法，通过区域重要性提升解码性能	提出了一种新的运动想象解码方法，通过区域重要性（RI）和代表性偶极子（RD）来增强特征提取，并结合2D可分离卷积和门控循环单元（2DSCG）进行分类	NA	提高基于脑电信号的运动想象解码性能，用于智能康复的脑机接口	脑电信号（EEG）	机器学习	NA	随机森林算法，2D可分离卷积，门控循环单元（GRU）	2DSCG（2D可分离卷积和门控循环单元）	脑电信号（EEG）	基于两个公开数据集
9852	2025-01-02	Assessing small molecule conformational sampling methods in molecular docking 2025-Jan-05, Journal of computational chemistry IF:3.4Q2 DOI:10.1002/jcc.27516 PMID:39476310	研究论文	本研究评估了不同小分子构象采样方法在分子对接中的影响	结合了传统采样方法和基于深度学习的模型（Torsional Diffusion）进行评估，并探讨了不同方法的性能差异	不同采样方法因独特的偏好（如可旋转键的二面角采样范围）而表现不一，可能需要结合互补方法以进一步提升对接性能	评估小分子构象采样方法在分子对接中的效果	小分子构象采样方法	分子对接	NA	分子对接	Torsional Diffusion	分子构象数据	Platinum Diverse Dataset、PoseBusters dataset、DUDE-Z dataset
9853	2025-01-02	Point-of-Care Potassium Measurement vs Artificial Intelligence-Enabled Electrocardiography for Hyperkalemia Detection 2025-Jan-01, American journal of critical care : an official publication, American Association of Critical-Care Nurses IF:2.7Q1 DOI:10.4037/ajcc2025597 PMID:39740977	研究论文	本研究比较了床旁血钾检测和人工智能心电图在检测高钾血症中的准确性	首次比较了床旁血钾检测和人工智能心电图在检测高钾血症中的准确性	样本量较小，仅包括15名高钾血症患者和252名非高钾血症患者	确定床旁血钾检测和人工智能心电图在检测高钾血症中的准确性	重症监护患者	医疗人工智能	高钾血症	深度学习模型	深度学习模型	心电图数据	267名患者（15名高钾血症患者和252名非高钾血症患者）
9854	2025-01-02	Generalizability, robustness, and correction bias of segmentations of thoracic organs at risk in CT images 2024-Dec-31, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11321-2 PMID:39738559	研究论文	本研究评估并比较了两种最先进的深度学习方法在CT图像中分割四个胸部风险器官（食管、气管、心脏和主动脉）的性能，以用于放疗计划	比较了多器官分割方法和多个单器官模型融合方法，并评估了它们在对抗性扰动下的鲁棒性、在外部数据集上的泛化能力，以及专家校正引入的潜在偏差	专家对AI分割的校正可能导致结果偏差，需要使用手动注释的测试集来评估这些方法的性能	评估和比较两种深度学习方法在CT图像中分割胸部风险器官的性能，以用于放疗计划	CT图像中的四个胸部风险器官（食管、气管、心脏和主动脉）	数字病理	NA	深度学习	nnU-Net	CT图像	NA
9855	2025-01-02	A novel artificial intelligence segmentation model for early diagnosis of bladder tumors 2024-Dec-30, Abdominal radiology (New York) DOI:10.1007/s00261-024-04715-9 PMID:39738572	研究论文	本文开发了一种基于深度学习的智能诊断系统，用于早期膀胱癌的诊断，以提高早期膀胱肿瘤的识别率	提出了一种新的膀胱肿瘤分割网络（BTS-Net），基于transformer架构，能够准确诊断早期膀胱癌病变	NA	提高早期膀胱肿瘤的识别率，减少漏诊	膀胱癌患者	计算机视觉	膀胱癌	深度学习	transformer	视频	273名膀胱癌患者
9856	2025-01-02	Single-nucleus transcriptome atlas of orbitofrontal cortex in amyotrophic lateral sclerosis with a deep learning-based decoding of alternative polyadenylation mechanisms 2024-Dec-16, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.22.573083 PMID:38187588	研究论文	本文通过单核RNA测序和深度学习模型APA-Net，研究了肌萎缩侧索硬化症（ALS）和额颞叶变性（FTLD）中眶额皮层的细胞类型特异性转录特征和选择性多聚腺苷酸化机制	开发了APA-Net深度学习模型，整合转录序列和RNA结合蛋白表达谱，揭示了细胞类型特异性的选择性多聚腺苷酸化调控模式	研究主要集中于C9orf72相关的ALS和散发性ALS病例，可能不适用于所有ALS亚型	揭示ALS和FTLD中细胞类型特异性的病理机制和转录调控	ALS和FTLD患者的眶额皮层细胞	数字病理学	肌萎缩侧索硬化症	单核RNA测序	APA-Net	RNA序列数据	C9orf72相关ALS（伴或不伴FTLD）和散发性ALS病例
9857	2025-01-02	Calibration-free estimation of field dependent aberrations for single molecule localization microscopy across large fields of view 2024-Dec-11, bioRxiv : the preprint server for biology DOI:10.1101/2024.12.11.627909 PMID:39713420	研究论文	本文提出了一种无需校准的模型方法，用于估计单分子定位显微镜中的场依赖像差	引入了一种基于模型的方法，直接从单分子数据中估计场依赖像差，无需校准步骤	未提及具体局限性	提高单分子定位显微镜的图像质量	微管和核孔复合物	计算机视觉	NA	单分子定位显微镜（SMLM）	基于节点的像差理论	2D和3D定位数据	视野范围达180 μm的微管和核孔复合物数据
9858	2025-01-02	MEFFNet: Forecasting Myoelectric Indices of Muscle Fatigue in Healthy and Post-Stroke During Voluntary and FES-Induced Dynamic Contractions 2024, 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.2024.3431024 PMID:39028608	研究论文	本文提出了一种名为MEFFNet的深度学习模型，用于预测健康和中风后患者在自主和FES诱导动态收缩中的肌电疲劳指数	将迁移学习引入深度学习模型MEFFNet，用于预测动态收缩中的肌电疲劳指数，并在合成时间序列数据集上进行预训练以提高预测性能	研究样本量较小，且仅针对肘部屈伸运动进行测试，未涵盖其他肌肉群或运动类型	开发一种能够预测肌电疲劳指数的深度学习模型，以应用于可穿戴技术、辅助设备（如外骨骼和假肢）和功能性电刺激（FES）神经假体等领域	健康和中风后患者在自主和FES诱导动态收缩中的肌电疲劳指数	机器学习	中风	功能性电刺激（FES）	MEFFNet	时间序列数据	16名健康受试者和17名中风后受试者
9859	2025-01-02	Retrospective imaging studies of gastric cancer: Study protocol clinical trial (SPIRIT Compliant) 2020-Feb, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000019157 PMID:32080093	研究论文	本研究旨在开发一种深度学习模型，用于胃癌中腹膜转移的术前准确诊断	首次基于CT图像使用深度学习技术诊断胃癌中的腹膜转移	研究为回顾性研究，可能存在选择偏倚	提高CT在胃癌腹膜转移诊断中的性能	胃癌患者	数字病理学	胃癌	CT	深度卷积神经网络（DCNN）	图像	所有胃癌患者，具体数量未明确
9860	2025-01-01	An attention 3DUNET and visual geometry group-19 based deep neural network for brain tumor segmentation and classification from MRI 2025-Feb, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2283164 PMID:37979152	研究论文	本文提出了一种基于注意力3DUNET和视觉几何组-19的深度神经网络，用于从MRI图像中进行脑肿瘤分割和分类	提出了一种新颖的深度学习系统，结合了空间和通道注意力机制的三维U形网络（SC3DUNet）和基于扩张卷积的视觉几何组-19（DCVGG-19），用于脑肿瘤的分割和分类	该方法主要针对3D脑MRI图像，未涉及其他类型的医学影像	提高脑肿瘤的早期检测和分类准确率	脑肿瘤	数字病理学	脑肿瘤	深度学习	SC3DUNet, DCVGG-19	3D MRI图像	BraTS2020数据集