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
1381	2025-12-05	Estimating the difficulty of medical classification tasks using 3D image datasets 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/EMBC58623.2025.11253315 PMID:41336244	研究论文	本研究提出基于影像特征评估3D医学图像分类任务难度的指标，以预测深度学习模型性能	首次将轮廓系数和Fréchet起始距离应用于3D医学图像数据集难度评估，并与深度学习模型性能建立关联	仅测试两种指标和两种深度学习模型，未涵盖更广泛的评估方法	开发医学图像分类任务难度的预测指标，减少资源密集型基准研究的需求	3D医学图像分类数据集	计算机视觉	NA	影像组学特征提取	深度学习模型	3D医学图像	NA	NA	NA	轮廓系数, Fréchet起始距离	NA
1382	2025-12-05	Leveraging Memory for Improved Medical Image Segmentation with Limited Parameters 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/EMBC58623.2025.11253352 PMID:41336253	研究论文	本文提出了一种结合2D U-Net和LSTM单元的新型架构2D LSTM U-Net，用于在有限参数下改进医学图像分割，并利用3D信息	提出2D LSTM U-Net，通过结合2D U-Net的鲁棒分割能力和LSTM的顺序数据处理优势，在保持硬件需求最低的同时利用3D信息，参数比现有2D和3D模型分别少1.6倍和16.5倍	NA	在有限硬件资源下实现高效的医学图像分割，同时利用3D体积信息	CT-ORG和BraTS 2020数据集中的医学图像	数字病理学	NA	深度学习	CNN, LSTM	3D医学图像体积	NA	NA	U-Net, LSTM	NA	NA
1383	2025-12-05	Fast Multi-Organ Fine Segmentation in CT Images with Hierarchical Sparse Sampling and Residual Transformer 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/EMBC58623.2025.11253344 PMID:41336261	研究论文	本文提出了一种基于分层稀疏采样和残差Transformer的快速多器官精细分割框架，用于CT图像中的多器官分割	创新点在于结合分层稀疏采样策略和残差Transformer网络，在减少计算时间的同时保持多分辨率层次上下文信息，实现快速且准确的分割	NA	研究目标是开发一种快速且准确的多器官分割方法，以解决现有方法在速度与准确性之间的权衡问题	研究对象是CT图像中的多器官分割	计算机视觉	NA	CT成像	Transformer	3D医学图像	内部数据集包含10,253张CT图像，以及公开数据集TotalSegmentator	NA	残差Transformer	定性分割性能，定量分割性能	CPU硬件，分割速度约为2.24秒
1384	2025-12-05	Multi-modal data fusion for enhanced pancreatic cancer detection 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/EMBC58623.2025.11253307 PMID:41336254	研究论文	本文研究了多模态数据融合策略在胰腺癌检测中的应用，通过整合图像和临床特征提升计算机辅助诊断性能	首次系统比较了数据级、决策级和特征级三种融合策略在医学图像分析中的效果，并引入新的多模态动物数据集作为基准	研究使用的胰腺癌数据集规模有限，且融合方法尚未探索更先进的深度学习架构	探索多模态数据融合策略对胰腺癌检测性能的提升效果	胰腺癌患者和动物模型的多模态数据	计算机视觉	胰腺癌	3D腹部CT扫描	深度学习模型	图像, 临床特征	内部胰腺癌数据集（具体数量未说明）和新构建的多模态动物数据集	未明确说明	未明确说明	AUC	未明确说明
1385	2025-12-05	Enhancing Skin Lesion Classification Generalization with Active Domain Adaptation 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/EMBC58623.2025.11253341 PMID:41336258	研究论文	提出一种结合自监督学习和主动领域自适应的方法，以增强皮肤病变分类模型的泛化能力	将自监督学习与主动领域自适应结合，应用于皮肤病变分类，以处理不同领域偏移下的泛化问题	NA	提高皮肤病变分类模型在临床环境中的泛化性能，促进深度学习模型在医学影像中的广泛应用	皮肤病变图像	计算机视觉	皮肤癌	自监督学习，主动领域自适应	深度学习模型	图像	十个皮肤病变数据集	NA	NA	NA	NA
1386	2025-12-05	From Brainwaves to Brain Scans: A Robust Neural Network for EEG-to-fMRI Synthesis 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/EMBC58623.2025.11253321 PMID:41336259	研究论文	本文提出了一种名为E2fNet的深度学习模型，用于从低成本EEG数据合成fMRI图像	提出了一种简单而有效的编码器-解码器网络，能够捕获并转换EEG电极通道中的多尺度特征为准确的fMRI表示，在结构相似性指数测量（SSIM）上达到最先进性能	未提及	通过深度学习模型合成fMRI图像以增强神经影像能力	EEG数据和fMRI图像	机器学习	NA	EEG, fMRI	编码器-解码器网络	EEG数据, fMRI图像	三个公共数据集	NA	E2fNet	结构相似性指数测量（SSIM）	NA
1387	2025-12-05	Self-supervised Learning through Multi-magnification Feature Correspondence for Histopathological Image Analysis 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/EMBC58623.2025.11253358 PMID:41336270	研究论文	本研究提出了一种基于多尺度特征对应的自监督学习方法，用于组织病理学图像分析	通过模拟病理诊断中整合多放大倍数观察的过程，学习跨不同结构的一致特征表示，从而提升目标诊断任务的性能	未在更广泛的数据集或任务上进行验证，且未详细讨论计算效率或泛化能力	开发一种自监督学习方法，以解决病理图像标注数据稀缺的问题，并提升病理图像分类任务的性能	组织病理学图像	数字病理学	NA	自监督学习	深度学习模型	图像	NA	NA	NA	分类任务性能指标	NA
1388	2025-12-05	GlucoNet: A Hybrid Learning Methodology for Non-Invasive Blood Glucose Estimation from PPG 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/EMBC58623.2025.11253359 PMID:41336279	研究论文	本文介绍了一种名为GlucoNet的深度学习架构，用于从PPG信号中非侵入性地估计血糖水平	提出了一种结合CNN和BiLSTM模块的混合深度学习架构，以同时学习PPG信号的空间和时间特征，用于血糖估计	NA	开发一种非侵入性、实时的方法来估计血糖水平，以支持糖尿病的早期检测和持续管理	PPG信号	机器学习	糖尿病	光电容积脉搏波描记法(PPG)	CNN, BiLSTM	信号数据	NA	NA	GlucoNet (CNN + BiLSTM混合架构)	平均绝对误差(MAE), 均方根误差(RMSE), 相关系数(R), Clarke误差网格分析	NA
1389	2025-12-05	Decoding Human Attentive States from Spatial-temporal EEG Patches Using Transformers 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/EMBC58623.2025.11254148 PMID:41336297	研究论文	本文提出了一种基于Transformer的深度学习框架EEG-PatchFormer，用于解码脑电图（EEG）中的注意力状态，应用于脑机接口（BCI）	通过整合Temporal CNN、点卷积CNN以及空间和时间分块模块，将EEG特征组织成时空块，并利用自注意力机制全局学习时空信息，提升了EEG数据解码性能	NA	解码人类注意力状态，应用于脑机接口（BCI）中的注意力分类	脑电图（EEG）数据	机器学习	NA	脑电图（EEG）	Transformer, CNN	脑电图（EEG）信号	NA	PyTorch（基于代码库推断）	Transformer, CNN（包括Temporal CNN和点卷积CNN）	准确率, ROC曲线下面积（AUC）, 宏F1分数	NA
1390	2025-12-05	Unified Cross-Modal Attention-Mixer Based Structural-Functional Connectomics Fusion for Neuropsychiatric Disorder Diagnosis 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/EMBC58623.2025.11254194 PMID:41336300	研究论文	提出了一种名为ConneX的多模态融合方法，通过结合跨模态注意力机制和MLP-Mixer，用于融合结构性和功能性连接组学数据以增强神经精神障碍的诊断性能	引入统一的跨模态注意力网络来捕获模态内和模态间交互，同时利用MLP-Mixer层优化全局和局部特征，结合多头联合损失进行端到端分类	未明确提及具体局限性，可能包括数据集规模、泛化能力或计算资源需求	通过融合结构性和功能性脑连接数据，提高神经精神障碍（如精神分裂症）的诊断性能	神经精神障碍患者，特别是精神分裂症患者	机器学习	精神分裂症	结构性和功能性连接组学数据融合	图神经网络, 多层感知机混合器	图数据（脑连接组学）	在两个不同的临床数据集上进行评估，具体样本数量未明确	NA	GNN, MLP-Mixer	NA	NA
1391	2025-12-05	Effective 12-Lead ECG Reconstruction from Minimal Lead Sets Using Deep Learning for Advanced Wearable Systems 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/EMBC58623.2025.11254119 PMID:41336307	研究论文	本研究利用深度学习模型，从仅包含三个导联的心电数据中重建标准12导联心电图，以提升可穿戴设备的心电监测能力	采用通用模型在所有受试者上进行训练，无需个体化调整，提高了计算效率和泛化能力；通过结合多种三导联输入配置与卷积-时间模型架构，实现了高精度的12导联心电图重建	研究尚未扩展到病理人群，未来需验证模型在疾病患者中的适用性	探索从少量导联重建完整12导联心电图的可行性，以增强可穿戴心电设备的诊断功能	从35电极体表电位图中提取的三导联心电数据	机器学习	心血管疾病	体表电位图	CNN	心电信号	NA	NA	卷积模型, 卷积-时间模型	中位数R值	NA
1392	2025-12-05	Segmenting the non-enhancing compartment of brain tumor MRIs 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/EMBC58623.2025.11254161 PMID:41336318	研究论文	本文设计了一种基于U-Net的深度学习架构，用于分割脑肿瘤在不同MRI模态下的非增强区域	特别关注了脑肿瘤的非增强区域分割，这在近期的MICCAI挑战中未被考虑，但被认为与患者生存时间和肿瘤生长区域相关	NA	开发自动分割脑肿瘤非增强区域的方法，以辅助临床评估	脑肿瘤的MRI图像，特别是非增强肿瘤区域	计算机视觉	脑肿瘤	MRI	CNN	图像	NA	NA	U-Net	NA	NA
1393	2025-12-05	Enhancing Neonatal Sleep Analysis with Multi-resolution CNN and Mamba Integration 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/EMBC58623.2025.11254152 PMID:41336323	研究论文	提出一种融合多分辨率卷积神经网络和双向Mamba模块的框架，用于新生儿睡眠阶段分类，以提高分析准确性	首次将多分辨率CNN与双向Mamba模块相结合，有效捕获睡眠阶段内部特征和阶段间双向依赖关系	未明确提及模型在更大规模或多样化数据集上的泛化能力，也未讨论计算效率的详细分析	开发一种自动、准确的新生儿睡眠阶段分类方法，以辅助睡眠相关疾病的早期诊断	新生儿睡眠脑电图（EEG）信号	数字病理学	老年疾病	脑电图（EEG）信号分析	CNN, Mamba	时序信号（脑电图）	临床新生儿睡眠数据集（具体数量未明确）	未明确提及	多分辨率卷积神经网络（MRCNN）, 双向Mamba模块	准确率, 宏平均F1分数	未明确提及
1394	2025-12-05	Can ICA-Based Artifact Removal Affect Deep Learning Decoding Accuracy? Yes! 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/EMBC58623.2025.11253033 PMID:41336339	研究论文	本研究探讨了基于独立成分分析的伪迹去除方法对深度学习模型解码脑电图信号准确性的影响	首次系统评估了ICA伪迹去除在基于深度学习的EEG解码中的效用，特别是在短时间窗口的运动想象和执行任务中，并比较了多种深度学习模型的表现	研究主要针对特定任务（运动想象和执行）和人群（健康受试者和中风患者），结果在其他BCI任务或人群中的普适性有待验证	评估ICA伪迹去除对深度学习模型解码EEG信号准确性的影响	脑电图信号，特别是与运动想象和运动执行任务相关的信号	机器学习	中风	独立成分分析，脑电图	CNN, LSTM, CEBRA	脑电图信号	NA	NA	NA	F1分数	NA
1395	2025-12-05	SCM-4-OSA: An End-to-End Explainable Deep Learning Model for Interpretable Obstructive Sleep Apnea Detection Based on Cyclic Variation of Heart Rate in ECG 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/EMBC58623.2025.11253001 PMID:41336361	研究论文	本文提出了一种名为SCM-4-OSA的可解释端到端深度学习模型，用于基于心电图中心率周期性变化检测阻塞性睡眠呼吸暂停	首次将自对比掩码（SCM）应用于OSA检测，实现了模型决策的可解释性，同时通过可视化清晰捕捉ECG信号中的CVHR模式	模型仅在公开数据集上进行训练和验证，缺乏多中心或临床环境的外部验证，可能影响泛化能力	开发一种可解释的深度学习模型，用于自动检测阻塞性睡眠呼吸暂停，以替代复杂的多导睡眠图	单导联心电图信号及其中心率周期性变化模式	机器学习	阻塞性睡眠呼吸暂停	心电图信号分析	深度学习模型	心电图信号	基于公开数据集，具体样本数量未明确说明	未明确说明	SCM-4-OSA（基于自对比掩码的端到端架构）	准确率	未明确说明
1396	2025-12-05	Quantitative measurements of crypts from advanced endoscopy imaging using deep learning-based 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/EMBC58623.2025.11252979 PMID:41336377	研究论文	本文利用基于深度学习的Mask R-CNN模型对高级内窥镜图像中的肠道隐窝进行分割，以提取定量形态学指标，用于区分健康与炎症性肠病患者	首次将Mask R-CNN应用于内窥镜细胞学视频中隐窝的自动分割和定量测量，实现了高精度分割并与手动标注结果高度相关	研究样本量较小（仅47名患者），且未明确说明模型在不同疾病阶段或人群中的泛化能力	通过深度学习分割技术实现肠道隐窝的定量形态学测量，以辅助溃疡性结肠炎等疾病的临床评估	溃疡性结肠炎患者的肠道隐窝	数字病理学	溃疡性结肠炎	内窥镜细胞学	CNN	视频	47名患者的65段内窥镜细胞学视频	TensorFlow, PyTorch	Mask R-CNN	灵敏度, 准确率	NA
1397	2025-12-05	Learning-based Pulmonary Disease Detection Using Weak Labels for Volume Sweep Lung Ultrasound 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/EMBC58623.2025.11253030 PMID:41336376	研究论文	本文开发了一种基于弱标签的深度学习方法来自动检测肺部疾病，使用体积扫描肺部超声成像	提出了一种结合CNN和机器学习算法的混合架构，并采用弱标签训练，降低了标注成本和时间	未提及具体局限性	开发自动图像解释方法以减少对专家依赖，用于肺部疾病检测	左右后肺部的超声B型电影循环数据	计算机视觉	肺部疾病	体积扫描成像	CNN, 随机森林	超声图像	未提及具体样本数量	未提及	自定义混合CNN架构	准确率, 精确率, 召回率, F1分数	未提及
1398	2025-12-05	Online Sequential EEG Emotion Recognition with Prototypical Alignment Based Transfer 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/EMBC58623.2025.11253987 PMID:41336393	研究论文	提出了一种基于原型对齐迁移模型的在线序列脑电图情绪识别方法	在在线学习环境中引入跨被试迁移学习模型，通过选择性剪枝和重初始化模型参数快速适应新被试，并采用增强的领域对抗神经网络策略在迁移学习框架内对齐情绪类别的原型特征	未明确说明模型对个体差异的泛化能力极限及在更复杂情绪状态下的性能	开发一种能够快速适应新被试且保持高准确率的在线脑电图情绪识别方法	脑电图信号	机器学习	NA	脑电图	迁移学习模型, 领域对抗神经网络	序列脑电图信号	基于SEED和SEED-IV数据集（具体样本数未明确说明）	NA	增强的领域对抗神经网络	准确率	NA
1399	2025-12-05	Contrastive Structural Distillation Based Three-Dimensional Resolution Enhancement for 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/EMBC58623.2025.11254012 PMID:41336395	研究论文	本文提出了一种基于对比结构蒸馏的三维分辨率增强方法CSDNet，用于改善磁粒子成像中的各向异性分辨率问题	引入基于对比学习的结构蒸馏框架，从二维各向同性教师网络中提取低分辨率方向特征指导学生网络训练，通过去模糊增强三维分辨率	NA	提升磁粒子成像的三维分辨率以实现各向同性扫描	磁粒子成像数据	计算机视觉	NA	磁粒子成像	深度学习网络	图像	NA	NA	CSDNet	细节恢复度，准确性	NA
1400	2025-12-05	Real-Time Estimation of Overt Attention from Dynamic Features of the Face Using Deep 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/EMBC58623.2025.11254013 PMID:41336394	研究论文	本研究提出了一种基于深度学习的方法，通过分析面部动态特征实时估计学生的显性注意力	首次使用单一被试的面部动态特征预测注意力，无需参考组或人工标注，实现了客观、可扩展的实时注意力监测	模型对新被试的方差解释率（26-30%）低于已知被试（38%），泛化能力有待提升	开发一种客观、可扩展的实时学生注意力监测方法，以支持远程教育	学生（被试）	计算机视觉	NA	眼动追踪，面部动态特征分析	深度神经网络	视频（面部动态）	83名被试（三项实验）	NA	NA	方差解释率（R），皮尔逊相关系数（r）	NA