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	Edge-Enabled Pre-Ictal Activity Prediction Framework Using Geometric 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/EMBC58623.2025.11253214 PMID:41335673	研究论文	本文提出了一种基于几何深度学习的边缘设备预发作活动预测框架，用于癫痫发作预测	利用Brain Network Transformer (BNT) 分析基于EEG的脑连接性来检测预发作状态，相比传统深度学习方法提供了可解释性，并实现了在边缘设备上的实时部署	NA	开发一个高效、实时的癫痫发作预发作阶段预测系统，以通过及时干预改善患者预后	癫痫患者的EEG信号	机器学习	癫痫	EEG信号分析	几何深度学习	EEG信号	CHB-MIT数据集	NA	Brain Network Transformer (BNT)	准确率, 接收者操作特征曲线下面积	Nvidia Jetson Xavier NX边缘设备
1382	2025-12-05	A Two-Stage Deep Learning Approach for EEG Artifact Removal and Classification: Towards Reliable Wearable Applications 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/EMBC58623.2025.11254976 PMID:41335679	研究论文	本文提出了一种用于EEG伪迹去除和分类的两阶段深度学习方法，旨在提高可穿戴EEG应用的可靠性	提出了一种新颖的两阶段方法，结合了改进的IC-UNet架构进行伪迹去除和改进的VGGNet进行伪迹类型识别，并引入了基于学习阈值的自动触发分类机制	研究仅针对受控的眼眨和扫视运动任务进行评估，未涵盖更广泛的伪迹类型或真实世界复杂场景	开发一种可靠的EEG伪迹去除和分类系统，以支持可穿戴EEG设备的连续监测和混合脑机接口系统	执行受控眼眨和扫视运动任务的受试者的EEG信号	机器学习	NA	EEG信号处理	深度学习	EEG信号	620个案例	NA	IC-UNet, VGGNet	准确率, 相关系数	NA
1383	2025-12-05	Gaussian Process-driven Hidden Markov Models for Early Diagnosis of Infant Gait Anomalies 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/EMBC58623.2025.11254881 PMID:41335700	研究论文	本文提出了一种基于高斯过程驱动的隐马尔可夫模型，用于早期诊断婴儿步态异常	结合多输出高斯过程与隐马尔可夫模型，以捕捉婴儿步态的高变异性与周期性动态，并提供不确定性量化	未明确提及模型在更大样本或不同疾病类型婴儿中的泛化能力	开发自动识别婴儿步态异常的方法，以支持早期神经运动障碍的诊断与干预	患有或未患有神经运动障碍的婴儿步态数据	机器学习	神经运动障碍	步态分析	高斯过程, 隐马尔可夫模型	步态信号	包含患有和未患有神经运动障碍婴儿的数据集，具体数量未明确	NA	多输出高斯过程, 隐马尔可夫模型	准确性, 方差解释, 时间对齐	NA
1384	2025-12-05	Attribute-Aware Adversarial Domain Augmentation for Zero-Shot Medical 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/EMBC58623.2025.11254904 PMID:41335704	研究论文	本文提出了一种属性感知对抗域增强方法，用于零样本医学域适应，以提升诊断模型在未见域上的性能	提出AAADA方法，利用目标属性信息通过对抗性探索生成合成数据，有效捕捉目标域特征，从而优化模型决策边界	NA	解决深度学习医疗诊断在分布外场景中的不可靠预测问题，实现零样本域适应	医疗数据，特别是基于患者属性（如年龄）的多样化域	机器学习	NA	对抗性域增强	深度学习模型	健康检查数据集	大规模健康检查数据集	NA	NA	诊断准确率	NA
1385	2025-12-05	GACT: A Two-Stage Age Prediction Model Combining a Global Attention Block 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/EMBC58623.2025.11254886 PMID:41335725	研究论文	本文提出了一种名为GACT的两阶段年龄预测模型，该模型结合全局注意力块，直接利用未分割的fMRI数据来估计大脑年龄	直接使用未分割的fMRI数据作为输入特征，结合CNN和Transformer模型以同时捕获空间和时间特征，并通过可解释性方法识别对年龄回归任务有显著影响的脑区	NA	利用神经影像数据估计大脑年龄，以理解正常大脑发育和神经系统疾病的进展	fMRI数据	神经影像分析	神经系统疾病	fMRI	CNN, Transformer	fMRI数据	NA	NA	CNN, Transformer, MLP	NA	NA
1386	2025-12-05	Multimodal structural MRI synthesis pipeline across age 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/EMBC58623.2025.11254451 PMID:41335748	研究论文	提出了一种基于深度学习的跨模态结构MRI合成模型，用于生成T1加权和T2加权MRI图像，并探索了年龄信息在整个生命周期中的整合	开发了一种能够整合从早期发育到老年整个生命周期年龄信息的跨模态MRI合成模型，这在先前研究中较少探索	未明确提及模型在临床环境中的验证或泛化能力，可能受限于特定人群或数据集的代表性	通过图像合成技术解决获取多模态结构MRI数据资源密集和时间消耗大的问题，特别是针对易发生头部运动的年轻儿童和老年人群	T1加权和T2加权磁共振成像（MRI）数据，覆盖早期发育、青年成年和老年三个年龄段的队列	医学影像分析	NA	磁共振成像（MRI）	深度学习模型	图像	NA	NA	NA	均方误差（MSE）、峰值信噪比（PSNR）	NA
1387	2025-12-05	Automatic Identification of Anatomical Locations for Bone Abnormalities in CT Imaging: A Multiplanar YOLOv5 Detection Approach 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/EMBC58623.2025.11254481 PMID:41335747	研究论文	本文提出了一种基于多平面YOLOv5的CT图像中骨骼异常解剖位置自动识别方法	采用三个2D YOLOv5l模型在轴状面、冠状面和矢状面上进行预测，为骨骼异常定位提供了一种可替代3D分割模型的竞争性方案	在椎骨或肋骨的精确定位方面表现不如nnU-Net，但在预测可能的肋骨或椎骨范围时表现更优	开发一种自动检测和分类CT扫描中骨骼以确定异常解剖位置的方法	CT扫描中的骨骼组织，特别是肿瘤或溶骨性病变等骨骼异常	计算机视觉	骨骼疾病	CT成像	YOLOv5	图像	TotalSegmentator数据集（含合成溶骨性病变）和RibFrac数据集（含标注的肋骨骨折）	PyTorch	YOLOv5l	定位准确性	NA
1388	2025-12-05	Investigating Multiple Physical Priors in Deep Learning for Electrical Properties Reconstruction in MREPT 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/EMBC58623.2025.11254469 PMID:41335751	研究论文	本研究提出了一种融合多物理先验的深度学习框架，用于磁共振电特性断层成像中的电导率和介电常数重建，以提高重建精度和模型泛化能力	将梯度相似性、亥姆霍兹方程约束、复数运算以及旋度和拉普拉斯算子先验知识等物理约束集成到网络训练中，首次对多种物理先验进行了定量分析	未明确说明模型在更广泛数据集或不同成像条件下的泛化性能，也未详细讨论计算复杂度或实时性限制	提高基于深度学习的磁共振电特性断层成像方法的可靠性和泛化能力，以促进其临床应用	人类头部的电导率和介电常数重建	医学影像分析	NA	磁共振电特性断层成像	深度学习	磁共振图像	NA	NA	NA	重建精度，模型泛化能力	NA
1389	2025-12-05	Deep Learning Assessment of Epicardial Adipose Tissue: New Perspectives on Major Adverse Cardiac Events Prediction 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/EMBC58623.2025.11254457 PMID:41335772	研究论文	本研究开发了一种基于自编码器的深度学习架构，用于重建心外膜脂肪组织的心脏磁共振图像并提取特征，以预测主要不良心脏事件	首次提出使用自编码器从心外膜脂肪组织图像中提取代表性特征，并结合多种特征选择方法和分类器构建MACE预测模型	样本量相对较小（仅90名患者用于分析），且为初步研究结果，需要更大规模的外部验证	开发基于深度学习的模型，利用心外膜脂肪组织图像特征预测主要不良心脏事件的发生	心外膜脂肪组织的心脏磁共振图像	医学影像分析	心血管疾病	心脏磁共振成像	自编码器, 支持向量机, 逻辑回归, 梯度提升	医学图像	251名患者的图像用于自编码器训练，其中90名患者（45名MACE患者和45名无事件患者）用于后续分析	NA	自编码器	准确率, 敏感性, 特异性	NA
1390	2025-12-05	Zonal level Implant Loosening Detection from Hip X-ray using a Multi-stage Deep Learning Method 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/EMBC58623.2025.11254446 PMID:41335765	研究论文	本文提出了一种基于多阶段深度学习的髋关节X射线区域级植入物松动检测方法	首次在髋关节植入物松动检测领域实现自动化区域划分和区域特异性放射透亮性识别	未提及模型在多样化数据集上的泛化能力或临床验证的局限性	开发自动化系统以辅助髋关节置换术前后规划，通过检测植入物松动情况	髋关节X射线图像中的植入物区域及其周围Charnley和Gruen分区	计算机视觉	骨科疾病	X射线成像	深度学习	图像	未明确提及具体样本数量，但包含盲数据集测试	未明确指定	多阶段深度学习模型	准确率, Dice系数	NA
1391	2025-12-05	Sparse dictionary learning neural networks for ECG signal denoising 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/EMBC58623.2025.11254433 PMID:41335795	研究论文	提出一种基于稀疏字典学习的混合方法，用于有效去除心电图信号中的基线噪声	结合K-SVD算法生成噪声字典与基于FISTA-Net架构的模型驱动神经网络，在小数据集上学习的同时保持稀疏字典学习的可解释性	方法主要针对基线噪声，未明确讨论对其他类型干扰（如肌电噪声、工频干扰）的处理效果	开发高效的心电图信号去噪方法以提高心血管疾病诊断准确性	心电图信号	信号处理	心血管疾病	稀疏字典学习	神经网络	信号数据	使用布尔诺工业大学心电图质量数据库进行实验	NA	FISTA-Net	去噪性能、计算效率	NA
1392	2025-12-05	Assessing the Utility of Audio Foundation Models for Heart and Respiratory Sound 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/EMBC58623.2025.11254427 PMID:41335786	研究论文	本研究评估了预训练音频基础模型在心肺音分析任务中的实际效用，并与当前最优微调结果进行比较	首次系统性地比较了通用音频基础模型与专用心肺音模型在多个任务上的表现，揭示了通用模型在干净数据上的优越性	模型在噪声数据任务上表现不佳，评估基准有限，可能影响结论的普适性	探究现成音频基础模型在心肺音分析中的实际应用效果	心肺音信号	机器学习	心血管疾病	深度学习	基础模型	音频	NA	NA	NA	NA	NA
1393	2025-12-05	BM-BPW: A Bidirectional Mamba-based Model for Blood Pressure Waveform Estimation in Arrhythmia 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/EMBC58623.2025.11254463 PMID:41335788	研究论文	本研究提出了一种基于双向Mamba架构的深度学习模型BM-BPW，用于从心律失常患者的心电图和光电容积脉搏波信号中连续、无创地估计血压波形	首次将双向Mamba架构与位置嵌入相结合，用于血压波形估计，以同时实现全局上下文建模和局部感知理解，并采用多尺度CNN特征提取器捕获局部特征	研究样本量相对有限（48名患者），且模型在更广泛人群或不同心律失常类型中的泛化能力尚未验证	为心律失常患者开发一种准确、无创、连续的血压波形监测方法	心律失常患者	机器学习	心血管疾病	深度学习	Mamba, CNN	生理信号（ECG, PPG）	48名心律失常患者，共36,537个心跳	NA	双向Mamba, 多尺度CNN	平均误差±标准差（SBP: 0.04 ± 5.03 mmHg, DBP: -0.05 ± 3.20 mmHg）	NA
1394	2025-12-05	Comparative Study on Medical Hyperspectral Images Segmentation Using Advanced Deep Learning Techniques 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/EMBC58623.2025.11253611 PMID:41335799	研究论文	本研究对基于深度学习的医学高光谱图像分割模型进行了全面的比较评估	首次在多种医学高光谱数据集上对光谱变换器、知识蒸馏模型和双流架构等先进模型进行系统性的比较评估	仅评估了三种特定模型，未涵盖所有可能的先进分割方法；仅使用了三个数据集，可能无法代表所有医学高光谱成像场景	比较和评估先进深度学习模型在医学高光谱图像分割中的性能，以确定不同应用场景下的最优方法	口腔与牙齿、病理学和脑部医学高光谱图像数据集	计算机视觉	NA	高光谱成像	深度学习	高光谱图像	三个不同的医学高光谱图像数据集（口腔与牙齿、病理学、脑部）	NA	U-Net, SegNet, 光谱变换器, 知识蒸馏模型, 双流架构, 特征金字塔网络, DeepLab	交并比, Dice相似系数	NA
1395	2025-12-05	Towards Automated EEG-Based Epilepsy Detection Using Deep Convolutional Autoencoders 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/EMBC58623.2025.11254465 PMID:41335790	研究论文	本文提出了一种基于深度卷积自编码器的自动化癫痫检测方法，通过结合时域和频域损失来提取EEG信号的低维潜在表示	提出了一种结合时域和频域损失的深度卷积自编码器，以提取更全面的EEG信号特征，解决了现有方法在单一表示下可能无法保留相关信号特性的问题	未明确提及样本规模、计算资源细节或与其他先进方法的直接比较，可能缺乏广泛的临床验证	开发一种可靠且高效的自动化癫痫检测方法，以辅助EEG信号分析	癫痫患者的脑电图（EEG）信号	机器学习	癫痫	脑电图（EEG）	深度卷积自编码器（DCAE）	时间序列信号（EEG）	NA	NA	深度卷积自编码器	重建误差，灵敏度，每小时误报率（FAR/h）	NA
1396	2025-12-05	Eye State Prediction on Android Devices using Machine Learning for Natural Environment Electroencephalogram Applications 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/EMBC58623.2025.11253625 PMID:41335803	研究论文	本文开发了一种在Android设备上使用轻量级机器学习流程进行EEG分类的方法，并以眼状态预测作为案例研究	提出了一种针对有限数据优化的轻量级机器学习流程，可在Android设备上实时进行EEG分类，无需大型数据集和大量计算资源	研究仅基于十名参与者的数据，样本量较小，且仅针对眼状态分类这一特定应用	开发适用于自然环境下EEG应用的轻量级机器学习解决方案，实现移动设备上的实时脑电信号分类	通过EEG信号预测眼状态（睁眼与闭眼）	机器学习	NA	脑电图（EEG）信号采集，嵌入式伪迹去除（Embedded-ASR），功率谱特征提取	支持向量机（SVM）	脑电图（EEG）信号	十名参与者	TensorFlow Lite	单通道支持向量机（SVM）	准确率	Android智能手机（如Google Pixel 7 Pro和Samsung S22）
1397	2025-12-05	Self-Supervised Learning for Three-Dimensional Magnetic Resonance Imaging Reconstruction with Spatial Depth Attention 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/EMBC58623.2025.11253638 PMID:41335807	研究论文	本文提出了一种基于空间深度注意力的自监督学习方法，用于三维磁共振成像重建，以加速MRI采集	创新点包括使用两个并行重建网络从欠采样k空间数据的随机子集中恢复信息，并引入专门为三维数据设计的空间深度注意力机制以增强特征交互与融合	NA	旨在加速MRI采集，通过重建欠采样的k空间数据来恢复高质量的三维磁共振图像	三维磁共振成像数据，具体基于BraTS/IXI数据集	计算机视觉	NA	磁共振成像	深度学习模型	三维图像数据	NA	NA	并行重建网络结合空间深度注意力机制	PSNR, SSIM	NA
1398	2025-12-05	An Intelligent Cardiac View Classification System for Autonomous Echocardiography Robot 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/EMBC58623.2025.11253627 PMID:41335814	研究论文	本文提出了一种用于自主超声心动图机器人的智能心脏切面分类系统	将深度学习模型（特别是卷积神经网络）集成到超声心动图机器人系统中，以实现对标准心脏切面的实时、自主分类与导航，减少对操作人员的依赖	超声心动图的多切面成像复杂性可能限制深度学习模型的应用效果，且系统在更广泛、更多样的临床场景中的泛化能力有待进一步验证	开发能够早期、准确诊断心血管疾病的完全自主机器人系统	超声心动图图像	计算机视觉	心血管疾病	超声心动图成像	CNN	图像	多样化的超声心动图图像数据集	NA	NA	NA	NA
1399	2025-12-05	Deep Learning-Based Ground Reaction Force Estimation for Real-Time Clinical Applications 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/EMBC58623.2025.11253590 PMID:41335828	研究论文	本研究提出了一种基于深度学习的实时地面反作用力估计方法，用于临床步态分析	利用循环神经网络从标记轨迹实时估计地面反作用力和压力中心，为临床提供成本效益高且高效的替代方案	目前仅在健康受试者中进行验证，尚未在病理步态数据集上测试	开发实时、基于标记的步态分析方法，以替代昂贵的固定测力板系统	健康受试者的步态数据	机器学习	NA	运动捕捉系统	RNN	标记轨迹	5名健康受试者	NA	循环神经网络	相关系数	NA
1400	2025-12-05	Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease 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/EMBC58623.2025.11253609 PMID:41335835	研究论文	本文对基于迁移学习的医学图像分类技术进行了全面分析，评估了六种预训练模型在胸部X光数据集上的疾病检测性能	系统比较了多种预训练CNN模型在医学图像分类中的表现，并进行了不确定性分析和运行时比较，揭示了迁移学习在数据有限情况下的优势	研究仅使用自定义胸部X光数据集，未涵盖其他医学影像类型；模型选择有限，未包括最新的深度学习架构	评估迁移学习技术在医学图像分类中的性能，为疾病检测提供模型选择依据	胸部X光图像	计算机视觉	肺部疾病	迁移学习	CNN	图像	自定义胸部X光数据集（具体数量未说明）	NA	AlexNet, VGG16, ResNet18, ResNet34, ResNet50, InceptionV3	准确性, 精度, 召回率, F1分数, AUC	NA