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
1461	2025-12-05	U-Grad: A Grad-CAM-Guided Reduced U-Net for Efficient Lung Cancer 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/EMBC58623.2025.11253530 PMID:41336182	研究论文	本文提出了一种名为U-Grad的新型模型，用于从2D CT切片中进行肺结节分割	提出了一种结合Grad-CAM生成热图以增强结节表征，并采用改进的Reduced U-Net架构的新模型	模型在测试集上的性能略低于Reduced U-Net（DC 91.27% vs 93.15%）	开发一种高效且可解释的肺结节分割模型，以辅助疾病评估和治疗	CT扫描图像中的肺结节	数字病理学	肺癌	CT扫描	CNN	图像	使用NSCLC Radiogenomics数据集进行训练和测试	NA	Reduced U-Net	Dice系数, 交并比	NA
1462	2025-12-05	Fine-Tuning Strategies for Continual Online EEG Motor Imagery Decoding: Insights from a Large-Scale Longitudinal Study 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/EMBC58623.2025.11253543 PMID:41336201	研究论文	本研究探讨了在大型用户群体和多会话设置下，用于在线纵向脑电图运动想象解码的持续微调策略，并整合了在线测试时间适应以提升模型性能	首次在大型用户群体中探索持续微调策略，结合在线测试时间适应，以改善解码器的性能和稳定性，支持无校准操作	未明确提及具体限制，但暗示传统单被试单策略研究限制了结果的泛化能力	研究在线纵向脑电图运动想象解码的持续微调策略，以提升脑机接口在现实应用中的性能	大型用户群体的脑电图数据，涉及多个会话的在线运动想象任务	机器学习	NA	脑电图	深度学习模型	脑电图信号	大型用户群体，每个参与者多个会话	NA	NA	解码器性能、稳定性	NA
1463	2025-12-05	Consistent Ovulation Window Prediction based on Physiological Temporal Variability Patterns from Wearable Devices 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/EMBC58623.2025.11253520 PMID:41336207	研究论文	本研究提出了一种基于可穿戴设备生理时序变异模式的排卵窗口预测框架，通过整合心率和体温数据，利用机器学习模型提高预测准确性，尤其针对不规则月经周期	提出整合时序心率变异性模式与高分辨率体温特征的新颖特征生成方法，并采用轻量梯度提升机模型，特别提升了不规则周期排卵预测的准确性	研究未明确说明样本的种族、年龄分布细节，且模型在部分群体中的泛化能力有待进一步验证	开发一种准确预测排卵窗口的方法，以改善生育管理	围绝经期女性的排卵周期	机器学习	NA	心电图监测、体温传感	LGBM	生理时序数据	未明确说明具体样本数量，参与者佩戴了心电图设备和温度传感器	LightGBM	轻量梯度提升机	AUROC	NA
1464	2025-12-05	AI-Driven Pathomics for Predicting Chemotherapy Response in Metastatic Colorectal Cancer: A Transfer Learning Approach with Attention-Based Multiple Instance 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/EMBC58623.2025.11253533 PMID:41336214	研究论文	本研究开发了一种基于迁移学习和注意力机制多示例学习的人工智能病理组学方法，用于预测转移性结直肠癌患者的化疗反应	采用迁移学习策略，先在TCGA数据集上预训练识别生存相关的组织病理学模式，再在转移性结直肠癌多中心队列上微调，提高了模型稳定性和预测准确性；通过注意力权重可视化揭示了与化疗耐药相关的肿瘤微环境特征	需要进一步优化才能投入临床部署	提高转移性结直肠癌化疗反应预测的准确性	转移性结直肠癌患者	数字病理学	结直肠癌	全切片图像分析	深度学习	图像	多中心转移性结直肠癌队列	NA	注意力机制多示例学习	AUC	NA
1465	2025-12-05	X2Graph for Cancer Subtyping Prediction on Biological Tabular Data 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/EMBC58623.2025.11253574 PMID:41336217	研究论文	本文提出了一种名为X2Graph的新型深度学习方法，用于在小型生物表格数据集上进行癌症亚型预测	利用表格列间关系（如基因相互作用）将每个样本转换为图结构，从而应用标准消息传递算法进行图建模	NA	在数据稀缺的医学领域，特别是癌症诊断中，提升深度学习在表格数据上的应用性能	生物表格数据，特别是癌症亚型预测数据集	机器学习	癌症	NA	图神经网络	表格数据	NA	NA	消息传递算法	NA	NA
1466	2025-12-05	Deep Learning-Based Cardiac Output Estimation Using Multimodal Physiological Signals 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/EMBC58623.2025.11253561 PMID:41336227	研究论文	本研究应用深度学习技术，基于动脉压力、心电图、光电容积脉搏波等多模态生理信号，开发了一种非侵入性心输出量估计方法	首次结合动脉压力、心电图和光电容积脉搏波三种信号，利用深度学习模型实现非侵入性心输出量估计，并展示了多模态融合在提升估计精度方面的优势	模型可解释性不足，数据集规模有限，且未实现实时临床应用	开发一种准确的非侵入性心输出量估计方法，以替代或补充传统侵入性测量技术	心输出量（CO）作为心血管监测的关键生理参数	机器学习	心血管疾病	深度学习	深度学习模型（具体架构未在摘要中明确说明）	多模态生理信号（包括动脉压力、心电图、光电容积脉搏波）	使用公开可用的VitalDB数据库，具体样本数量未在摘要中说明	NA	NA	平均绝对误差（MAE），均方根误差（RMSE），偏差（bias），一致性界限（LOA），相关系数（R）	NA
1467	2025-12-05	Exploring the Effect of Race in Automated Skin 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/EMBC58623.2025.11253322 PMID:41336231	研究论文	本研究探讨了基于AI的皮肤癌自动检测模型在不同种族人群（特别是亚洲人群）中的性能差异	揭示了在主要为高加索人群数据上训练的AI模型在亚洲人群（Fitzpatrick皮肤类型II-III）中性能下降，强调了种族因素在皮肤癌检测中的重要性	研究主要关注亚洲人群，样本可能有限，且未涵盖所有皮肤类型或种族群体	评估AI模型在皮肤癌检测中针对不同种族人群的泛化能力	皮肤癌检测，特别是针对亚洲人群的皮肤图像	计算机视觉	皮肤癌	深度学习	CNN	图像	ISIC 2019数据集（主要为高加索人群）、PH数据集（主要为高加索人群）和自有的亚洲人群数据集	NA	EfficientNetB2	AUC	NA
1468	2025-12-05	Self-supervised Contrastive Learning to Monitor Free-Body Movement Daily Activities of Parkinson's Disease Patients Using a Single Wrist Sensor 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/EMBC58623.2025.11253518 PMID:41336222	研究论文	本研究提出了一种基于自监督对比学习的方法，利用单个腕戴式加速度计传感器监测帕金森病患者的日常自由身体活动	采用自监督对比学习方法，利用单个腕戴传感器增强模型对帕金森病患者异常运动的泛化能力，超越了仅针对健康人群的模型	研究样本量较小（15名患者），数据记录时长有限（3.5小时），仅识别三种日常活动模式	开发一种非侵入性方法，可靠监测帕金森病患者的日常活动，以辅助临床管理和个性化物理治疗	帕金森病患者的日常自由身体活动	机器学习	帕金森病	加速度计传感	深度学习模型	传感器时序数据	15名帕金森病患者，共3.5小时记录数据	NA	NA	加权F1分数	NA
1469	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
1470	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
1471	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
1472	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
1473	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
1474	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
1475	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
1476	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
1477	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
1478	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
1479	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
1480	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