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
1521	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
1522	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
1523	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
1524	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
1525	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
1526	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
1527	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
1528	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
1529	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
1530	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
1531	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
1532	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
1533	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
1534	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
1535	2025-12-05	Motion-Aware Spatio-Temporal Fusion Memory Network for Semi-Supervised Echocardiography Video 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/EMBC58623.2025.11254032 PMID:41336401	研究论文	提出一种用于半监督超声心动图视频分割的运动感知时空融合记忆网络	通过光流估计网络提取运动信息，并与空间特征融合构建时空表示，利用记忆网络作为记忆提示有效保留时间信息，并引入运动记忆增强机制	NA	提升超声心动图视频分割的准确性，以辅助心脏疾病诊断和治疗规划	超声心动图视频	计算机视觉	心血管疾病	NA	CNN	视频	CAMUS数据集	NA	Motion-Aware Spatio-Temporal Fusion Memory Network	NA	NA
1536	2025-12-05	naviDCN: Navigator-Guided Multi-Modal Deep Clustering for Sepsis Phenotyping in Early ICU Admission 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/EMBC58623.2025.11254005 PMID:41336403	研究论文	本研究提出了一种名为naviDCN的新型聚类框架，用于在ICU早期入院阶段对脓毒症进行表型分析，通过整合导航器组件将临床知识融入聚类过程	提出naviDCN框架，首次在深度聚类中引入导航器模块，通过反向传播将临床知识整合到嵌入表示中，从而引导聚类产生具有临床意义的表型	未明确说明数据集的样本量或具体来源限制，且未详细讨论模型在不同医疗环境中的泛化能力	开发一种能够整合临床知识的深度聚类方法，以识别具有临床意义的脓毒症表型	ICU早期入院的脓毒症患者	机器学习	脓毒症	深度学习	深度聚类网络	电子健康记录（包括人口统计学、实验室检测结果和生命体征）	NA	NA	naviDCN（包含多模态编码器、深度聚类网络和导航器模块）	聚类性能（未指定具体指标）	NA
1537	2025-12-05	End-to-End Classification of Cognitive Impairment Using Daily-Life Gait 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/EMBC58623.2025.11254035 PMID:41336397	研究论文	本研究探讨了利用商用智能设备收集的日常步态数据进行认知障碍分类的可行性	首次在非受控的真实世界条件下，使用智能手机和智能手表收集的日常步态数据，通过深度学习模型区分需要治疗的认知障碍患者（AD和MCI）与无认知障碍者（SCD）	分类任务具有挑战性，因为SCD组与MCI共享认知症状，且数据在非受控的真实世界条件下收集，模型性能（AUC 0.70）仍有提升空间	利用可穿戴设备进行认知障碍的早期筛查和及时干预	125名50岁及以上的个体，根据认知诊断分为轻度阿尔茨海默病（AD）、轻度认知障碍（MCI）和主观认知下降（SCD）组	机器学习	老年疾病	加速度计和陀螺仪数据采集	深度学习分类器	时间序列传感器数据（加速度计和陀螺仪）	125名参与者	NA	NA	AUC（曲线下面积）	NA
1538	2025-12-05	Deep Neural Encoder-Decoder Model to Relate fMRI Brain Activity with Naturalistic Stimuli 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/EMBC58623.2025.11254034 PMID:41336410	研究论文	本文提出了一种端到端的深度神经编码器-解码器模型，用于编码和解码自然刺激下基于fMRI数据的大脑活动	利用时间卷积层处理连续电影帧的时间相关输入，有效弥合自然电影刺激与fMRI采集之间的时间分辨率差距，并通过显著性图探究视觉解码中贡献最大的脑区	NA	研究自然刺激下大脑活动的编码与解码，并探索视觉处理机制	fMRI数据中的体素活动，特别是视觉皮层及其周围区域	机器学习	NA	功能磁共振成像（fMRI）	编码器-解码器模型	fMRI数据，自然电影刺激	NA	NA	深度神经编码器-解码器模型，包含时间卷积层	NA	NA
1539	2025-12-05	BEAM: Brainwave Empathy Assessment Model for Early Childhood 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/EMBC58623.2025.11253982 PMID:41336415	研究论文	本文提出了一种名为BEAM的新型深度学习框架，用于预测4至6岁儿童的共情水平	提出了一种结合多视角脑电图信号、LaBraM编码器、特征融合模块和对比学习模块的深度学习框架，以捕捉共情的认知和情感维度及其时间动态	研究样本局限于4至6岁儿童，且依赖于特定数据集（CBCP），可能限制了模型的普适性	开发一种客观评估儿童共情水平的模型，以支持早期社会情感发展干预	4至6岁儿童的脑电图信号	机器学习	NA	脑电图	深度学习	脑电图信号	NA	NA	LaBraM	NA	NA
1540	2025-12-05	Single Trial Classification of per-stimulus EEG between Different Speed Accuracy Tradeoffs Instruction 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/EMBC58623.2025.11254002 PMID:41336422	研究论文	本研究利用深度学习框架对单次试验EEG信号进行分类，以区分参与者基于速度或准确性优先策略的响应，验证了单次试验EEG分类在认知策略识别中的可行性	首次将深度学习应用于单次试验EEG信号分类，以区分不同的速度-准确性权衡策略，并采用通道堆叠技术将EEG数据转换为类RGB图像输入卷积神经网络	研究样本量较小（20名参与者），且仅基于镜像判断任务，可能限制了结果的泛化性	探索神经数据分类以区分不同的速度-准确性权衡策略，并验证单次试验EEG分类在此领域的应用潜力	20名参与者在镜像判断任务中的EEG信号	脑机接口	NA	连续小波变换	CNN	EEG信号	20名参与者	NA	RegNet	分类准确率	NA