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
1581	2025-12-05	Contextual Corpus Callosum Analysis for Differentiating Early and Late Mild Cognitive Impairment 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/EMBC58623.2025.11254241 PMID:41337012	研究论文	本研究提出了一种结合YOLOv5目标检测与3D CNN的新方法，用于自动分类早期和晚期轻度认知障碍，通过分析胼胝体及其周围区域的结构MRI数据	整合YOLOv5目标检测与3D CNN实现全自动化分类，无需预处理步骤，并利用“带上下文的胼胝体”提升分类准确性	NA	区分早期轻度认知障碍（EMCI）和晚期轻度认知障碍（LMCI）	胼胝体及其周围脑区	数字病理学	老年疾病	结构MRI	CNN	图像	1098名受试者的结构MRI体积数据，来自公开ADNI数据集	PyTorch	YOLOv5, 3D CNN	准确率	NA
1582	2025-12-05	HealthMap: Transforming Clinical Time-series into Visual Representation for Predictive Modeling 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/EMBC58623.2025.11254209 PMID:41337019	研究论文	本研究提出了一种基于视觉的深度学习模型，将ICU时间序列数据转换为热图表示，并利用卷积神经网络进行死亡率预测	创新性地将ICU时间序列数据转换为热图表示，利用CNN进行空间特征提取，以捕捉局部和全局时间趋势，替代传统的RNN方法	未明确说明模型在捕获长时间复杂时间模式方面的具体局限性，且实验数据可能仅限于特定ICU环境	开发一种基于视觉表示的死亡率预测模型，以改善ICU患者的风险分层和临床干预	ICU患者的时间序列数据，特别是用于死亡率预测的电子健康记录（EHR）数据	机器学习	重症监护	时间序列数据转换，热图表示	CNN	时间序列数据，热图	NA	NA	卷积神经网络	AUROC, AUPRC, 整体分类准确率	NA
1583	2025-12-05	Leveraging Eye-Tracking Signals for Neurodegenerative Disease Classification with Deep Learning Models 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/EMBC58623.2025.11254272 PMID:41337029	研究论文	本研究利用深度学习模型，基于133名参与者的原始眼动追踪数据，对神经退行性疾病进行分类	首次将深度学习模型直接应用于原始眼动追踪数据，以区分多种神经退行性疾病，并发现不同任务（如文本阅读和平滑追踪）在区分特定疾病组时具有独特优势	样本量相对较小（133名参与者），且疾病组间样本数量不平衡（如PDM组仅18人），可能影响模型的泛化能力	开发一种基于眼动追踪数据的客观工具，用于神经退行性疾病的分类和评估	133名参与者，包括51名健康对照、25名阿尔茨海默病患者、39名帕金森病患者和18名帕金森病类似疾病患者	机器学习	神经退行性疾病	眼动追踪	深度学习模型	眼动追踪信号数据	133名参与者	NA	NA	分类准确率	NA
1584	2025-12-05	Automated and Expert-Level Identification of Interictal Epileptiform Discharges with AI-Powered methods 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/EMBC58623.2025.11254245 PMID:41337036	研究论文	本文提出了一种结合卷积自编码器和Kolmogorov-Arnold网络的深度学习模型，用于自动识别脑电图中的发作间期癫痫样放电	首次将Kolmogorov-Arnold网络用于IED分类，并结合候选选择、潜在空间压缩和特征剪枝，实现了高精度、高效率且可解释的分类	模型灵敏度为71%，仍有提升空间，且未在更大规模、更多样化的临床数据上进行验证	提高发作间期癫痫样放电的自动检测精度和效率，以辅助癫痫诊断和护理	脑电图中的发作间期癫痫样放电	机器学习	癫痫	脑电图	卷积自编码器, Kolmogorov-Arnold网络	脑电图信号	未明确说明	未明确说明	卷积自编码器, Kolmogorov-Arnold网络	精确度, 灵敏度, 准确率	未明确说明
1585	2025-12-05	Comparison of Context-based Imputation for Missing Intracranial Pressure Signal 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/EMBC58623.2025.11254602 PMID:41337052	研究论文	本研究比较了不同信号插补方法在颅内压信号缺失数据重建中的表现，旨在提高ICP信号的可靠性	首次将自注意力模型（SAITS）等现代深度学习技术应用于颅内压信号缺失数据的插补，并与传统SARIMA方法进行对比	这些方法不适用于处理较长的数据缺失间隙	测试深度学习模型在颅内压信号缺失数据插补中的可行性	神经重症监护患者的颅内压信号记录	机器学习	神经系统疾病	信号处理	BRITS, VAE, SAITS	信号数据	NA	NA	双向循环网络, 变分自编码器, 自注意力模型	重建质量, 在线处理适用性	NA
1586	2025-12-05	Improved Cough Classification With Symmetric Projection Attractor Reconstruction 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/EMBC58623.2025.11254626 PMID:41337076	研究论文	本研究探索使用对称投影吸引子重构（SPAR）技术，结合深度学习模型，提高基于Respeck设备加速度计数据的呼吸干扰（如咳嗽）分类准确性	首次将SPAR技术应用于Respeck加速度计数据，以增强深度学习模型对呼吸干扰的分类性能，揭示了传统方法忽略的复杂动态特征	研究样本主要来自健康志愿者和COPD患者，可能未覆盖其他呼吸疾病群体；模型在未见纵向数据上的泛化能力需进一步验证	提高呼吸干扰（特别是咳嗽）的远程监测准确性，以支持个性化干预和减少临床依赖	152名健康志愿者和17名COPD患者，使用Respeck设备收集的加速度计数据	机器学习	慢性阻塞性肺疾病（COPD）	对称投影吸引子重构（SPAR）	CNN, RNN, 混合模型	加速度计时间序列数据	152名健康志愿者和17名COPD患者，总计904天的纵向数据	NA	CNN-BiLSTM	准确率	NA
1587	2025-12-05	Deep Learning-Based Sarcopenia Classification through Gait Video Analysis with a Single Mobile Camera 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/EMBC58623.2025.11254612 PMID:41337071	研究论文	本研究提出了一种基于深度学习的方法，通过步态视频分析使用单个移动摄像头进行肌肉减少症分类	采用基于视觉的方法，利用单个移动摄像头和2D骨架序列进行肌肉减少症的早期检测和监测，无需昂贵专业医疗设备或专家干预	样本量相对较小（92名参与者），且仅使用2D骨架序列可能无法完全捕捉三维运动信息	开发一种可访问的、基于视觉的肌肉减少症早期检测和监测方法	老年个体（60名肌肉减少症患者和32名健康对照者）	计算机视觉	老年疾病	步态视频分析	深度学习模型	视频、2D骨架序列	92名老年个体（60名患者，32名对照）	NA	NA	样本级准确率、受试者级准确率	NA
1588	2025-12-05	Learned k-space Partitioning for Optimized Self-Supervised MRI Reconstruction 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/EMBC58623.2025.11254582 PMID:41337075	研究论文	本文提出了一种基于学习的k空间划分方法，用于优化自监督MRI重建，通过概率分布建模实现最优划分，并引入加权双域损失函数	首次提出学习最优k空间划分概率分布的方法，替代了传统启发式划分，并设计了加权双域自监督损失函数，能自适应新采样模式	未明确讨论计算复杂度或模型在不同病理数据上的泛化能力	优化自监督MRI重建性能，减少对全采样参考数据的依赖	MRI k空间数据	医学影像分析	NA	自监督学习，k空间欠采样	深度学习神经网络	MRI k空间数据	基于fastMRI数据集，具体数量未明确	NA	LOUPE框架	NA	NA
1589	2025-12-05	Attention GhostUNet++: Enhanced Segmentation of Adipose Tissue and Liver in CT Images 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/EMBC58623.2025.11254588 PMID:41337067	研究论文	本研究提出了一种名为Attention GhostUNet++的新型深度学习模型，用于从CT图像中自动精确分割腹部脂肪组织（包括皮下和内脏脂肪）及肝脏	将通道、空间和深度注意力机制集成到Ghost UNet++的瓶颈层中，以增强特征细化、上下文理解和计算效率	在边界细节分割方面存在轻微不足	开发一种用于腹部脂肪组织和肝脏自动分割的深度学习模型，以支持身体成分分析和相关健康风险评估	CT图像中的腹部脂肪组织（皮下脂肪和内脏脂肪）及肝脏	计算机视觉	心血管疾病	CT成像	CNN	图像	基于AATTCT-IDS和LiTS数据集	PyTorch	Ghost UNet++	Dice系数	NA
1590	2025-12-05	Inverse Filtering for ECG Signal Reconstruction-A Deep Learning 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/EMBC58623.2025.11254051 PMID:41337105	研究论文	本文提出了一种基于深度学习的逆滤波方法，使用U-Net自编码器重建干净的单导联心电图信号，以解决可穿戴设备信号失真问题	采用U-Net自编码器进行逆滤波，从受设备特性影响的噪声信号中重建干净的心电图，并首次在合成和真实数据上验证了关键时间特征的提取改进	方法依赖于合成数据集进行训练，可能无法完全覆盖所有真实世界噪声模式；在真实数据上的评估虽显示改进，但性能指标未量化	通过深度学习逆滤波技术，提高单导联心电图设备在心律失常（如心房颤动）大规模筛查中的诊断准确性	单导联心电图信号，特别是来自可穿戴和手持设备的信号	数字病理学	心血管疾病	深度学习逆滤波	自编码器	心电图信号	基于MIMIC-IV数据库生成的合成数据集，以及来自MyDiagnostick设备和参考患者监护仪的真实数据	未指定	U-Net	均方误差, PQ间隔, QRS持续时间, QTc时间	NA
1591	2025-12-05	T2ID-CAS: Diffusion Model and Class Aware Sampling to Mitigate Class Imbalance in Neck Ultrasound Anatomical Landmark 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/EMBC58623.2025.11254047 PMID:41337117	研究论文	提出了一种结合文本到图像潜在扩散模型和类别感知采样的混合方法T2ID-CAS，以生成高质量的合成样本，解决颈部超声解剖标志检测中的类别不平衡问题	首次在超声领域探索结合文本到图像潜在扩散模型与类别感知采样的方法，以生成高质量合成样本来改善少数类别的表征	未明确说明合成样本的生成数量、具体评估数据集规模以及方法在其他超声应用场景的泛化能力	解决颈部超声解剖标志检测中因关键结构（如气管环和声带）样本不足导致的类别不平衡问题	颈部超声图像中的解剖标志，特别是气管环和声带等代表性不足的结构	计算机视觉	NA	超声成像	扩散模型, 目标检测模型	图像	NA	NA	YOLOv9	平均精度均值	NA
1592	2025-12-05	Retrieval-Augmented Multimodal Depression 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/EMBC58623.2025.11254056 PMID:41337129	研究论文	本文提出了一种基于检索增强生成（RAG）框架的多模态抑郁症检测方法，通过从情感数据集中检索相关情感内容并利用大型语言模型生成情感提示，以增强情感表示和可解释性	首次将检索增强生成（RAG）框架引入多模态抑郁症检测，通过检索外部情感知识并生成情感提示作为辅助模态，解决了传统方法计算成本高、领域不匹配和静态知识限制的问题	实验仅在AVEC 2019数据集上进行验证，未在其他抑郁症数据集上测试泛化能力；依赖外部情感数据集的质量和覆盖范围	开发一种高效、可解释的多模态抑郁症检测方法，以提升情感理解和检测性能	抑郁症检测任务，涉及文本、音频和视频信号的多模态数据	自然语言处理	抑郁症	检索增强生成（RAG）、情感分析、多模态深度学习	大型语言模型（LLM）	文本、音频、视频	基于AVEC 2019数据集，具体样本数量未明确说明	未明确指定，但涉及检索增强生成框架	未明确指定具体架构，但使用了大型语言模型（LLM）	一致性相关系数（CCC）、平均绝对误差（MAE）	未明确说明
1593	2025-12-05	Domain-Specific Data Augmentation for Lung Nodule Malignancy Classification 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/EMBC58623.2025.11254063 PMID:41337131	研究论文	本文提出了一种结合领域特定数据增强和2.5D ResNet架构的方法，用于提高基于CT扫描的肺结节恶性分类模型的泛化能力	针对CT扫描的领域特定数据增强策略，以及使用2.5D输入（基于解剖平面的三个通道）来保持结节空间信息，以提升模型在域外数据上的泛化性能	训练数据仅基于放射科医生对“恶性可能性”的标注，而未使用活检确认的标签，且未处理仅基于CT扫描观察的肺结节标注不确定性	研究并解决肺结节恶性分类模型在域外数据（源域与目标域不同）上泛化能力不足的问题	肺结节（来自CT扫描图像）	计算机视觉	肺癌	CT扫描	CNN	图像	LIDC-IDRI数据集1377个结节，LNDb数据集183个结节，LUNGx数据集73个结节	NA	ResNet	AUC	NA
1594	2025-12-05	Boosting Skin Lesion Classification with a Class Expert DCGAN Framework for Skin 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/EMBC58623.2025.11254065 PMID:41337138	研究论文	本文提出了一种新颖的类别专家DCGAN框架，用于解决皮肤病变分类中的样本不足和类别不平衡问题	引入了类别专家DCGAN框架，通过从每个类别的GAN判别器进行权重转移，增强了对少数类别的分类准确性	未明确说明数据集的详细规模或具体类别数量，也未讨论计算资源需求	提高皮肤病变分类的准确性，特别是在类别不平衡的情况下	皮肤病变图像	计算机视觉	皮肤疾病	深度学习	DCGAN, CNN	图像	NA	NA	DCGAN, CNN	准确率, 精确率	NA
1595	2025-12-05	A Novel Graph Neural Network Framework for Brain Age 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/EMBC58623.2025.11254083 PMID:41337145	研究论文	本文提出了一种用于脑龄预测的新型图神经网络框架HGTNet，利用静息态功能磁共振成像数据，旨在辅助阿尔茨海默病的早期检测	提出了一种结合图卷积网络和Transformer架构的分层GCN-Transformer网络，以增强模型捕捉复杂大脑交互的能力	未在摘要中明确说明	通过脑龄预测来识别早期神经退行性变化，以更好地干预和管理阿尔茨海默病	阿尔茨海默病患者的大脑静息态功能磁共振成像数据	机器学习	阿尔茨海默病	静息态功能磁共振成像	GCN, Transformer	图像	基于阿尔茨海默病神经影像学倡议数据集	NA	分层GCN-Transformer网络	NA	NA
1596	2025-12-05	Synthetic Vascular Image Selection For Deep Learning Based Cerebral Bifurcation Classification 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/EMBC58623.2025.11254059 PMID:41337147	研究论文	本文提出了一种通过主观实验和客观质量评估来筛选合成血管图像的方法，以优化深度学习模型在脑血管分叉分类任务中的训练效果	结合主观实验与客观质量度量来评估和筛选合成血管图像，以提高深度学习模型训练的有效性	未明确说明主观实验的具体规模或参与者细节，且合成图像的质量评估可能受限于所选客观度量标准	优化深度学习模型在脑血管分叉分类任务中的训练过程，通过筛选合成图像提升模型性能	脑血管分叉图像，包括磁共振血管造影（MRA）-飞行时间（ToF）采集的真实血管树部分和合成建模的分叉	计算机视觉	脑血管疾病	磁共振血管造影（MRA）-飞行时间（ToF）成像	CNN	图像	NA	NA	NA	NA	NA
1597	2025-12-05	Enhancing EEG-Based Emotion Classification by Refining the Spatial Precision of Brain Activity 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/EMBC58623.2025.11253823 PMID:41337165	研究论文	本文提出自动通道映射方法以提升基于EEG的情绪分类空间精度	采用正交投影和立体投影自动映射EEG通道，取代传统手动映射，提高了空间精度和分类性能	仅使用开源数据集进行验证，未在更大规模或临床数据上测试	提升基于EEG的情绪识别精度，以支持脑机接口在医疗和人机交互中的应用	EEG信号数据	机器学习	抑郁症,焦虑症	差分熵,功率谱密度,线性动态系统	CNN	EEG信号	开源数据集（具体数量未提及）	NA	3分支多尺度CNN	分类准确率	NA
1598	2025-12-05	Multi-Scale Multiple Instance Learning for Lymph Node Metastasis Prediction in Early Gastric Cancer 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/EMBC58623.2025.11253787 PMID:41337177	研究论文	本文提出了一种新颖的跨尺度多实例学习框架，用于从早期胃癌全切片图像中预测淋巴结转移	引入跨尺度注意力模块，实现多尺度交互，以模拟病理学家跨多个尺度整合诊断信息的过程	研究仅基于T1期胃癌患者的单一临床队列，未涉及其他癌症阶段或外部验证数据集	开发深度学习模型，从早期胃癌全切片图像预测淋巴结转移，以辅助治疗决策	早期胃癌患者的全切片图像	数字病理学	胃癌	全切片图像分析	多实例学习	图像	740名T1期胃癌患者	NA	跨尺度注意力模块	AUC	NA
1599	2025-12-05	Self-Supervised Pre-Training with Intensity Guided Masking for Enhanced Aorta Segmentation in CT 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/EMBC58623.2025.11253827 PMID:41337183	研究论文	本文提出了一种基于强度引导掩码的自监督预训练方法，用于增强CT图像中的主动脉分割	利用CT图像中Hounsfield Units（HU）强度范围对应特定解剖结构的特性，提出强度引导掩码（IGM）策略进行自监督预训练，减少对大型标注数据库的依赖	未明确说明方法在其他解剖结构或模态中的泛化能力，且依赖手动标注数据进行微调	提高CT图像中主动脉分割的准确性，减少对大型标注数据集的依赖	腹部主动脉瘤（AAA）患者的CT图像	计算机视觉	心血管疾病	CT成像	深度学习分割模型	CT图像	公共和私有数据集（具体数量未明确）	PyTorch（基于SwinUNETR实现推测）	SwinUNETR	DSC（Dice相似系数）, ASSD（平均对称表面距离）	NA
1600	2025-12-05	Decoding Diagnosis: AI Explainability for Enhanced 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/EMBC58623.2025.11253835 PMID:41337192	研究论文	本文研究了基于原型部分网络（ProtoPNet）的改进方法在皮肤癌检测中的应用，通过引入像素锚定的原型部分网络（PIXPNET）来提升模型的可解释性	应用了专门设计的像素锚定的原型部分网络（PIXPNET），以解决原型投影中的像素空间映射挑战，从而在皮肤癌检测中显著提升了性能并增强了可解释性	未明确提及研究的局限性，例如数据集的具体规模、多样性或模型在其他医疗场景中的泛化能力	提升皮肤癌检测中人工智能模型的可解释性和透明度，以帮助皮肤科医生理解AI的决策过程	皮肤癌检测，特别是基于皮肤镜图像的多类别分类	计算机视觉	皮肤癌	皮肤镜成像	深度学习模型	图像	NA	NA	Prototypical Part Networks (ProtoPNet), Pixel-Grounded Prototypical Part Network (PIXPNET)	NA	NA