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	Combining Deep Learning Techniques and Image Analysis Methods for Vertebrae, Disc, and Spinal Stenosis Characterization in Lumbar Spine MRI 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/EMBC58623.2025.11254420 PMID:41336772	研究论文	本文提出了一种基于深度学习和图像分析的决策支持方法，用于从腰椎MRI中分类和量化椎体、椎间盘及椎管狭窄等腰部疾病	开发了一种结合U-Net分割网络的ANN辅助决策支持方法，能够以最小的用户输入自动分割和表征腰椎结构，为放射科医生提供临床支持	研究仅使用了200名患者的1960个MRI切片，样本量相对有限，且仅基于T2加权图像	开发一种计算机辅助诊断方法，以支持腰椎疾病的分类和量化	腰椎MRI图像中的椎体、椎间盘和椎管狭窄	数字病理学	腰部疾病	MRI	CNN	图像	200名患者的1960个T2加权腰椎MRI切片	NA	U-Net	Dice相似系数	NA
1582	2025-12-05	A Text-Image Network for Isocitrate Dehydrogenase(IDH) Mutation Status Prediction in Glioma Diagnosis Using Multimodal MRI and Radiology Report 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/EMBC58623.2025.11254372 PMID:41336771	研究论文	本文提出了一种结合3D MRI图像和放射学报告文本的多模态深度学习模型，用于预测脑胶质瘤中IDH突变状态	首次将MRI图像与放射学报告文本结合，通过多模态方法预测IDH突变状态，相比仅使用图像的方法提升了4%的准确率	未明确说明模型的计算复杂度、泛化能力到其他数据集的验证，以及文本标注可能存在的偏差	预测脑胶质瘤中IDH突变状态，以辅助临床诊断和治疗策略规划	脑胶质瘤患者	数字病理学	脑胶质瘤	磁共振成像（MRI）	深度学习模型	3D MRI图像，文本报告	基于BraTS20挑战数据集，具体数量未明确说明	未明确说明	未明确说明	准确率	未明确说明
1583	2025-12-05	MR-FusionMamba: A Visual Mamba Network with Range-Null Decomposition for Multi-Modal 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/EMBC58623.2025.11254412 PMID:41336782	研究论文	本文提出了一种基于视觉Mamba网络与Range-Null分解的多模态MRI重建方法	首次将状态空间模型（Mamba）引入多模态MRI重建，通过线性复杂度实现全局感知，并采用Range-Null分解定理提升数据一致性	仅在BraTS数据集上进行验证，未在其他多模态MRI数据集测试泛化能力	开发高效的多模态磁共振成像重建算法	多模态磁共振图像	计算机视觉	NA	磁共振成像	Mamba, CNN	医学图像	BraTS数据集（具体数量未说明）	NA	双U型网络, Mamba块	NA	NA
1584	2025-12-05	Deep Learning-Based Classification of Anopheles stephensi Adult Mosquitoes with Enhanced Solutions for Data Imbalance 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/EMBC58623.2025.11254377 PMID:41336785	研究论文	本研究利用深度学习和公民科学图像，针对数据不平衡问题，开发了一种用于分类危险入侵蚊种——斯氏按蚊的AI模型	首次将焦点损失函数应用于处理斯氏按蚊图像分类中的类别不平衡问题，并通过Grad-CAM可视化验证模型学习到的解剖学相关特征	数据集仅包含现代智能手机拍摄的图像，背景多变，可能影响模型在标准化环境下的泛化能力	开发一种能够有效检测斯氏按蚊的AI分类系统，以支持蚊虫监测和疟疾防控	斯氏按蚊与非斯氏按蚊的成虫图像	计算机视觉	疟疾	智能手机图像采集	CNN	图像	总计7216张图像（斯氏按蚊1195张，非斯氏按蚊6021张）	NA	EfficientNet-B1	准确率	NA
1585	2025-12-05	Multimodal Pulmonary Embolism Diagnosis Tool with Electrical Impedance Tomography and Electronic Health Records under Different Data Availability 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/EMBC58623.2025.11254394 PMID:41336781	研究论文	本研究提出了一种结合肺电阻抗断层扫描和电子健康记录的多模态深度学习框架，用于量化肺栓塞风险	首次将EIT成像与按可用性分组的EHR数据集整合，展示了在不同数据可用性场景下EIT的临床潜力	EIT数据为模拟数据，未使用真实EIT数据，可能影响模型在真实世界中的泛化能力	开发准确且经济高效的肺栓塞早期检测工具，以应对CT成像成本高和可及性有限的挑战	肺栓塞患者，涉及肺功能和电子健康记录数据	数字病理学	肺栓塞	电阻抗断层扫描，电子健康记录分析	深度学习模型	图像，文本	大型CT-EHR数据集和模拟EIT数据	NA	NA	AUC	NA
1586	2025-12-05	A Symbolic Approach for Task-related Gaze 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/EMBC58623.2025.11251585 PMID:41336801	研究论文	本文提出了一种创新的符号框架，用于任务相关的注视分类	将多变量眼动特征信号编码为符号字符串序列，从而计算可解释且鲁棒的距离度量	NA	开发一种不依赖黑盒模型的任务相关注视分类方法	眼动追踪数据	机器学习	NA	眼动追踪	符号模型	眼动特征信号	ETRA 2019数据集	NA	符号表示框架	准确性	NA
1587	2025-12-05	SO-MoE: A Novel Self-Organizing Mixture of Experts Framework for Cuffless Blood Pressure Measurement 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/EMBC58623.2025.11251555 PMID:41336795	研究论文	提出了一种用于无袖带血压测量的新型自组织专家混合框架，以解决不同人口群体间的性能差异问题	提出了一种自组织专家混合框架，该框架基于患者特定特征实现了自动化的专家分配机制，从而为个体化血压估计进行精确的专家选择	未在摘要中明确提及	开发一种公平且临床准确的血压估计方法，解决无袖带血压监测中固有的代表性挑战	无袖带血压监测数据，特别是针对代表性不足的人口群体和高血压人群	机器学习	心血管疾病	NA	深度学习模型，专家混合模型	血压监测数据	超过700名受试者的CAS-BP数据集	NA	自组织专家混合框架	平均绝对误差，估计误差（均值±标准差）	NA
1588	2025-12-05	MultiConsSleepNet: Self-Supervised Contrastive Learning for a Multimodal Consistency-Based Automatic Sleep Staging 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/EMBC58623.2025.11251569 PMID:41336818	研究论文	本文提出了一种基于多模态一致性的自监督对比学习模型MultiConsSleepNet，用于自动睡眠分期	结合单模态特征提取器与多模态一致性提取器，并引入自监督对比学习策略，以增强特征一致性并提升模型泛化能力	NA	解决自动睡眠分期中高效提取多模态表示、利用多模态信号相似性与差异以及利用未标记数据增强模型实用性的挑战	脑电图（EEG）和眼电图（EOG）信号	机器学习	睡眠障碍	NA	深度学习模型	多模态信号（EEG和EOG）	三个数据集	NA	MultiConsSleepNet	F1分数, 准确率	NA
1589	2025-12-05	EAMF: An Entropy-enhanced Attention-based Ensemble Metric Few-Shot Learning for MRI Image 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/EMBC58623.2025.11251527 PMID:41336808	研究论文	本文提出了一种名为EAMF的熵增强注意力集成度量少样本学习方法，用于MRI图像分类	通过计算图像熵生成熵特征向量，并结合注意力机制加权集成多个骨干网络的嵌入，以增强类内和类间差异的表示	未明确说明方法在更广泛疾病类型或更大规模数据集上的泛化能力	解决MRI图像分类中少样本学习问题，提高类间区分能力	MRI图像	计算机视觉	NA	MRI	集成学习	图像	两个MRI数据集	NA	NA	NA	NA
1590	2025-12-05	Towards MR-only radiotherapy: AI -generation of synthetic CT from Zero-TE MRI for Head and Neck cancer patients 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/EMBC58623.2025.11251534 PMID:41336829	研究论文	本研究提出了一种基于深度学习的从零回波时间MRI生成合成CT的方法，用于头颈癌患者的MRI-only放疗计划与验证	在Unet架构中引入了深度残差单元和注意力门，提出了注意力深度残差Unet（ADR-Unet）模型，相比Unet++和现有方法在合成CT生成上表现更优	研究样本量较小（仅17名患者），且未来工作需进一步评估合成CT在剂量计算方面的应用	实现MRI-only放疗，通过MRI替代CT进行靶区勾画和剂量计算，减少患者辐射暴露和影像融合不确定性	头颈癌患者	数字病理	头颈癌	Zero-Time Echo MRI（ZTE），深度学习	CNN	图像（MRI和CT）	17名头颈癌患者	NA	Unet, Unet++, ADR-Unet	MAE（平均绝对误差）, CNR（对比度噪声比）	NA
1591	2025-12-05	AI-enabled electrical impedance tomography (EIT) system for detecting and quantifying metabolic associated steatotic liver disease 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/EMBC58623.2025.11251537 PMID:41336834	研究论文	本研究开发了一种基于AI和多光谱电阻抗断层扫描（EIT）的便携式系统，用于检测和量化代谢相关脂肪性肝病（MASLD）	首次将多光谱EIT频率差重建与人体测量学数据结合，并利用ResNet-18等深度学习模型来预测受控衰减参数（CAP），显著提升了MASLD筛查系统的性能	未明确说明样本的具体来源和多样性，且系统在社区大规模应用中的长期稳定性和普适性有待进一步验证	开发一种适用于社区大规模、高通量筛查的便携式、非侵入性、经济高效的MASLD早期检测与监测系统	代谢相关脂肪性肝病（MASLD）患者	医学影像分析	脂肪肝	多光谱电阻抗断层扫描（EIT）、振动控制瞬时弹性成像（VCTE）	CNN	EIT重建图像、人体测量学数据	NA	NA	ResNet-18	决定系数R²、敏感性、特异性、受试者工作特征曲线下面积（AUC）	NA
1592	2025-12-05	Transformer Neural Network for Estimating Tremor Severity in Parkinson's Disease During Daily Living Activities 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/EMBC58623.2025.11251605 PMID:41336839	研究论文	本研究提出了一种创新的Transformer神经网络，用于从可穿戴传感器采集的原始陀螺仪数据中预测帕金森病患者的震颤严重程度	引入具有多头自注意力机制的Transformer神经网络，结合卷积层进行时空特征提取和正弦位置编码，以捕捉数据中的短期和长期依赖关系，相比传统循环深度学习方法具有更低的错误率和更高的相关性	研究样本量较小（24名PD患者），且仅基于预处理的信号进行监督学习，可能限制了模型的泛化能力	通过数字监测技术改进帕金森病的震颤严重程度评估，以支持数据驱动的治疗决策和改善患者预后	24名帕金森病患者在进行日常生活活动时产生的原始陀螺仪数据	机器学习	帕金森病	可穿戴传感器数据采集	Transformer	时间序列数据（陀螺仪信号）	24名帕金森病患者	NA	Transformer with Multi-Head Self-Attention, 卷积层	错误率, 相关系数（r）	NA
1593	2025-12-05	Uncovering Population PK Covariates from VAE-Generated Latent Spaces 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/EMBC58623.2025.11252862 PMID:41336851	研究论文	本研究提出了一种结合变分自编码器（VAE）和LASSO回归的数据驱动框架，用于从模拟的他克莫司药代动力学数据中识别关键协变量	提出了一种无模型的数据驱动框架，首次将VAE深度学习模型与LASSO回归结合用于药代动力学协变量选择，通过VAE将高维药代动力学信号压缩为结构化潜在空间，再利用LASSO进行稀疏特征选择	研究基于模拟的他克莫司药代动力学数据，尚未在真实临床数据上验证；方法可能受限于模拟数据的假设和复杂性	开发一种可扩展、可解释且完全数据驱动的协变量选择方法，用于药代动力学建模，以支持药物开发和精准药物治疗	模拟的他克莫司药代动力学数据	机器学习	NA	药代动力学模拟	VAE, LASSO	药代动力学信号数据	NA	NA	变分自编码器	平均绝对百分比误差（MAPE）	NA
1594	2025-12-05	Cerebral Artery Classification: Integrating Synthetic Models with MRA 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/EMBC58623.2025.11252850 PMID:41336860	研究论文	本研究通过整合VaMos生成的合成血管模型与真实MRA数据，利用nnUNet深度学习模型提升脑动脉分类性能，特别是在解剖变异大的区域	首次将血管建模工具生成的合成模型与真实MRA数据结合，以解决脑动脉分类中数据稀缺问题，对细小/稀疏动脉的分类性能提升约16%	未明确说明合成模型与真实数据的比例、模型泛化能力验证范围，以及在其他血管区域的适用性	提升脑动脉（尤其是Willis环区域）在磁共振血管成像中的分类准确性	Willis环及其分支动脉（包括后交通动脉和前交通动脉）	数字病理学	脑血管疾病	磁共振血管成像（MRA）	深度学习模型	医学图像（MRA图像）	基于TopCoW数据集扩充（具体数量未明确说明）	nnUNet	nnUNet	分类准确率提升百分比（如16%）	NA
1595	2025-12-05	Segmentation-Guided Denoising and Gradient-Aware Depth Completion for Enhanced LiDAR-Based Human Activity Recognition 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/EMBC58623.2025.11252837 PMID:41336864	研究论文	本文提出了一种结合分割引导去噪和梯度感知深度补全的方法，以增强基于LiDAR的人类活动识别	首次将基于分割的去噪与梯度感知深度补全相结合用于LiDAR HAR，无需依赖地面真实LiDAR数据集，而是利用校准的RGB-深度对齐进行分割训练	未来工作需进一步提高分割精度并针对更复杂环境优化深度补全技术	提升基于3D-LiDAR传感器的人类活动识别性能	LiDAR深度图像中的人类活动数据	计算机视觉	NA	LiDAR传感器，RGB-深度校准	U-Net	图像（RGB和深度图像）	NA	NA	U-Net	Dice系数	NA
1596	2025-12-05	Curriculum Learning using Real and Simulated Data in Deep Learning Models for Electrocardiography 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/EMBC58623.2025.11252863 PMID:41336870	研究论文	本研究评估了使用合成心电图信号补充真实数据，通过课程学习策略改善深度学习模型在心电图分类中的性能	结合真实与合成心电图数据，并采用课程学习策略来优化模型训练，以应对类别不平衡问题	合成信号的复杂性不及真实测量数据，性能提升有限（最高0.7%），且仅针对特定心脏传导异常类别进行评估	通过合成数据补充真实数据集，改善深度学习模型在心电图分类任务中的性能，特别是针对类别不平衡问题	心电图信号，包括来自PTB-XL数据集的真实数据和来自MedalCare-XL数据集的合成数据	机器学习	心血管疾病	电生理模拟	深度神经网络	信号数据（心电图）	PTB-XL和MedalCare-XL数据集，具体样本数量未在摘要中明确说明	NA	NA	准确率	NA
1597	2025-12-05	Estimation of Upper Limb Dynamic Interaction Force Based on Multimodal Information 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/EMBC58623.2025.11252887 PMID:41336871	研究论文	本文研究基于多模态信息的上肢动态交互力估计方法	采用融合CNN和LSTM的深度学习模型，结合肌电信号与关节角度等多模态数据，进行上肢动态交互力的预测	NA	估计上肢抬高动态过程中的交互力	单侧前臂的肌电信号和关节角度数据	机器学习	NA	肌电信号采集，惯性测量单元信号采集	CNN, LSTM	肌电信号，关节角度数据，惯性测量单元信号	NA	NA	CNN-LSTM	NA	NA
1598	2025-12-05	Resolution Enhancement of Prostate 3D MRI and Ultrasound Using Implicit Neural Representations 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/EMBC58623.2025.11252891 PMID:41336891	研究论文	本文探索了使用隐式神经表示（INRs），特别是正弦表示网络（SIREN），来增强前列腺MRI和超声图像的分辨率	将SIREN网络首次应用于前列腺MRI和超声图像的超分辨率重建任务，并提出结合MSE和SSIM的混合损失函数以提升重建质量	未明确提及具体的研究局限性	提升前列腺MRI和超声图像的空间和轴向分辨率，以改善病灶可见性和诊断准确性	前列腺磁共振成像（MRI）和超声（US）图像	数字病理学	前列腺癌	磁共振成像（MRI），超声成像（US）	隐式神经表示（INRs），正弦表示网络（SIREN）	图像	NA	NA	SIREN	均方误差（MSE），结构相似性指数（SSIM）	NA
1599	2025-12-05	Vigilance Classification for Variable-length EEG Signals using Graph Projections & 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/EMBC58623.2025.11252694 PMID:41336905	研究论文	本研究提出了一种基于图嵌入的方法，用于多级警觉性分类，并有效处理变长EEG信号	采用Feather图嵌入（FG-Z）捕获EEG信号中的警觉性细微差别，结合1D-CNN多头Transformer框架，实现了六类警觉性分类的先进性能	未明确提及具体局限性，但暗示现有方法在处理变长数据时存在偏差，而本研究通过创新方法试图解决此问题	开发更复杂的模型，将警觉性分类为多个级别，以提供更丰富的认知状态洞察	变长EEG信号，用于评估人类警觉性	机器学习	NA	EEG信号分析	Transformer, CNN	EEG信号	NA	NA	1D-CNN Multi-Headed Transformer	准确率, F1分数	NA
1600	2025-12-05	Spike Train Scalograms (STS): a Deep Learning Classification Pipeline for Neuronal Cell Types 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/EMBC58623.2025.11252661 PMID:41336908	研究论文	本文提出了一种基于Spike Train Scalograms (STS)的深度学习分类流程，用于高精度分类神经元细胞类型	引入了一种结合连续小波变换(CWT)标量图和预训练卷积神经网络(CNN)架构的新型深度学习分类流程，能够捕捉尖峰序列数据中的细微复杂模式，仅需两个原始扫描即可实现高精度分类，而非传统浅层方法所需的完整刺激范围	研究主要基于小鼠皮层神经元数据，可能无法直接推广到其他物种或脑区；尽管进行了可解释性分析，但深度学习模型的内在黑箱特性仍可能限制其生物学解释的深度	开发一种高精度的神经元细胞类型分类方法，以促进对大脑皮层复杂神经回路的理解	小鼠皮层神经元	机器学习	NA	膜片钳电生理记录	CNN	图像（时间-频率表示）	5,590个小鼠皮层神经元	NA	InceptionV3	平衡准确率, 加权F1分数	NA