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
1601	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
1602	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
1603	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
1604	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
1605	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
1606	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
1607	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
1608	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
1609	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
1610	2025-12-05	HemoGraph: A Machine Learning Method for Type II Diabetes Pre-screening Using Social and Behavioral Determinants of Health 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/EMBC58623.2025.11252678 PMID:41336918	研究论文	本文提出了一种名为HemoGraph的深度学习方法，利用社会和行为健康决定因素进行II型糖尿病预筛查	采用图神经网络显式建模输入特征间的关系，并引入学习特权信息框架，在训练时利用实验室测试结果提升模型性能	NA	开发一种基于机器学习的II型糖尿病预筛查方法	II型糖尿病	机器学习	II型糖尿病	NA	图神经网络	社会和行为健康决定因素数据	基于美国国家健康与营养调查（1999-2018）的真实世界数据	NA	图神经网络	召回率	NA
1611	2025-12-05	MI-LTN: A Neurosymbolic Framework for Enhanced EEG Feature Extraction and Model Interpretability in MI-BCI 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/EMBC58623.2025.11252655 PMID:41336923	研究论文	本文提出了一种名为MI-LTN的新型神经符号框架，用于增强运动想象脑电图的特征提取和模型可解释性	首次将逻辑张量网络（LTN）与Shapley值结合，通过逻辑约束增强特征提取，并利用Shapley值评估和调整通道重要性，以提升模型的可解释性	NA	解决运动想象脑电图解码中特征提取不全面和模型缺乏可解释性的问题	运动想象脑电图信号	机器学习	NA	脑电图	逻辑张量网络	脑电图信号	基于BCI IV 2a和BCI IV 2b数据集	NA	MI-LTN	分类准确率	NA
1612	2025-12-05	Cross-Language Depression Detection Based on Multi-Domain Feature Alignment 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/EMBC58623.2025.11252690 PMID:41336939	研究论文	提出一种基于多领域特征对齐的跨语言抑郁症检测模型，以提升模型在个体和语言间的泛化能力	采用梯度反转技术减少特征编码器对说话者和语言特异性特征的敏感性，使模型能更专注于抑郁症相关模式	NA	克服说话者特质和语言差异导致的特征偏移问题，提升跨个体和跨语言的抑郁症检测泛化性能	语音数据中的抑郁症检测	自然语言处理	抑郁症	深度学习	MDFA（多领域特征对齐模型）	语音	基于DAIC-WoZ和Androids等多语言数据集	NA	NA	NA	NA
1613	2025-12-05	FEMBA: Efficient and Scalable EEG Analysis with a Bidirectional Mamba Foundation 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/EMBC58623.2025.11252697 PMID:41336943	研究论文	提出了一种名为FEMBA的新型自监督框架，用于高效、可扩展的脑电图分析	首次将双向状态空间建模引入EEG分析，相比Transformer模型实现了线性时间与内存复杂度，显著提升了处理长序列EEG数据的效率	未明确说明模型在不同EEG设备或采集协议下的泛化能力，也未讨论对罕见癫痫类型的检测性能	开发适用于资源受限环境的EEG分析模型，实现高效、可扩展的癫痫检测与伪迹识别	脑电图信号	机器学习	癫痫	脑电图	Mamba	时间序列信号	超过21,000小时的未标记EEG数据	NA	双向状态空间模型	平衡准确率, AUROC	资源受限设备（提及7.8M参数变体）
1614	2025-12-05	Self-supervised learning for stroke lesion segmentation on CT: a new pretext task for neuroimaging 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/EMBC58623.2025.11253683 PMID:41336954	研究论文	本文提出了一种专为神经影像设计的自监督学习前置任务，用于CT扫描中的卒中病灶分割	创新点在于利用卒中ASPECTS评分设计了一个针对神经影像的特定前置任务，相比通用任务能提升分割性能和稳定性	NA	研究目标是开发一种自监督学习方法，以解决CT扫描中卒中病灶分割的标注数据有限和对比度低的问题	研究对象是CT扫描中的卒中病灶	数字病理学	卒中	CT扫描	深度学习模型	图像	NA	NA	NA	NA	NA
1615	2025-12-05	Yet another STAin NORmalization Method: Point Set Registration for Color Space Alignment in Histological 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/EMBC58623.2025.11253721 PMID:41336962	研究论文	本文提出了一种名为YSTANORM的染色归一化方法，通过点集配准对齐组织学图像的颜色空间，以减轻领域偏移对深度学习模型性能的影响	利用点集配准技术计算参考图像与目标图像颜色分布之间的变换，实现颜色空间对齐，从而提升分割模型性能	染色归一化方法可能对模型性能产生负面影响，且方法效果依赖于参考图像的选择	开发一种新的染色归一化方法，以改善组织学图像分析中深度学习模型的泛化能力	组织学图像	数字病理学	NA	染色归一化	深度学习模型	图像	NA	NA	NA	NA	NA
1616	2025-12-05	Clinical Evaluation of PPG-Based Deep Learning Models for Sleep Staging in Patients with Suspected Sleep Apnea 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/EMBC58623.2025.11253745 PMID:41336967	研究论文	本研究评估了基于光电容积脉搏波描记法（PPG）的深度学习模型在疑似睡眠呼吸暂停患者中进行睡眠分期的临床性能	将PPG信号与深度学习模型结合，在临床队列中评估其在家庭睡眠监测中的可行性，并比较了手腕和上臂佩戴位置以及轻量级模型变体的性能	研究样本量相对较小（134名患者），且仅针对疑似睡眠呼吸暂停患者，模型性能在上臂佩戴时有所下降	评估基于PPG的深度学习模型在临床环境中进行睡眠分期的准确性和可行性	134名疑似睡眠呼吸暂停的临床患者	机器学习	睡眠呼吸暂停	光电容积脉搏波描记法（PPG），加速度计信号	深度学习模型	PPG信号，加速度计信号	134名患者	NA	NA	准确率，Cohen's Kappa	NA
1617	2025-12-05	Multimodal Data and Deep Learning-Driven Diagnostic and Therapeutic Assistance Framework for Patellar Dislocation 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/EMBC58623.2025.11253687 PMID:41336970	研究论文	本研究结合多模态数据和人工智能算法，构建了一个用于识别解剖风险因素、预测复发风险和评估术后结果的模型	提出了一个整合术前、术中和术后信息的三阶段建模框架，并在复发风险预测模块中首次纳入了脂质代谢谱和临床变量	未来需要纳入真实世界的影像数据以提升影像分析组件的性能	为髌骨脱位的诊断、预后和治疗提供更准确和个体化的临床决策支持	髌骨脱位患者	数字病理	骨科疾病	多模态数据整合	深度学习	多模态数据（临床变量、脂质代谢谱、影像数据）	未明确说明	未明确说明	未明确说明	AUC, F1-score, 敏感度	未明确说明
1618	2025-12-05	OptiGuard: Generalized, Attention-Driven & Explainable Glaucoma 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/EMBC58623.2025.11253669 PMID:41336972	研究论文	本文提出了一种名为OptiGuard的深度学习计算机辅助诊断系统，用于基于视网膜眼底图像的青光眼分类	集成了直观的Web界面，提供视觉和定量解释以增强模型透明度，并在跨数据集性能上表现出强大的泛化能力	未明确提及具体局限性	开发一个自动化、可解释且泛化能力强的青光眼检测系统	青光眼	计算机视觉	青光眼	视网膜眼底图像分析	深度学习	图像	使用G1020数据集进行视盘和视杯分割，使用SMDG-19数据集进行青光眼分类	NA	NA	NA	NA
1619	2025-12-05	SegUnXt+: A High-Performance Deep Learning Model for Thyroid Segmentation in Fully Automatic 3D USE Robotic Examination System 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/EMBC58623.2025.11253700 PMID:41336966	研究论文	本文提出了一种结合SegUnXt+深度学习模型的全自动3D超声弹性成像机器人检查系统，用于甲状腺分割与结节检测	开发了SegUnXt+深度学习模型，在甲状腺分割和结节分割任务中表现出色，并集成到全自动3D超声弹性成像机器人系统中，提高了诊断的精确性和可重复性	未提及	提高甲状腺癌的早期检测准确性，减少观察者依赖性，实现自动化、定量的弹性成像和形态学分析	甲状腺及甲状腺结节	计算机视觉	甲状腺癌	超声弹性成像（USE）、亮度模式（USB）、3D重建	深度学习模型	3D超声图像	未提及	未提及	SegUnXt+	IoU, DC	未提及
1620	2025-12-05	Enhancing Depression Detection from Emotion EEG with Temporal-Spatial-Spectral Representation 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/EMBC58623.2025.11253710 PMID:41336971	研究论文	本研究提出了一种结合CNN和Transformer的混合模型EMOCT，用于从情绪EEG数据中学习时空频谱表示，以增强抑郁症的检测	提出了一种新颖的混合模型EMOCT，结合CNN和Transformer块，有效捕获与抑郁或健康精神状态相关的脑活动的时空频谱特征，实现了更全面的表示学习	样本量相对较小（33名抑郁症患者和40名健康对照），可能影响模型的泛化能力	开发可靠、客观的抑郁症诊断生物标志物，通过深度学习技术桥接可观察的抑郁症状与潜在神经特征	抑郁症患者和健康对照者在快乐、中性和悲伤情绪刺激下的脑电图记录	机器学习	抑郁症	脑电图	CNN, Transformer	脑电图信号	33名抑郁症患者和40名健康对照者	NA	EMOCT（一种结合CNN和Transformer块的混合架构）	准确率	NA