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
1621	2025-12-05	Foundation Models on Wearable EEG using Self-Supervised 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/EMBC58623.2025.11254670 PMID:41337335	研究论文	本研究探索了使用自监督学习在可穿戴脑电图设备上构建基础模型，以解决脑电图数据标注稀缺的问题	首次在可穿戴脑电图数据上应用自监督学习构建基础模型，并比较了参与者和片段级别的对比学习策略	研究仅基于Muse冥想数据集，可能未涵盖所有脑电图变异性或任务场景	开发能够跨任务泛化的鲁棒脑电图特征表示	可穿戴脑电图设备收集的脑电图信号	机器学习	NA	自监督学习, 对比学习	CNN, Transformer	脑电图信号	使用Muse冥想数据集，具体样本数量未在摘要中明确说明	NA	ShallowNet, EEGConformer	分类准确率	NA
1622	2025-12-05	Enabling Automatic Monitoring of Fluid Intake and Medical Adherence by Human Activities Recognition from a Wrist-Mounted MIMU 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/EMBC58623.2025.11254658 PMID:41337333	研究论文	本研究通过手腕佩戴的MIMU传感器识别上肢手势，实现自动监测流体摄入和药物依从性	首次直接比较机器学习和深度学习模型，在单一MIMU传感器上实现高精度识别饮水与服药活动，准确率超过97%	仅使用单一手腕传感器，可能无法全面捕捉全身活动；样本可能局限于特定人群，未明确说明样本多样性	开发远程家庭健康监测系统，自动识别日常活动以评估老年人健康状况	老年人及脆弱人群的上肢日常活动，特别是饮水和服药行为	机器学习	老年疾病	磁惯性测量单元（MIMU）传感器	机器学习（ML）和深度学习（DL）模型	传感器数据（陀螺仪和磁力计）	NA	NA	NA	准确率	NA
1623	2025-12-05	Deep Learning Models Generalization for Predicting 14-day Mortality in Traumatic Brain Injury 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/EMBC58623.2025.11254697 PMID:41337340	研究论文	本研究评估了深度学习模型在预测巴西不同地区创伤性脑损伤患者14天死亡率方面的泛化能力	首次在同一国家内使用两个不同数据集评估预测模型的泛化性能，并强调了整合局部变量（如创伤至入院时间和疫情相关变量）对提高模型准确性的重要性	模型在圣保罗训练后未能在马瑙斯良好泛化，表明模型对地区特定特征的依赖性较强	评估机器学习模型在创伤性脑损伤患者死亡率预测中的性能和泛化能力	巴西圣保罗和马瑙斯地区的创伤性脑损伤患者	机器学习	创伤性脑损伤	NA	CNN	结构化数据（17个预测变量）	两个巴西地区的数据集（具体样本数未提供）	NA	1-D CNN	AUC	NA
1624	2025-12-05	Impact of Noise on Deep Learning-Based Pseudo-Online Gesture Recognition with High-Density EMG 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/EMBC58623.2025.11254719 PMID:41337352	研究论文	本研究探讨了典型噪声对基于高密度表面肌电信号（HD-sEMG）的深度学习手势识别系统性能的影响	通过引入合成噪声（如加性高斯白噪声、通道丢失和电极移位），系统评估了不同特征集在噪声条件下的鲁棒性，揭示了噪声类型和强度对性能退化的影响	研究使用了合成噪声而非真实环境噪声，且样本量较小（13名参与者），可能限制结果的泛化能力	评估噪声对基于深度学习的手势识别系统性能的影响，以推动实用化人机接口的发展	十三名参与者执行手腕运动时采集的高密度表面肌电信号（HD-sEMG）	机器学习	NA	高密度表面肌电信号（HD-sEMG）采集	自编码器增强的循环神经网络（RNN）	肌电信号	13名参与者	NA	自编码器增强的RNN	NA	NA
1625	2025-12-05	Time-frequency deep metric learning of resting-state fNIRS signals for staging Alzheimer's 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/EMBC58623.2025.11254651 PMID:41337354	研究论文	本研究提出了一种深度度量学习框架，利用时频域的连续小波变换层将静息态fNIRS信号嵌入特征空间，用于阿尔茨海默病（AD）的分期分类	提出了一种结合连续小波变换的深度度量学习框架，能够从有限的fNIRS数据中生成鲁棒信号嵌入，并通过学习的距离度量评估样本间相似性，有效捕捉脑信号复杂性	数据集规模有限，传统数据密集型深度学习模型性能受限且泛化能力不足	开发一种基于静息态fNIRS信号的深度度量学习方法，用于阿尔茨海默病的分期分类	阿尔茨海默病患者、轻度认知障碍患者和健康对照个体的静息态fNIRS信号	机器学习	阿尔茨海默病	功能近红外光谱（fNIRS），连续小波变换	深度度量学习	信号数据（fNIRS时频信号）	包含AD、MCI和HC个体的静息态fNIRS数据集（具体数量未明确说明）	NA	NA	分类准确率	NA
1626	2025-12-05	Deep Learning-Based Generation of 4D Reference Lung Volumes for Personalized Respiratory Function Assessment 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/EMBC58623.2025.11252743 PMID:41337364	研究论文	本研究利用深度学习技术生成个性化的4D参考肺体积，用于评估呼吸功能	结合卷积自编码器和LSTM网络，从动态3D磁共振图像中预测患者的健康假设呼吸动态，为个性化呼吸疾病评估提供基线参考	NA	建立个性化的参考肺动态模型，作为患者呼吸功能评估的基线	动态3D磁共振肺图像	数字病理学	肺疾病	动态3D磁共振成像	卷积自编码器, LSTM	图像	NA	NA	卷积自编码器, LSTM	NA	NA
1627	2025-12-05	Multimodal Generative Modeling for DaT Scan Reconstruction in Parkinson's 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/EMBC58623.2025.11252739 PMID:41337393	研究论文	本文提出了一种多模态深度学习模型，用于重建帕金森病中的DaT扫描图像，以促进合成医学数据的生成	引入了一种结合目标DaT扫描和共配准T1加权MRI扫描的多模态深度学习模型，用于重建DaT扫描图像，以在保护隐私的同时生成具有真实统计分布的合成数据	未明确提及具体局限性，但可能涉及模型在更广泛数据集上的泛化能力或隐私保护机制的详细评估	旨在解决核医学研究中数据共享受限的问题，通过重建DaT扫描来支持大规模数据增强，应用于帕金森病的早期检测和疾病进展研究	帕金森病进展标志物倡议数据集中的健康对照、帕金森病患者以及无多巴胺能缺陷影像证据的个体	数字病理学	帕金森病	I-FPCIT SPECT（DaT）扫描，T1加权MRI扫描	多模态深度学习模型	图像	大型帕金森病进展标志物倡议数据集，包括健康对照、帕金森病患者和无多巴胺能缺陷影像证据的个体	NA	NA	强度差异，对比噪声比，基于区域的分析	NA
1628	2025-12-05	Classification of ECG Arrhythmia Types Using 2D Recurrence Polar Maps and Deep Learning Techniques 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/EMBC58623.2025.11252764 PMID:41337407	研究论文	本文提出了一种基于二维复发极坐标图和深度学习技术的心电图心律失常分类方法	引入了两种新颖的二维表示方法——复发极坐标图和交叉复发极坐标图，以捕捉12导联心电图信号的空间和时间复杂性，并利用多通道神经网络模型进行分类	未提及模型在更广泛或多样化数据集上的泛化能力，也未讨论计算效率或实时应用的可能性	自动化心电图分析，准确分类四种主要心律失常类型	12导联心电图信号	机器学习	心血管疾病	心电图分析	多通道神经网络	二维图像（复发极坐标图）	NA	NA	NA	准确率	NA
1629	2025-12-05	Impact of Adversarial Attack on Pediatric Hip Ultrasound 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/EMBC58623.2025.11253101 PMID:41337411	研究论文	本文研究了对抗性攻击对基于儿科髋关节超声图像的深度学习分类模型的影响，并通过对抗性训练提升模型鲁棒性	首次在儿科髋关节超声图像的深度学习模型中应用并比较了多种白盒对抗性攻击方法（FGSM、PGD、BIM），并利用对抗性训练显著提高了模型在扫描充分性评估中的鲁棒性	研究仅使用了两个相对较小的数据集（108和200名受试者），且对抗性攻击仅限于白盒场景，未涵盖黑盒攻击或更广泛的临床验证	评估儿科髋关节超声深度学习模型对对抗性攻击的脆弱性，并通过对抗性训练提升其鲁棒性	儿科髋关节超声图像	计算机视觉	儿科髋关节疾病	B型超声成像	CNN	图像	两个数据集，分别来自108名和200名受试者	NA	AlexNet, ResNet, DenseNet, Inception, VGG	准确率	NA
1630	2025-12-05	Study about deep Bifurcation learning model for separation of ultrasound echo signals and tissue acoustic properties 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/EMBC58623.2025.11253118 PMID:41337428	研究论文	本文开发了一种基于自动编码器的深度学习模型，用于分离超声回波信号中的镜面反射和散斑信号成分，并定量估计反射和散射等声学特性	模型采用分叉多任务架构，能高效分离信号成分和声学特性，并引入可训练的共享损失函数以减少任务间损失不平衡导致的学习性能下降	NA	开发深度学习模型以改进超声成像，通过分离信号成分和估计声学特性来提升临床诊断效果	医学超声回波信号	数字病理学	NA	NA	自动编码器	超声回波信号	NA	NA	ResNet-50	SSIM	NA
1631	2025-12-05	Multi-Modal Feature Fusion Using Transformer for Early Alzheimer's Disease 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/EMBC58623.2025.11253151 PMID:41337426	研究论文	本文提出了一种基于Transformer的多模态特征融合模型，用于阿尔茨海默病的早期诊断	利用Transformer融合图像与非图像特征，并引入类别不平衡损失函数以优化早期AD诊断性能	未明确提及模型在外部验证集或临床实际应用中的泛化能力	开发智能早期阿尔茨海默病诊断模型以提高诊断准确性	阿尔茨海默病患者数据，包括图像和非图像特征	数字病理学	阿尔茨海默病	多模态特征融合	Transformer	图像, 非图像特征	未明确说明具体样本数量，但采用分层5折交叉验证	未明确说明	Transformer	准确性	未明确说明
1632	2025-12-05	Gaze-Guided Medical Image Segmentation: A Training-Free Approach using SAM 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/EMBC58623.2025.11253157 PMID:41337454	研究论文	本文提出了一种利用眼动数据作为隐式提示，结合SAM基础模型实现无需训练的医学图像分割方法	首次将眼动数据作为隐式提示引入SAM模型，用于医学图像分割，无需任务特定训练或标注数据，提供了一种自然、低成本的交互方式	研究仅在息肉分割和前列腺分割两个任务上验证，尚未扩展到更多医学图像类型和疾病；眼动数据的采集可能受设备限制	开发一种无需训练、资源高效的医学图像自动分割方法，以降低标注成本并实现近实时分割	医学图像（结肠镜图像中的息肉、MRI图像中的前列腺）	计算机视觉	结直肠癌, 前列腺癌	眼动追踪	基础模型	图像	Kvasir-SEG数据集和NCI-ISBI 2013数据集（具体样本数未在摘要中提供）	NA	SAM	NA	NA
1633	2025-12-05	Automated Wrist Ultrasound Image Bone Enhancement and Segmentation 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/EMBC58623.2025.11253133 PMID:41337456	研究论文	本研究提出了一种基于深度学习的自动手腕超声图像骨增强与分割框架，用于评估儿童手腕骨折	结合CLAHE图像增强技术与nnU-Net模型进行手腕超声图像中骨骼结构（如骨骺和干骺端）的自动分割，在儿科急诊环境中验证了可行性	研究样本量相对有限（74名受试者的训练数据和18名受试者的测试数据），且未详细讨论模型在不同超声设备或操作者间的泛化能力	开发一种自动分割手腕超声图像中骨骼结构的方法，以辅助儿科急诊中手腕损伤的严重性评估，减少X射线检查的需求	手腕超声图像中的骨骼结构，包括骨骺、干骺端和腕骨	计算机视觉	手腕骨折	超声成像	CNN	图像	74名受试者的16,865张训练图像和18名受试者的3,822张测试图像	PyTorch	nnU-Net	DICE分数	NA
1634	2025-12-05	A Deep Learning approach for Depressive Symptoms assessment in Parkinson's disease patients using facial videos 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/EMBC58623.2025.11253137 PMID:41337455	研究论文	本研究利用深度学习模型分析帕金森病患者的视频，以评估其抑郁症状的存在与严重程度	首次将ViViT、Video Swin Tiny和3D CNN-LSTM等深度学习模型应用于帕金森病患者面部视频的时空分析，以评估抑郁症状，并考虑了药物状态（ON/OFF）的影响	研究样本量相对有限（178名患者），且未明确说明模型的泛化能力或在不同人群中的验证情况	开发一种可扩展、非侵入性的方法，用于帕金森病患者抑郁症状的自动评估与监测	帕金森病患者	计算机视觉	帕金森病	面部视频分析	深度学习模型	视频	178名患者的1,875个视频	NA	ViViT, Video Swin Tiny, 3D CNN-LSTM	准确率, F1分数	NA
1635	2025-12-05	AI and Tomosynthesis for Breast Cancer Molecular Subtyping: A step toward precision medicine 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/EMBC58623.2025.11253140 PMID:41337459	研究论文	本研究探讨了结合人工智能与数字乳腺断层合成技术，用于非侵入性乳腺癌分子亚型分类的可行性	首次将深度学习模型应用于数字乳腺断层合成图像，以实现对侵袭性乳腺癌亚型（Luminal B2、HER2阳性和三阴性）的非侵入性分类	在区分Luminal B2亚型方面仍存在挑战，性能相对较低	开发一种基于人工智能和影像学的非侵入性方法，用于乳腺癌分子亚型分类，以支持精准医疗	乳腺癌患者，特别是侵袭性亚型（Luminal B2、HER2阳性、三阴性）	计算机视觉	乳腺癌	数字乳腺断层合成	CNN	图像	NA	NA	ResNet-101, Inception-v3	AUC	NA
1636	2025-12-05	ralphi: a deep reinforcement learning framework for haplotype assembly 2025-Feb-21, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.17.638151 PMID:40027721	研究论文	本文提出了一种基于深度强化学习的新型单倍型组装框架ralphi，用于从测序读段中准确重建二倍体基因组的单倍型	首次将深度强化学习应用于单倍型组装问题，通过结合深度学习的表征能力和强化学习的决策优化，实现了对读段片段的精确分区	未明确说明模型在非人类基因组或高杂合度区域的泛化能力，且训练数据主要基于1000 Genomes Project的基因组	开发一种更准确、更高效的单倍型组装方法，以提升单倍型重建的准确性和连续性	二倍体基因组的单倍型组装	机器学习	NA	ONT测序	深度强化学习	序列数据	基于1000 Genomes Project基因组生成的多样化片段图拓扑数据集	PyTorch	NA	错误率, 单倍型区块长度	NA
1637	2025-12-05	GLAM: Glomeruli Segmentation for Human Pathological Lesions using Adapted Mouse Model 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3046823 PMID:41323934	研究论文	本研究提出GLAM方法，利用小鼠模型进行人类肾脏病变的细粒度分割，通过零样本迁移学习和混合学习策略评估不同学习策略	首次针对人类病理肾小球病变的细粒度分割，结合小鼠模型进行迁移学习，并比较零样本迁移与混合学习策略	研究可能未全面覆盖所有类型的人类肾脏病变，且依赖于小鼠模型数据的可扩展性	开发一种深度学习模型，用于从动物模型迁移到人类应用的肾小球分割，特别关注病理病变	人类肾脏病变组织，特别是受不同病变影响的病理肾小球	数字病理学	肾脏疾病	深度学习分割技术	深度学习模型	图像数据	NA	NA	NA	NA	NA
1638	2025-12-05	Intelligent grading of sugarcane leaf disease severity by integrating physiological traits with the SSA-XGBoost algorithm 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1698808 PMID:41169726	研究论文	本研究提出了一种基于生理特征和SSA-XGBoost算法的甘蔗叶片病害严重程度智能分级方法	结合生理特征（SPAD值、叶面温度、氮含量）与麻雀搜索算法优化XGBoost模型，实现高效、透明的甘蔗病害严重程度分级	未与基于图像的深度学习方法进行直接性能对比，且仅针对三种特定甘蔗病害进行验证	开发一种智能方法，用于准确评估甘蔗叶片病害严重程度，以支持早期预警和有效病害控制	感染褐条病、环斑病和花叶病的甘蔗叶片	机器学习	植物病害	植物营养分析仪（TYS-4N）测量	XGBoost, KNN, AdaBoost, Random Forest, Logistic Regression, Decision Tree	生理特征数据（SPAD值、叶面温度、氮含量）	从田间收集的感染三种病害、四个严重程度等级的甘蔗叶片数据	Scikit-learn, XGBoost	XGBoost, KNN, AdaBoost, Random Forest, Logistic Regression, Decision Tree	精确率, 召回率, F1分数, 准确率, PRFA综合评分	未明确说明
1639	2025-12-05	Identifying escaped farmed salmon from fish scales using deep learning 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf078 PMID:41311715	研究论文	本文利用深度学习技术，通过鱼鳞图像自动识别逃逸养殖鲑鱼，以解决传统方法劳动密集和时间消耗大的问题	首次在包含近90,000张鱼鳞图像的大型多样化数据集上训练和验证卷积神经网络，涵盖异质成像协议、数百条河流及自1930年代的时间序列数据，展示了模型在生态和方法学背景下的强泛化能力	未明确提及模型在极端环境或新型养殖技术下的适用性限制	开发一个自动化、高精度的工具，用于大规模监测逃逸养殖鲑鱼，以保护野生大西洋鲑鱼种群	挪威的逃逸养殖鲑鱼和野生大西洋鲑鱼	计算机视觉	NA	鱼鳞图像分析	CNN	图像	近90,000张鱼鳞图像，来自两个国家档案库，涵盖数百条河流和自1930年代的时间序列	NA	卷积神经网络	F1分数	NA
1640	2025-12-05	Scale-up Unlearnable Examples Learning with High-Performance Computing 2025, IS&T International Symposium on Electronic Imaging DOI:10.2352/ei.2025.37.12.hpci-184 PMID:41323016	研究论文	本文通过在高性能计算环境下扩展不可学习示例学习，探索批量大小对数据不可学习性的影响，以增强医疗数据安全	首次在Summit超级计算机上使用分布式数据并行训练扩展不可学习聚类方法，实现理论上无限资源下的不可学习示例性能提升	批量大小与不可学习性的关系因数据集而异，需针对不同数据集定制策略，且实验仅限于特定图像数据集	防止未经授权的深度学习模型学习，特别是在医疗AI诊断工具中保护敏感数据隐私和知识产权	医疗影像数据及其他图像数据集（如Pets、MedMNist、Flowers、Flowers102）	机器学习	NA	不可学习示例学习，不可学习聚类	深度学习模型	图像	多个数据集（Pets、MedMNist、Flowers、Flowers102），具体样本数量未在摘要中指定	PyTorch（基于DDP框架推断）	NA	准确性，不可学习性	Summit超级计算机，高性能GPU，分布式数据并行训练