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
1	2025-12-27	Transfer learning with pre-trained language models for protein expression level prediction in Escherichia coli 2026-Jun, Synthetic and systems biotechnology IF:4.4Q1 DOI:10.1016/j.synbio.2025.11.012 PMID:41438772	研究论文	本研究提出了一种名为TLCP-EPE的迁移学习框架，首次融合密码子和蛋白质水平的预训练语言模型来联合捕获表达决定因素，以预测大肠杆菌中的重组蛋白表达水平	首次将密码子和蛋白质序列的预训练语言模型进行融合，通过低秩适应（LoRA）微调CaLM和ProtT5，并利用BiGRU-MLP预测器整合其嵌入表示，从而学习表达感知的表征	未明确说明模型在其他生物体系或更广泛数据集上的泛化能力，也未讨论计算效率或实时预测的可行性	提高重组蛋白表达水平的预测准确性和泛化能力，为理性蛋白质设计和生物制造应用提供基础	大肠杆菌中的重组蛋白表达	自然语言处理	NA	迁移学习, 低秩适应（LoRA）	预训练语言模型, BiGRU, MLP	序列数据（密码子序列, 蛋白质序列）	两个独立测试数据集（具体数量未提供）	NA	CaLM, ProtT5, BiGRU-MLP	AUC	NA
2	2025-12-27	Deep learning model for identifying significant tricuspid regurgitation using standard 12-lead electrocardiogram 2026-Mar, International journal of cardiology. Cardiovascular risk and prevention DOI:10.1016/j.ijcrp.2025.200557 PMID:41437957	研究论文	本研究开发了一种基于深度学习模型，利用标准12导联心电图信号和临床特征来识别显著三尖瓣反流	首次结合一维卷积神经网络、高效通道注意力块和多头注意力模块，从广泛可用的12导联心电图中检测显著三尖瓣反流，避免了传统经胸超声心动图的额外成本和操作依赖性	深度学习模型的临床实用性仍需进一步验证和探索，且研究依赖于特定时间段内的患者数据	开发深度学习模型以利用12导联心电图信号和临床特征检测显著三尖瓣反流	2017年至2019年间接受12导联心电图和经胸超声心动图检查的5432名患者，其中570名患者被识别为显著三尖瓣反流	机器学习	心血管疾病	12导联心电图，经胸超声心动图	CNN	心电图信号，临床特征	5432名患者（训练集3910名，测试集435名，内部和外部验证队列）	NA	一维卷积神经网络，高效通道注意力块，多头注意力模块	准确率，灵敏度，特异性，曲线下面积	NA
3	2025-12-27	Rapid and robust quantitative cartilage assessment for the clinical setting: deep learning-enhanced accelerated T2 mapping 2026-Feb, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-025-05034-w PMID:40968299	研究论文	本研究开发了一种基于深度学习的加速软骨T2映射序列（DL CartiGram），旨在解决传统T2映射在临床应用中存在的可重复性差、检查时间长和图像分析繁琐的问题	结合并行成像和深度学习图像重建技术，实现了扫描时间减少40%的加速T2映射，同时保持了优异的可重复性和可再现性	站点间偏差可能受温度效应影响，且研究仅在一个站点进行了体内验证	开发并验证一种适用于临床环境的快速、稳健的定量软骨评估方法	软骨组织，特别是膝关节的髌骨和股骨软骨	医学影像分析	骨关节炎	T2映射，并行成像，深度学习图像重建	深度学习模型	磁共振图像	43名患者，52个髌骨和股骨软骨分区	NA	NA	变异系数，Bland-Altman分析，一致性相关系数，Wilcoxon符号秩检验，配对t检验	NA
4	2025-12-27	Attention-Based Multimodal Deep Learning for Uveal Melanoma Classification Using Ultra-Widefield Fundus Images and Ocular Ultrasound 2026-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100985 PMID:41439217	研究论文	本研究开发并评估了一种基于注意力机制的多模态深度学习模型，用于整合超广角眼底摄影和B超图像，以实现葡萄膜黑色素瘤和脉络膜痣的自动分类	首次提出结合超广角眼底摄影和B超图像，并采用注意力机制进行多模态融合，以提升葡萄膜黑色素瘤和脉络膜痣的分类性能	研究样本量较小（仅174名患者），且为单中心回顾性研究，可能影响模型的泛化能力	开发一种自动分类葡萄膜黑色素瘤和脉络膜痣的深度学习模型	葡萄膜黑色素瘤和脉络膜痣患者	数字病理学	葡萄膜黑色素瘤	超广角眼底摄影，B超成像	深度学习模型	图像	174名患者（93例葡萄膜黑色素瘤，81例脉络膜痣），每名患者包含超广角眼底照片和横纵两个方向的B超图像	NA	注意力机制融合模型	准确率，F1分数，AUC	NA
5	2025-12-27	GI-ScreenNet v2: A Modular Framework for Gastrointestinal Disease Detection Based on an Integrated Transfer Learning 2026-Feb, The international journal of medical robotics + computer assisted surgery : MRCAS DOI:10.1002/rcs.70128 PMID:41449645	研究论文	本文提出GI-ScreenNet v2，一个基于集成和迁移学习的多骨干网络框架，用于胃肠道疾病检测	通过标准化接口支持任意骨干网络，并利用交叉注意力机制动态整合多模型特征，实现灵活且高效的表示学习	现有系统通常不够灵活且技术复杂，限制了临床采用	开发一个统一的框架，用于胃肠道疾病的早期筛查和AI辅助诊断	无线胶囊内窥镜（WCE）图像	计算机视觉	胃肠道疾病	无线胶囊内窥镜（WCE）	集成学习, 迁移学习	图像	基于KvasirV2数据集	NA	多骨干网络框架	准确率	NA
6	2025-12-27	The combined use of cervical ultrasound and deep learning improves the detection of patients at risk for spontaneous preterm delivery 2026-Jan, American journal of obstetrics and gynecology IF:8.7Q1 DOI:10.1016/j.ajog.2025.09.012 PMID:40945809	研究论文	本研究开发并验证了一种基于深度学习的人工智能模型，用于从宫颈超声图像中预测自发性早产，并与宫颈长度测量进行比较	首次大规模多中心研究证明，人工智能在预测自发性早产方面比宫颈长度测量更敏感，且能整合更多数据特征	超声检查指征未系统记录，可能基于风险因素或早产症状进行，存在选择偏倚	提高自发性早产的预测准确性，以改善新生儿死亡率和发病率	接受宫颈超声扫描的孕妇及其妊娠数据	数字病理学	早产	宫颈超声扫描	深度学习	图像	4224例妊娠，7862张宫颈超声图像	NA	NA	AUC, 敏感性, 特异性, 似然比	NA
7	2025-12-27	Towards precision medicine for otology and neurotology: Machine learning applications and challenges 2026-Jan, Hearing research IF:2.5Q1 DOI:10.1016/j.heares.2025.109473 PMID:41274259	综述	本文批判性地综述了2013年至2025年间机器学习和深度学习在耳科及神经耳科领域的研究应用、挑战及未来方向	重点强调了新兴技术（如Whisper语音识别模型、大语言模型）及其在多模态数据集（影像、听力数据、患者报告结果）整合中的应用，以改进诊断和治疗策略	模型缺乏标准化、泛化能力有限、多模态数据整合框架不完善，阻碍了严谨且可重复的实施	探索人工智能（机器学习、深度学习、大语言模型）在耳科及神经耳科精准医疗中的应用潜力，以促进基于个体数据的诊断、预后和治疗决策	耳鸣、人工耳蜗植入及其他耳科或神经耳科疾病	机器学习	耳科及神经耳科疾病	NA	机器学习, 深度学习, 大语言模型	多模态数据（影像、听力数据、患者报告结果）	NA	NA	Whisper	NA	NA
8	2025-12-27	3D Otoscope: toward an extra diagnostic dimension for middle-ear related issues 2026-Jan, Hearing research IF:2.5Q1 DOI:10.1016/j.heares.2025.109485 PMID:41308561	研究论文	本文介绍了一种可工业制造的数字耳镜，旨在测量鼓膜的三维形状，同时兼容标准检查程序	通过集成单次表面重建策略（从经典傅里叶轮廓术到现代深度学习方法），消除了多模式投影需求，并在深度学习方法中避免了相位解缠，从而简化硬件设置	NA	开发一种用于鼓膜三维形状测量的数字耳镜，以评估其早期病理指标	鼓膜的三维形状和活动性	计算机视觉	中耳相关疾病	光学轮廓术	深度学习	图像	NA	NA	NA	NA	NA
9	2025-12-27	Automated high-fidelity 3D reconstruction of middle-ear ossicles from low-resolution clinical CT using a deep learning pipeline 2026-Jan, Hearing research IF:2.5Q1 DOI:10.1016/j.heares.2025.109492 PMID:41344151	研究论文	本研究验证了一种从低分辨率临床CT图像自动生成高保真中耳听小骨3D模型的深度学习框架	提出了一种结合YOLOv5x、深度反向投影网络和带“提示通道”的2.5D U-Net的三阶段自动化流水线，能够从稀疏数据中鲁棒地重建完整解剖结构	未明确说明训练数据的具体来源和多样性，外部验证集的规模可能有限	开发一种快速、准确且鲁棒的自动化工具，从标准临床CT生成患者特异性的中耳听小骨3D模型	中耳听小骨（ossicles）	医学影像分析	耳科疾病	临床CT成像	深度学习	CT图像	未明确说明具体样本数量，但提及使用了外部推理集进行验证	未明确说明，但提及YOLOv5x、DBPN、U-Net等架构	YOLOv5x, Deep Back-Projection Network (DBPN), 2.5D U-Net	mAP50, Dice系数, 平均表面距离	未明确说明具体计算资源
10	2025-12-27	Lower Limb Joints Torques Continuous Estimate Model Based on Muscle Synergy for Patients With Motor Dysfunction 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2025.3645234 PMID:41411354	研究论文	本研究为下肢运动功能障碍患者开发了一种基于肌肉协同作用的关节扭矩连续估计模型，用于康复外骨骼机器人的辅助控制	结合肌肉协同理论和深度学习，在神经控制层面建立了肌电信号与关节扭矩的关系模型，并采用对抗迁移学习优化模型以适应长期使用	仅涉及八名患者，样本量较小，且仅针对髋关节和膝关节进行评估	为康复外骨骼机器人提供准确可靠的下肢关节扭矩估计，以实现按需辅助控制	下肢运动功能障碍患者	机器学习	运动功能障碍	表面肌电图	深度学习	肌电信号	八名下肢运动功能障碍患者	NA	自注意力机制	决策系数	NA
11	2025-12-27	Assessing the relation between protein phosphorylation, AlphaFold3 models, and conformational variability 2026-Jan, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70376 PMID:41432299	研究论文	本文系统评估了AlphaFold模型（包括AF2、AF3-non phospho和AF3-phospho）在预测磷酸化诱导的蛋白质结构多样性方面的能力	首次系统评估AlphaFold模型（特别是AF3-phospho）在捕捉磷酸化驱动的构象变化方面的表现，揭示了其局限性	所有模型主要与主导结构状态对齐，往往未能捕捉磷酸化特异性构象，AF3-phospho预测仅提供有限改进	评估深度学习模型（特别是AlphaFold）预测磷酸化诱导的蛋白质结构变化的能力	蛋白质及其磷酸化修饰	机器学习	癌症,阿尔茨海默病	深度学习,蛋白质结构预测	AlphaFold (AF2, AF3)	蛋白质结构数据,实验构象集合	NA	NA	AlphaFold2, AlphaFold3	NA	NA
12	2025-12-27	Assessing the validity of leucine zipper constructs predicted by AlphaFold 2026-Jan, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70438 PMID:41432297	研究论文	本研究评估了AlphaFold预测的亮氨酸拉链结构域的有效性，特别是针对AP-1转录因子如Fos和Jun的二聚体	利用超过2000个实验验证的人类亮氨酸拉链数据，首次系统评估AlphaFold在预测亮氨酸拉链二聚体界面及区分可能/不可能二聚体方面的能力	AlphaFold可能高置信度预测出在体内因静电排斥而无法形成的二聚体（如FosB同源二聚体），揭示了其高置信度但低准确性的预测案例	评估AI驱动的蛋白质结构预测方法（如AlphaFold）在亮氨酸拉链结构域建模中的有效性和局限性	AP-1转录因子（如Fos和Jun）的亮氨酸拉链结构域及超过2000个人类亮氨酸拉链	结构生物学	NA	AlphaFold2, AlphaFold3, 蛋白质结构预测	深度学习	氨基酸序列, 多序列比对	超过2000个实验验证的人类亮氨酸拉链	AlphaFold	AlphaFold2, AlphaFold3	NA	NA
13	2025-12-27	SenSeqNet: A Deep Learning Framework for Cellular Senescence Detection From Protein Sequences 2026-Jan, Aging cell IF:8.0Q1 DOI:10.1111/acel.70344 PMID:41432347	研究论文	本文提出了一种名为SenSeqNet的深度学习框架，用于直接从蛋白质序列中检测细胞衰老状态	整合了进化尺度建模（ESM-2）的嵌入表示与混合LSTM-CNN架构，以同时捕获序列和高阶结构特征，从而在细胞衰老检测任务上超越了传统机器学习和深度学习方法	未明确提及模型在更广泛数据集上的泛化能力或计算资源需求的具体限制	开发一个直接从蛋白质序列预测细胞衰老状态的深度学习工具，以加速衰老机制研究和相关治疗靶点的发现	蛋白质序列	自然语言处理	老年疾病	蛋白质序列分析	LSTM, CNN	序列数据	NA	NA	混合LSTM-CNN架构	准确率	NA
14	2025-12-27	Automated detection of zygomatic fractures on spiral computed tomography using a deep learning model 2026-Jan, International journal of oral and maxillofacial surgery IF:2.2Q2 DOI:10.1016/j.ijom.2025.07.007 PMID:40774874	研究论文	本研究评估了YOLOv8深度学习模型在自动检测颧骨骨折方面的性能	首次将YOLOv8模型应用于颧骨骨折的自动检测，并针对七种骨折类型进行了详细性能评估	研究未提及模型在其他数据集或临床环境中的泛化能力，且样本来源单一	评估深度学习模型在自动检测颧骨骨折方面的准确性和有效性	颧骨骨折的计算机断层扫描图像	计算机视觉	颧骨骨折	螺旋计算机断层扫描	YOLOv8	图像	13,988个轴向切片和14,107个冠状切片	NA	YOLOv8	准确率, 召回率, 平均精度, F1分数, AUC	NA
15	2025-12-27	Effective transfer of tumor annotations from hematoxylin and eosin to fluorescence images of breast and lung tissues 2026-Jan, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.31.1.016501 PMID:41451238	研究论文	提出一种半自动方法，将病理学家标注的H&E图像中的肿瘤注释有效转移到MUSE荧光图像上，用于生成标注数据集以支持深度学习模型开发	开发了一种结合非刚性图像配准、轮廓提取与优化的半自动注释转移方法，首次实现从H&E到MUSE荧光图像的跨模态标注迁移	方法仅针对乳腺和肺组织样本验证，未在术中实时应用，且依赖人工标注作为金标准	开发跨模态图像标注转移方法，为术中肿瘤边缘检测的深度学习算法提供标注数据	35个乳腺和肺组织样本的H&E与MUSE荧光图像对	数字病理学	乳腺癌, 肺癌	MUSE（紫外表面激发显微镜）荧光成像	CNN	图像	35个组织样本（乳腺与肺组织）	NA	NA	Dice系数, CNN特征相似度, 归一化豪斯多夫距离	NA
16	2025-12-27	Continuous sPatial-temporal deformable image registration and 4D frame interpolation 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70248 PMID:41452345	研究论文	本文提出了一种基于隐式神经表示的连续时空可变形图像配准方法，用于提高放疗中解剖运动建模的准确性和效率	利用隐式神经表示连续建模患者解剖运动，统一欧拉和拉格朗日规范，实现自然连续运动建模和帧插值	未明确说明模型在极端解剖变化或不同成像模态下的泛化能力	开发一种保持时空连续性的可变形图像配准模型，以更准确地分析解剖变化和运动模式	放疗中的解剖运动，特别是具有复杂解剖界面（如肺-胸壁边界）的区域	医学图像分析	NA	可变形图像配准，隐式神经表示	多层感知机网络	医学图像（如CT）	使用DIR-Lab数据集和Abdominal-DIR-QA数据集进行测试	NA	隐式神经表示	目标配准误差，Dice系数，平均绝对误差，峰值信噪比	NA
17	2025-12-27	Intelligent deconvolution algorithm for mixed STR profiles based on locus association modeling 2025-Dec-26, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-025-03677-x PMID:41449255	研究论文	提出一种基于深度学习的位点关联建模方法，用于改进混合STR谱图的反卷积分析	首次将深度学习用于捕获STR位点间的统计关联性，并将其与全连续模型结合以提升混合谱图解析精度	跨测序平台迁移时性能显著下降，需依赖多平台混合训练提升泛化能力	提升法医DNA混合样本中个体识别的准确性与可靠性	短串联重复序列（STR）混合谱图	机器学习	NA	STR分型，DNA测序	深度学习模型	STR谱图数据	基于PROVEDIt数据集进行实验验证	NA	NA	准确率	NA
18	2025-12-27	Transformer-based and CNN-based models for clinically effective 2D and 3D pelvic bone segmentation in CT imaging 2025-Dec-26, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-025-09444-8 PMID:41449371	研究论文	本研究首次系统比较了基于CNN和Transformer的2D与3D模型在骨盆CT图像分割中的性能，旨在为临床创伤成像提供最优分割策略	首次在PENGWIN MICCAI 2024挑战数据集上系统比较CNN（U-Net、LinkNet）与Transformer（UNETR）架构的2D和3D骨盆骨分割性能，并评估不同编码器骨干网络（VGG19、ResNet50），为多碎片骨盆骨折分析提供了新颖的基准	需要外部验证和工作流程评估，且UNETR在复杂碎片定位中灵敏度较低（0.730）	开发并比较深度学习模型，以实现骨盆结构和骨折碎片的准确自动分割，支持临床创伤成像	150名骨盆骨折患者的CT扫描数据，重点关注骶骨、左髋骨和右髋骨的分割	计算机视觉	骨盆骨折	CT成像	CNN, Transformer	图像	150名患者	TensorFlow, PyTorch	U-Net, LinkNet, UNETR, VGG19, ResNet50	Dice系数, IoU, 准确率, 灵敏度, 特异性	GPU（具体型号未提及），使用5折交叉验证进行训练和评估
19	2025-12-27	Accurate Lung Cancer Prediction From CT Scans Using Advanced Deep Learning Methods 2025-Dec-26, American journal of clinical oncology DOI:10.1097/COC.0000000000001286 PMID:41449566	研究论文	本文提出了一种基于高级深度学习的多阶段框架，用于从CT扫描中准确预测肺癌	创新性地结合了混合图卷积网络、条件随机场、胶囊网络、孪生神经网络、混合深度自编码器以及混合CNN-Transformer模型与图神经网络，以提升图像分割和特征提取的精度	未明确提及研究的具体局限性，如数据集的多样性或模型泛化能力	通过高级深度学习技术提高肺癌的早期诊断准确性和治疗效果	CT扫描中的肺部区域和恶性病变	计算机视觉	肺癌	CT扫描	GCN, CRF, CapsNet, Siamese Neural Network, Hybrid Deep Autoencoder, CNN, Transformer, GNN	图像	NA	Python	混合CNN-Transformer模型, 图神经网络	准确率	NA
20	2025-12-27	Integrating Genomic Data and Imaging in Lung Cancer Prediction Using a Hybrid Deep Learning Approach 2025-Dec-26, American journal of clinical oncology DOI:10.1097/COC.0000000000001288 PMID:41449569	研究论文	本研究开发了一种混合深度学习模型，通过整合基因组数据和影像数据来提高肺癌预测的准确性	提出了一种结合基因组数据和影像数据的混合深度学习模型，并采用Inception-ResNet-v2架构，以解决基因组数据高维复杂性和过拟合问题	未整合其他多模态数据源（如电子健康记录和生活方式因素），未来可进一步扩展	开发一种有效的肺癌预测方法，以提高诊断准确性和促进早期检测	肺癌患者	数字病理学	肺癌	基因组测序，CT成像，DCE成像	CNN	图像，基因组数据	使用LIDC-IDRI数据集，具体样本数量未明确说明	Python	Inception-ResNet-v2	准确率	NA