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
1981	2026-01-03	Deep Learning in Modeling Tools for Structural Insights into Protein-RNA Complexes, Bridging Computational and Spectroscopic Approaches 2026, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5084-4_17 PMID:41478913	综述	本章探讨了深度学习模型（特别是AlphaFold3）在蛋白质-RNA复合物结构建模中的应用，及其与光谱学方法的协同整合	阐述了AlphaFold3在建模蛋白质、核酸及其复合物方面达到的突破性精度，并重点介绍了其如何变革结构生物学中光谱技术的应用方式，通过计算模型与实验数据的相互验证与改进，形成强大的协同效应	对于长链或柔性RNA的建模精度较低，训练数据集中对多样化RNA家族的覆盖不足，且预测结果呈静态特性，未能充分考虑构象异质性	旨在弥合已知序列数量与实验解析结构数量之间的巨大差距，加速对蛋白质-RNA复合物的结构解析	蛋白质-RNA复合物	计算生物学	NA	深度学习建模，光谱学方法	深度学习模型	蛋白质与RNA序列数据，结构数据，光谱数据	NA	NA	AlphaFold3	建模精度	NA
1982	2026-01-02	Engaging the Community: CASP Special Interest Groups 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.26833 PMID:40304050	评论	本文介绍了CASP特别兴趣小组的建立及其在促进社区持续对话和跨学科合作方面的作用	通过建立特别兴趣小组和在线研讨会系列，打破了传统CASP活动仅在预测季节和会议期间交流的限制，实现了社区全年持续互动	NA	促进CASP社区内的持续对话和跨学科合作，降低领域新人的入门门槛	CASP社区成员，包括深度学习专家、NMR专家等科学家	计算生物学	NA	NA	NA	NA	NA	NA	NA	NA	NA
1983	2026-01-02	Structure Modeling Protocols for Protein Multimer and RNA in CASP16 With Enhanced MSAs, Model Ranking, and Deep Learning 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.70033 PMID:40751131	研究论文	本文介绍了在CASP16中蛋白质复合物和RNA结构预测的方法与结果	整合了多种先进深度学习模型，采用基于共识的评分方法，并利用大型宏基因组序列数据库增强多序列比对深度，同时改进了模型排名策略	存在需要进一步改进的领域，特别是在与其它组预测结果显著不同的目标上	提高蛋白质复合物和RNA结构预测的准确性	蛋白质复合物和RNA分子	计算生物学	NA	多序列比对, 深度学习	深度学习模型	序列数据, 结构数据	NA	NA	NuFold	排名（第一和第三）	NA
1984	2026-01-02	Progress and Bottlenecks for Deep Learning in Computational Structure Biology: CASP Round XVI 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.70076 PMID:41178755	研究论文	本文总结了CASP16社区实验的结果，评估了计算结构生物学中深度学习方法的最新进展和瓶颈	揭示了在蛋白质单体结构预测方面，深度学习方法已达到接近实验不确定性的极限，而在RNA结构预测中，深度学习方法目前并不优于传统方法	对于RNA结构预测，深度学习方法目前不成功；在缺乏结构同源性的情况下，预测结果较差；对于大分子集合，目标集较小限制了结论的普适性	评估计算结构生物学领域，特别是深度学习方法在蛋白质、RNA、蛋白质复合物等结构预测中的最新进展和挑战	蛋白质单体结构、蛋白质复合物、RNA结构、大分子集合、有机配体-蛋白质结构及亲和力	计算结构生物学	NA	深度学习、传统物理启发方法	AlphaFold变体及相关技术	蛋白质结构数据、RNA结构数据、蛋白质复合物数据	CASP16目标集（具体数量未提及）	NA	AlphaFold	结构一致性、界面准确性	NA
1985	2026-01-02	MRI segmentation of head and neck tumors using hybrid attention mechanism and dense dilated spatial pyramid pooling 2026-Jan, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70426 PMID:41459735	研究论文	本研究提出了一种改进的SCDU-Net模型，通过结合空间-通道注意力机制和密集扩张空间金字塔池化技术，用于头颈部肿瘤的MRI图像分割	模型集成了空间-通道双重注意力模块和密集连接的扩张空间金字塔池化模块，以增强关键肿瘤特征表达、捕获长距离空间依赖并提升多尺度上下文建模能力	NA	提升头颈部肿瘤MRI图像的分割准确性和鲁棒性，以支持放疗中的精确靶区勾画	头颈部肿瘤的MRI图像	计算机视觉	头颈癌	MRI	CNN	图像	NA	NA	SCDU-Net, U-Net	NA	NA
1986	2026-01-02	A deep-learning framework for the prediction of the type of adaptive strategy of MR-guided prostate radiotherapy 2026-Jan, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70395 PMID:41459741	研究论文	本研究开发了一种基于深度学习的框架，用于预测MR引导前列腺放疗中的自适应策略类型	提出了一种多阶段网络方法，结合深度学习图像配准和策略预测，实现了快速准确的自适应策略选择，相比现有方法效率提升5倍	研究为回顾性分析，样本量较小（36名患者），且未在外部数据集上进行验证	开发深度学习模型以快速准确预测MR引导自适应放疗中的自适应策略类型	前列腺癌患者	数字病理	前列腺癌	MR-guided adaptive radiotherapy (MRgART)	深度学习模型	医学图像	36名前列腺癌患者的180个治疗分次	NA	多阶段网络方法（包含DLIR网络和DLSP模型）	AUC, 准确率, 敏感性, 特异性	NA
1987	2026-01-01	Multicenter Validation of Video-based Deep Learning to Evaluate Defecation Patterns on 3-dimensional High-definition Anorectal Manometry 2026-Jan, Clinical gastroenterology and hepatology : the official clinical practice journal of the American Gastroenterological Association IF:11.6Q1 DOI:10.1016/j.cgh.2025.06.038 PMID:40706732	研究论文	本研究通过多中心验证，评估了基于视频的深度学习算法在三维高清肛门直肠测压中分析排便模式的性能	开发了一种能够进行时空分析的深度学习算法，并在多中心环境中验证其性能，同时通过高斯混合模型聚类揭示了两种新的排便协同失调亚型	研究仅基于2018年至2022年的数据，且算法在不同医疗中心的性能存在差异（AUC从0.79到0.99不等）	验证深度学习算法在三维高清肛门直肠测压中评估排便模式的诊断准确性	1214例连续进行的肛门直肠测压研究	数字病理学	胃肠道动力障碍	三维高清肛门直肠测压	深度学习	视频	1214例肛门直肠测压研究	NA	混合深度学习算法	AUC	NA
1988	2026-01-01	GastroNet-5M: A Multicenter Dataset for Developing Foundation Models in Gastrointestinal Endoscopy 2026-Jan, Gastroenterology IF:25.7Q1 DOI:10.1053/j.gastro.2025.07.030 PMID:40749857	研究论文	本研究介绍了GastroNet-5M数据集，包含约500万张内窥镜图像，用于开发胃肠道内窥镜基础模型	提出了一个大规模、多中心的内窥镜图像数据集，并基于此通过自监督学习开发了基础模型，该模型在多种下游AI应用中表现出优越性能	数据集主要来自荷兰的8家医院，可能在地域和人群多样性上存在限制	开发用于胃肠道内窥镜的基础模型，以提升AI系统的诊断准确性、数据效率和鲁棒性	胃肠道内窥镜图像	数字病理学	胃肠道疾病	自监督学习	基础模型	图像	4,820,653张内窥镜图像，来自约500,000次检查	NA	NA	分类准确率, 分割准确率, 数据效率, 鲁棒性	NA
1989	2025-12-31	GONet: A Generalizable Deep Learning Model for Glaucoma Detection 2026-Jan, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3576688 PMID:40465450	研究论文	本文提出了一种名为GONet的通用深度学习模型，用于从彩色眼底照片中检测青光眼性视神经病变，旨在提高跨种族、疾病组和检查设置的泛化能力	GONet采用基于DINOv2预训练的自监督视觉变换器，并结合多源域策略进行微调，利用七个独立数据集（超过119,000张彩色眼底照片）开发，展示了出色的分布外泛化性能	模型性能可能受数据集多样性和标注质量限制，且未详细讨论在资源有限环境中的部署挑战	开发一个泛化性强、自动化的深度学习模型，用于早期检测青光眼性视神经病变，以减少对专科医生耗时检查的依赖	彩色眼底照片（CFP），来自不同地理背景的患者，包括新贡献的747张带GON标签的开放访问数据集	计算机视觉	青光眼	彩色眼底摄影	视觉变换器（Vision Transformer）	图像	超过119,000张彩色眼底照片，来自七个独立数据集，包括新贡献的747张开放访问图像	PyTorch（基于DINOv2实现）	DINOv2预训练的视觉变换器	AUC	NA
1990	2025-12-31	Accurate Biomolecular Structure Prediction in CASP16 With Optimized Inputs to State-Of-The-Art Predictors 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.70030 PMID:40762404	研究论文	本文介绍了在CASP16实验中，通过优化输入信息，利用先进深度学习算法在蛋白质结构预测方面取得的成果	通过去除内在无序区域优化蛋白质序列输入，以及优化RNA二级结构输入，提升了结构预测的准确性	蛋白质多聚体的高质量预测比例低于25%，RNA结构预测仍具挑战性	提高生物分子结构预测的准确性	蛋白质结构域、蛋白质多聚体和RNA单体	机器学习	NA	NA	深度学习	序列数据	NA	NA	AlphaFold2, AlphaFold3, trRosettaX2, trRosettaRNA2	NA	NA
1991	2025-12-31	Alternative Conformation Prediction Using Deep Learning With Multi-MSA Strategy and Structural Clustering in CASP16 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.70059 PMID:41014267	研究论文	本文报告了CASP16竞赛中结构集合预测的结果，介绍了基于EnsembleFold流程的深度学习方法及其在预测蛋白质、RNA及其复合物替代构象方面的性能	开发了EnsembleFold集成预测流程，结合多MSA生成策略和结构聚类方法，显著提升了替代构象预测的准确性，特别是在蛋白质/核酸复合物目标上表现优异	未明确提及，但讨论了未来质量评估评分方法有待改进以进一步提升集合预测的可靠性和准确性	开发并评估一种用于预测蛋白质、RNA及其复合物结构替代构象的深度学习方法	蛋白质单体、蛋白质复合物、RNA结构以及蛋白质-核酸复合物	计算生物学	NA	多序列比对、深度学习方法、结构聚类、副本交换蒙特卡洛模拟	深度学习	蛋白质序列、RNA序列、结构数据	CASP16竞赛中的19个集合预测目标	NA	D-I-TASSER2, DMFold2, ExFold, DeepProtNA	TM-score	NA
1992	2025-12-31	Gait-to-Contact (G2C): A Novel Deep Learning Framework to Predict Total Knee Replacement Wear from Gait Patterns 2026-Jan, Annals of biomedical engineering IF:3.0Q3 DOI:10.1007/s10439-025-03863-3 PMID:41015655	研究论文	本研究提出了一种名为Gait-to-Contact (G2C)的新型深度学习框架，用于从步态模式预测全膝关节置换术的磨损情况	提出了一种基于Transformer-CNN编码器-解码器架构的深度学习替代模型，显著降低了传统有限元分析的计算成本和时间	当前研究基于模拟数据，尚未应用于临床患者数据	开发一种高效的计算模型来预测全膝关节置换术的磨损分布	全膝关节置换术的聚乙烯衬垫线性磨损分布	机器学习	骨科疾病	有限元分析，深度学习	深度学习模型	时间序列数据（步态模式）	314个ISO14243-3（2014）标准变体的步态时间序列	NA	Transformer-CNN编码器-解码器架构	平均绝对百分比误差，结构相似性指数，归一化互信息	NA
1993	2025-12-31	AI-Based Identification of Head Impact Locations, Speeds, and Force Based on Head Kinematics Simulations 2026-Jan, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3581171 PMID:40536866	研究论文	本研究提出了一种基于深度学习的模型，用于从头戴式头盔撞击时的头部运动学数据中准确预测撞击方向、速度和力等关键参数	利用LSTM网络处理头部运动学数据，首次实现了从头戴式头盔撞击模拟中预测撞击方向、速度和力分布，并在现场数据验证中显著优于现有方法	模型主要基于模拟数据集开发，未来需要在更多头盔类型和运动场景的大型体内数据集上进行验证，以确认其准确性	开发一种能够从头戴式头盔撞击的头部运动学数据中准确预测关键撞击参数（如方向、速度和力）的深度学习模型，以改进头盔设计和运动安全	头盔撞击下的头部运动学数据（线性加速度和角速度），用于预测撞击方向、速度和力分布	机器学习	NA	有限元模拟，深度学习建模	LSTM	时间序列数据（头部运动学）	模拟数据集：16,000次头盔撞击模拟；现场数据集：79次可清晰识别撞击位置的头部撞击	NA	LSTM	R², 准确率	NA
1994	2025-12-31	From Frequency to Temporal: Three Simple Steps Achieve Lightweight High-Performance Motor Imagery Decoding 2026-Jan, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3579528 PMID:40536865	研究论文	本研究提出了一种基于脑电图（EEG）的轻量级高性能运动想象解码方法，通过三个简单步骤显著提升解码精度并降低计算复杂度	从频率域分析出发，结合脑科学先验知识调整模型结构，引入残差网络保留高频细节特征，并使用时序卷积模块深度捕获时间依赖性	未明确说明方法在其他EEG数据集或实际应用场景中的泛化能力	开发轻量级高性能的脑电图运动想象解码模型	基于脑电图（EEG）的运动想象信号	机器学习	NA	脑电图（EEG）	CNN	时间序列数据（脑电信号）	BCI Competition IV 2a数据集（22通道）和2b数据集（3通道）	未明确说明	EEGNet, 残差网络, 时序卷积模块	分类准确率	未明确说明
1995	2025-12-31	Enhancing RNA 3D Structure Prediction: A Hybrid Approach Combining Expert Knowledge and Computational Tools in CASP16 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.70034 PMID:40778521	研究论文	本文介绍了一种结合专家知识与计算工具的混合方法，用于在CASP16挑战中增强RNA三维结构预测	采用模块化工作流整合模板建模与从头预测，并融入实验约束和迭代优化，在CASP16中取得第二名	在预测复杂拓扑结构（如假结和共轴堆积）方面仍面临挑战	提高RNA三维结构预测的准确性和适用性	RNA分子及其三维结构	计算生物学	NA	模板建模、从头预测、深度学习	AlphaFold3, DeepFoldRNA	RNA序列、三维结构数据	CASP16挑战中的多个RNA靶标，包括短于200个核苷酸的目标	NA	NA	均方根偏差（RMSD）, Z-score	NA
1996	2025-12-31	Machine Learning in Tuberculosis Research: A Global Bibliometric Analysis of Diagnostic, Prognostic, and Drug Discovery Trends 2026-Jan, Therapeutic innovation & regulatory science IF:2.0Q3 DOI:10.1007/s43441-025-00866-z PMID:40841498	综述	本文对机器学习在结核病研究中的全球文献进行了全面的计量分析，重点关注诊断、预后和药物发现趋势	通过系统的文献计量分析，揭示了机器学习在结核病研究领域的快速增长趋势、国际合作网络及主要研究主题聚类，为未来AI驱动的结核病治疗策略提供指导	分析仅基于Scopus数据库的英文文献，可能未涵盖所有相关研究，且文献计量方法本身存在一定局限性	评估机器学习在结核病研究中的应用趋势，以指导未来的治疗策略和监管科学	全球范围内关于机器学习与结核病（MLTB）的数据驱动出版物	机器学习	结核病	文献计量分析	NA	文献数据	通过Scopus数据库检索至2024年5月1日的相关出版物	Biblioshiny, VOSviewer	NA	平均引用次数（21.64），国际合作比例（40.11%），年增长率（22.12%）	NA
1997	2025-12-31	The Role of Artificial Intelligence in Interventional Pulmonology 2026-Jan-01, Journal of bronchology & interventional pulmonology IF:3.3Q2 DOI:10.1097/LBR.0000000000001051 PMID:41468029	综述	本文综述了人工智能在介入肺病学中如何通过提升诊断、手术精度和患者预后，革新该领域	全面总结了AI在介入肺病学多个关键应用中的创新作用，包括肺结节检测、风险分层、机器人辅助支气管镜导航、淋巴结恶性评估以及慢性阻塞性肺疾病表型分析	未提及具体研究数据或模型性能的局限性，主要聚焦于应用潜力和未来挑战	探讨人工智能在介入肺病学领域的应用、影响及未来发展方向	介入肺病学中的诊断工具、手术程序、患者选择及医学教育	医学人工智能	肺癌, 慢性阻塞性肺疾病	机器学习, 深度学习, 影像组学, 机器人辅助支气管镜, 支气管内超声, 细胞病理学	深度学习模型, 机器学习算法	影像数据, CT成像, 肺活量测定数据	NA	NA	NA	NA	NA
1998	2025-12-30	Automated detection of the epileptogenic zone in stereoelectroencephalography for drug-resistant epilepsy using multi-epileptogenic biomarker machine learning 2026-Jan, Epilepsy research IF:2.0Q3 DOI:10.1016/j.eplepsyres.2025.107710 PMID:41289960	研究论文	本研究开发了一种可解释的机器学习框架，整合多种癫痫源性生物标志物，用于自动检测耐药性癫痫患者的癫痫发生区	首次将多种癫痫源性生物标志物（如癫痫源性指数、棘波率、波纹率、快速波纹率）整合到可解释的机器学习框架中，用于增强癫痫发生区的定位	研究为回顾性设计，样本量相对较小（38名患者），可能影响模型的泛化能力	开发一个可解释的机器学习框架，以提高耐药性癫痫患者癫痫发生区的定位准确性	耐药性癫痫患者	机器学习	癫痫	立体脑电图	深度学习模型	电生理数据	38名患者，1671个SEEG通道	NA	NA	AUC	NA
1999	2025-12-29	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	本文提出了一种半自动方法，将病理学家标注的H&E图像中的肿瘤注释有效转移到荧光图像中，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、轮廓提取与细化的半自动注释转移方法，用于从H&E到荧光图像的准确标注迁移	该方法不适用于术中实时使用，仅用于辅助创建标注数据集；样本量相对较小（35个组织样本）	开发一种半自动方法，实现从H&E图像到荧光图像的肿瘤注释准确转移，以促进深度学习模型的训练数据生成	乳腺癌和肺癌组织样本的H&E图像与MUSE荧光图像对	数字病理学	乳腺癌,肺癌	显微镜紫外表面激发成像	CNN	图像	35个乳腺癌和肺癌组织样本	NA	NA	Dice系数,基于CNN的特征相似度,归一化Hausdorff距离	NA
2000	2025-12-29	Global and local information-based prostate image registration of prostate-specific membrane antigen PET/CT and enhanced MRI 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70232 PMID:41454834	研究论文	本研究提出了一种基于全局和局部信息的深度学习网络GLNet，用于融合PSMA PET/CT和增强MRI图像，以提高前列腺癌的诊断准确性	提出了GLNet网络，该网络结合了语义门控卷积模块和基于U形通道的卷积长短期记忆网络，以整合PSMA PET/CT的功能语义特征和MRI的高分辨率软组织细节，从而同时利用全局腺体信息和局部肿瘤区域信息进行图像配准	研究样本量相对较小（77例临床病例），且依赖于临床活检验证，可能限制了模型的泛化能力	提高前列腺癌病灶的诊断准确性，通过精确融合PSMA PET/CT和增强MRI这两种互补的影像数据	前列腺癌患者的PSMA PET/CT和对比增强MRI图像	数字病理	前列腺癌	PSMA PET/CT，对比增强MRI	深度学习网络	医学影像（PET/CT，MRI）	77例临床病例（经两位经验丰富的医师通过临床活检验证），数据增强后用于训练和验证244例，测试64例	NA	U-CLSTM，包含语义门控卷积模块	Dice相似系数，HD95，平均对称表面距离，负雅可比比例，精确率，召回率，F1分数	NA