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
2361	2026-01-04	Histopathology Images-Based Deep Learning Prediction of Histological Types in Endometrial Cancer 2026-Jan, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.71509 PMID:41469815	研究论文	本研究开发并验证了一个名为EC-AIHIS的深度卷积神经网络，用于基于子宫内膜癌H&E染色图像预测其组织学类型	开发了EC-AIHIS模型，首次利用深度学习从H&E染色图像中预测子宫内膜癌的侵袭性与非侵袭性组织学类型，并在多队列中验证了其泛化能力和临床实用性	未明确说明模型在更广泛或多样化人群中的性能，以及可能存在的样本选择偏差	开发并验证一个深度学习模型，以准确预测子宫内膜癌的组织学类型，辅助病理学家诊断	子宫内膜癌标本的H&E染色图像	数字病理学	子宫内膜癌	H&E染色	CNN	图像	1187个子宫内膜癌标本	NA	EC-AIHIS	AUC, 灵敏度, 特异性	NA
2362	2026-01-03	Deep learning-based prediction of dynamic blood dose estimates for head-and-neck cancer 2026-Jan-02, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae3047 PMID:41429110	研究论文	本研究开发了一种基于深度学习的模型，用于准即时预测头颈癌放疗中动态血液剂量模拟结果	首次提出结合全连接层和Transformer编码器的深度神经网络，实现动态血液剂量模拟的快速预测，克服了传统模拟在治疗计划迭代中时间不可行的限制	研究仅基于157名头颈癌患者的数据，样本量相对较小，且模型尚未在其他癌症类型或更大规模数据集中验证	开发一种准即时预测动态血液剂量模拟结果的方法，以促进放疗治疗计划中纳入血液剂量考虑	157名头颈癌患者的治疗计划CT图像和剂量体积直方图	数字病理学	头颈癌	动态血液剂量模拟（HEDOS）	深度神经网络	图像（CT）、剂量体积直方图	157名患者（126名用于训练和内部验证，31名用于测试）	NA	全连接层, Transformer编码器	Kullback-Leibler散度, 平均绝对百分比误差	NA
2363	2026-01-03	MI-CSBO: a hybrid system for myocardial infarction classification using deep learning and Bayesian optimization 2026-Jan, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2024.2382817 PMID:39049553	研究论文	本文提出了一种名为MI-CSBO的混合系统，用于通过深度学习与贝叶斯优化对心肌梗死进行分类	结合了深度残差CNN、贝叶斯优化和NCA特征选择，构建了一个新的混合分类系统，并在ECG数据上实现了100%的诊断准确率	NA	实现对心肌梗死的早期检测和分类	心电图（ECG）信号	机器学习	心血管疾病	谱图方法	CNN	图像（由ECG信号转换的谱图）	来自PTB数据库（PTBDB）的ECG信号数据集	NA	深度残差CNN	正确诊断率	NA
2364	2026-01-03	Arrhythmia detection in inter-patient ECG signals using entropy rate features and RR intervals with CNN architecture 2026-Jan, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2024.2378105 PMID:39021157	研究论文	本文提出了一种结合熵率特征、RR间期和1D CNN架构的心律失常检测方法，用于处理患者间ECG信号分类	创新性地将熵率特征提取技术应用于ECG信号分类，并融合形态学特征（通过1D CNN自动捕获）与时间特征（RR间期），提升了患者间ECG分类性能	未明确说明模型在更广泛或更复杂临床数据集上的泛化能力限制，以及计算资源需求的具体分析	开发一种高性能的心律失常自动检测方法，以解决患者间ECG信号分类的挑战	心电图（ECG）信号，特别是MIT-BIH心律失常数据集和INCART数据集中的信号	机器学习	心血管疾病	ECG信号分析，特征提取（包括熵率计算和RR间期测量）	CNN	信号数据（ECG波形）	使用MIT-BIH心律失常数据集（具体样本数未明确，但涉及患者内和患者间范式）和INCART数据集进行验证	未明确指定，可能为TensorFlow或PyTorch等深度学习框架	1D CNN	准确率	NA
2365	2026-01-03	Protein-Ligand Structure and Affinity Prediction in CASP16 Using a Geometric Deep Learning Ensemble and Flow Matching 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.26827 PMID:40195868	研究论文	本文介绍了MULTICOM_ligand，一种基于深度学习的蛋白质-配体结构与结合亲和力预测集成方法，在CASP16中表现优异	提出了结合结构共识排序的无监督姿态排序方法，以及用于联合结构与结合亲和力预测的新型深度生成流匹配模型	未在摘要中明确说明	解决蛋白质-配体结构预测与结合亲和力准确估计的基础性问题	蛋白质-配体复合物	机器学习	NA	几何深度学习，流匹配	深度学习集成模型，生成模型	蛋白质-配体结构数据	NA	NA	流匹配模型	CASP16排名（前5名）	NA
2366	2026-01-03	Improving AlphaFold2- and AlphaFold3-Based Protein Complex Structure Prediction With MULTICOM4 in CASP16 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.26850 PMID:40452318	研究论文	本文介绍了MULTICOM4系统，通过整合AlphaFold2、AlphaFold3及内部技术，提升了蛋白质复合物结构预测的准确性，并在CASP16中进行了盲测评估	整合了基于Transformer的AlphaFold2和基于扩散模型的AlphaFold3，结合了蛋白质复合物化学计量比预测、多样化的多序列比对生成、建模异常处理以及基于深度学习的蛋白质模型质量评估等内部技术	未明确提及具体局限性	提高蛋白质复合物结构预测的准确性	多链蛋白质复合物（多聚体）	机器学习	NA	多序列比对（MSA）、蛋白质模型质量评估	Transformer, 扩散模型	蛋白质序列和结构数据	NA	NA	AlphaFold2, AlphaFold3	TM-score, DockQ score	NA
2367	2026-01-03	Ultrasound Displacement Tracking Techniques for Post-Stroke Myofascial Shear Strain Quantification 2026-Jan, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3582275 PMID:40553666	研究论文	本文评估了四种超声位移跟踪技术在量化中风后肌筋膜剪切应变中的可靠性，以验证临床假设	提出了一种新的临床假设，即中风后肌筋膜疼痛患者的患侧肩部肌肉间剪切应变低于健侧，并系统比较了四种位移估计算法（包括基于L1和L2范数正则化的优化方法）的可靠性	L1-SOUL-Search方法运行时间较慢，可能影响实时应用	评估超声位移跟踪技术在中风后肌筋膜剪切应变量化中的可靠性，以支持肌筋膜功能障碍的诊断和治疗	十名患有中风后肩部肌筋膜疼痛的研究参与者	医学影像分析	中风后肌筋膜疼痛	超声位移跟踪、T1ρ磁共振成像	NA	超声图像、磁共振图像	10名研究参与者	NA	NA	位移导数均值和方差、视觉检查、定量T1ρ磁共振成像验证	NA
2368	2026-01-03	Contrastive virtual staining enhances deep learning-based PDAC subtyping from H&E-stained tissue cores 2026-Jan, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.6491 PMID:41188199	研究论文	本研究提出了一种基于对比学习启发的CycleGAN框架，用于从H&E染色组织切片生成虚拟IHC图像，以增强胰腺导管腺癌（PDAC）亚型分型的准确性	引入了一种新颖的、利用对比学习启发的cycleGAN框架，并在源自连续组织切片的半配对数据集上进行训练，显著提升了基于合成IHC图像的PDAC亚型分型性能	未明确提及具体的研究局限性	开发一种虚拟染色方法，以替代传统劳动密集型的IHC染色，用于PDAC亚型分型，旨在简化诊断流程并提高其稳健性	胰腺导管腺癌（PDAC）组织	数字病理学	胰腺癌	虚拟染色，免疫组织化学（IHC）染色，苏木精和伊红（H&E）染色	GAN	图像	NA	CycleGAN	CycleGAN	F1分数	NA
2369	2026-01-03	Deep learning identifies TP-41 for methylglyoxal scavenging in Alzheimer's treatment 2026, Theranostics IF:12.4Q1 DOI:10.7150/thno.111550 PMID:41355970	研究论文	本研究开发了一种名为DeepMGO的深度学习模型，用于预测化合物的甲基乙二醛清除活性，并成功鉴定出候选化合物TP-41，在小鼠模型中验证了其对阿尔茨海默病相关症状的改善作用	首次利用深度学习技术针对甲基乙二醛清除剂进行阿尔茨海默病治疗药物的开发	研究仅在小鼠模型中进行验证，尚未进行人体临床试验	开发深度学习模型以识别具有甲基乙二醛清除活性的化合物，用于阿尔茨海默病治疗	甲基乙二醛清除活性化合物	机器学习	阿尔茨海默病	深度学习	深度学习模型	化学活性数据	660个化合物的2,262个甲基乙二醛清除活性测定数据	NA	DeepMGO	预测性能	NA
2370	2026-01-03	DeepLuAd: Semantic-guided virtual histopathology of lung adenocarcinoma via stimulated Raman scattering 2026, Theranostics IF:12.4Q1 DOI:10.7150/thno.125443 PMID:41424851	研究论文	本文开发了一个名为DeepLuAd的AI平台，结合无标记刺激拉曼散射显微镜和语义引导深度学习，用于肺腺癌的自动分级、分割、细胞水平形态化学量化及无监督虚拟H&E染色	通过整合无标记刺激拉曼散射显微镜与语义引导深度学习，实现了肺腺癌组织亚型的形态与生化信息统一分析，无需染色即可进行虚拟H&E染色和定量生化映射	与病理学家诊断的一致性率为76.2%（16/21例），样本量较小，可能限制统计普适性	开发一个AI平台以改进肺腺癌的组织学分级和分析，统一形态和生化信息	肺腺癌组织样本	数字病理学	肺腺癌	刺激拉曼散射显微镜	深度学习	显微镜图像	21例肺腺癌病例	NA	NA	平均交并比, 分级一致性率	NA
2371	2026-01-03	Modeling Protein-Protein and Protein-Ligand Interactions by the ClusPro Team in CASP16 2026-Jan, Proteins IF:3.2Q2 DOI:10.1002/prot.70066 PMID:41115690	研究论文	本文介绍了在CASP16实验中，团队采用混合计算策略预测蛋白质-蛋白质和蛋白质-配体复合物结构的方法	结合基于物理的采样（如ClusPro FFT对接和分子动力学）与基于AlphaFold的采样和精修，以及将模板方法与机器学习置信度模型集成用于蛋白质-配体对接	NA	提高蛋白质-蛋白质和蛋白质-配体复合物结构预测的准确性	蛋白质-蛋白质和蛋白质-配体复合物	计算生物学	NA	蛋白质对接、分子动力学、深度学习	AlphaFold, 机器学习置信度模型, 扩散模型	蛋白质结构数据	233个目标蛋白质-配体复合物	NA	AlphaFold, ClusPro FFT	lDDT-PLI	NA
2372	2026-01-03	DL-QC-fNIRS: a deep learning tool for automated quality control in functional near-infrared spectroscopy signals 2026-Jan, Neurophotonics IF:4.8Q1 DOI:10.1117/1.NPh.13.1.015001 PMID:41472700	研究论文	本文提出了一种基于深度学习的自动化工具DL-QC-fNIRS，用于功能近红外光谱信号的通道级质量控制	利用连续小波变换时频谱图和受试者特异性心搏频率提取来提高生理特异性，并首次在fNIRS领域应用CNN进行自动化信号质量评估	研究依赖于特定数据集，且工具基于MATLAB平台，可能限制其在其他编程环境中的集成	开发一个自动化、标准化的工具来提升功能近红外光谱信号的质量控制流程	功能近红外光谱信号	机器学习	NA	功能近红外光谱	CNN	图像	两个独立数据集和一个组合异质数据集	NA	GoogLeNet, ResNet-50, SqueezeNet, EfficientNet-B0	准确率, F1分数, 灵敏度, 特异性	NA
2373	2026-01-03	ToothSeg: Robust Tooth Instance Segmentation and Numbering in CBCT using Deep Learning and Self-Correction 2026-Jan-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3650444 PMID:41477803	研究论文	本文提出了一种名为ToothSeg的、结合深度学习和自校正技术的全自动方法，用于CBCT图像中的牙齿实例分割与编号	将语义分割与实例分割结合为统一方法，并引入自校正机制以解决牙齿合并或分裂问题，优化牙弓编号序列	未明确说明方法在极端成像伪影或罕见解剖变异上的泛化能力限制	开发一种鲁棒的、全自动的CBCT牙齿实例分割与编号方法，以提升口腔诊断与治疗规划的自动化水平	锥束计算机断层扫描（CBCT）图像中的牙齿	计算机视觉	口腔疾病	锥束计算机断层扫描（CBCT）	深度学习模型	医学影像（CBCT图像）	内部数据集（n=1282，来自25+台设备）和公开数据集ToothFairy2（n=480，来自1台设备）	未明确指定	未明确指定具体架构，但涉及语义分割与实例分割的集成	真阳性Dice系数, 多类实例F1分数	未明确指定
2374	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
2375	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
2376	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
2377	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
2378	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
2379	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
2380	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