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
1681	2026-01-03	AutoGlom: software tool for segmentation and analysis of magnetic resonance images of the kidney 2026-Jan-01, American journal of physiology. Renal physiology DOI:10.1152/ajprenal.00325.2025 PMID:41264403	研究论文	本文介绍了一款名为AutoGlom的开源软件工具，用于肾脏三维磁共振图像的自动分割、分析和可视化	开发了首个集成了深度学习分割、参数调优和可视化功能的用户友好型开源软件，并引入了新的图像质量指标——肾小球对比度，以提高分析的可靠性	当前版本主要专注于形态学分割和量化，尚未扩展到体内研究或其他成像模态	开发标准化、可重复的定量肾脏MRI分析工具，以加速肾脏成像生物标志物的识别	小鼠肾脏（离体）	数字病理	肾脏疾病	阳离子铁蛋白增强磁共振成像	深度学习	三维磁共振图像	最多可同时成像16个小鼠肾脏	NA	NA	肾小球对比度	NA
1682	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
1683	2026-01-03	DeepTESite: The Prediction of Protein Arginine Methylation Sites using Amino Acids Sequence Symmetric Position Encodings Based on Transformer Encoder 2026-Jan-01, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3650228 PMID:41477806	研究论文	本文提出了一种基于Transformer编码器的DeepTESite模型，用于预测蛋白质精氨酸甲基化位点，通过引入氨基酸序列对称位置编码和双向多头注意力机制来提升预测性能	首次提出基于甲基化对称假设的氨基酸序列对称位置编码，以减少位置编码计算量，并应用双向多头注意力机制来提取序列和空间信息特征	未明确说明模型在更广泛蛋白质序列或不同甲基化类型中的泛化能力，以及对称位置编码假设的普适性验证	预测蛋白质精氨酸甲基化位点，以揭示甲基化分子机制	蛋白质氨基酸序列	自然语言处理	NA	深度学习	Transformer	序列数据	NA	NA	Transformer Encoder	准确率	NA
1684	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
1685	2026-01-03	Phenotypic Characterization Using Open-Source Deep Learning Tools 2026, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-4985-5_6 PMID:41479050	研究论文	本文介绍如何使用开源深度学习工具进行高通量显微镜成像的表型特征分析，包括细胞表型的自动分割与分类	利用开源深度学习工具简化表型特征分析流程，使非深度学习专家也能进行自动化图像分析	NA	推进表型特征分析在细胞效应研究中的应用	细胞表型	计算机视觉	NA	高通量显微镜成像	深度学习	图像	NA	开源软件	NA	NA	NA
1686	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
1687	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
1688	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
1689	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
1690	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
1691	2026-01-02	In Vivo Demonstration of Deep Learning-Based Photoacoustic Visual Servoing System 2026-Jan, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3584076 PMID:40577292	研究论文	本文开发了一种基于深度学习的声光视觉伺服系统，用于实时三维跟踪导管尖端	首次将深度学习与声光视觉伺服结合，利用点源定位和混合位置-力控制实现实时三维跟踪	实例分割的推理时间较长（≥516.3毫秒），可能影响实时性；系统优化尚未完全实施	开发用于手术和介入过程中实时跟踪导管尖端等手术工具的系统	心脏导管尖端	计算机视觉	心血管疾病	声光成像	CNN	图像	9次视觉伺服试验（包括塑料体模和活体猪实验）	NA	NA	检测率, 跟踪误差, 推理时间, 接触保持率	NA
1692	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
1693	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
1694	2025-12-31	Deep Learning-Based Continuous QT Monitoring to Identify High-Risk Prolongation Events After Class III Antiarrhythmic Initiation 2026-Jan-06, Circulation IF:35.5Q1 DOI:10.1161/CIRCULATIONAHA.125.077494 PMID:41460938	研究论文	本研究开发了一种名为3DRECON-QT的深度学习系统，能够从单导联心电信号重建12导联信息以量化QT/QTc并识别高风险QT延长事件	提出了一种空间感知的深度学习系统，首次实现从单导联信号重建12导联心电图并连续监测QTc，突破了传统插入式心脏监测器的单导联限制	研究主要基于特定抗心律失常药物（多非利特和索他洛尔）的患者队列，外部验证中心数量有限，且模型性能在连续监测场景中仍需进一步优化	开发一种基于深度学习的连续QT监测方法，用于识别III类抗心律失常药物起始治疗后门诊患者的高风险QT延长事件	接受III类抗心律失常药物（多非利特和索他洛尔）治疗的门诊患者，以及使用插入式心脏监测器的患者	数字病理学	心血管疾病	心电图（ECG）分析，连续心电监测	深度学习，多任务编码器-解码器	心电信号（单导联和12导联ECG）	内部测试集和外部验证中心数据，公共多非利特负荷数据集，真实世界门诊患者队列（n=1676），以及配对插入式心脏监测器记录的患者	未明确指定	多任务编码器-解码器	受试者工作特征曲线下面积（AUC），平均绝对误差（MAE），相关系数（r），F1分数，调整后比值比（OR）	未明确指定
1695	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
1696	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
1697	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
1698	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
1699	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
1700	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