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
9261	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
9262	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
9263	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
9264	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
9265	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
9266	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
9267	2026-01-01	Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00412-z PMID:41458068	研究论文	本研究使用保形分析量化基于视觉Transformer（ViT）的基础模型在皮肤病变分类任务中，针对不同患者人口统计学特征（性别、年龄、种族）的预测不确定性，以评估模型公平性	首次将保形分析应用于基础AI模型（Google DermFoundation）的公平性评估，提供群体覆盖保证和个体不确定性评分，并提出基于动态F1分数的采样方法缓解类别不平衡	研究依赖于公开基准数据集，这些数据集存在严重的类别不平衡问题；保形分析虽然提供不确定性量化，但未完全解决基础模型嵌入不可解释的根本问题	评估基础AI模型在皮肤病变分类中的预测公平性和可信度	皮肤病变图像数据及对应的患者人口统计学信息（性别、年龄、种族）	计算机视觉	皮肤病变	保形分析（conformal analysis），自监督学习	Vision Transformer (ViT)	医学图像（皮肤病变图像）	多个公开基准数据集，包含数百万数据点	NA	Vision Transformer (ViT), Google DermFoundation	F1-score, 不确定性评分, 覆盖率保证	NA
9268	2026-01-01	Denoising Low-Power CEST Imaging Using a Deep Learning Approach With a Dual-Power Feature Preparation Strategy 2026-Mar, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70124 PMID:41082398	研究论文	本研究提出了一种基于深度学习的双功率特征准备策略，用于去噪低功率化学交换饱和转移成像的Z谱	利用高饱和功率的高对比度噪声比和低饱和功率的增强峰分辨率，通过双功率特征准备策略结合自编码器进行去噪	方法在模拟和BSA体模数据上验证，但实际生物组织中的复杂环境可能影响性能	开发一种深度学习方法来去噪低功率CEST Z谱，以提高图像质量和CEST效应的量化	模拟CEST数据、BSA体模、大鼠大脑和腿部肌肉的测量数据	医学影像处理	NA	化学交换饱和转移成像	自编码器	Z谱图像	模拟数据、BSA体模数据、大鼠大脑和腿部肌肉数据	NA	自编码器	峰值信噪比	NA
9269	2026-01-01	Multi-Frame Image Registration for Automated Ventricular Function Assessment in Single Breath-Hold Cine MRI Using Limited Labels 2026-Mar, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70137 PMID:41108653	研究论文	本研究开发了一种基于深度学习的自动化框架，用于从高度加速的磁共振图像中评估心脏心室功能	提出了一种将图像配准、运动补偿重建和分割集成在协同循环中的多任务深度学习框架，可在有限标注下实现稳健的心室功能分析	评估仅在内部数据集上进行，未在公开数据集或更大规模队列中验证	开发操作者独立的自动化心脏心室功能评估框架	健康受试者和心血管疾病患者的心脏磁共振图像	医学图像分析	心血管疾病	单次屏气电影磁共振成像	深度学习	磁共振图像	内部数据集（健康与心血管疾病受试者）	NA	NA	Dice相似系数, 射血分数相关性, 径向和圆周应变	NA
9270	2026-01-01	GeoAI-based 3D spatial distribution modeling of PAHs in industrial contaminated soils 2026-Feb-01, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.127440 PMID:41308730	研究论文	本文提出了一种基于GeoAI的三维深度克里金神经网络模型，用于工业污染土壤中多环芳烃的空间分布建模	结合深度学习与地统计学原理，开发了3D-DKNN模型，以提升异质环境中污染物插值的准确性	未明确说明模型在其他污染物或不同工业场地的泛化能力	提高工业污染土壤中污染物三维分布建模的准确性，以指导针对性修复	工业遗留场地土壤中的多环芳烃污染物	机器学习	NA	地统计学插值，深度学习建模	神经网络	空间污染数据	未明确说明样本数量，但基于典型工业场地数据	未明确指定	三维深度克里金神经网络	RMSE, MAE, 相关系数	未明确说明
9271	2026-01-01	Graph neural networks for fMRI functional brain networks: A survey 2026-Feb, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108137 PMID:41066997	综述	本文综述了基于图神经网络的功能性大脑网络分析方法，涵盖不同维度的方法、挑战和数据集	从计算机科学角度全面总结了功能性大脑网络分析的最新研究进展，填补了该领域缺乏系统性综述的空白	NA	总结和评估基于图神经网络的功能性大脑网络分析方法	功能性大脑网络	机器学习	精神障碍	神经影像技术	图神经网络	图数据	NA	NA	NA	NA	NA
9272	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
9273	2025-12-31	A deep learning-based radiomics model for noninvasive diagnosis of melanoma 2026-Feb-01, Melanoma research IF:1.5Q4 DOI:10.1097/CMR.0000000000001071 PMID:41201865	研究论文	本文开发了一种结合深度学习和影像组学的非侵入性诊断模型，用于提高早期黑色素瘤诊断的准确性和临床实用性	整合了深度学习（ResNet50）和影像组学特征来构建诊断模型，并识别出关键预测指标如熵、长游程强调和小波对比度	研究为单中心回顾性设计，样本量相对有限（350例），可能影响模型的泛化能力	提高早期黑色素瘤的非侵入性诊断准确性	皮肤色素性病变患者	计算机视觉	黑色素瘤	影像组学分析	随机森林, 支持向量机, K近邻	医学影像数据	350例患者（训练集245例，验证集105例）	Python 3.8.5, Scikit-learn	ResNet50	AUC	NA
9274	2025-12-31	Integrating lesser omentum adipose CT in dual-phase tumor imaging: A multi-label deep learning framework for preoperative microvascular invasion prediction and survival analysis in hepatocellular carcinoma 2026-Feb, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109197 PMID:41349434	研究论文	本研究开发了一种多标签深度学习框架，通过整合小网膜脂肪CT与双期肿瘤成像，用于术前预测肝细胞癌的微血管侵犯并进行生存分析	提出了一种新颖的多标签深度学习框架，首次将小网膜脂肪CT特征与双期肿瘤CT图像通道级联，并利用临床风险因素作为辅助标签指导训练，以提升微血管侵犯预测性能	研究为回顾性设计，样本来自两个中心，可能存在选择偏倚；未在更广泛的多中心前瞻性数据中验证模型泛化性	开发一个多标签深度学习框架，用于术前准确预测肝细胞癌的微血管侵犯并进行生存风险分层分析	肝细胞癌患者	计算机视觉	肝细胞癌	计算机断层扫描	CNN	图像, 临床数据	来自两个中心的回顾性数据，具体样本量未明确说明	NA	CGAResNet18	AUC, 假阳性率, 假阴性率	NA
9275	2025-12-31	A comparative study of computer vision models for oral cancer detection from oral photographs 2026-Feb, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109198 PMID:41380612	研究论文	本研究比较了多种计算机视觉模型在口腔照片中检测口腔癌病变的性能	通过系统比较现代深度学习目标检测模型，并全面评估影响模型性能的参数，提供了该领域检测方法的新颖且全面的评估	在区分恶性和良性病变的两类检测设置中表现不佳，且小病变检测存在挑战	评估计算机视觉模型作为诊断工具在口腔癌早期检测中的潜力	口腔病变照片，特别是鳞状细胞癌等病变	计算机视觉	口腔癌	NA	深度学习目标检测模型	图像	基于活检证实的口腔病变摄影数据集	NA	NA	精确度, 灵敏度, 特异性	NA
9276	2025-12-31	INTELLI-PVA: Informative sample annotation-based contrastive active learning for cross-domain patient-ventilator asynchrony detection 2026-Feb, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109203 PMID:41389675	研究论文	本文提出了INTELLI-PVA框架，用于跨域患者-呼吸机异步检测，通过对比主动学习减少标注负担	结合对比学习和主动学习，开发混合两阶段分类器，实现高效跨域PVA检测	未明确说明模型在极端临床场景或罕见PVA类型上的泛化能力	开发人工智能系统以实时检测患者-呼吸机异步，提升临床监测效率	机械通气患者中的八种PVA类型	机器学习	呼吸系统疾病	对比学习，主动学习	深度学习模型	呼吸周期数据	1190名患者，1.24975亿个呼吸周期	NA	NA	F1-score, Cohen's κ	NA
9277	2025-12-31	FRET-SAM: SAM_Med2D-based automatic FRET two-hybrid analysis 2026-Feb, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109208 PMID:41401595	研究论文	本研究开发了一种基于SAM_Med2D的深度学习模型FRET-SAM，用于自动分析FRET双杂交图像，以量化活细胞中的蛋白质相互作用	首次将Segment Anything Model (SAM)及其医学图像变体SAM_Med2D优化并应用于FRET双杂交图像的自动ROI选择和荧光信号提取，实现了分析过程的自动化并提高了准确性	未明确提及模型在更广泛或更复杂生物样本上的泛化能力，以及计算效率的具体提升程度	开发一种自动化、高精度的深度学习方法来分析FRET双杂交图像，以消除主观偏差并提高蛋白质相互作用定量分析的效率和准确性	FRET双杂交图像（来自六种模型质粒和三种功能性FRET对）以及相关的蛋白质相互作用	计算机视觉	肺癌, 肝细胞癌	荧光共振能量转移 (FRET) 双杂交测定, 深度学习	基于SAM的模型	图像	包含六种模型质粒（C4Y, C10Y, C40Y, C80Y, C32V, CVC）和三种功能性FRET对（Bcl-XL-CFP/Bak-YFP, EGFR-CFP/Grb2-YFP, RAF-CFP/RAS-YFP）的综合FRET图像数据集	NA	SAM_Med2D, FRET-SAM	平均像素精度 (MPA), 平均交并比 (MIoU), Dice系数, 相对误差	NA
9278	2025-12-31	A novel multimodal diagnostic framework integrating hyperspectral imaging and deep learning for predicting RET gene mutations in medullary thyroid carcinoma 2026-Feb, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109207 PMID:41411775	研究论文	本研究开发了一种结合高光谱成像与深度学习的多模态诊断框架，用于预测甲状腺髓样癌的RET基因突变	首次将高光谱成像与深度学习结合用于MTC的RET突变预测，并设计了一种跨模态注意力机制来融合光谱和空间特征	样本量相对较小（总样本142例），且仅针对RET基因突变进行预测	开发一种快速、经济高效的非侵入性方法，用于预测甲状腺髓样癌的RET基因突变，以辅助临床决策	甲状腺髓样癌（MTC）患者	数字病理学	甲状腺癌	高光谱成像，H&E染色	CNN, LSTM, Transformer	图像	82例来自齐鲁医院的MTC病例用于训练和验证，60例来自另外两个中心的独立队列用于外部测试	NA	1D-CNN-LSTM, Swin Transformer	准确率, 灵敏度, 特异性	NA
9279	2025-12-31	A Deep Learning-Based Human-Robot Collaborative Navigation Framework for Vascular Interventional Surgery 2026-Feb, The international journal of medical robotics + computer assisted surgery : MRCAS DOI:10.1002/rcs.70125 PMID:41468030	研究论文	本文提出了一种基于深度学习的血管介入手术人机协作导航框架，旨在实现自主手术执行	采用手术生成对抗网络进行实时局部路径规划，并引入基于CNN的动作估计器及人机信任共享控制模型，以应对血管轮廓变化带来的挑战	NA	实现血管介入手术的自主导航，提高手术效果和安全性	血管介入手术中的导管导航	机器视觉	心血管疾病	深度学习	GAN, CNN	图像	NA	NA	生成对抗网络, 卷积神经网络	动作决策准确率	NA
9280	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