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
8621	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
8622	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
8623	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
8624	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
8625	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
8626	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
8627	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
8628	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
8629	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
8630	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
8631	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
8632	2026-01-03	Unveiling river thermal regimes in the Yangtze river basin, China, with a hybrid deep learning model 2025-Dec-31, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.128460 PMID:41477956	研究论文	本研究开发了一种混合深度学习模型CNN-LSTM-AT，用于重建长江流域1960-2009年的河水温度，并分析其热力状况变化趋势	提出了一种结合CNN、LSTM和注意力机制的混合深度学习模型，用于解决河水温度数据稀缺问题，并首次系统分析了长江流域长期热力状况和热浪特征	模型输入变量相对有限（气温、流量、年积日），未考虑更多环境因素；研究时间范围截至2009年，缺乏最新数据验证	解决河水温度数据稀缺问题，分析长江流域热力状况的时空特征，为河流管理和生态保护提供依据	长江流域的河水温度数据	机器学习	NA	深度学习建模	CNN, LSTM	时间序列数据（气温、流量、年积日）	1960-2009年长江流域历史数据	NA	CNN-LSTM-AT（卷积神经网络-长短期记忆网络-注意力机制混合架构）	预测精度、稳定性、计算效率	NA
8633	2026-01-03	Clair3-RNA: a deep learning-based small variant caller for long-read RNA sequencing data 2025-Dec-22, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67237-y PMID:41430046	研究论文	本文提出了一种基于深度学习的、专为长读长RNA测序数据设计的小变异检测工具Clair3-RNA	首个基于深度学习的、专门针对长读长RNA测序数据的变异检测工具，采用了不均匀覆盖度归一化、精炼训练数据、编辑位点发现和单倍型定相等优化技术	NA	开发一个高性能的、适用于长读长RNA测序数据的变异检测工具	长读长RNA测序数据中的小变异	机器学习	NA	长读长RNA测序，包括PacBio、ONT cDNA测序和ONT直接RNA测序	深度学习	RNA测序数据	NA	NA	NA	F1分数	NA
8634	2026-01-03	Integrating AI with PCR for Tuberculosis Diagnosis: Evaluating a Deep Learning Model for Chest X-Rays 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121377 PMID:41463673	研究论文	本研究评估了一种基于深度学习模型（CheXzero视觉变换器）在胸部X光片上检测结核病的诊断性能，并与PCR结果进行比较	将AI驱动的胸部X光筛查与PCR分子检测相结合，在低负担地区评估深度学习模型性能，并分析不同亚组（如年龄、合并症）对模型准确性的影响	模型在PCR确诊病例上的性能有所下降，且在老年人及患有慢性肾病、慢性阻塞性肺疾病或心力衰竭的患者中准确性较低	评估深度学习模型在结核病诊断中的性能，并与PCR检测进行比较	结核病（TB）患者及疑似病例的胸部X光图像及对应PCR检测结果	计算机视觉	结核病	聚合酶链式反应（PCR），胸部X光摄影（CXR）	深度学习模型（DLM），视觉变换器	图像	来自两家医院的回顾性数据集，包含胸部X光图像及对应PCR结果	NA	CheXzero视觉变换器	接收者操作特征曲线（ROC），曲线下面积（AUC），敏感性，特异性，预测值	NA
8635	2026-01-03	Deep Learning-Based Fatigue Monitoring in Natural Environments: Multi-Level Fatigue State Classification 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121374 PMID:41463671	研究论文	本研究提出了一种基于深度学习的日常疲劳监测系统，通过可穿戴设备采集心电信号，对自然环境下个体的疲劳状态进行三级分类	将疲劳监测从受控实验环境扩展到自然日常环境，提出端到端深度学习模型C-BL，并开发了适用于日常监测的可穿戴设备	样本量较小（12名受试者），实验周期为14天，可能无法完全代表更广泛人群的长期疲劳模式	开发能够在自然环境下进行日常疲劳监测的系统，实现疲劳状态的自动分类	日常环境中的个体疲劳状态	机器学习	NA	心电信号采集	深度学习模型, 机器学习模型	心电信号	12名受试者参与14天监测实验	NA	C-BL	准确率	NA
8636	2026-01-03	Transfer Learning Approach with Features Block Selection via Genetic Algorithm for High-Imbalance and Multi-Label Classification of HPA Confocal Microscopy Images 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121379 PMID:41463675	研究论文	本文提出了一种基于特征块选择和遗传算法的两阶段迁移学习方法，用于处理高类别不平衡和多标签分类的HPA共聚焦显微镜图像	提出了一种结合特征块提取、遗传算法优化特征块组合以及细胞级分析（如核和核膜环特征提取）的方法，以提升罕见模式的检测性能	未明确说明方法在更大规模或更复杂数据集上的泛化能力，且可能依赖于特定预训练模型	解决HPA数据集中的高类别不平衡和多标签分类问题，以准确识别蛋白质定位模式	HPA共聚焦显微镜图像，包含28种不同模式和500多种独特标签组合	计算机视觉	NA	共聚焦显微镜成像	CNN, SVM	图像	未明确指定样本数量，但基于HPA数据集	未明确指定，但可能涉及TensorFlow, PyTorch等	基于12个ImageNet预训练的CNN模型	F1分数	NA
8637	2026-01-03	Artificial Intelligence and Innovation in Oral Health Care Sciences: A Conceptual Review 2025-Dec-18, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare13243327 PMID:41464395	综述	本文对2020年至2025年间人工智能在牙科护理领域的应用进行了全面的文献计量和概念性综述	通过文献计量网络可视化识别了研究主题集群，并强调了生成式与多模态AI模型、可解释性及临床部署公平性等新兴趋势	纳入分析的文献数量有限（50篇），且为概念性综述，缺乏对具体AI技术临床有效性的深入实证评估	综述人工智能在牙科护理领域的应用，分析研究趋势、主题集群，并为公平、负责任地整合AI技术指明未来方向	2020年1月至2025年10月期间在PubMed、Scopus和Embase数据库中收录的与牙科AI应用相关的文献	机器学习	口腔疾病	NA	NA	NA	50篇文献	VOSviewer	NA	NA	NA
8638	2026-01-03	Automated Classification of Enamel Caries from Intraoral Images Using Deep Learning Models: A Diagnostic Study 2025-Dec-18, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm14248959 PMID:41464861	研究论文	本研究开发并评估了两种可解释的深度学习模型，用于从口内图像中自动分类牙釉质龋	提出了两种集成了Grad-CAM以提供视觉可解释性的深度学习模型，用于牙釉质龋的自动化分类	研究结果需要未来在多中心数据集上进行外部验证	开发并评估用于牙釉质龋自动分类的可解释深度学习模型	显示早期牙釉质龋、晚期牙釉质龋和无龋的口内图像	计算机视觉	龋齿	NA	CNN	图像	2000张口内图像	NA	ExplainableDentalNet, ResNet50-SE	准确率, 马修斯相关系数	NA
8639	2026-01-03	LivSCP: Improving Liver Fibrosis Classification Through Supervised Contrastive Pretraining 2025-Dec-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243226 PMID:41464225	研究论文	本文提出了一种名为LivSCP的监督对比预训练方法，用于提高基于肝脏超声扫描的肝纤维化分类模型的准确性	提出了一种无需改变网络架构或优化器的训练方法，在有限标注数据和计算资源的场景下显著提升了肝纤维化分类性能，并达到了最先进水平	未明确说明方法在其他医学影像分类任务中的泛化能力，也未详细讨论模型的可解释性	开发一种改进肝纤维化分类模型性能的训练方法，特别是在数据有限和计算资源受限的情况下	肝脏超声扫描图像	计算机视觉	肝纤维化	超声扫描	Vision Transformer	图像	NA	NA	Vision Transformer	准确率, 精确率, 召回率, F1分数, AUROC	NA
8640	2026-01-03	Integrating Multi-Source Directed Gene Networks and Multi-Omics Data to Identify Cancer Driver Genes Based on Graph Neural Networks 2025-Dec-17, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms262412132 PMID:41465557	研究论文	本文提出了一种名为MDIGNN的新型深度学习模型，通过整合有向基因网络和多组学数据来识别癌症驱动基因	首次提出基于磁拉普拉斯算子的图神经网络来编码有向图的边方向性，并引入通道注意力和空间注意力机制增强特征表示能力	未明确说明模型在特定癌症类型或数据集上的泛化能力限制	识别癌症驱动基因以理解癌症分子机制并为早期诊断提供关键靶点	基因（作为网络节点）	机器学习	癌症	多组学数据整合	图神经网络	图数据（有向基因网络）、多组学数据	NA	NA	基于磁拉普拉斯的图神经网络	NA	NA