本数据库通过收集和整理最新科研文献信息而得,供了解领域前沿进展之用。数据源自 PubMed Data ,每日自动更新,已收录文献数量参见 统计表格。表格内容由 GPT 自动整理,可能存在错误或遗漏,请使用时务必注意核实!
如有建议或合作意向,欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布,欢迎下载 源码 自行修改使用。如觉得不错,还请不吝 给我打赏,你的支持是我继续创新的重要动力!
除通过在线浏览外,为方便用户离线查阅,本站也提供 付费下载(定价10元)。之所以考虑收费,是因为批量扫描这些文献并整理也是有一定成本的,还请理解并多多支持。本站数据会持续更新,而仅需一次付费,未来就可以随时重新下载到最新版本数据。
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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | 2025-09-18 |
Integration of coagulation parameters Enhances deep Learning-Based survival prediction in High-Grade serous ovarian Cancer: A comprehensive prognostic model
2026-Jan-01, Clinica chimica acta; international journal of clinical chemistry
DOI:10.1016/j.cca.2025.120512
PMID:40738419
|
研究论文 | 开发并验证一种整合凝血参数的深度学习生存预测模型,用于高级别浆液性卵巢癌预后评估 | 首次将凝血参数(如D-二聚体水平)与传统临床病理因素结合,采用包含88种算法的机器学习框架提升预测性能 | 回顾性研究设计,需进一步前瞻性验证 | 构建高精度生存预测模型以改善高级别浆液性卵巢癌的预后评估 | 高级别浆液性卵巢癌患者 | 机器学习 | 卵巢癌 | 机器学习整合分析 | 深度学习框架(含88种算法) | 临床病理数据与凝血参数 | 216例患者(训练集) + 108例外部验证(来自三个机构) |
2 | 2025-09-18 |
HCNS:A deep learning model for identifying essential proteins based on hypergraph convolution and sequence features
2025-Dec, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2025.115949
PMID:40783109
|
研究论文 | 提出一种基于超图卷积和序列特征的深度学习模型HCNS,用于精确识别必需蛋白质 | 整合超图卷积网络(HGCN)和包含多种深度学习的序列特征提取模块,首次同时利用PPI网络和蛋白质氨基酸序列进行识别 | NA | 提高必需蛋白质识别的准确性 | 蛋白质 | 生物信息学 | NA | 深度学习 | HGCN, CNN, Bi-LSTM, Transformer, MLP | 蛋白质相互作用网络数据、蛋白质复合物数据、蛋白质氨基酸序列 | NA |
3 | 2025-09-18 |
Deep learning-enabled fluorescence imaging for oral cancer margin classification in preclinical models
2025-Dec, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.S3.S34109
PMID:40949530
|
研究论文 | 本研究开发了一种结合深度学习与空间频域成像(SFDI)的系统,用于口腔癌手术中荧光标记的亚表面深度定量与切缘评估 | 首次将深度学习与结构光成像技术结合,实现对亚表面荧光结构的深度和浓度量化,突破现有荧光成像系统无法量化亚表面结构的限制 | 研究目前主要在模拟数据、体模和离体动物组织中进行验证,尚未进行临床人体试验 | 开发一种术中口腔癌切缘评估技术,确保肿瘤完全切除同时保留术后功能 | 口腔癌肿瘤,特别是舌癌的亚表面荧光标记结构 | 数字病理 | 口腔癌 | 空间频域成像(SFDI),荧光成像,深度学习 | ResNet, U-Net CNN | 图像 | 模拟患者来源舌肿瘤形状数据、荧光体模数据集、离体动物组织样本 |
4 | 2025-09-18 |
MLSPred-bench: Transforming electroencephalography (EEG) datasets into machine learning-ready epileptic seizure prediction benchmarks
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103574
PMID:40949826
|
研究论文 | 提出一种将癫痫检测脑电图数据集转换为适用于癫痫发作预测的机器学习基准数据的方法 | 开发了MLSPred-bench方法,能够将标注为检测用途的EEG大数据转换为适用于预测任务的ML就绪数据,并生成12个包含不同SPH和SOP变化的基准数据集 | NA | 解决癫痫发作预测任务中缺乏标注数据的挑战,促进癫痫预测模型的发展 | 脑电图(EEG)数据集 | 机器学习 | 癫痫 | 脑电图(EEG)分析 | 多种机器学习和深度学习模型 | 时间序列脑电信号数据 | 超过150GB的ML就绪数据,来自现有EEG数据语料库 |
5 | 2025-09-18 |
Design of an iterative hybrid multimodal deep learning method for early skin disease detection with cross-attention and graph-based fusions
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103584
PMID:40949827
|
研究论文 | 提出一种用于早期皮肤疾病检测的多模态深度学习框架,融合空间、时间和语义信息 | 结合跨注意力机制和图注意力网络(GAT)实现多模态特征交互与患者间关系建模 | NA | 早期皮肤疾病检测 | 皮肤疾病患者的多模态数据 | 计算机视觉 | 皮肤疾病 | 多模态深度学习 | EfficientNet-B4, BiLSTM, ClinicalBERT, GAT | 图像、时间序列信号、临床文本 | NA |
6 | 2025-09-18 |
Application of Raman Spectroscopy Coupled With Chemometrics for the Detection and Quantification of Mancozeb Residues in Collard Green
2025-Dec, Analytical science advances
IF:3.0Q2
DOI:10.1002/ansa.70045
PMID:40959212
|
研究论文 | 本研究应用拉曼光谱结合化学计量学方法检测和定量羽衣甘蓝中的代森锰锌残留 | 首次将拉曼光谱与机器学习模型(包括支持向量机和卷积神经网络)结合,用于代森锰锌残留的高精度检测与定量 | 研究仅在特定浓度范围(0.01-0.5 ppm)内验证,未涉及其他农药或更复杂基质 | 开发快速、精确、可及的农药残留检测技术,保障食品安全 | 羽衣甘蓝中的代森锰锌农药残留 | 化学计量学与光谱分析 | NA | 拉曼光谱,主成分分析,机器学习建模 | SVM, CNN, 集成学习 | 光谱数据 | NA |
7 | 2025-09-18 |
Generalizable deep learning for photoplethysmography-based blood pressure estimation-A benchmarking study
2025-Dec-01, Machine Learning. Health
DOI:10.1088/3049-477X/ae01a8
PMID:40959521
|
研究论文 | 一项关于基于光电容积脉搏波(PPG)的深度学习血压估计模型泛化能力的基准研究 | 首次系统评估多种深度学习模型在分布外(OOD)数据集上的泛化性能,并提出基于样本的域适应方法改进性能 | 模型性能受数据集间血压分布差异的强烈影响,泛化能力仍有待提升 | 研究基于PPG的深度学习血压估计模型的泛化能力 | 光电容积脉搏波(PPG)信号和血压测量数据 | 机器学习 | 心血管疾病 | 深度学习 | XResNet1d101等五种深度学习模型 | PPG波形信号 | 基于PulseDB数据集训练,并在多个外部数据集测试 |
8 | 2025-09-18 |
Umami-Transformer: A deep learning framework for high-precision prediction and experimental validation of umami peptides
2025-Nov-30, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.145905
PMID:40848351
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
9 | 2025-09-18 |
Deep learning-derived optimal annotation strategies to power the systematic mapping of peptide space
2025-Nov-15, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.145437
PMID:40639248
|
研究论文 | 本文探讨了深度学习在肽段识别技术中的应用,以提高蛋白质组学中肽段序列鉴定的效率和准确性 | 结合多种深度学习模型(如Prosit、pDeep、卷积神经网络和图论)与数据库搜索,优化肽段空间系统映射的注释策略 | NA | 提升肽段识别方法的效率和准确性,推动蛋白质组学发展 | 肽段序列和MS/MS质谱数据 | 机器学习 | NA | 质谱技术(DDA和DIA)、深度学习 | CNN、深度神经网络、图论结合模型 | 质谱数据 | NA |
10 | 2025-09-18 |
New Bayesian and deep learning spatio-temporal models can reveal anomalies in sensor data more effectively
2025-Nov-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.123928
PMID:40680322
|
研究论文 | 提出两种新型无监督时空异常检测方法,用于传感器网络数据 | 结合动态贝叶斯模型和深度学习架构,并引入集成方法综合两者优势 | NA | 开发高效准确的时空异常检测算法,提升传感器数据可靠性 | 河流传感器网络收集的高结构化时空数据 | 机器学习 | NA | 无监督异常检测 | 动态贝叶斯模型,LSTM,注意力机制 | 传感器时空数据 | 通过综合模拟基准测试评估,包含多种常见异常类型 |
11 | 2025-09-18 |
A novel quad-modality deep neural network for estimating chlorophyll-a concentrations in Lianyungang's lakes and reservoirs using Sentinel-2 MSI data
2025-Nov-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.124246
PMID:40695019
|
研究论文 | 本研究开发了一种新颖的四模态深度神经网络(QM-DNN),用于基于Sentinel-2卫星数据估算连云港市湖泊和水库的叶绿素a浓度 | 提出了结合双波段、三波段和四波段光谱特征以及时空和环境辅助变量的多模态深度学习框架 | 模型在测试集上表现良好但仍有改进空间,且风速影响存在站点依赖性 | 通过遥感技术监测水体富营养化状况,支持水质管理和富营养化治理 | 中国连云港市的湖泊和水库 | 遥感监测 | NA | 多模态学习、集成梯度法 | QM-DNN(四模态深度神经网络) | 多光谱卫星影像、原位测量数据、环境变量 | 测试集197个样本,数据时间跨度为2017-2024年 |
12 | 2025-09-18 |
Multi-scenario simulation of future marine microplastic distribution under data scarcity: A deep learning approach
2025-Nov-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2025.124233
PMID:40701050
|
研究论文 | 提出一种结合Few-Shot Learning和Transformer架构的深度学习框架CGMAT,用于模拟未来海洋微塑料分布 | 首次将Few-Shot Learning与Transformer架构结合,解决数据稀缺条件下的海洋微塑料多场景模拟问题 | 预测结果显示出显著的地区差异性,模型在不同区域的适用性可能存在局限 | 评估未来海洋微塑料丰度趋势,为污染治理提供科学依据 | 台湾海峡和挪威沿海水域的海洋微塑料分布 | 机器学习 | NA | Few-Shot Learning, Transformer架构, 多图注意力网络 | CGMAT (Cross-domain Multi-Graph Attention Network) | 海洋观测数据 | 台湾海峡和挪威沿海水域的异构数据集 |
13 | 2025-09-18 |
Sequence and Structure-based Prediction of Allosteric Sites
2025-Oct-15, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2025.169305
PMID:40571274
|
综述 | 本文综述了基于蛋白质序列和结构的变构位点预测计算方法及其在合理药物设计中的应用 | 强调多模态数据整合和可解释深度学习模型在提升变构位点预测与药物设计中的潜力 | NA | 促进对变构机制的理解并推动变构药物设计 | 蛋白质变构调控 | 计算生物学 | NA | 计算方法与深度学习 | 深度学习模型 | 序列与结构数据 | NA |
14 | 2025-09-18 |
Prediction of water quality parameters and pollution exceedance analysis in typical rivers of semi-arid regions based on interpretable deep learning models
2025-Oct-15, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.126801
PMID:40639737
|
研究论文 | 提出一种可解释的深度学习模型AT-GRU,用于半干旱地区典型河流水质参数预测与污染超标分析 | 结合SHAP可解释性分析,揭示预测关键驱动因子,并识别极端降水事件对水质的影响规律 | 模型在高污染条件下气象因素影响有限,未明确说明泛化能力验证 | 提升半干旱区域水质预测精度与模型可解释性,支持针对性污染控制与预警策略 | 半干旱大黑河流域的水质、气象及水文数据 | 机器学习 | NA | 深度学习,SHAP可解释性分析 | AT-GRU (Attention-Gated Recurrent Unit) | 时序数据(水质、气象、水文) | NA |
15 | 2025-09-18 |
Deep learning-based screening approach for priority pollutants: a case study on retired power battery recycling
2025-Oct-15, Environmental pollution (Barking, Essex : 1987)
DOI:10.1016/j.envpol.2025.126849
PMID:40683377
|
研究论文 | 提出一种基于深度学习的优先污染物筛选框架,应用于退役动力电池回收场景 | 结合深度学习算法与层次聚类分析构建新型污染物优先级筛选模型McA,并采用性能加权集成方法 | NA | 开发高效准确的优先污染物筛选方法以支持环境风险管理 | 退役动力电池回收过程中的潜在污染物 | 环境信息学 | NA | 深度学习,层次聚类分析,SHAP可解释性分析 | 集成学习(基于五种深度学习方法) | 污染物特性数据 | 识别出13种污染物(分为4个优先级) |
16 | 2025-09-18 |
Deep learning-based prediction of cervical canal stenosis from mid-sagittal T2-weighted MRI
2025-Oct, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-04917-2
PMID:40152984
|
研究论文 | 本研究开发了基于深度学习的模型,用于从矢状T2加权MRI预测颈椎管狭窄 | 建立了大规模退行性颈椎病队列,并首次使用深度学习模型(包括集成模型)实现高精度颈椎管狭窄预测,同时结合了梯度加权类激活映射进行可解释性分析 | 数据来源于单一机构,且纳入人口统计学特征并未带来模型性能提升 | 预测颈椎管狭窄,辅助退行性颈椎病的诊断 | 退行性颈椎病患者 | 医学影像分析 | 颈椎病 | MRI成像 | ResNet50, VGG16, MobileNetV3, EfficientNetV2, 集成模型 | 图像 | 7645名患者(训练集6880人,测试集765人) |
17 | 2025-09-18 |
Synthetic electroretinogram signal generation using a conditional generative adversarial network
2025-Oct, Documenta ophthalmologica. Advances in ophthalmology
DOI:10.1007/s10633-025-10019-0
PMID:40240677
|
研究论文 | 使用条件生成对抗网络生成合成视网膜电图信号以支持深度学习分类模型 | 首次将条件生成对抗网络应用于ERG信号生成,并通过两种Transformer模型验证合成数据对分类性能的提升 | 样本量相对较小(仅49名参与者),且仅限于自闭症谱系障碍和对照组 | 解决罕见或异质人群中ERG数据稀缺问题,提升神经疾病分类模型的性能 | 自闭症谱系障碍(ASD)患者和健康对照组的视网膜电图信号 | 机器学习 | 神经发育障碍 | 条件生成对抗网络(cGAN),连续小波变换 | Time Series Transformer, Visual Transformer | 时间序列信号,图像 | 49名参与者(18名ASD,31名对照),共1058条ERG记录 |
18 | 2025-09-18 |
A deep learning model with interpretable squeeze-and-excitation for automated rehabilitation exercise assessment
2025-Oct, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03372-4
PMID:40327204
|
研究论文 | 提出一种基于CNN-SE和灰狼优化算法的深度学习模型,用于自动化康复运动评估 | 结合可解释的Squeeze-and-Excitation机制和SHAP方法,提供模型决策过程的透明度 | NA | 开发自动化康复运动评估系统,替代传统治疗师监督模式 | 健康参与者及运动功能障碍患者 | 计算机视觉 | 神经系统疾病 | 深度学习,灰狼优化算法,SHAP可解释性分析 | CNN-SE (卷积神经网络-Squeeze Excitation) | 运动数据 | 基于KIMORE和UI-PRMD数据集的参与者 |
19 | 2025-09-18 |
Deep learning assisted identification of SCUBE2 and SLC16 A5 combination in RNA-sequencing data as a novel specific potential diagnostic biomarker in prostate cancer
2025-Oct, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03365-3
PMID:40335872
|
研究论文 | 本研究利用深度学习从RNA测序数据中筛选出SCUBE2和SLC16A5组合作为前列腺癌的新型潜在诊断生物标志物 | 首次发现SCUBE2在前列腺癌中的诊断价值,并证明SCUBE2与SLC16A5组合可显著提升诊断准确性 | SCUBE2在前列腺癌中的具体功能机制尚未明确,需要进一步实验验证 | 开发更精确的前列腺癌诊断方法 | 前列腺癌患者基因表达数据 | 数字病理学 | 前列腺癌 | RNA测序,深度学习 | 深度学习模型 | 基因表达数据 | 基于三个转录组数据集中的68个差异表达基因进行分析 |
20 | 2025-09-18 |
Predicting fixations and gaze location from EEG
2025-Oct, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03362-6
PMID:40338479
|
研究论文 | 本研究探索使用深度学习模型从脑电图(EEG)预测眼动注视点和估计凝视位置 | 提出基于Transformer和LSTM的架构,在有限EEG信号长度和通道数约束下实现与现有先进方法相当或略优的性能,且无需预训练或微调 | 基于Transformer的模型对短信号长度和较少通道数更为敏感 | 开发无需额外眼动追踪设备、仅通过EEG信号预测眼动注视和凝视位置的方法 | 人脑EEG信号与眼动注视模式之间的关系 | 脑机接口 | NA | 深度学习,EEG信号处理 | Transformer, LSTM | EEG时序信号 | NA |