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(使用关键词“['deep learning']”过滤),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19.9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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2026-03-05 |
PriBeL-Net: Extending betel leaf dataset with CNN-based image classification
2026-Jun, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2026.103828
PMID:41778255
|
研究论文 | 本研究比较了四种深度学习框架在自定义数据集上的性能,以确定最适合农业应用的模型 | 在受控和实地环境下评估多种深度学习模型,并发现DenseNet121在实地环境中表现最佳,为农业应用提供了可靠的模型选择 | EfficientNetB0在嘈杂的真实世界数据集中表现不佳,表明轻量级模型在处理此类数据时存在限制 | 比较不同深度学习框架在农业图像分类任务中的性能,以确定最适合实际应用的模型 | 自定义的槟榔叶数据集,包含受控和实地环境下的图像 | 计算机视觉 | NA | 图像分类 | CNN | 图像 | NA | TensorFlow, Keras | MobileNetV2, EfficientNetB0, ResNet50V2, DenseNet121 | 准确率, F1分数 | NA |
| 2 | 2026-03-05 |
Development and Validation of an Automated Pipeline for the Detection of Monteggia Fracture Dislocations in Pediatric Radiographs
2026-Apr-01, Journal of pediatric orthopedics
DOI:10.1097/BPO.0000000000003196
PMID:41395634
|
研究论文 | 本研究开发并验证了一种用于自动检测儿童X光片中Monteggia骨折脱位的深度学习流程 | 首次提出结合分割网络(U-Net++)测量桡骨头脱位与二分类器检测尺骨骨折的自动化流程,用于儿童Monteggia骨折的检测 | 研究样本量有限(桡骨分割训练320张,尺骨骨折检测训练157张),且为回顾性研究(证据等级III级),未在临床环境中进行前瞻性验证 | 开发一种自动化工具以提高儿童Monteggia骨折脱位在初始X光评估中的检出率 | 儿童肘部前后位(AP)和侧位X光片 | 计算机视觉 | 骨科损伤 | X光成像 | 深度学习 | 图像 | 桡骨分割训练使用320张儿童肘部X光片(AP和侧位),尺骨骨折检测训练使用157对配对AP和侧位X光片 | 未明确提及 | U-Net++ | Dice分数, IoU, 灵敏度, 特异性, 准确率, AUC | NA |
| 3 | 2026-03-05 |
Enhanced PPG-based stress recognition: a transfer learning approach to internal vs. external stress
2026-Mar-04, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ae241c
PMID:41289696
|
研究论文 | 本研究通过建立内部与外部压力数据集,并引入基于迁移学习的跨范式压力识别模型,旨在提升基于PPG信号的自动化压力识别能力 | 提出了一个结合领域对抗神经网络和最大均值差异的迁移学习模型,用于从PPG信号中提取鲁棒特征,以区分内部和外部压力 | 未明确说明模型在更广泛人群或真实世界场景中的泛化能力 | 开发基于PPG信号的自动化压力识别方法,以区分内部和外部压力类型 | 107名参与者在四种不同压力诱导范式下采集的PPG信号 | 机器学习 | NA | 光电容积脉搏波描记法 | 领域对抗神经网络 | PPG信号 | 107名参与者 | NA | 领域对抗神经网络 | 准确率 | NA |
| 4 | 2026-03-05 |
Critical evaluation of the theory and practice of feed-forward neural networks for genomic prediction
2026-Mar-04, G3 (Bethesda, Md.)
DOI:10.1093/g3journal/jkaf314
PMID:41442545
|
研究论文 | 本文批判性评估了前馈神经网络在基因组预测中的理论与实践,通过理论分析和实证研究比较了深度学习与线性模型的性能 | 提出了预测问题的分类法以避免模型比较中的混淆,并系统评估了深度学习在基因组预测中的三个声称优势 | 仅探索了深度学习模型空间的一小部分,未考虑可能通过其他方面对基因组预测做出贡献的可能性 | 评估深度学习在基因组预测中的应用效果,并与传统线性模型进行比较 | 玉米多环境试验数据集,包括基因组、土壤、天气和管理输入与谷物产量的关系 | 机器学习 | NA | 基因组预测 | 前馈神经网络, RKHS回归 | 基因组数据, 土壤数据, 天气数据, 管理数据 | NA | NA | NA | 预测准确性 | NA |
| 5 | 2026-03-05 |
Supervised Machine Learning and Graph Neural Networks to Predict Collision Cross-Section Values of Aquatic Dissolved Organic Compounds
2026-Mar-04, Journal of the American Society for Mass Spectrometry
IF:3.1Q1
DOI:10.1021/jasms.5c00276
PMID:41505766
|
研究论文 | 本研究结合监督机器学习和深度学习,预测水环境中溶解有机化合物的碰撞截面值,以提升复杂环境混合物中分子结构的识别能力 | 首次整合多种监督机器学习模型与图神经网络,针对多种溶解有机分子类别预测CCS值,并利用北极海洋的高分辨率质谱数据进行验证 | 模型性能因分子类别和数据集特性而异,未详细讨论模型在极端环境条件下的泛化能力 | 开发一个数据驱动的框架,用于准确预测溶解有机化合物的碰撞截面值,以增强环境样品中的分子分类和污染物检测 | 水环境中的溶解有机分子,包括碳水化合物、烃类、木质素、脂质、蛋白质、单宁和未分配分子 | 机器学习 | NA | 高分辨率质谱 | Gradient Boosted Regression, K-Nearest Neighbors, LASSO, Linear Regression, Partial Least Squares, Random Forest, Support Vector Regression, Voting Regressor, Graph Neural Network | 分子指纹和结构描述符 | NA | NA | 图神经网络 | 准确度 | NA |
| 6 | 2026-03-05 |
Real-time digital prescriptions unlock influenza dynamics: evidence from 21 million transactions
2026-Mar-04, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02513-9
PMID:41775925
|
研究论文 | 本研究通过分析中国最大的按需药品配送平台的2108万张数字处方交易数据,验证了其作为流感动态实时监测和长期预测的有效代理指标 | 首次大规模验证数字处方交易数据作为流感流行病学实时监测和预测的因果有效代理指标,并构建了一个集成了GNN、Mamba和LSTM的时空深度学习框架,实现了长达96天的流感预测 | 研究数据来源于单一平台,可能无法完全代表全国所有地区的用药行为;研究主要关注流感,对其他传染病的适用性有待验证 | 开发一种实时、准确的流感监测和预测方法,以克服传统监测系统的报告延迟问题 | 中国31个省份的2108万张数字处方交易数据 | 机器学习 | 流感 | 数字处方交易数据分析 | GNN, Mamba, LSTM | 交易数据 | 2108万张处方交易,覆盖中国31个省份 | NA | GNN, Mamba, LSTM | 平均绝对误差 | NA |
| 7 | 2026-03-05 |
Performance of deep learning-based segmentation of soft tissue sarcoma by MRI sequence, tumor type and location
2026-Mar-04, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-026-05178-3
PMID:41776099
|
研究论文 | 本研究评估了基于深度学习的模型在术前MRI上自动分割软组织肉瘤的性能,重点关注不同MRI序列、解剖位置和组织学亚型对模型准确性的影响 | 首次系统评估了深度学习模型在软组织肉瘤分割中,针对不同MRI序列、肿瘤解剖位置和组织学亚型的性能差异,并发现单序列T1模型优于多模态融合 | 研究为回顾性分析,样本量相对有限(299例),且仅包含特定五种组织学亚型,可能无法推广到所有软组织肉瘤类型 | 评估深度学习模型在软组织肉瘤自动分割中的性能,并分析MRI序列、肿瘤位置和组织学亚型对分割准确性的影响 | 299例经活检证实的软组织肉瘤患者,包括平滑肌肉瘤、黏液纤维肉瘤、黏液样脂肪肉瘤、未分化多形性肉瘤和肌肉内黏液瘤 | 数字病理 | 软组织肉瘤 | MRI成像 | 深度学习 | 医学影像 | 299例患者 | nnU-Net | 3D nnU-Net | Dice系数, F2分数, 平均对称表面距离, 95百分位Hausdorff距离 | NA |
| 8 | 2026-03-05 |
Development and validation of a multimodal deep learning model for early esophageal squamous neoplasia detection and invasion depth prediction
2026-Mar-03, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2780-0974
PMID:41468904
|
研究论文 | 开发并验证了一种用于早期食管鳞状细胞癌检测及浸润深度预测的多模态深度学习模型MUMA-EDx | 首次提出结合放大内镜和超声内镜图像的多模态深度学习模型,通过特征级融合显著提升早期食管鳞癌的识别与浸润深度分类性能 | 模型开发和内部验证基于回顾性数据集,外部验证样本量相对较小(122例) | 提高早期食管鳞状细胞癌的诊断准确率和浸润深度预测能力 | 食管鳞状细胞癌患者的内镜图像 | 数字病理学 | 食管癌 | 放大内镜,超声内镜 | 深度学习 | 图像 | 回顾性数据集358例患者(18420张图像),前瞻性队列122例患者(8711张图像) | NA | TResNet_m | AUROC,准确率,灵敏度,特异性,阳性预测值,阴性预测值 | NA |
| 9 | 2026-03-05 |
Establishing an Evidence-based Modern Breast MRI Program
2026-Mar-03, Journal of breast imaging
IF:2.0Q3
DOI:10.1093/jbi/wbaf082
PMID:41671073
|
综述 | 本文概述了现代乳腺MRI方案的关键要素,讨论了协议优化策略,并探讨了影响下一代乳腺成像的新兴技术和未来趋势 | 整合了扩散加权MRI、超快动态对比增强MRI和深度学习模型等先进技术,并提出了在资源有限条件下平衡效率与准确性的协议优化策略 | 未提供具体临床数据或模型性能验证,主要基于文献综述和理论探讨 | 建立基于证据的现代乳腺MRI方案,以应对乳腺成像中心在效率、准确性和资源限制方面的挑战 | 乳腺MRI成像协议与技术 | 数字病理学 | 乳腺癌 | 动态对比增强MRI, 扩散加权MRI, 超快动态对比增强MRI | 深度学习模型 | MRI图像 | NA | NA | NA | NA | NA |
| 10 | 2026-03-05 |
Letter to the Editor: Deep learning for accurate tumour volume measurement and prediction of therapy response in paediatric osteosarcoma
2026-Mar-03, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12364-3
PMID:41774130
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 11 | 2026-03-05 |
Deep learning ensemble models for CT-based differentiation of malignant and benign sacral bone tumors: development and evaluation
2026-Mar-03, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-026-02220-9
PMID:41774326
|
研究论文 | 本研究开发了一种集成深度学习模型,用于基于非对比CT图像术前区分良性和恶性骶骨肿瘤 | 首次提出将3D-DenseNet121与放射科医生解读相结合的集成深度学习模型,用于骶骨肿瘤的术前分类 | NA | 开发一种能够术前区分良性和恶性骶骨肿瘤的集成深度学习模型 | 569名确诊骶骨病变患者的术前骶骨CT扫描 | 计算机视觉 | 骨肿瘤 | 非对比计算机断层扫描 | 深度学习集成模型 | CT图像 | 569名患者 | NA | 3D-DenseNet121 | 精确度, 召回率, 准确率, AUC, F1分数, 混淆矩阵 | NA |
| 12 | 2026-03-05 |
WGB-GLFI: A Novel Graph-Based Global-Local Feature Interaction Framework for Automated Seizure Detection
2026-Mar-03, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3668888
PMID:41774635
|
研究论文 | 本文提出了一种新颖的基于图的全局-局部特征交互框架(WGB-GLFI),用于自动癫痫发作检测 | 通过加权图构建(WGB)模块和全局-局部特征交互(GLFI)模块,统一建模空间连接性和动态模式,全面捕捉癫痫发作期间的动态空间关系,实现无缝的全局-局部特征融合 | 未明确提及具体局限性 | 提高癫痫发作检测的准确性和鲁棒性 | 癫痫患者 | 机器学习 | 癫痫 | EEG | 深度学习 | EEG数据 | 多个数据集(CHB-MIT, Siena Scalp及私有数据集) | 未明确提及 | WGB-GLFI | 准确率 | 未明确提及 |
| 13 | 2026-03-05 |
A Deep Learning Framework for Identifying Essential Proteins Based on Vision Transformer
2026-Mar-03, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3669744
PMID:41774661
|
研究论文 | 本文提出了一种基于Vision Transformer的深度学习框架EPViT,用于识别必需蛋白质 | 提出了一种结合蛋白质相互作用网络拓扑特征和无主观因素亚细胞定位特征的新特征矩阵,并首次将Vision Transformer模型应用于必需蛋白质识别任务 | 仅在酵母数据上进行了实验验证,未在其他生物数据上测试 | 提高必需蛋白质的识别率 | 必需蛋白质 | 机器学习 | NA | 多组学数据融合 | Vision Transformer | 蛋白质相互作用网络数据、亚细胞定位数据 | NA | NA | Vision Transformer | 识别率 | NA |
| 14 | 2026-03-05 |
Collaborative Coarse-to-Fine Disease Learning With Discharge Summary Awareness for EHR Event Prediction
2026-Mar-03, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2026.3664408
PMID:41774654
|
研究论文 | 提出了一种结合出院摘要感知的协作式粗到细疾病学习框架,用于电子健康记录事件预测 | 通过构建细粒度动态疾病图、整合ICD-9-CM层次结构信息、结合非结构化出院摘要进行协作学习,解决了动态疾病关系建模、诊断代码本体多视角利用和文本数据融合三大挑战 | 未明确说明模型在跨机构数据上的泛化能力,也未讨论计算复杂度对实时预测的影响 | 改进电子健康记录事件预测的准确性和可解释性 | 电子健康记录中的疾病诊断事件 | 自然语言处理 | NA | 深度学习 | GRU, 注意力机制 | 结构化诊断代码, 非结构化文本(出院摘要) | 两个真实世界EHR数据集:MIMIC-III和MIMIC-IV | NA | 基于GRU和注意力机制的序列模型 | NA | NA |
| 15 | 2026-03-05 |
XNet: Enhancing Physical Activity Intensity Assessment With Attentional Multidomain Fusion and Visual Analytics
2026-Mar-03, IEEE transactions on cybernetics
IF:9.4Q1
DOI:10.1109/TCYB.2026.3666726
PMID:41774652
|
研究论文 | 本研究提出了一种名为XNet的双域深度学习模型,用于分类身体活动强度和估计能量消耗,旨在解决传统方法在泛化性方面的不足 | 提出了一种新颖的分层多头注意力特征融合模块,分两阶段聚合传感器特征和融合域嵌入,并引入了互补的可视化分析框架以增强模型的可解释性和透明度 | 未明确说明模型在极端活动或特殊人群(如患有特定疾病的个体)上的性能 | 开发一种能够准确监测身体活动强度并具有良好泛化能力的模型,以应对久坐行为这一全球健康问题 | 身体活动强度与能量消耗 | 机器学习 | NA | 深度学习 | CNN, Transformer, GAT | 生理信号(如心率、ECG)、加速度计数据 | 多个公共数据集及一个包含105名参与者的新数据集 | NA | XNet(包含轻量级1D卷积频谱编码器和分层多头注意力特征融合模块) | F1-score, TPR | NA |
| 16 | 2026-03-05 |
ICP-WAVES: Intracranial Pressure Waveform Analysis and Visualization for Enhanced Signal Processing
2026-Mar-03, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3669377
PMID:41774667
|
研究论文 | 本文提出了一种基于Transformer的基础模型,用于颅内压波形分析,以提取与脑顺应性相关的临床信息 | 开发了一种针对侵入性ICP波形优化的深度学习基础模型,能够捕捉复杂的时间动态,并支持实时交互式分析 | 模型在1峰顺应性波形分类上的准确率为77.5%,低于其他类别,且数据来源于单一医疗中心,可能影响泛化能力 | 通过分析颅内压波形形态,改进脑顺应性和脑脊液动力学的临床监测与决策支持 | 脑出血患者和脑室外引流患者的颅内压波形数据 | 机器学习 | 脑出血 | 生理波形数据处理 | Transformer, SVM | 生理波形数据 | 190名脑出血患者(2009-2013年)和23名脑室外引流患者(2021-2023年),共标注8406个ICP脉冲 | NA | Transformer | AUC, 混淆矩阵, 准确率 | NA |
| 17 | 2026-03-05 |
METRON: Metabolic Dynamic Perception Kolmogorov-Arnold Network for Biological Age Estimation
2026-Mar-03, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3669919
PMID:41774660
|
研究论文 | 本文提出了一种名为METRON的深度学习框架,用于从类固醇代谢组学数据中预测生物年龄 | 提出了代谢物交互感知模块(MIPM)来捕获代谢网络中的复杂非线性相互作用,并集成了Group-Rational Kolmogorov-Arnold网络以增强表示能力 | NA | 预测生物年龄以评估健康风险和衰老干预措施 | 类固醇代谢组学数据 | 机器学习 | 老年疾病 | 类固醇代谢组学 | 深度学习 | 代谢组学数据 | NA | NA | Kolmogorov-Arnold Network | NA | NA |
| 18 | 2026-03-05 |
Transformer-encoded nnU-Net with local region perceptron and contrastive learning (TLC-nnUNet) for multiple brain metastasis detection and delineation
2026-Mar-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae4ced
PMID:41775070
|
研究论文 | 本文提出了一种名为TLC-nnUNet的新型深度学习框架,用于在MRI上准确检测和分割多发性脑转移瘤,特别是针对小病灶 | 将局部区域感知器(LRP)和对比学习预训练(CLP)集成到Transformer增强的nnU-Net架构中,以提升小病灶检测的敏感性和减少假阳性 | 未明确提及具体局限性,但可能包括对多机构数据集的依赖以及计算资源需求 | 提高多发性脑转移瘤在MRI上的检测和分割准确性,尤其是针对小病灶 | 多发性脑转移瘤(BMs),特别是长轴长度小于3毫米的小病灶 | 数字病理学 | 脑转移瘤 | MRI | Transformer, CNN | 图像 | 多机构数据集(具体数量未提及) | PyTorch(基于nnU-Net推断) | Transformer-enhanced nnU-Net (T-nnUNet), TLC-nnUNet | 敏感性, 精确度, Dice系数 | NA |
| 19 | 2026-03-05 |
Artificial intelligence in preterm birth prediction: a narrative review of current approaches and clinical applicability
2026-Mar-03, Obstetrics & gynecology science
IF:2.0Q2
DOI:10.5468/ogs.26043
PMID:41775248
|
综述 | 本文是一篇叙述性综述,探讨了人工智能在早产预测领域的应用现状、方法学质量及临床适用性 | 系统性地回顾并评估了不同数据模态下AI预测早产的方法学质量和临床适用性,并指出了当前研究在方法学严谨性方面的普遍缺陷 | 综述本身不产生新数据,其结论基于对现有文献的分析;所纳入的研究普遍存在样本量不足、缺乏外部验证、未报告校准指标等问题 | 评估人工智能在早产预测中的应用现状、方法学质量及临床适用性 | 用于预测自发性早产的机器学习模型相关研究 | 机器学习 | 早产 | 电子健康记录分析、超声图像分析、宫颈纹理和放射组学特征提取、弹性成像参数、多组学整合 | 深度学习, Transformer | 电子健康记录、超声图像、多组学数据 | NA | NA | Transformer | 受试者工作特征曲线下面积 | NA |
| 20 | 2026-03-05 |
Cross-species gene redesign leveraging ortholog information and generative modeling
2026-Mar-03, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69966-0
PMID:41775687
|
研究论文 | 本研究提出了一种基于Transformer的深度学习模型OrthologTransformer,用于跨物种基因重新设计,通过利用大规模同源基因数据来预测优化目标物种的编码序列,同时保持蛋白质功能 | 该模型不仅考虑同义密码子替换,还能捕捉非同义突变、插入和缺失等进化差异,实现更自然的基因设计,相比传统密码子优化方法,在表达产量和酶活性方面有显著提升 | 研究主要针对细菌物种对进行测试,尚未广泛验证于真核生物或其他复杂生物系统,且模型性能可能受训练数据规模和多样性的限制 | 开发一种AI引导的基因设计方法,以改进异源基因表达,通过模拟自然进化过程优化编码序列 | 跨物种的同源基因,特别是细菌物种中的基因,用于异源表达和功能适应性研究 | 机器学习 | NA | 深度学习,生成模型,同源基因数据分析 | Transformer | 基因序列数据 | 大规模同源基因数据集,涉及多种细菌物种对 | NA | Transformer | 表达产量,酶活性,与天然宿主同源基因的相似性,蛋白质功能保持 | NA |