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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
121 | 2024-08-07 |
Delimiting cryptic morphological variation among human malaria vector species using convolutional neural networks
2020-12, PLoS neglected tropical diseases
IF:3.4Q1
DOI:10.1371/journal.pntd.0008904
PMID:33332415
|
研究论文 | 本文利用卷积神经网络(CNN)对来自五个地理区域的16个蚊子品系和物种的1,709张成年蚊子图像进行自动分类,以证明其可行性 | 本文首次应用CNN技术于蚊子图像分类,成功区分了形态上难以区分的隐秘物种 | NA | 探索使用深度学习方法区分图像类别,特别是在蚊子物种识别中的应用 | 蚊子物种及其品系的自动分类 | 计算机视觉 | NA | 卷积神经网络(CNN) | CNN | 图像 | 1,709张成年蚊子图像,来自16个蚊子品系和物种,源自五个地理区域 |
122 | 2024-08-07 |
Deep learning toolbox for automated enhancement, segmentation, and graphing of cortical optical coherence tomography microangiograms
2020-Dec-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.405763
PMID:33409000
|
研究论文 | 本文提出了一套基于卷积神经网络(CNN)的深度学习方法,用于自动增强、分割和填补光学相干断层扫描血管造影(OCTA)图像中的空隙,特别是来自啮齿动物皮层的图像,并提供了一种骨架化分割OCTA和提取底层血管图的策略 | 本文的创新点在于开发了一套深度学习工具,能够自动处理OCTA图像中的增强、分割和空隙填补问题,并提取血管图,从而实现对血管结构属性的定量评估 | NA | 旨在解决从3D OCTA图像中客观量化血管结构属性的挑战 | OCTA图像,特别是来自啮齿动物皮层的图像 | 计算机视觉 | NA | 光学相干断层扫描血管造影(OCTA) | 卷积神经网络(CNN) | 图像 | NA |
123 | 2024-08-07 |
Classification and Detection of Breathing Patterns with Wearable Sensors and Deep Learning
2020-Nov-13, Sensors (Basel, Switzerland)
DOI:10.3390/s20226481
PMID:33202857
|
研究论文 | 本研究开发了一种非侵入式呼吸模式分析系统,利用可穿戴传感器和深度学习技术自动检测临床上有意义的呼吸模式 | 本研究通过构建合成数据集并使用一维卷积神经网络,实现了对不同呼吸事件的高精度检测和分类 | 本研究仅在模拟的正常志愿者中进行了测试,实际应用中可能需要进一步验证 | 开发一种能够快速评估呼吸模式的技术,以应对紧急医疗情况 | 研究对象为100名模拟各种呼吸事件的正常志愿者 | 机器学习 | NA | 一维卷积神经网络 | CNN | 加速度计和陀螺仪数据 | 100名正常志愿者 |
124 | 2024-08-07 |
AK-Score: Accurate Protein-Ligand Binding Affinity Prediction Using an Ensemble of 3D-Convolutional Neural Networks
2020-Nov-10, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms21228424
PMID:33182567
|
研究论文 | 本文开发了一种新的神经网络模型AK-Score,用于预测蛋白质-配体复合物的结合亲和力,该模型使用多个独立训练的3D卷积神经网络的集成 | AK-Score模型的Pearson相关系数为0.827,高于现有最先进的结合亲和力预测评分函数 | NA | 提高蛋白质-配体结合亲和力的预测准确性,以促进理性药物设计 | 蛋白质-配体复合物的结合亲和力 | 机器学习 | NA | 3D卷积神经网络 | CNN | 结构数据 | 训练集包含3772个蛋白质-配体复合物,测试集包含285个复合物 |
125 | 2024-08-07 |
Reimagining T Staging Through Artificial Intelligence and Machine Learning Image Processing Approaches in Digital Pathology
2020-11, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI.20.00110
PMID:33166198
|
研究论文 | 本文讨论了人工智能和机器学习在数字病理学中用于疾病预后、肿瘤基因组和分子改变预测以及治疗反应预测的应用 | 人工智能方法有望克服传统TNM分期和肿瘤分级方法的局限性,提供独立于肿瘤阶段和级别的直接预后预测 | 文章提到了验证、解释性和报销等方面的潜在挑战,这些需要在广泛临床部署之前得到解决 | 探讨人工智能在数字病理学和肿瘤学中的应用及其未来机会 | 数字病理学中的疾病预后、肿瘤基因组和分子改变预测以及治疗反应预测 | 数字病理学 | NA | 人工智能 (AI), 机器学习 (ML) | 深度学习 (DL) | 图像 | NA |
126 | 2024-08-07 |
Rapid tissue oxygenation mapping from snapshot structured-light images with adversarial deep learning
2020-11, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.25.11.112907
PMID:33251783
|
research paper | 本文介绍了一种名为OxyGAN的数据驱动、内容感知方法,用于直接从单个结构光图像估计组织氧合情况 | OxyGAN使用监督生成对抗网络,能够从单个结构光图像中快速且准确地估计组织氧合情况,且处理速度比以往工作快约10倍 | NA | 开发一种快速且准确的方法来估计组织氧合情况,以支持多种临床应用 | 人体食道、手、脚以及猪结肠的组织氧合情况 | machine learning | NA | 空间频率域成像(SFDI) | 生成对抗网络(GAN) | 图像 | 包括人体食道、手、脚以及猪结肠的样本 |
127 | 2024-08-07 |
Towards label-free 3D segmentation of optical coherence tomography images of the optic nerve head using deep learning
2020-Nov-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.395934
PMID:33282495
|
研究论文 | 本文提出了一种基于深度学习的无标签3D分割框架,用于光学相干断层扫描(OCT)图像中视神经头(ONH)的分割,无需手动重新分割数据即可跨设备应用。 | 该研究创新性地开发了两种深度学习网络:'增强器'用于提高OCT图像质量和统一图像特征,'ONH-Net'用于3D分割6种ONH组织,实现了跨设备的高性能分割。 | 目前该方法的临床应用受限于其设备特定性和准备手动分割数据(训练数据)的难度。 | 旨在开发一种易于跨OCT设备应用的深度学习3D分割框架,无需手动分割数据。 | 研究对象为光学相干断层扫描图像中的视神经头组织。 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 涉及三种不同设备的OCT图像 |
128 | 2024-08-07 |
Beyond K-complex binary scoring during sleep: probabilistic classification using deep learning
2020-10-13, Sleep
IF:5.3Q1
DOI:10.1093/sleep/zsaa077
PMID:32301485
|
研究论文 | 本文提出了一种基于深度神经网络和高斯过程的算法,用于自动分类K复合波(KCs),这是一种睡眠阶段2的脑电图标志 | 该算法采用概率分类方法,能够给出输入波形是K复合波的概率,从0%到100%,并且表现优于现有的K复合波评分算法 | NA | 开发一种自动化的概率K复合波分类算法,以更深入地探索睡眠中K复合波与临床结果之间的关系 | K复合波的自动分类 | 机器学习 | NA | 深度神经网络和高斯过程 | 深度神经网络 | 脑电图数据 | 训练数据包括来自19名健康年轻参与者的手动评分睡眠阶段2的K复合波,以及来自克利夫兰家庭研究的700个独立记录 |
129 | 2024-08-07 |
A deep learning approach to detect Covid-19 coronavirus with X-Ray images
2020 Oct-Dec, Biocybernetics and biomedical engineering
IF:5.3Q1
DOI:10.1016/j.bbe.2020.08.008
PMID:32921862
|
研究论文 | 本文提出了一种利用X射线图像和深度学习技术检测COVID-19冠状病毒的诊断方法 | 该研究通过数据增强和两阶段深度网络设计,提高了模型的泛化能力和分类准确性 | NA | 开发一种快速准确的COVID-19检测方法,以应对全球病例增加和检测试剂盒有限的挑战 | COVID-19冠状病毒的检测 | 计算机视觉 | COVID-19 | 深度学习 | 深度网络 | 图像 | 1832张X射线图像 |
130 | 2024-08-07 |
DeepSEED: 3D Squeeze-and-Excitation Encoder-Decoder Convolutional Neural Networks for Pulmonary Nodule Detection
2020-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/ISBI45749.2020.9098317
PMID:33250956
|
研究论文 | 本文提出了一种新的3D卷积神经网络DeepSEED,用于肺结节检测,结合编码器-解码器结构和区域提议网络,使用动态缩放的交叉熵损失来减少假阳性率并解决样本不平衡问题 | 引入了动态缩放的交叉熵损失和挤压-激励结构来学习有效的图像特征,并利用不同特征图之间的相互依赖信息 | NA | 提高肺结节检测的深度学习模型的泛化性能 | 肺结节 | 计算机视觉 | 肺癌 | 低剂量计算机断层扫描(CT) | 3D卷积神经网络 | CT扫描图像 | 基于LIDC/IDRI数据集及其子集LUNA16的手动标记真实数据 |
131 | 2024-08-07 |
Real-time plant health assessment via implementing cloud-based scalable transfer learning on AWS DeepLens
2020, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0243243
PMID:33332376
|
研究论文 | 本文通过在AWS DeepLens上实施基于云的可扩展迁移学习,实现了对果树和蔬菜植物叶病的实时自动检测和分类 | 提出的DeepLens分类和检测模型(DCDM)解决了以往机器学习模型在硬件要求高、可扩展性有限和实际使用效率低下的问题 | NA | 旨在通过自动化识别和分类植物叶病,减少经济损失并保护特定植物物种 | 果树(苹果、葡萄、桃和草莓)和蔬菜植物(土豆和番茄)的叶病 | 机器学习 | NA | 迁移学习 | 深度学习模型 | 图像 | 训练使用了四万张图像,评估使用了十万张图像 |
132 | 2024-08-07 |
A deep learning backcasting approach to the electrolyte, metabolite, and acid-base parameters that predict risk in ICU patients
2020, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0242878
PMID:33332413
|
研究论文 | 本研究通过深度学习回溯方法,利用电解质、代谢物和酸碱参数,预测ICU患者的风险 | 采用深度学习回溯方法,提高了对ICU患者生理不稳定性发展的早期识别和决策能力 | 研究为回顾性分析,未来需在前瞻性研究中验证模型的有效性 | 提高对ICU患者风险恶化的识别能力 | ICU患者的电解质、代谢物和酸碱参数 | 机器学习 | NA | 深度学习 | 深度学习模型 | 数值数据 | 5157名成年ICU患者 |
133 | 2024-08-07 |
Clinically significant prostate cancer detection and segmentation in low-risk patients using a convolutional neural network on multi-parametric MRI
2020-Dec, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-07008-z
PMID:32594208
|
研究论文 | 本文开发了一种自动方法,用于在低风险患者中识别和分割临床显著性前列腺癌,并评估其在常规临床环境中的表现。 | 使用3D卷积神经网络在多参数MRI上进行临床显著性前列腺癌的识别和分割。 | 模型在较小体积病变(>0.03 cc)上的性能不如较大体积病变(>0.5 cc)。 | 开发和评估一种自动方法,用于在低风险患者中识别和分割临床显著性前列腺癌。 | 低风险患者中的临床显著性前列腺癌。 | 计算机视觉 | 前列腺癌 | 多参数MRI | CNN | MRI图像 | 292名低风险患者 |
134 | 2024-08-07 |
Power-law scaling to assist with key challenges in artificial intelligence
2020-11-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-020-76764-1
PMID:33184422
|
研究论文 | 本文探讨了幂律缩放在深度学习中的应用,特别是在手写数字识别任务中,优化后的测试错误率随着数据库大小增加而趋近于零的幂律收敛现象 | 提出幂律缩放有助于解决当前人工智能应用中的关键挑战,并能预先估计数据集大小以达到所需的测试准确度 | NA | 研究幂律缩放在深度学习中的应用及其对人工智能关键挑战的辅助作用 | 深度学习中的幂律缩放现象及其在手写数字识别任务中的应用 | 机器学习 | NA | 深度学习 | NA | 图像 | 涉及最大数据集的测试错误率接近当前最先进算法的水平 |
135 | 2024-08-07 |
COVID-Net: a tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images
2020-11-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-020-76550-z
PMID:33177550
|
研究论文 | 本文介绍了COVID-Net,一个专门为从胸部X光图像中检测COVID-19病例设计的深度卷积神经网络,并公开了该网络和COVIDx数据集 | COVID-Net是首批公开的用于从胸部X光图像中检测COVID-19的网络设计之一 | COVID-Net并非一个生产就绪的解决方案,而是希望加速开发高度准确的深度学习解决方案 | 开发一个有效的工具来帮助筛查COVID-19感染患者 | COVID-19病例的胸部X光图像 | 计算机视觉 | COVID-19 | 深度卷积神经网络 | CNN | 图像 | 13,975张胸部X光图像,涉及13,870个病例 |
136 | 2024-08-07 |
Toward Preparing a Knowledge Base to Explore Potential Drugs and Biomedical Entities Related to COVID-19: Automated Computational Approach
2020-Nov-10, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/21648
PMID:33055059
|
研究论文 | 本文通过自动化计算方法,从公开的科学文献和相关资源中挖掘信息,构建了一个专门针对COVID-19的知识库平台,用于探索与COVID-19相关的潜在药物和生物医学实体。 | 本文首次开发了一个专门针对COVID-19的知识库平台,通过自然语言处理、情感分析和深度学习等技术,自动挖掘和标记科学文献中的信息,以评估药物对疾病的有效性。 | NA | 探索与冠状病毒相关疾病(包括COVID-19)相关的潜在药物和生物医学实体,并通过自动化计算方法从科学文献中提取信息。 | COVID-19及相关冠状病毒疾病,包括相关的药物、基因和疾病。 | 生物信息学 | COVID-19 | 自然语言处理、情感分析、深度学习 | NA | 文本 | 1805种疾病、2454种药物、1910个基因 |
137 | 2024-08-07 |
Novel Deep Learning Network Analysis of Electrical Stimulation Mapping-Driven Diffusion MRI Tractography to Improve Preoperative Evaluation of Pediatric Epilepsy
2020-11, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2020.2977531
PMID:32142416
|
研究论文 | 研究深度卷积神经网络(DCNN)在儿童局灶性癫痫(FE)术前评估中作为新的影像工具的临床效用 | DCNN轨迹分类在非侵入性检测ESM空间分辨率内的功能区域方面表现出色,准确率达到98% | NA | 探讨DCNN轨迹分类在儿童局灶性癫痫术前评估中的临床效用 | 儿童局灶性癫痫患者 | 机器学习 | 癫痫 | 扩散MRI轨迹图 | CNN | 影像 | 89名儿童局灶性癫痫患者 |
138 | 2024-08-07 |
Deep learning methods for forecasting COVID-19 time-Series data: A Comparative study
2020-Nov, Chaos, solitons, and fractals
DOI:10.1016/j.chaos.2020.110121
PMID:32834633
|
研究论文 | 本文比较了五种深度学习方法在预测COVID-19时间序列数据中的应用 | 本文首次比较了多种深度学习模型在COVID-19病例预测中的性能,并发现VAE模型的表现优于其他算法 | 研究基于小量数据进行,可能影响模型的泛化能力 | 优化医疗资源分配并减缓COVID-19疾病的进展 | COVID-19的新感染和康复病例数 | 机器学习 | COVID-19 | 深度学习 | RNN, LSTM, BiLSTM, GRUs, VAE | 时间序列数据 | 每日确诊和康复病例数据,来自意大利、西班牙、法国、中国、美国和澳大利亚六个国家 |
139 | 2024-08-07 |
A deep learning and grad-CAM based color visualization approach for fast detection of COVID-19 cases using chest X-ray and CT-Scan images
2020-Nov, Chaos, solitons, and fractals
DOI:10.1016/j.chaos.2020.110190
PMID:32836918
|
研究论文 | 本文提出了一种基于深度学习和Grad-CAM的颜色可视化方法,用于通过胸部X射线和CT扫描图像快速检测COVID-19病例 | 本文采用了深度迁移学习算法,结合胸部X射线和CT扫描图像,实现了对COVID-19病例的快速检测,检测时间仅需2秒,比传统的RT-PCR测试更快 | NA | 旨在通过深度学习技术快速准确地检测COVID-19病例,以应对全球健康危机 | COVID-19病例的胸部X射线和CT扫描图像 | 计算机视觉 | COVID-19 | 深度学习 | 深度迁移学习算法 | 图像 | 使用了三个数据集:COVID-chest X-ray、SARS-COV-2 CT-scan和Chest X-Ray Images (Pneumonia) |
140 | 2024-08-07 |
Transcranial MR Imaging-Guided Focused Ultrasound Interventions Using Deep Learning Synthesized CT
2020-10, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A6758
PMID:32883668
|
研究论文 | 本研究探讨了使用深度学习技术将MR图像直接转换为合成CT图像,以简化经颅MR引导聚焦超声治疗计划的可行性 | 本研究首次使用深度学习技术将MR图像转换为合成CT图像,用于经颅MR引导聚焦超声治疗计划 | NA | 简化经颅MR引导聚焦超声治疗的临床工作流程 | 深度学习技术在将MR图像转换为合成CT图像中的应用 | 计算机视觉 | NA | 深度学习 | U-Net神经网络 | 图像 | 41名受试者(平均年龄66.4±11.0岁,其中15名女性) |