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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
141 | 2024-08-07 |
Automatic segmentation and applicator reconstruction for CT-based brachytherapy of cervical cancer using 3D convolutional neural networks
2020-Oct, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.13024
PMID:32991783
|
研究论文 | 本研究提出了一种基于深度学习的自动分割和施用器重建方法,用于宫颈癌近距离放射治疗(BT)的计算机断层扫描(CT)规划,具有高精度和高效率 | 提出了一种新的三维(3D)卷积神经网络(CNN)架构DSD-UNET,用于自动分割高危临床目标体积(HR-CTV)和危险器官(OARs),并在施用器重建中实现了高精度的分割 | NA | 提高宫颈癌近距离放射治疗规划的效率和一致性 | 宫颈癌患者的CT图像分割和施用器重建 | 计算机视觉 | 宫颈癌 | 3D卷积神经网络 | DSD-UNET | CT图像 | 91名接受CT基础宫颈癌近距离放射治疗的患者 |
142 | 2024-08-07 |
LncMirNet: Predicting LncRNA-miRNA Interaction Based on Deep Learning of Ribonucleic Acid Sequences
2020-Sep-23, Molecules (Basel, Switzerland)
DOI:10.3390/molecules25194372
PMID:32977679
|
研究论文 | 本文提出了一种基于深度卷积神经网络的混合序列特征模型LncMirNet,用于预测长链非编码RNA(lncRNA)与微小RNA(miRNA)的相互作用 | LncMirNet通过引入四种基于序列的特征(k-mer、CTD、doc2vec和图嵌入特征)并采用直方图融合方法,提高了预测lncRNA-miRNA相互作用的准确性和AUC值 | NA | 预测lncRNA与miRNA之间的相互作用,以帮助探索新的调控模式 | lncRNA与miRNA的相互作用 | 机器学习 | NA | 深度卷积神经网络(CNN) | CNN | 序列 | 使用来自lncRNASNP2的真实数据集进行五折交叉验证 |
143 | 2024-08-07 |
Deep learning can be used to train naïve, nonprofessional observers to detect diagnostic visual patterns of certain cancers in mammograms: a proof-of-principle study
2020-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.7.2.022410
PMID:32042860
|
研究论文 | 本研究通过一系列实验证明,深度学习技术可以训练非专业观察者识别医学影像中的特定癌症诊断视觉模式 | 首次证明深度学习技术能够训练非专业人士在医学影像中识别癌症的诊断视觉模式 | 研究规模较小,主要集中在乳腺癌的乳腺摄影图像上 | 探索深度学习技术在训练非专业人士识别医学影像中癌症诊断视觉模式的可行性 | 非专业观察者对医学影像中癌症诊断视觉模式的识别能力 | 计算机视觉 | 乳腺癌 | 深度学习 | NA | 影像 | 实验涉及多个非专业观察者,具体数量未详细说明 |
144 | 2024-08-07 |
Insights of Novel Coronavirus (SARS-CoV-2) disease outbreak, management and treatment
2020, AIMS microbiology
IF:2.7Q3
DOI:10.3934/microbiol.2020013
PMID:33134740
|
研究论文 | 本文探讨了新型冠状病毒(SARS-CoV-2)疫情的爆发、管理和治疗 | 文章介绍了实时PCR、免疫学、显微镜和地理信息系统(GIS)等临床诊断技术的进步,以及人工智能、组合化学和深度学习方法在寻找新型治疗药物中的应用 | NA | 研究新型冠状病毒(SARS-CoV-2)的爆发、管理和治疗策略 | 新型冠状病毒(SARS-CoV-2)及其对全球健康的影响 | 公共卫生 | 传染病 | 实时PCR(RT-PCR)、地理信息系统(GIS)、人工智能(AI)、深度学习 | NA | NA | 全球超过423349例死亡 |
145 | 2024-08-07 |
Deep learning-assisted comparative analysis of animal trajectories with DeepHL
2020-10-20, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-020-19105-0
PMID:33082335
|
研究论文 | 本研究介绍了DeepHL平台,一个利用深度学习辅助进行动物运动轨迹比较分析的工具 | DeepHL平台采用基于注意力机制的深度神经网络,自动检测并突出显示轨迹中特定于某个群体的特征段,帮助生物学家揭示这些特征段的潜在意义 | NA | 旨在通过深度学习技术辅助生物学家进行动物行为轨迹的比较分析 | 多种动物(如蠕虫、昆虫、老鼠、熊和海鸟)的运动轨迹 | 机器学习 | NA | 深度学习 | 基于注意力机制的深度神经网络 | 轨迹数据 | 多种动物的运动轨迹,范围从毫米到数百公里 |
146 | 2024-08-07 |
Non-invasive decision support for NSCLC treatment using PET/CT radiomics
2020-10-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-020-19116-x
PMID:33067442
|
研究论文 | 本文报道了一种基于F-FDG-PET/CT的深度学习模型,用于非小细胞肺癌(NSCLC)治疗决策支持,特别是EGFR突变状态的预测。 | 该研究开发了一种非侵入性的深度学习评分(EGFR-DLS),能够精确量化NSCLC患者的EGFR突变状态,有助于指导治疗选择。 | NA | 旨在开发一种新的方法来帮助指导非小细胞肺癌的治疗选择。 | 非小细胞肺癌(NSCLC)患者的治疗决策支持。 | 机器学习 | 肺癌 | PET/CT | 深度学习模型 | 图像 | 多个机构的患者群体 |
147 | 2024-08-07 |
Exploration into biomarker potential of region-specific brain gene co-expression networks
2020-10-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-020-73611-1
PMID:33051491
|
研究论文 | 本研究利用GTEx项目的RNA表达数据构建了正常大脑的基因共表达网络(GCN),并基于大脑结构将其整合为六个大脑迷你GCN,以探索其作为生物标志物的潜力 | 首次构建了基于大脑区域的基因共表达网络,并发现这些网络中的基因在肿瘤中显示出更高的突变率 | NA | 探索大脑区域特异性基因共表达网络作为生物标志物的潜力 | 大脑区域特异性基因共表达网络及其在肿瘤中的突变情况 | 基因组学 | 脑肿瘤 | RNA表达分析 | 深度学习分类器(Gene Oracle) | 基因表达数据 | 来自GTEx项目的多个大脑区域样本 |
148 | 2024-08-07 |
AI for radiographic COVID-19 detection selects shortcuts over signal
2020-Oct-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2020.09.13.20193565
PMID:32995822
|
研究论文 | 本文通过可解释的人工智能技术,揭示了用于检测胸部X光片中COVID-19的深度学习系统依赖于混杂因素而非医学病理特征的问题 | 首次展示了AI系统在检测COVID-19时可能依赖于非医学相关的“捷径”而非真正的病理特征 | 揭示了AI系统在不同医院环境下的性能下降问题,表明现有评估方法不足以确保AI系统依赖于医学相关的病理特征 | 探讨AI在医学影像中检测COVID-19的准确性和鲁棒性 | 用于检测COVID-19的AI系统及其在不同环境下的表现 | 计算机视觉 | COVID-19 | 可解释的人工智能 | 深度学习 | 图像 | NA |
149 | 2024-08-07 |
Unveiling COVID-19 from CHEST X-Ray with Deep Learning: A Hurdles Race with Small Data
2020-09-22, International journal of environmental research and public health
DOI:10.3390/ijerph17186933
PMID:32971995
|
研究论文 | 本研究探讨了使用深度学习技术从胸部X光片中筛查COVID-19患者的可行性,并分析了小数据集带来的挑战 | 研究提供了关于使用深度学习进行COVID-19分类的CXR图像的方法论指南和统计结果的批判性阅读,并展示了使用较大公共非COVID CXR数据集进行迁移学习引入的偏差 | 研究受限于当前COVID-19数据集的小规模 | 验证使用CXR图像有效区分COVID-19的可能性 | COVID-19患者的胸部X光片 | 计算机视觉 | COVID-19 | 深度学习 | NA | 图像 | 中等规模的COVID-19 CXR数据集,由意大利北部一家主要急诊医院在COVID-19疫情高峰期间收集 |
150 | 2024-08-07 |
Application of deep learning for fast detection of COVID-19 in X-Rays using nCOVnet
2020-Sep, Chaos, solitons, and fractals
DOI:10.1016/j.chaos.2020.109944
PMID:32536759
|
研究论文 | 本文提出了一种基于深度学习神经网络的方法nCOVnet,用于通过分析患者的X射线图像快速检测COVID-19 | 提出了一种基于深度学习神经网络的快速筛查方法nCOVnet,用于自动分析X射线图像以检测COVID-19 | NA | 开发一种快速筛查方法以帮助在COVID-19大流行期间进行有效的检测 | COVID-19患者的X射线图像 | 计算机视觉 | COVID-19 | 深度学习 | 神经网络 | 图像 | NA |
151 | 2024-08-07 |
Artificial Intelligence and Health in Nepal
2020-Sep, Nepal journal of epidemiology
IF:1.7Q3
DOI:10.3126/nje.v10i3.31649
PMID:33042595
|
短通讯 | 本文概述了人工智能、机器学习、深度学习和大数据等关键术语,并强调了人工智能在健康领域的应用对低收入国家如尼泊尔的重要性 | 强调尼泊尔需要培养本地的人工智能专家,并投资于本地资源,以开发适合国家或南亚地区的解决方案 | NA | 探讨人工智能在尼泊尔健康领域的应用潜力,并强调尼泊尔教育和卫生系统需要跟踪这些发展并本地化应用 | 人工智能在健康领域的应用及其对尼泊尔的影响 | 人工智能 | NA | 人工智能 | NA | 大数据 | NA |
152 | 2024-08-07 |
A Weak and Semi-supervised Segmentation Method for Prostate Cancer in TRUS Images
2020-08, Journal of digital imaging
IF:2.9Q2
DOI:10.1007/s10278-020-00323-3
PMID:32043178
|
研究论文 | 本研究旨在开发一种弱监督和半监督深度学习框架,用于在TRUS图像中分割前列腺癌,减轻放射科医生绘制病变边界和在无完整标注数据上训练神经网络的时间消耗 | 提出了一种结合强监督和弱监督数据的方法,通过迭代更新标签提高分割性能 | 尽管该方法在弱监督和半监督数据上表现优于仅使用少量强监督数据的方法,但性能提升不如使用完全强监督数据集 | 开发一种新的深度学习框架,用于在TRUS图像中分割前列腺癌,减少放射科医生的工作负担 | 前列腺癌在TRUS图像中的分割 | 计算机视觉 | 前列腺癌 | 深度学习 | 神经网络 | 图像 | 102例图像数据集,其中22张用于评估 |
153 | 2024-08-07 |
Cellular and Molecular Probing of Intact Human Organs
2020-02-20, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2020.01.030
PMID:32059778
|
研究论文 | 本研究开发了一种名为SHANEL的新方法,用于使坚硬的人体器官透明化,并进行细胞和分子水平的3D研究 | SHANEL方法允许对成年人体器官进行透明化处理,并进行深达厘米级的3D组织学研究,同时开发了深度学习管道来快速分析大量细胞 | NA | 开发一种新技术,以实现对人体复杂组织的细胞和分子水平的3D研究 | 成年人体器官,包括大脑、肾脏、眼睛和甲状腺,以及转基因猪的胰腺 | 数字病理学 | NA | 组织通透化方法 | 深度学习 | 图像 | 多个成年人体器官和转基因猪胰腺 |
154 | 2024-08-07 |
MULTI-DEEP: A novel CAD system for coronavirus (COVID-19) diagnosis from CT images using multiple convolution neural networks
2020, PeerJ
IF:2.3Q2
DOI:10.7717/peerj.10086
PMID:33062453
|
研究论文 | 本文提出了一种基于多个卷积神经网络融合的新型计算机辅助诊断系统,用于从CT图像中诊断COVID-19 | 该系统通过融合多个卷积神经网络,并使用支持向量机分类器和主成分分析来提取和分类深度特征,提高了诊断准确性和效率 | 公开可用的CT图像数据集的缺乏使得CAD系统的设计具有挑战性 | 开发一种高效的计算机辅助诊断系统,用于早期检测和准确诊断COVID-19 | COVID-19的CT图像 | 计算机视觉 | COVID-19 | 卷积神经网络 | CNN | 图像 | 未明确提及样本数量 |
155 | 2024-08-07 |
Immune contexture analysis in immuno-oncology: applications and challenges of multiplex fluorescent immunohistochemistry
2020, Clinical & translational immunology
IF:4.6Q2
DOI:10.1002/cti2.1183
PMID:33072322
|
研究论文 | 本文讨论了基于多重荧光免疫组织化学和深度学习技术的定量图像分析在免疫肿瘤学中的应用和发展,以及在临床环境中有效使用该技术的挑战 | 介绍了使用Vectra自动化数字病理系统和FCS express流式细胞仪软件进行多重荧光染色肿瘤切片分析的工作流程 | 讨论了在临床环境中有效使用多重荧光免疫组织化学技术的挑战 | 理解肿瘤微环境中复杂的免疫结构交互作用,以指导患者选择、临床试验设计、联合治疗和患者管理 | 肿瘤微环境中的免疫结构分析 | 数字病理学 | 肿瘤学 | 多重荧光免疫组织化学 | 深度学习 | 图像 | NA |
156 | 2024-08-07 |
Deep Learning-Based Human Activity Recognition for Continuous Activity and Gesture Monitoring for Schizophrenia Patients With Negative Symptoms
2020, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2020.574375
PMID:33192706
|
研究论文 | 本研究旨在开发一种基于手腕佩戴设备的人类活动识别(HAR)模型,用于评估精神分裂症患者负面症状相关的活动。 | 本研究首次在临床试验环境中使用手腕佩戴设备来推导基于活动和手势的数字结果测量,以评估精神分裂症患者的负面症状。 | 研究样本量较小,且仅限于精神分裂症患者,可能限制了结果的普遍性。 | 开发和验证一种用于监测精神分裂症患者负面症状相关活动的人类活动识别模型。 | 精神分裂症患者及其负面症状。 | 机器学习 | 精神分裂症 | NA | NA | 活动数据 | 33名患者 |
157 | 2024-08-07 |
Automated detection of cerebral microbleeds in MR images: A two-stage deep learning approach
2020, NeuroImage. Clinical
DOI:10.1016/j.nicl.2020.102464
PMID:33395960
|
研究论文 | 本文提出了一种两阶段深度学习方法,用于在磁共振图像中自动检测脑微出血 | 该方法结合了基于区域的YOLO阶段用于潜在脑微出血候选检测和三维卷积神经网络(3D-CNN)阶段用于减少假阳性 | 研究仅使用了高和低平面分辨率的数据进行训练和评估 | 开发一种有效的自动检测脑微出血的方法 | 脑微出血的自动检测 | 计算机视觉 | 脑血管疾病 | 深度学习 | YOLO, 3D-CNN | 图像 | 72名受试者包含188个脑微出血和107名受试者包含572个脑微出血 |
158 | 2024-08-07 |
CVDNet: A novel deep learning architecture for detection of coronavirus (Covid-19) from chest x-ray images
2020-Nov, Chaos, solitons, and fractals
DOI:10.1016/j.chaos.2020.110245
PMID:32921934
|
研究论文 | 本文提出了一种名为CVDNet的深度卷积神经网络模型,用于通过胸部X光图像分类COVID-19感染与正常和其他肺炎病例 | CVDNet模型采用两个并行层次和不同内核大小来捕捉输入的局部和全局特征 | 模型在小型数据集上表现良好,但可能需要更多训练数据以进一步提高性能 | 开发一种低成本且高效的深度学习模型,帮助医疗专业人员快速检测COVID-19并确定感染的严重程度 | COVID-19感染的检测与分类 | 计算机视觉 | 呼吸系统疾病 | 深度学习 | CNN | 图像 | 包含219例COVID-19、1341例正常和1345例病毒性肺炎的胸部X光图像 |
159 | 2024-08-07 |
Automatic detection of pulmonary nodules on CT images with YOLOv3: development and evaluation using simulated and patient data
2020-Oct, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-19-883
PMID:33014725
|
研究论文 | 本文开发并评估了一种基于YOLOv3卷积神经网络的高效肺结节计算机辅助检测方法,用于CT图像中肺结节的定位和直径估计 | 该方法采用了YOLOv3算法,具有自动多尺度特征提取器和基于特征的边界框生成器,用于肺结节的特征筛选、定位和直径估计 | NA | 开发一种高效的肺结节计算机辅助检测方法,用于CT图像中肺结节的定位和直径估计 | 肺结节在CT图像中的定位和直径估计 | 计算机视觉 | 肺部疾病 | YOLOv3 | CNN | 图像 | 模拟研究中使用了300个CT扫描,患者研究中使用了888个CT图像 |
160 | 2024-08-07 |
High expression of MKK3 is associated with worse clinical outcomes in African American breast cancer patients
2020-09-01, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-020-02502-w
PMID:32873298
|
研究论文 | 本研究通过系统分析基因mRNA表达与临床结果的关系,探讨了非洲裔美国乳腺癌患者的生存差异分子基础,并确定了MKK3基因的高表达与更差的临床结果相关。 | 本研究首次确定了MKK3基因在非洲裔美国乳腺癌患者中的高表达与生存率下降的强相关性,并提出了MKK3-MYC蛋白相互作用作为减少乳腺癌生存种族差异的新治疗靶点。 | 本研究仅基于TCGA数据库中的乳腺癌患者样本,可能存在样本代表性不足的问题。 | 探讨非洲裔美国乳腺癌患者的生存差异分子基础,并寻找新的治疗靶点。 | 非洲裔美国乳腺癌患者及其基因表达与临床结果的关系。 | 数字病理学 | 乳腺癌 | 全卷积深度学习模型 | CNN | 图像 | 1055个乳腺癌样本 |