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 | 2024-10-11 |
Machine Learning for 3D Kinematic Analysis of Movements in Neurorehabilitation
2020-06-15, Current neurology and neuroscience reports
IF:4.8Q1
DOI:10.1007/s11910-020-01049-z
PMID:32542455
|
综述 | 本文综述了机器学习,特别是深度学习在神经康复中3D运动学分析的应用 | 深度学习方法在人体姿势和运动分类中的应用,以及便携式立体摄像系统在临床环境中进行3D姿态估计的可能性 | 目前这些技术在运动康复领域的应用尚未广泛 | 探讨机器学习在3D运动学分析中的应用及其对神经康复的影响 | 机器学习在神经康复中的应用 | 机器学习 | NA | 深度学习 | 卷积神经网络 | 图像 | NA |
2 | 2024-10-09 |
Efficient Pneumonia Detection in Chest Xray Images Using Deep Transfer Learning
2020-Jun-19, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics10060417
PMID:32575475
|
研究论文 | 提出了一种基于深度迁移学习的模型,用于在胸部X光图像中高效检测肺炎 | 引入了一种加权分类器,结合了多种最先进的深度学习模型(如ResNet18、Xception、InceptionV3、DenseNet121和MobileNetV3)的加权预测,以优化诊断效果 | NA | 提高肺炎诊断的准确性,辅助放射科医生的决策过程 | 胸部X光图像中的肺炎检测 | 计算机视觉 | 肺炎 | 深度迁移学习 | 加权分类器 | 图像 | 使用了来自广州妇女儿童医疗中心的肺炎数据集 |
3 | 2024-10-01 |
MRI Segmentation and Classification of Human Brain Using Deep Learning for Diagnosis of Alzheimer's Disease: A Survey
2020-Jun-07, Sensors (Basel, Switzerland)
DOI:10.3390/s20113243
PMID:32517304
|
综述 | 本文综述了利用深度学习方法进行MRI分割和分类以诊断阿尔茨海默病(AD)的研究现状 | 本文总结了当前基于深度学习的MRI分割方法,并讨论了其在AD诊断中的应用 | 本文未具体讨论每种方法的局限性,而是集中在当前研究的概述和未来方向上 | 提供当前基于深度学习的MRI分割方法的概述,以用于AD的定量分析和诊断 | 人脑MRI图像及其在AD诊断中的应用 | 计算机视觉 | 阿尔茨海默病 | MRI | 卷积神经网络(CNN) | 图像 | NA |
4 | 2024-08-07 |
Artifact removal from neurophysiological signals: impact on intracranial and arterial pressure monitoring in traumatic brain injury
2020-06-01, Journal of neurosurgery
IF:3.5Q1
DOI:10.3171/2019.2.JNS182260
PMID:31075774
|
研究论文 | 本文通过深度学习技术消除神经生理信号中的伪影,特别是颅内压和动脉血压监测中的伪影,以提高创伤性脑损伤患者临床参数的预测能力 | 提出了一种基于堆叠卷积自编码器和卷积神经网络的模型,有效消除了颅内压和动脉血压信号中的伪影 | NA | 消除颅内压和动脉血压监测中的信号伪影,评估伪影消除后临床参数的预测能力变化 | 创伤性脑损伤患者的颅内压和动脉血压信号 | 机器学习 | 创伤性脑损伤 | 深度学习 | 堆叠卷积自编码器和卷积神经网络 | 信号 | 309名创伤性脑损伤患者 |
5 | 2024-08-07 |
The Future of Concurrent Automated Coronary Artery Calcium Scoring on Screening Low-Dose Computed Tomography
2020-Jun-12, Cureus
DOI:10.7759/cureus.8574
PMID:32670710
|
研究论文 | 本文评估了低剂量计算机断层扫描(LDCT)在肺癌筛查中检测和分级冠状动脉钙化(CAC)的作用,并探讨了人工智能(AI)在CAC评估中的应用。 | 本文首次探讨了AI在LDCT筛查过程中对钙化评分量化的潜力,以及其在提高放射科医生合规性和简化工作流程方面的应用。 | 目前AI在CAC评估中的应用仍处于早期阶段,需要更多广泛的研究来验证其效果。 | 评估LDCT在肺癌筛查中检测CAC的作用,并探讨AI在CAC评估中的应用。 | 低剂量计算机断层扫描(LDCT)在肺癌筛查中的应用,以及人工智能(AI)在冠状动脉钙化(CAC)评估中的应用。 | 计算机视觉 | 肺癌 | 低剂量计算机断层扫描(LDCT) | 人工智能(AI) | 图像 | NA |
6 | 2024-08-07 |
COVID-19 Pneumonia Diagnosis Using a Simple 2D Deep Learning Framework With a Single Chest CT Image: Model Development and Validation
2020-06-29, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/19569
PMID:32568730
|
研究论文 | 开发并验证了一种基于单个胸部CT图像的简单2D深度学习框架FCONet,用于诊断COVID-19肺炎 | FCONet框架通过迁移学习使用四种先进的预训练深度学习模型之一作为骨干,实现了高效的COVID-19肺炎诊断 | NA | 快速开发一种AI技术,用于在CT图像中诊断COVID-19肺炎并区分其他类型的肺炎和非肺炎疾病 | COVID-19肺炎、其他肺炎和非肺炎疾病的胸部CT图像 | 计算机视觉 | COVID-19 | 深度学习 | ResNet-50 | 图像 | 3993张胸部CT图像 |
7 | 2024-08-07 |
Building a PubMed knowledge graph
2020-06-26, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-020-0543-2
PMID:32591513
|
research paper | 本文构建了一个PubMed知识图谱(PKG),通过从2900万篇PubMed摘要中提取生物实体,并整合多源数据,如作者姓名消歧、资金数据等,以促进医学领域的知识发现。 | 本文采用了BioBERT深度学习方法进行生物实体提取,显著优于现有模型,并在作者姓名消歧方面取得了高F1分数。 | NA | 解决PubMed中概念提取困难和歧义问题,促进医学领域的知识发现。 | PubMed中的生物实体、作者、文章、机构和资金数据。 | 自然语言处理 | NA | BioBERT | BioBERT | 文本 | 2900万篇PubMed摘要 |
8 | 2024-08-07 |
Multifactorial Deep Learning Reveals Pan-Cancer Genomic Tumor Clusters with Distinct Immunogenomic Landscape and Response to Immunotherapy
2020-06-15, Clinical cancer research : an official journal of the American Association for Cancer Research
IF:10.0Q1
DOI:10.1158/1078-0432.CCR-19-1744
PMID:31911545
|
研究论文 | 本研究开发了一种泛癌深度机器学习模型,整合肿瘤突变负荷、微卫星不稳定性及体细胞拷贝数变异,将不同类型的肿瘤分类为不同的基因组集群,并评估每个基因组集群的免疫微环境及其与免疫治疗反应的关联。 | 本研究首次使用深度学习模型整合多因素输入数据,揭示了跨模态统计相关性,以解析免疫治疗原发性抵抗的分子机制。 | NA | 研究肿瘤基因组特征对肿瘤免疫微环境和免疫治疗反应的影响,并建立新的预测性生物标志物。 | 29种癌症类型的8,646个肿瘤样本,以及两个黑色素瘤免疫治疗临床队列。 | 机器学习 | NA | RNA测序 | 深度学习模型 | 基因组数据 | 8,646个肿瘤样本 |
9 | 2024-08-07 |
Age and sex affect deep learning prediction of cardiometabolic risk factors from retinal images
2020-06-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-020-65794-4
PMID:32523046
|
研究论文 | 本研究首次使用来自3000名卡塔尔公民的视网膜图像训练深度学习模型,探讨视网膜图像预测心血管代谢风险因素的能力,并研究年龄和性别在这些预测中的中介作用。 | 首次使用视网膜图像训练深度学习模型来预测心血管代谢风险因素,并发现年龄和性别在这些预测中的中介作用。 | 研究结果表明,年龄和性别的影响不能完全解释预测性能,表明还有其他因素影响预测结果。 | 探讨视网膜图像预测心血管代谢风险因素的能力,并研究年龄和性别在这些预测中的中介作用。 | 视网膜图像、心血管代谢风险因素、年龄和性别。 | 计算机视觉 | 心血管疾病 | 深度学习 | MobileNet-V2 | 图像 | 3000名卡塔尔公民 |
10 | 2024-08-07 |
Introduction to machine and deep learning for medical physicists
2020-Jun, Medical physics
IF:3.2Q1
DOI:10.1002/mp.14140
PMID:32418339
|
review | 本文综述了机器学习和深度学习在医学物理学中的应用,包括模型构建的基本方面,如数据处理、模型训练和验证 | 深度学习作为机器学习的一个子集,能够从原始输入数据中学习多层次表示,消除了传统机器学习中手工特征的必要性 | 人类可能倾向于在短期内高估技术的能力,而在长期内低估其能力,这需要平衡模型准确性和可解释性 | 探讨机器学习和深度学习在放射肿瘤学中的应用,并推动其在临床实践中的实施 | 机器学习和深度学习技术在医学物理学中的应用 | machine learning | NA | machine learning, deep learning | CNN, LSTM, GAN | image, text | NA |
11 | 2024-08-07 |
nanoTRON: a Picasso module for MLP-based classification of super-resolution data
2020-06-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaa154
PMID:32145010
|
research paper | 本文介绍了nanoTRON工具,这是一个基于图像识别的交互式开源工具,用于超分辨率数据的分类 | nanoTRON是第一个带有图形用户界面的深度学习工具,扩展了Picasso软件包 | NA | 开发一个自动化的工具来分类超分辨率图像数据 | 超分辨率图像数据 | computer vision | NA | 深度学习 | MLP(多层感知器) | image | NA |
12 | 2024-08-07 |
Deep learning-based fully automated detection and segmentation of lymph nodes on multiparametric-mri for rectal cancer: A multicentre study
2020-Jun, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2020.102780
PMID:32512507
|
研究论文 | 本研究开发并验证了一种基于深度学习的全自动淋巴结检测和分割模型,用于直肠癌的多参数磁共振成像 | 本研究首次提出了一种基于多参数磁共振成像的全自动淋巴结检测和分割模型,通过深度学习框架Mask R-CNN实现,显著提高了检测和分割的效率和准确性 | 本研究仅在单一中心进行了模型训练,并在内部和外部数据集上进行了验证,未来需要在更多中心进行验证以确保模型的泛化能力 | 开发并验证一种基于深度学习的全自动淋巴结检测和分割模型,以提高直肠癌分期中淋巴结评估的准确性和效率 | 直肠癌患者的淋巴结 | 机器学习 | 直肠癌 | 多参数磁共振成像(mpMRI) | Mask R-CNN | 图像 | 5789个标注的淋巴结(直径≥3mm)来自293名直肠癌患者 |
13 | 2024-08-07 |
Deep learning approach for diabetes prediction using PIMA Indian dataset
2020-Jun, Journal of diabetes and metabolic disorders
IF:1.8Q4
DOI:10.1007/s40200-020-00520-5
PMID:32550190
|
研究论文 | 本文利用PIMA印度数据集,通过深度学习方法预测糖尿病 | 使用深度学习技术在PIMA数据集上实现了高达98.07%的预测准确率 | 研究仅使用了PIMA数据集,未涉及其他数据集或更广泛的数据类型 | 开发一种有效的预测工具,帮助医生早期发现糖尿病并推荐生活方式改变 | 糖尿病的早期检测和预防 | 机器学习 | 糖尿病 | 深度学习 | 深度学习 | 数据集 | PIMA数据集 |
14 | 2024-08-07 |
Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks
2020-06, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2020.103795
PMID:32568676
|
研究论文 | 本研究利用深度学习技术,通过10种卷积神经网络对CT图像进行分析,以快速诊断COVID-19并辅助临床管理 | 使用10种不同的卷积神经网络模型,特别是ResNet-101和Xception,显著提高了COVID-19的诊断准确性 | 研究仅限于CT图像分析,未涉及其他诊断方法的比较 | 开发一种快速有效的COVID-19诊断方法,以辅助高负荷条件下的临床管理 | COVID-19患者和其他非COVID-19肺炎患者的CT图像 | 计算机视觉 | COVID-19 | 深度学习 | 卷积神经网络 | 图像 | 1020张CT切片,包括108名COVID-19患者和86名其他肺炎患者 |
15 | 2024-08-07 |
Prediction of bone mineral density from computed tomography: application of deep learning with a convolutional neural network
2020-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-06677-0
PMID:32060712
|
研究论文 | 研究使用深度学习模型从无增强的腹部CT图像预测腰椎骨密度 | 通过深度学习技术,可以从无增强的腹部CT图像中估计腰椎的骨密度 | NA | 探讨深度学习模型是否能从无增强的腹部CT图像预测腰椎的骨密度 | 腰椎的骨密度 | 机器学习 | NA | CT | CNN | 图像 | 183名患者,共1665张CT图像,增强后为99,900张图像 |
16 | 2024-08-07 |
Development and validation of an interpretable deep learning framework for Alzheimer's disease classification
2020-06-01, Brain : a journal of neurology
IF:10.6Q1
DOI:10.1093/brain/awaa137
PMID:32357201
|
研究论文 | 本文开发并验证了一种可解释的深度学习框架,用于阿尔茨海默病的分类 | 该框架结合了全卷积网络和多层感知器,能够从多模态输入中识别出独特的阿尔茨海默病特征,并生成直观的个体风险可视化,其诊断性能超过了多机构团队的执业神经科医生 | NA | 开发一种可解释的深度学习框架,用于提高阿尔茨海默病的诊断准确性 | 阿尔茨海默病患者和认知正常的个体 | 机器学习 | 阿尔茨海默病 | MRI | 全卷积网络和多层感知器 | 图像 | 训练集包括417名临床诊断的阿尔茨海默病患者和认知正常个体,验证集包括AIBL(382名)、Framingham Heart Study(102名)和NACC(582名) |