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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
181 | 2024-09-10 |
Multi-label segmentation and detection of COVID-19 abnormalities from chest radiographs using deep learning
2021-Nov, Optik
DOI:10.1016/j.ijleo.2021.167780
PMID:34393275
|
研究论文 | 本文提出了一种基于深度学习的全自动多标签分割和检测COVID-19异常的模型 | 设计了带有通道和空间注意力块的Attention U-Net模型,应用了扩张卷积以提高模型对前景像素的敏感性,并提出了一种新的混合损失函数 | NA | 开发一种能够自动检测胸部X光片中COVID-19常见异常的深度学习模型 | 胸部X光片中的COVID-19异常 | 计算机视觉 | COVID-19 | 深度学习 | Attention U-Net | 图像 | 使用了Chest X-ray 14数据集和日本放射技术学会(JSRT)CXR数据集 |
182 | 2024-09-10 |
Impact of COVID-19 on city-scale transportation and safety: An early experience from Detroit
2021-Nov, Smart health (Amsterdam, Netherlands)
DOI:10.1016/j.smhl.2021.100218
PMID:34541278
|
研究论文 | 研究COVID-19对底特律城市交通和安全的影响,并开发深度学习模型预测未来一周的病例数 | 提出了使用长短期记忆网络进行COVID-19病例预测的方法,并展示了高达0.91的决定系数 | 研究仅限于底特律的数据,可能不适用于其他城市 | 分析COVID-19对城市交通和安全的影响,并开发预测模型 | 底特律的交通流量、每日病例数、天气、社交距离指数和事故数据 | NA | NA | 长短期记忆网络 (LSTM) | LSTM | 交通流量数据、病例数据、天气数据、社交距离指数、事故数据 | 2019年1月至2020年6月的数据 |
183 | 2024-09-10 |
Unsupervised Deep Learning based Variational Autoencoder Model for COVID-19 Diagnosis and Classification
2021-Nov, Pattern recognition letters
IF:3.9Q2
DOI:10.1016/j.patrec.2021.08.018
PMID:34566223
|
研究论文 | 本文提出了一种基于无监督深度学习的变分自编码器模型,用于COVID-19的诊断和分类 | 引入了一种新的无监督深度学习变分自编码器(UDL-VAE)模型,结合了自适应维纳滤波(AWF)预处理技术和Inception v4与Adagrad特征提取技术 | 未提及具体限制 | 开发一种高效的无监督学习技术,用于COVID-19的检测和分类 | COVID-19的诊断和分类 | 计算机视觉 | COVID-19 | 变分自编码器(VAE) | 变分自编码器(VAE) | 图像 | 未提及具体样本数量 |
184 | 2024-09-10 |
The application of industry 4.0 technologies in pandemic management: Literature review and case study
2021-Nov, Healthcare analytics (New York, N.Y.)
DOI:10.1016/j.health.2021.100008
PMID:36618951
|
综述 | 本文通过科学计量分析,系统回顾了工业4.0技术在疫情管理中的应用,并结合案例研究进行了讨论 | 本文首次系统性地回顾了工业4.0技术在疫情管理中的应用,并结合实际案例进行了深入分析 | 本文主要基于文献回顾和单一案例研究,缺乏大规模实证数据的支持 | 探讨工业4.0技术在疫情管理中的应用及其对未来疫情管理的影响 | 工业4.0技术及其在新冠疫情管理中的应用 | NA | NA | 物联网(IoT)、人工智能(AI)、云计算、机器学习、大数据、区块链、深度学习、数字化、网络物理系统(CPS) | NA | NA | NA |
185 | 2024-09-10 |
Checklist for responsible deep learning modeling of medical images based on COVID-19 detection studies
2021-Oct, Pattern recognition
IF:7.5Q1
DOI:10.1016/j.patcog.2021.108035
PMID:34054148
|
研究论文 | 本文系统分析了用于COVID-19检测的深度神经网络模型在数据获取、模型开发和解释构建阶段中的常见错误,并提出了一个可靠的COVID-19诊断模型应满足的最低条件清单 | 提出了一个用于可靠COVID-19诊断模型的最低条件清单,并指出了现有模型在放射学领域缺乏深入理解的问题 | NA | 分析现有COVID-19检测模型的常见错误,并提出一个可靠的诊断模型应满足的最低条件清单 | 用于COVID-19检测的深度神经网络模型 | 计算机视觉 | COVID-19 | 深度学习 | 深度神经网络 | 医学图像 | NA |
186 | 2024-09-10 |
An optimized KELM approach for the diagnosis of COVID-19 from 2D-SSA reconstructed CXR Images
2021-Oct, Optik
DOI:10.1016/j.ijleo.2021.167572
PMID:34248209
|
研究论文 | 本文提出了一种优化的KELM方法,用于从2D-SSA重构的CXR图像中诊断COVID-19 | 本文提出了一种基于2D奇异谱分析(SSA)的图像重构方法,并结合基于草蜢的核极限学习机(KELM)进行特征优化和参数选择 | 本文未提及具体的局限性 | 提高COVID-19诊断的准确性和效率 | COVID-19的CXR图像 | 计算机视觉 | COVID-19 | 2D奇异谱分析(SSA),核极限学习机(KELM) | KELM | 图像 | NA |
187 | 2024-09-10 |
A novel fusion-based deep learning model for sentiment analysis of COVID-19 tweets
2021-Sep-27, Knowledge-based systems
IF:7.2Q1
DOI:10.1016/j.knosys.2021.107242
PMID:36570870
|
研究论文 | 提出了一种基于深度学习和经典监督机器学习模型融合的新方法,用于分析COVID-19相关推文的情感 | 融合了深度学习和经典监督机器学习模型,用于情感分析 | 未提及具体限制 | 研究COVID-19相关推文的情感,以帮助监控和控制疫情 | COVID-19相关推文和Google Trends搜索数据 | 自然语言处理 | NA | 深度学习 | 融合模型 | 文本 | 超过150万感染病例和100万死亡病例 |
188 | 2024-09-10 |
Revealing the Threat of Emerging SARS-CoV-2 Mutations to Antibody Therapies
2021-09-03, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2021.167155
PMID:34273397
|
研究论文 | 本文研究了SARS-CoV-2变异对现有抗体疗法的潜在威胁 | 开发了一种基于拓扑的深度学习策略,分析了大量基因数据,揭示了高频突变对临床试验中多种单克隆抗体的潜在影响 | 研究结果主要基于模型预测,尚未经过实验验证 | 揭示SARS-CoV-2变异对现有抗体疗法的潜在威胁 | SARS-CoV-2刺突蛋白受体结合域的突变及其对临床试验中单克隆抗体的影响 | 机器学习 | COVID-19 | 深度学习 | 深度学习模型 | 基因数据 | 分析了796,759个患者基因样本,识别了606个非简并RBD突变 |
189 | 2024-09-10 |
A cognitive IoT-based framework for effective diagnosis of COVID-19 using multimodal data
2021-Sep, Biomedical signal processing and control
IF:4.9Q1
DOI:10.1016/j.bspc.2021.102960
PMID:34249142
|
研究论文 | 提出了一种基于认知物联网和深度学习的框架,用于使用多模态数据进行COVID-19的有效诊断 | 引入了两个轻量级模型CovParaNet和CovTinyNet,分别用于音频和图像分类,并通过动态多模态随机森林分类器集成结果,实现了100%的准确率、精确率和召回率 | NA | 减少COVID-19误诊率,提供一个自我诊断系统以降低测试中心的病毒传播风险 | COVID-19的准确预测 | 机器学习 | COVID-19 | 深度学习 | CNN | 多模态数据 | 小数据集 |
190 | 2024-09-10 |
A novel deep learning based method for COVID-19 detection from CT image
2021-Sep, Biomedical signal processing and control
IF:4.9Q1
DOI:10.1016/j.bspc.2021.102987
PMID:34345248
|
研究论文 | 本文提出了一种基于深度学习的新方法,用于从CT图像中检测COVID-19 | 本文创新性地结合了池化层和Squeeze Excitation Block (SE-block)层,并使用Batch Normalization和Mish函数优化了COVID-19诊断的收敛时间和性能 | NA | 开发一种辅助检测工具,以快速诊断COVID-19感染 | COVID-19感染的CT图像 | 计算机视觉 | COVID-19 | 深度学习 | 深度神经网络 (DNN) | 图像 | 来自两家公立医院的CT图像数据集 |
191 | 2024-09-10 |
CoLe-CNN+: Context learning - Convolutional neural network for COVID-19-Ground-Glass-Opacities detection and segmentation
2021-09, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2021.104689
PMID:34364263
|
研究论文 | 本文提出了一种基于深度学习策略的系统,用于从CT扫描中自动检测和分割COVID-19的磨玻璃影 | 引入了一种新的多卷积层结构,并提出了一个定制的损失函数,以在敏感性和精确性之间实现最佳平衡 | NA | 开发一种自动化的方法,从CT扫描中检测和分割COVID-19的磨玻璃影,以支持COVID-19的诊断 | COVID-19患者的CT扫描图像 | 计算机视觉 | 肺部疾病 | 深度学习 | 卷积神经网络 | 图像 | NA |
192 | 2024-09-10 |
Deep learning analysis of resting electrocardiograms for the detection of myocardial dysfunction, hypertrophy, and ischaemia: a systematic review
2021-Sep, European heart journal. Digital health
DOI:10.1093/ehjdh/ztab048
PMID:34604757
|
综述 | 本文综述了利用深度学习分析静息心电图以检测心肌功能障碍、肥大和缺血的证据 | 深度学习模型,特别是使用卷积神经网络的模型,在分析静息心电图信号以检测结构性心脏病理方面优于基于规则的模型和其他机器学习模型 | 研究排除了通过便携式、应激、心内或植入式设备获取的心电图,以及病理性质为心律失常的研究 | 评估深度学习分析静息心电图以预测结构性心脏病理的证据 | 静息心电图信号用于检测左心室收缩功能障碍、心肌肥大和缺血性心脏病 | 机器学习 | 心血管疾病 | 深度学习 | 卷积神经网络 | 心电图信号 | 12篇符合条件的研究文章 |
193 | 2024-09-10 |
The discerning ear: cardiac auscultation in the era of artificial intelligence and telemedicine
2021-Sep, European heart journal. Digital health
DOI:10.1093/ehjdh/ztab059
PMID:36713594
|
综述 | 本文综述了在人工智能和远程医疗时代下,心脏杂音听诊的现代检查和更新 | 讨论了深度学习对杂音分析的影响,以及人工智能辅助听诊和这些技术对儿科心脏病学远程医疗的含义 | NA | 提供心脏杂音听诊在人工智能和远程医疗时代的现代检查和更新 | 儿科心脏杂音的病因、鉴别诊断、临床特征、评估和长期管理 | NA | 心血管疾病 | 深度学习 | NA | NA | NA |
194 | 2024-09-10 |
SARS-CoV-2 diagnosis using medical imaging techniques and artificial intelligence: A review
2021-Aug, Clinical imaging
IF:1.8Q3
DOI:10.1016/j.clinimag.2021.01.019
PMID:33545517
|
综述 | 本文综述了用于SARS-CoV-2诊断的医学影像技术和人工智能工具的最新进展 | 本文介绍了基于深度学习的SARS-CoV-2检测方法,并探讨了其在医学影像中的应用 | 本文主要关注SARS-CoV-2的诊断,未深入探讨其他病毒感染的鉴别诊断 | 综述SARS-CoV-2诊断中使用的医学影像技术和人工智能工具,以减轻疫情的影响 | SARS-CoV-2的临床特征和诊断方法 | 计算机视觉 | 传染病 | 医学影像技术 | 深度学习 | 图像 | NA |
195 | 2024-09-10 |
Deep insight: Convolutional neural network and its applications for COVID-19 prognosis
2021-Aug, Biomedical signal processing and control
IF:4.9Q1
DOI:10.1016/j.bspc.2021.102814
PMID:34093724
|
研究论文 | 本文探讨了卷积神经网络在COVID-19预后中的应用 | 本文提出了一个用于COVID-19预后的深度卷积神经网络架构,并探讨了其最新发展和应用 | 本文指出,尽管深度学习在COVID-19预后中显示出潜力,但医学专家尚未完全认可和确定其基准 | 旨在深入探讨卷积神经网络在COVID-19预后中的应用,帮助医疗专家和研究人员设计和微调其模型 | 卷积神经网络及其在COVID-19预后中的应用 | 机器学习 | COVID-19 | 卷积神经网络 | CNN | 影像 | NA |
196 | 2024-09-10 |
Face mask detection using deep learning: An approach to reduce risk of Coronavirus spread
2021-08, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2021.103848
PMID:34171485
|
研究论文 | 本文提出了一种基于深度学习的口罩检测技术,旨在减少新冠病毒的传播风险 | 本文提出了一种结合一阶段和两阶段检测器的集成技术,通过ResNet50作为基线模型并应用迁移学习,融合多特征图的高级语义信息,并提出了边界框变换以提高口罩检测的定位性能 | NA | 开发一种高精度且实时的技术,用于在公共场所高效检测未戴口罩的人,从而强制佩戴口罩 | 口罩检测技术 | 计算机视觉 | NA | 深度学习 | ResNet50, AlexNet, MobileNet | 图像 | NA |
197 | 2024-09-10 |
COVID-19 outbreak: An ensemble pre-trained deep learning model for detecting informative tweets
2021-Aug, Applied soft computing
IF:7.2Q1
DOI:10.1016/j.asoc.2021.107495
PMID:36568257
|
研究论文 | 本文提出了一种基于集成深度学习模型的方法,用于检测与COVID-19相关的信息性推文 | 首次使用深度学习集成模型进行COVID-19情感分析 | NA | 旨在通过检测信息性推文来减少无关信息和负面情绪的传播 | COVID-19相关的推文 | 自然语言处理 | COVID-19 | 深度学习 | 集成模型 | 文本 | 226668条未标记的COVID-19推文 |
198 | 2024-09-10 |
Prediction of the spread of Corona-virus carrying droplets in a bus - A computational based artificial intelligence approach
2021-07-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2021.125358
PMID:33611042
|
研究论文 | 本文提出了一种基于计算和人工智能的框架,用于快速预测公交车中打喷嚏乘客产生的飞沫传播模式 | 本文的创新点在于结合了体积流体方法和深度学习技术,显著提高了飞沫传播预测的速度 | NA | 预测新冠病毒携带飞沫在公交车中的传播模式 | 公交车中打喷嚏乘客产生的飞沫传播 | 计算机视觉 | NA | 体积流体方法,大涡模拟 | 深度学习 | 数值模拟结果 | NA |
199 | 2024-09-10 |
Automatic diagnosis of coronavirus (COVID-19) using shape and texture characteristics extracted from X-Ray and CT-Scan images
2021-Jul, Biomedical signal processing and control
IF:4.9Q1
DOI:10.1016/j.bspc.2021.102602
PMID:33824681
|
研究论文 | 本文研究了利用X射线和CT扫描图像的形状和纹理特征进行COVID-19的自动诊断 | 提出了上下文特征减少卷积滤波器(CFRCF),用于从胸部X光片和腹部CT图像中提取形状和纹理特征,并使用形态学算子、Gabor滤波器和属性滤波器进行特征提取 | 需要足够大的训练集来支持深度网络的使用,而实际中这种数据集并不总是可用 | 解决深度学习方法在COVID-19诊断中需要大量训练数据的问题 | COVID-19的自动诊断 | 计算机视觉 | 传染病 | 卷积神经网络(CNN) | CNN | 图像 | CT扫描图像数据集和X射线图像数据集分别获得了超过76%和94%的整体分类准确率 |
200 | 2024-09-10 |
Fusion of convolution neural network, support vector machine and Sobel filter for accurate detection of COVID-19 patients using X-ray images
2021-Jul, Biomedical signal processing and control
IF:4.9Q1
DOI:10.1016/j.bspc.2021.102622
PMID:33846685
|
研究论文 | 本文提出了一种结合卷积神经网络(CNN)、支持向量机(SVM)和Sobel滤波器的方法,用于通过X射线图像准确检测COVID-19患者 | 本文的创新点在于将CNN、SVM和Sobel滤波器结合使用,以提高COVID-19检测的准确性,并且不依赖预训练网络 | NA | 开发一种自动诊断系统,用于快速诊断COVID-19,以防止其传播 | COVID-19患者的X射线图像 | 计算机视觉 | COVID-19 | 卷积神经网络(CNN)、支持向量机(SVM)、Sobel滤波器 | CNN | 图像 | 新收集的X射线图像数据集 |