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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
281 | 2024-08-25 |
An Interpretable Deep Learning Model for Covid-19 Detection With Chest X-Ray Images
2021, IEEE access : practical innovations, open solutions
IF:3.4Q2
DOI:10.1109/ACCESS.2021.3087583
PMID:35256923
|
研究论文 | 本文介绍了一种用于COVID-19检测的可解释深度学习模型Gen-ProtoPNet | Gen-ProtoPNet模型使用了广义距离函数,能够处理任意类型的空间维度原型,提高了模型的解释性 | NA | 开发一种可解释的深度学习模型用于COVID-19的及时准确检测 | COVID-19的检测 | 机器学习 | COVID-19 | 深度学习 | Gen-ProtoPNet | 图像 | 使用了X射线图像数据集 |
282 | 2024-08-25 |
Learning Predictive and Interpretable Timeseries Summaries from ICU Data
2021, AMIA ... Annual Symposium proceedings. AMIA Symposium
PMID:35309006
|
研究论文 | 本文提出了一种新方法,从ICU数据中学习既具有预测性又易于人类理解的临床时间序列摘要 | 提出的摘要方法由简单直观的临床数据函数组成,如“下降的平均动脉压”,这些摘要不仅易于理解,而且在性能上与最先进的深度学习模型相当 | NA | 提高重症监护病房风险分层任务的性能,并增强模型的可解释性 | 临床时间序列数据 | 机器学习 | NA | NA | 深度学习模型 | 时间序列数据 | NA |
283 | 2024-08-24 |
Automatic pulmonary vessel segmentation on noncontrast chest CT: deep learning algorithm developed using spatiotemporally matched virtual noncontrast images and low-keV contrast-enhanced vessel maps
2021-Dec, European radiology
IF:4.7Q1
DOI:10.1007/s00330-021-08036-z
PMID:34009411
|
研究论文 | 开发了一种基于深度学习的肺血管分割算法(DLVS),用于非对比剂胸部CT图像,并探讨其在慢性阻塞性肺疾病(COPD)患者血管重塑评估中的临床应用 | 利用双源CT扫描仪生成的时空匹配的50千电子伏特增强图像和虚拟非对比剂图像,开发了一种新的深度学习肺血管分割算法 | NA | 开发和验证一种基于深度学习的肺血管分割算法,并评估其在COPD患者中的临床应用 | COPD患者的肺血管分割 | 计算机视觉 | 慢性阻塞性肺疾病 | 双源CT扫描 | 3D U-Net | 图像 | 开发阶段使用了104个肺部CT血管造影扫描(共49,054张切片),外部验证使用了14个供应商独立的非对比剂CT图像和3个VESSEL 12挑战公开数据集,临床验证包括281名COPD患者 |
284 | 2024-08-24 |
Comparing deep learning-based automatic segmentation of breast masses to expert interobserver variability in ultrasound imaging
2021-12, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2021.104966
PMID:34715553
|
研究论文 | 本文比较了基于深度学习的乳腺肿块自动分割模型与超声图像中专家间观察者变异性的表现 | 提出了一种高表现的深度学习分割模型,并与三位专家的手动分割结果进行比较 | 深度学习模型通常只与一位专家进行评估,其误差是否在临床可接受范围内尚不清楚 | 研究深度学习技术在医学图像处理中的可靠性和重复性 | 乳腺肿块的自动分割 | 计算机视觉 | 乳腺肿瘤 | 深度学习 | CNN | 图像 | 使用了455名患者的甲状腺超声分割数据集和733名患者的乳腺超声分割数据集 |
285 | 2024-08-24 |
Deep learning-based facial image analysis in medical research: a systematic review protocol
2021-11-11, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2020-047549
PMID:34764164
|
综述 | 本文旨在通过系统综述方法,探讨深度学习在医学研究中基于面部图像分析的特征和效果 | 本文旨在填补关于深度学习在医学面部图像分析领域现状的认知空白,并提供对该技术在疾病检测、诊断和预后应用中的特征、挑战和机遇的深入理解 | NA | 了解深度学习在医学面部图像分析中的应用现状、挑战和机遇 | 深度学习在医学面部图像分析的研究 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
286 | 2024-08-24 |
Cohort and Trajectory Analysis in Multi-Agent Support Systems for Cancer Survivors
2021-Nov-11, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-021-01770-3
PMID:34766229
|
研究论文 | 本文提出了一种基于队列和轨迹分析(CTA)模块的个性化支持系统,用于癌症幸存者,该系统集成在名为EREBOTS的基于代理的个性化聊天机器人中 | 引入CTA模块,结合生存估计模型、机器学习和深度学习技术,为临床医生提供个性化治疗选择的证据,并为患者提供适应其状况和轨迹的定制建议 | NA | 开发一种个性化支持系统,以提高癌症幸存者的生存质量 | 癌症幸存者及其个性化支持需求 | 机器学习 | 癌症 | 机器学习, 深度学习 | 生存估计模型 | NA | NA |
287 | 2024-08-24 |
Distant Domain Transfer Learning for Medical Imaging
2021-10, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2021.3051470
PMID:33449887
|
研究论文 | 本文提出了一种新的医学图像分类迁移学习框架,并应用于COVID-19的肺部CT图像诊断 | 该方法利用远领域中的未标记数据,有效处理训练数据与测试数据之间的分布偏移,并实现了96%的分类准确率 | 由于疾病的创新性和隐私政策,难以获取良好标记的训练数据集 | 开发一种远领域迁移学习模型,用于COVID-19的诊断 | COVID-19的肺部CT图像 | 计算机视觉 | 肺部疾病 | 迁移学习 | Unet分割模型和远特征融合分类模型 | 图像 | 使用未标记的Office-31、Caltech-256和胸部X射线图像数据集作为源数据,以及一小部分标记的COVID-19肺部CT图像作为目标数据 |
288 | 2024-08-24 |
Predicting COVID-19 cases using bidirectional LSTM on multivariate time series
2021-Oct, Environmental science and pollution research international
DOI:10.1007/s11356-021-14286-7
PMID:34043172
|
研究论文 | 本文提出了一种使用双向长短期记忆网络(Bi-LSTM)在多变量时间序列上预测COVID-19病例数的深度学习方法 | 该方法首先使用K-means聚类算法对具有相似人口统计、社会经济和卫生部门指标的国家进行分组,然后利用这些国家的累计病例数据和封锁措施数据训练双向LSTM模型 | NA | 帮助政策制定者做出适当决策以阻止COVID-19疫情的传播 | COVID-19病例数的预测 | 机器学习 | COVID-19 | 双向长短期记忆网络(Bi-LSTM) | Bi-LSTM | 多变量时间序列 | 涉及多个国家的数据 |
289 | 2024-08-24 |
A Deep Learning Radiomics Model to Identify Poor Outcome in COVID-19 Patients With Underlying Health Conditions: A Multicenter Study
2021-07, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2021.3076086
PMID:33905341
|
研究论文 | 本研究开发了一种结合深度学习和放射组学的混合模型,用于从初始CT扫描中识别患有基础健康状况的COVID-19患者的较差预后 | 提出的混合模型结合了3D-ResNet10深度学习模型和量化3D放射组学模型,显著提高了预测COVID-19患者较差预后的准确性 | NA | 开发一种精确的预测工具,用于识别患有基础健康状况的COVID-19患者的较差预后 | 患有基础健康状况的COVID-19患者 | 机器学习 | COVID-19 | 深度学习 | 3D-ResNet10 | CT扫描图像 | 共400名患者,包括54名死亡病例和346名出院或住院至少7天的患者 |
290 | 2024-08-24 |
Deep Learning on Chest X-ray Images to Detect and Evaluate Pneumonia Cases at the Era of COVID-19
2021-Jun-08, Journal of medical systems
IF:3.5Q2
DOI:10.1007/s10916-021-01745-4
PMID:34101042
|
研究论文 | 本文研究使用深度学习方法自动分析胸部X光图像,以检测和评估COVID-19相关的肺炎病例 | 提出了定制的深度学习模型来检测肺炎感染病例,特别是病毒性肺炎,并提出了易于应用的健康指标来估计感染状态和预测患者状态 | NA | 开发精确的工具帮助医疗专业人员筛查COVID-19和诊断确诊患者 | 胸部X光图像 | 计算机视觉 | 肺部疾病 | 深度学习 | CNN | 图像 | 公开的胸部X光图像数据集 |
291 | 2024-08-24 |
The usage of deep neural network improves distinguishing COVID-19 from other suspected viral pneumonia by clinicians on chest CT: a real-world study
2021-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-020-07553-7
PMID:33372243
|
研究论文 | 本研究开发了一种新型深度学习模型,用于区分冠状病毒病2019(COVID-19)肺炎与其他类型肺炎,并在真实世界数据集中验证其性能 | 本研究首次使用基于ResNet-50的IDANNet模型,通过U-net提取肺部区域并进行诊断概率预测,实现了对COVID-19肺炎的准确识别 | NA | 开发并验证一种新型深度学习模型,以区分COVID-19肺炎与其他类型肺炎 | COVID-19肺炎与其他类型肺炎的区分 | 计算机视觉 | COVID-19 | 深度学习 | ResNet-50 | 影像 | 训练集包含563个胸部CT扫描,验证集包含318个胸部CT扫描 |
292 | 2024-08-24 |
Deep-LSTM ensemble framework to forecast Covid-19: an insight to the global pandemic
2021, International journal of information technology : an official journal of Bharati Vidyapeeth's Institute of Computer Applications and Management
DOI:10.1007/s41870-020-00571-0
PMID:33426425
|
研究论文 | 本文通过综述和设计深度学习模型来预测Covid-19疫情,评估了其在印度的重症监护确诊和死亡病例 | 提出了一种基于长短期记忆网络(LSTM)的深度学习集成模型来预测Covid-19疫情 | NA | 研究如何利用人工智能技术支持医疗健康系统诊断和预测Covid-19疫情 | Covid-19疫情的重症监护确诊和死亡病例 | 机器学习 | NA | 人工智能 | LSTM | 数据 | 印度的Covid-19重症监护确诊和死亡病例 |
293 | 2024-08-24 |
Evaluation of deep learning-based approaches for COVID-19 classification based on chest X-ray images
2021, Signal, image and video processing
DOI:10.1007/s11760-020-01820-2
PMID:33432267
|
研究论文 | 本文评估了基于深度学习的八种预训练模型在胸部X光图像上进行COVID-19分类的效果 | 使用预训练模型进行迁移学习,有效解决了数据不足的问题,并实现了高准确率 | NA | 评估深度学习模型在COVID-19分类中的应用 | 胸部X光图像中的COVID-19分类 | 计算机视觉 | COVID-19 | 深度卷积神经网络(DCNN) | DenseNet121 | 图像 | 760张胸部X光图像,分为五类 |
294 | 2024-08-24 |
Design ensemble deep learning model for pneumonia disease classification
2021, International journal of multimedia information retrieval
IF:3.6Q1
DOI:10.1007/s13735-021-00204-7
PMID:33643764
|
研究论文 | 本文评估了单个和集成学习模型在肺炎疾病分类中的性能 | 使用基于InceptionResNet_V2、ResNet50和MobileNet_V2的微调版本的集成模型,提高了肺炎疾病分类的准确性 | NA | 评估单个和集成学习模型在肺炎疾病分类中的性能 | 肺炎疾病的分类 | 计算机视觉 | 肺炎 | NA | CNN | 图像 | 6087张胸部X光图像 |
295 | 2024-08-24 |
Automatic prediction of COVID- 19 from chest images using modified ResNet50
2021, Multimedia tools and applications
IF:3.0Q2
DOI:10.1007/s11042-021-10783-6
PMID:33967592
|
研究论文 | 本文利用改进的ResNet50模型自动从胸部影像中预测COVID-19 | 提出在ResNet50架构中添加三个新层(Conv、Batch_Normaliz和Activation_Relu层)以提高分类准确性和特征提取的鲁棒性 | 由于COVID-19数据集较小,使用迁移学习方法 | 开发一种自动化工具,用于在胸部X射线和计算机断层扫描图像中检测和诊断COVID-19 | COVID-19患者的胸部X射线和计算机断层扫描图像 | 计算机视觉 | COVID-19 | 迁移学习 | CNN | 图像 | 胸部X射线和计算机断层扫描图像数据集 |
296 | 2024-08-24 |
Deep learning-based object recognition in multispectral satellite imagery for real-time applications
2021, Machine vision and applications
IF:2.4Q2
DOI:10.1007/s00138-021-01209-2
PMID:34177121
|
研究论文 | 本文提出了一种基于深度学习的对象识别模型,用于多光谱卫星图像的实时应用 | 提出的全卷积神经网络(FCN)架构在多光谱卫星图像中实现了97.67%的准确率,超过了人类水平,并在训练时间和预测速度上实现了显著改进 | NA | 提高多光谱卫星图像中对象识别的准确性和预测速度 | 多光谱卫星图像中的对象识别 | 计算机视觉 | NA | 深度学习 | 全卷积神经网络(FCN) | 图像 | 多个传感器覆盖的整个地球的高分辨率图像 |
297 | 2024-08-24 |
Images denoising for COVID-19 chest X-ray based on multi-resolution parallel residual CNN
2021, Machine vision and applications
IF:2.4Q2
DOI:10.1007/s00138-021-01224-3
PMID:34219975
|
研究论文 | 本文提出了一种用于COVID-19胸部X光图像去噪的多分辨率并行残差CNN(MPR-CNN),以提高图像质量 | MPR-CNN采用多分辨率并行卷积流提取多尺度特征,利用通道和空间注意力机制聚焦于图像细节,并通过自适应多分辨率特征融合方法增强网络表达 | NA | 利用深度学习网络对感染患者的阳性胸部X光图像进行预诊断,减轻医疗人员工作压力 | COVID-19患者的胸部X光图像 | 计算机视觉 | COVID-19 | CNN | MPR-CNN | 图像 | NA |
298 | 2024-08-24 |
A Deep Learning Method to Forecast COVID-19 Outbreak
2021, New generation computing
IF:2.0Q2
DOI:10.1007/s00354-021-00129-z
PMID:34305259
|
研究论文 | 本文使用支持向量回归(SVR)和长短期记忆网络(LSTM)方法来预测COVID-19疫情的发展 | 采用LSTM技术在印度场景中提供了更真实的预测结果 | NA | 预测COVID-19疫情的行为和结束时间 | COVID-19疫情 | 机器学习 | NA | 支持向量回归(SVR),长短期记忆网络(LSTM) | LSTM | NA | NA |
299 | 2024-08-24 |
Machine Learning Approaches for Tackling Novel Coronavirus (COVID-19) Pandemic
2021, SN computer science
DOI:10.1007/s42979-021-00774-7
PMID:34308367
|
研究论文 | 本文探讨了机器学习方法在应对COVID-19大流行中的应用 | 本文总结了机器学习在帮助医生做出决策、政策制定者采取有效措施以及识别潜在感染者等方面的四种应用 | 本文指出了现有系统的挑战并提出了可能的未来趋势 | 旨在强调机器学习方法在COVID-19大流行中的作用 | COVID-19大流行及其对医疗系统和卫生保健设施的影响 | 机器学习 | COVID-19 | 机器学习 | NA | NA | NA |
300 | 2024-08-24 |
An automatic approach based on CNN architecture to detect Covid-19 disease from chest X-ray images
2021, Applied intelligence (Dordrecht, Netherlands)
DOI:10.1007/s10489-020-02010-w
PMID:34764572
|
研究论文 | 本文提出了一种基于卷积神经网络(CNN)架构的自动方法,用于从胸部X光图像中检测COVID-19疾病 | 采用深度迁移学习方法,使用多种预训练的CNN模型进行实验,其中Se-ResNeXt-50模型在二分类和多分类任务中均达到最高准确率 | NA | 开发一种准确的COVID-19疾病诊断方法,以帮助早期诊断和防止疾病传播 | COVID-19患者、病毒性肺炎、细菌性肺炎和健康人群的胸部X光图像 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | 使用了多个数据集,包括728张、1428张、1442张和5232张胸部X光图像 |