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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
421 | 2024-08-11 |
Deep learning for gradability classification of handheld, non-mydriatic retinal images
2021-05-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-021-89027-4
PMID:33947946
|
研究论文 | 本文研究使用深度学习技术对非散瞳手持式视网膜图像的可分级性进行分类 | 提出了一种紧凑型深度学习模型,用于在采集阶段预测视网膜图像的可分级性,以提高可分级图像的比例和糖尿病视网膜病变(STDR)的检测率 | NA | 旨在提高非临床环境下使用手持设备采集的视网膜图像的可分级性,从而提高STDR的检测 | 非散瞳手持式视网膜图像的可分级性 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习(DL) | 紧凑型深度学习模型 | 图像 | 从18,277名患者眼中采集的40,126张图像中,有16,170名患者眼(35,319张图像)符合条件,并从中抽取了3261张视网膜图像(1490名患者眼)进行标记 |
422 | 2024-08-11 |
Simulation-to-real domain adaptation with teacher-student learning for endoscopic instrument segmentation
2021-May, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-021-02383-4
PMID:33982232
|
研究论文 | 本文介绍了一种基于教师-学生学习方法的模拟到真实域适应技术,用于内窥镜手术器械分割 | 提出了一种教师-学生学习方法,联合学习标注的模拟数据和未标注的真实数据,以解决模拟到真实无监督域适应问题 | 文章未明确提及具体的局限性 | 旨在提高内窥镜手术器械分割的自动化水平,减少对临床专家手动标注的依赖 | 内窥镜视频流中的手术器械分割 | 计算机视觉 | NA | 教师-学生学习方法 | NA | 视频 | 涉及三个数据集 |
423 | 2024-08-11 |
Model Simplification of Deep Random Forest for Real-Time Applications of Various Sensor Data
2021-Apr-25, Sensors (Basel, Switzerland)
DOI:10.3390/s21093004
PMID:33922953
|
研究论文 | 本文提出了一种新的方法来简化深度随机森林(DRF)的黑盒模型,通过提出的规则消除方法来量化特征贡献和频率,从而实现模型简化。 | 本文的创新点在于提出了一种新的规则消除方法,通过量化特征贡献和频率来简化深度随机森林模型,使其参数和规则数量减少,同时保持了较高的分类准确性。 | NA | 研究目的是简化深度随机森林模型,提高其实时应用的性能和效率。 | 研究对象是深度随机森林模型及其在各种传感器数据实时应用中的表现。 | 机器学习 | NA | 深度随机森林(DRF) | 深度随机森林(DRF) | 传感器数据 | 使用基准传感器数据集进行验证 |
424 | 2024-08-11 |
Automatic Pest Counting from Pheromone Trap Images Using Deep Learning Object Detectors for Matsucoccus thunbergianae Monitoring
2021-Apr-12, Insects
IF:2.7Q1
DOI:10.3390/insects12040342
PMID:33921492
|
研究论文 | 本研究提出了一种基于深度学习的自动计数算法,用于从诱捕器图像中监测松黑松小蠹的发生和种群数量 | 研究采用了图像裁剪方法以成功检测图像中的小物体,并评估了16种模型在不同条件下的检测和计数性能 | 未提及具体限制 | 开发一种基于人工智能的自动计数方法,用于持续且准确地监测害虫 | 松黑松小蠹 | 计算机视觉 | NA | 深度学习 | 目标检测模型 | 图像 | 使用了在实地收集的诱捕器图像进行训练、验证和测试 |
425 | 2024-08-11 |
Computational tissue staining of non-linear multimodal imaging using supervised and unsupervised deep learning
2021-Apr-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.415962
PMID:33996229
|
研究论文 | 本文提出了一种使用监督和非监督深度学习模型对非线性多模态成像进行计算染色的方法 | 首次使用生成对抗网络(GANs)在非监督方式下对非线性多模态图像进行计算染色 | NA | 开发一种无需实验室染色过程的诊断应用计算染色技术 | 非线性多模态成像与H&E染色图像的相关性 | 数字病理学 | NA | 非线性多模态成像 | 生成对抗网络(GAN) | 图像 | NA |
426 | 2024-08-11 |
Application of artificial intelligence in digital chest radiography reading for pulmonary tuberculosis screening
2021-Mar, Chronic diseases and translational medicine
DOI:10.1016/j.cdtm.2021.02.001
PMID:34013178
|
研究论文 | 本文探讨了人工智能在数字胸部X光片阅读中用于肺结核筛查的应用 | 结合人工智能和大量医学图像,为计算机辅助检测系统在医学应用中的建立提供了新的机会,特别是在深度学习技术时代 | NA | 研究人工智能在肺结核筛查中的应用 | 肺结核的筛查和诊断 | 计算机视觉 | 肺结核 | 深度学习 | NA | 图像 | NA |
427 | 2024-08-11 |
RUN-UP: Accelerated multishot diffusion-weighted MRI reconstruction using an unrolled network with U-Net as priors
2021-02, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.28446
PMID:32783339
|
研究论文 | 本文提出了一种使用展开网络和U-Net先验的加速多重扩散加权磁共振成像(MRI)重建方法 | 该方法通过深度学习实现了多重扩散加权MRI重建的加速和改进,重建时间缩短至0.1秒每图像,图像质量与联合重建目标相当 | NA | 加速和改进多重扩散加权MRI重建 | 多重扩散加权MRI重建 | 计算机视觉 | NA | MRI | U-Net | 图像 | 体内脑和乳腺实验 |
428 | 2024-08-11 |
Development and Validation of a Nomogram for Preoperative Prediction of Lymph Node Metastasis in Lung Adenocarcinoma Based on Radiomics Signature and Deep Learning Signature
2021, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2021.585942
PMID:33968715
|
研究论文 | 本研究旨在开发和验证一种基于放射组学特征和深度学习特征的诺模图,用于预测肺腺癌患者的术前淋巴结转移情况 | 本研究结合放射组学特征和深度学习特征,开发了一种新的预测模型,用于术前预测肺腺癌患者的淋巴结转移情况 | 本研究为回顾性研究,样本量相对较小,可能影响模型的泛化能力 | 开发和验证一种用于预测肺腺癌患者术前淋巴结转移的诺模图 | 肺腺癌患者的术前淋巴结转移情况 | 数字病理学 | 肺癌 | CT(计算机断层扫描) | CNN(卷积神经网络) | 图像 | 训练集200例,内部验证集40例,外部验证集60例 |
429 | 2024-08-11 |
Characterization of time-variant and time-invariant assessment of suicidality on Reddit using C-SSRS
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0250448
PMID:33999927
|
研究论文 | 本研究开发深度学习算法,基于C-SSRS评估Reddit数据中的自杀风险,考虑了风险的严重性和时间性 | 首次同时考虑自杀风险的严重性和时间性,并开发了时间变异和时间不变的深度学习模型进行评估 | 研究仅限于Reddit平台的数据,且模型性能在预测自杀相关行为和自杀尝试方面仍有提升空间 | 提高自杀风险评估的准确性,以便及时进行干预 | Reddit平台上的自杀相关帖子和用户行为 | 机器学习 | NA | 深度学习 | CNN | 文本 | 使用基于C-SSRS标注的临床 adjudicated Reddit语料库进行评估 |
430 | 2024-08-10 |
Deep learning-based forecasting model for COVID-19 outbreak in Saudi Arabia
2021-May, Process safety and environmental protection : transactions of the Institution of Chemical Engineers, Part B
IF:6.9Q1
DOI:10.1016/j.psep.2020.10.048
PMID:33162687
|
研究论文 | 本研究提出了一种基于长短期记忆网络(LSTM)的深度学习模型,用于预测沙特阿拉伯COVID-19疫情的发展情况 | 本研究采用了LSTM网络作为预测模型,并与ARIMA和NARANN模型进行了比较,展示了其更高的预测准确性 | NA | 预测COVID-19疫情的发展,为政策制定者提供决策支持 | 沙特阿拉伯及其他六个国家的COVID-19疫情数据 | 机器学习 | COVID-19 | LSTM | LSTM | 数值数据 | 沙特阿拉伯及其他六个国家的疫情数据 |
431 | 2024-08-10 |
Predicting ASD Diagnosis in Children with Synthetic and Image-based Eye Gaze Data
2021-May, Signal processing. Image communication
DOI:10.1016/j.image.2021.116198
PMID:33859457
|
研究论文 | 本文提出两种机器学习方法,基于合成和图像的注视数据,自动分类儿童的自闭症谱系障碍(ASD)诊断 | 使用合成扫视模式和图像基础方法处理注视数据,以提高ASD预测的准确性 | 实验中ASD预测的准确率在验证集和测试集上分别为67.23%和62.13%,仍有提升空间 | 开发早期干预工具,通过注视数据识别ASD风险,以便在症状完全显现之前进行干预 | 儿童的注视数据 | 机器学习 | 自闭症谱系障碍 | 深度学习 | 卷积神经网络(CNN)和循环神经网络(RNN) | 注视数据 | 公开可访问的儿童注视数据集 |
432 | 2024-08-10 |
Application of Artificial Intelligence for Screening COVID-19 Patients Using Digital Images: Meta-analysis
2021-Apr-29, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/21394
PMID:33764884
|
meta-analysis | 本研究通过系统综述和meta分析,评估了深度学习算法在利用胸部影像自动分类COVID-19患者中的性能 | 深度学习模型在检测COVID-19方面表现出比放射科医生更高的敏感性和特异性,尤其是初级放射科医生在使用基于深度学习的预测工具后性能有所提升 | NA | 评估深度学习算法在自动分类COVID-19患者使用胸部影像中的性能 | COVID-19患者和胸部影像 | computer vision | COVID-19 | deep learning | DL | image | 5896张胸部影像 |
433 | 2024-08-10 |
Learning future terrorist targets through temporal meta-graphs
2021-04-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-021-87709-7
PMID:33879811
|
研究论文 | 本文利用阿富汗和伊拉克2001年至2018年的真实攻击数据,提出使用时间元图和深度学习来预测未来的恐怖分子目标 | 通过时间元图构建特征空间,产生比仅依赖特征出现频率的浅层时间序列更丰富的知识;实验表明双向LSTM网络在预测性能上优于其他算法 | NA | 预测未来恐怖分子目标 | 恐怖分子攻击的时间和目标特征 | 机器学习 | NA | 深度学习 | LSTM | 时间序列 | 2001年至2018年阿富汗和伊拉克的攻击数据 |
434 | 2024-08-10 |
Pivotal mental states
2021-04, Journal of psychopharmacology (Oxford, England)
DOI:10.1177/0269881120959637
PMID:33174492
|
研究论文 | 本文介绍了一种新的心理状态——'关键心理状态',这是一种促进快速深入学习并能介导心理转变的超可塑性状态 | 提出了'关键心理状态'这一新概念,并探讨了其在心理学和精神病学现象中的相关性 | NA | 探讨关键心理状态的进化功能及其在心理转变中的作用 | 关键心理状态及其与压力、神经质特质和血清素2A受体激动剂的关系 | 心理学 | NA | NA | NA | NA | NA |
435 | 2024-08-10 |
Robust Computationally-Efficient Wireless Emitter Classification Using Autoencoders and Convolutional Neural Networks
2021-Apr-01, Sensors (Basel, Switzerland)
DOI:10.3390/s21072414
PMID:33915685
|
研究论文 | 本文提出了一种基于深度学习(DL)的无线发射机分类新方法,该方法在恶劣信道条件下提高了计算效率和准确性 | 提出了一种结合去噪自编码器(DAE)和卷积神经网络(CNN)的新型发射机分类解决方案,该方案在恶劣信道条件下表现更优,且计算资源需求显著减少 | NA | 旨在提高无线发射机在恶劣信道条件下的分类效率和准确性 | 无线发射机的无线接入技术(RAT)分类 | 机器学习 | NA | 深度学习 | 卷积神经网络(CNN) | 频谱图 | 包括LTE和四种最新Wi-Fi标准在内的多种RAT的标准合规模拟 |
436 | 2024-08-10 |
Automatic Segmentation in Multiple OCT Layers For Stargardt Disease Characterization Via Deep Learning
2021-04-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.10.4.24
PMID:34004000
|
研究论文 | 本研究旨在通过深度学习技术自动分割11层视网膜层和与斯特格病相关的特征,并分析正常眼与斯特格病眼之间的差异 | 这是首个针对斯特格病患者在OCT图像上自动分割11层视网膜层的算法 | NA | 实现斯特格病患者的视网膜层自动分割,并分析其与正常眼的差异 | 斯特格病患者的视网膜层和相关特征 | 机器学习 | 眼科疾病 | 深度学习 | 全卷积神经网络 | 图像 | NA |
437 | 2024-08-10 |
Use of deep learning for structural analysis of computer tomography images of soil samples
2021-Mar-31, Royal Society open science
IF:2.9Q1
DOI:10.1098/rsos.201275
PMID:33959314
|
研究论文 | 本文使用深度学习方法对来自多个欧洲国家的土壤样本的计算机断层扫描(CT)图像进行结构分析 | 引入了新的自动化标注方法'surrogate'学习,并使用VGG16网络进行训练 | NA | 研究深度学习在土壤样本CT图像结构分析中的应用 | 欧洲多个国家的土壤样本 | 计算机视觉 | NA | 深度学习 | VGG16 | 图像 | 多个土壤样本 |
438 | 2024-08-10 |
Novel Transfer Learning Approach for Medical Imaging with Limited Labeled Data
2021-Mar-30, Cancers
IF:4.5Q1
DOI:10.3390/cancers13071590
PMID:33808207
|
研究论文 | 本文提出了一种新的迁移学习方法,通过在大规模未标记医学图像数据集上训练深度学习模型,然后将知识迁移到少量标记医学图像上,以提高医学图像分类的性能 | 提出了一种新的迁移学习方法,通过在大规模未标记医学图像数据集上训练模型,并将知识迁移到少量标记医学图像上,以及引入了一种新的深度卷积神经网络(DCNN)模型 | NA | 克服传统迁移学习方法在医学图像分类中的无效性,提高医学图像分类的性能 | 皮肤癌和乳腺癌的分类任务 | 计算机视觉 | 皮肤癌, 乳腺癌 | 迁移学习 | 深度卷积神经网络(DCNN) | 图像 | 少量标记医学图像和大量未标记医学图像 |
439 | 2024-08-10 |
An Improved UNet++ Model for Congestive Heart Failure Diagnosis Using Short-Term RR Intervals
2021-Mar-16, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics11030534
PMID:33809773
|
研究论文 | 本文提出了一种基于心率变异性信号的端到端编码器-解码器模型,用于诊断充血性心力衰竭 | 改进的UNet++模型结合挤压激励(SE)残差块,用于层次化提取深层特征并区分充血性心力衰竭患者与正常对象 | NA | 开发一种新的深度学习模型,用于早期检测充血性心力衰竭 | 充血性心力衰竭的早期诊断 | 机器学习 | 心血管疾病 | NA | UNet++ | 信号 | 使用了两个开源数据库,分别使用了500、1000和2000个RR间期进行评估 |
440 | 2024-08-10 |
Differential Deep Convolutional Neural Network Model for Brain Tumor Classification
2021-Mar-10, Brain sciences
IF:2.7Q3
DOI:10.3390/brainsci11030352
PMID:33801994
|
研究论文 | 本文提出了一种差分深度卷积神经网络模型(differential deep-CNN)用于脑肿瘤分类 | 使用差分算子在原始CNN特征图中导出额外的差分特征图,提高了模型的性能 | NA | 改进脑肿瘤分类算法,帮助放射科医生在没有手术干预的情况下诊断肿瘤 | 不同类型的脑肿瘤,包括异常和正常的磁共振(MR)图像 | 计算机视觉 | 脑肿瘤 | 磁共振成像(MRI) | CNN | 图像 | 25,000张脑磁共振成像(MRI)图像 |