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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
581 | 2024-08-07 |
The phase space of meaning model of psychopathology: A computer simulation modelling study
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0249320
PMID:33901183
|
研究论文 | 本研究通过计算机模拟实验,测试了Harmonium模型的一个核心观点,即精神病理学可以被概念化为由于认知过程的调节不良,并在计算层面上模拟了意义相空间(PSM)的概念。 | 提出了一个基于符号学、具身化和精神分析概念的p因子的新概念化模型——Harmonium模型,并提供了该构造的计算解释。 | 研究讨论了其局限性和进一步的研究方向,但具体局限性未在摘要中详细说明。 | 测试Harmonium模型的核心观点,并通过计算机模拟探索精神病理学的认知过程。 | 精神病理学的认知过程及其在计算模型中的表现。 | 机器学习 | NA | 深度学习模型 | 神经网络 | 模拟数据 | 未在摘要中明确提及具体样本数量 |
582 | 2024-08-07 |
Deep learning-based prediction of future growth potential of technologies
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0252753
PMID:34086769
|
研究论文 | 本文基于元知识(包括引用、摘要、领域代码等文本信息)利用深度学习算法构建模型,预测技术的未来增长潜力,并探讨不同形式元知识在预测中的适用性 | 本文创新地利用元知识结合深度学习算法来预测技术的未来增长潜力 | NA | 研究如何利用研究论文中的元知识预测技术的未来增长潜力 | 技术的未来增长潜力 | 机器学习 | NA | 深度学习算法 | NA | 文本 | NA |
583 | 2024-08-07 |
Crop yield prediction integrating genotype and weather variables using deep learning
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0252402
PMID:34138872
|
研究论文 | 本文利用北美统一大豆试验的性能记录,构建了一个基于长短期记忆(LSTM)循环神经网络的模型,结合系谱相关性和每周天气参数,预测多个环境中的基因型响应,以提高作物产量预测的准确性。 | 本文提出的模型在作物产量预测方面优于其他机器学习模型,并开发了一种时间注意机制,增强了LSTM模型的可解释性。 | NA | 提高作物产量预测的准确性,为农业育种和应对气候变化提供科学支持。 | 大豆作物的产量预测。 | 机器学习 | NA | 长短期记忆(LSTM)循环神经网络 | LSTM | 性能记录和天气参数 | 北美统一大豆试验的性能记录 |
584 | 2024-08-07 |
A simple and robust method for automating analysis of naïve and regenerating peripheral nerves
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0248323
PMID:34234376
|
研究论文 | 本文评估了开源深度学习程序AxonDeepSeg在不同制备方法的外周神经光镜图像中进行轴突组织形态测量的鲁棒性 | AxonDeepSeg无需重新训练算法,能够适当地识别幼稚和再生神经之间的关键差异,并适用于不同的外周神经光镜图像制备方法 | 手动和自动AxonDeepSeg轴突计数在再生神经上显示出中等的一致性,且在轴突直径、髓鞘厚度和g比率测量上存在小但一致的差异 | 评估AxonDeepSeg在外周神经轴突组织形态测量中的鲁棒性 | 幼稚和再生的大鼠正中神经横截面的光镜图像 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 幼稚和再生的大鼠正中神经横截面 |
585 | 2024-08-07 |
The predictive skill of convolutional neural networks models for disease forecasting
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0254319
PMID:34242349
|
研究论文 | 本文研究了一维卷积神经网络(CNN)模型在流行病学预测中的应用 | 本文采用一维时间卷积层作为主要构建块的两种神经网络——时间卷积网络和简单神经注意元学习器,用于流行病学预测,并发现其预测技能与普通RNN相当,有时甚至更优 | NA | 研究CNN模型在流行病学预测中的有效性 | 一维卷积神经网络模型在流行病学预测中的应用 | 机器学习 | NA | 卷积神经网络(CNN) | CNN | 数据 | 2010-2019年美国流感数据 |
586 | 2024-08-07 |
Efficient, high-performance semantic segmentation using multi-scale feature extraction
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0255397
PMID:34411138
|
研究论文 | 本文介绍了一种名为MoNet的高效神经网络分割算法,利用多尺度图像特征进行优化 | MoNet算法在保持与比较架构相匹配的分割性能的同时,提供了更好的样本外泛化性能,并且在独立验证集上优于更大的架构 | NA | 开发适用于资源受限环境的高效深度学习架构,并评估其在联邦学习应用中的适用性 | 胰腺分割和脑肿瘤分割 | 计算机视觉 | NA | 多尺度特征提取 | U-Net类似架构 | 图像 | NA |
587 | 2024-08-07 |
Forecasting renewable energy for environmental resilience through computational intelligence
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0256381
PMID:34415924
|
研究论文 | 本文利用海上风力发电机产生的数据,通过深度自动编码器筛选高维特征,并结合CNN和LSTM模型进行风能预测,以提高环境韧性。 | 提出了一种结合CNN和LSTM的深度学习混合模型,用于提高海上风能预测的准确性。 | NA | 提高海上风能预测的准确性,从而增强环境韧性。 | 海上风力发电机的风能预测。 | 机器学习 | NA | 深度学习 | CNN-LSTM | 数据 | 三个不同的海上风电场 |
588 | 2024-08-07 |
Application of a time-series deep learning model to predict cardiac dysrhythmias in electronic health records
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0239007
PMID:34516567
|
研究论文 | 本文利用时间序列深度学习模型预测电子健康记录中的心脏节律失常 | 采用长短期记忆(LSTM)模型进行预测,该模型在预测性能上优于传统的机器学习模型 | 未提及具体限制 | 利用电子健康记录数据预测心脏节律失常,以实现早期诊断和治疗 | 心脏节律失常的预测 | 机器学习 | 心血管疾病 | 长短期记忆(LSTM)模型 | LSTM | 电子健康记录数据 | 70个诊所的电子健康记录数据 |
589 | 2024-08-07 |
Detection and classification of neurons and glial cells in the MADM mouse brain using RetinaNet
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0257426
PMID:34559842
|
研究论文 | 本文利用RetinaNet模型在MADM小鼠脑组织切片中自动检测和分类神经元及胶质细胞 | 引入第二个RetinaNet模型专门用于检测胶质细胞簇,显著提高了胶质细胞簇的自动计数精度 | 单一RetinaNet模型在处理密集和饱和的胶质细胞簇时存在困难 | 开发一种自动检测和分类组织切片中细胞群的方法 | MADM小鼠脑中的神经元和胶质细胞 | 计算机视觉 | NA | NA | RetinaNet | 图像 | 涉及六类通过MADM报告基因表达和表型(神经元或胶质)区分的细胞 |
590 | 2024-08-07 |
3D fluorescence microscopy data synthesis for segmentation and benchmarking
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0260509
PMID:34855812
|
研究论文 | 本文提出了一种利用条件生成对抗网络从3D细胞结构注释掩码生成真实3D荧光显微镜图像数据的方法 | 本文创新地使用条件生成对抗网络生成3D荧光显微镜图像数据,并结合掩码模拟方法生成完全注释的3D显微镜数据集,公开可用 | NA | 旨在解决深度学习方法在生物医学图像处理中缺乏大量注释训练数据的问题 | 3D荧光显微镜图像数据 | 计算机视觉 | NA | 条件生成对抗网络 | GAN | 图像 | 任意大小和不同生物体的图像数据 |
591 | 2024-08-07 |
Identification of public submitted tick images: A neural network approach
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0260622
PMID:34855822
|
研究论文 | 本文介绍了一种基于卷积神经网络的自动识别蜱虫图像的方法TickIDNet,并展示了其在蜱虫识别上的应用 | TickIDNet在蜱虫识别上达到了87.8%的准确率,超过了普通公众和医疗专业人员的识别能力 | 该模型未能达到具有正式昆虫学训练的专家的性能,且在小物体检测方面存在挑战 | 开发一种能够实时准确识别蜱虫图像的系统,以帮助公众了解蜱虫风险并提供研究人员和公共卫生机构更多关于蜱虫活动的数据 | 蜱虫及其传播的疾病 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 超过90,000张蜱虫图像 |
592 | 2024-08-07 |
Deep learning for cephalometric landmark detection: systematic review and meta-analysis
2021-Jul, Clinical oral investigations
IF:3.1Q1
DOI:10.1007/s00784-021-03990-w
PMID:34046742
|
系统综述和荟萃分析 | 本文通过系统综述和荟萃分析评估了深度学习在头影测量标志点检测中的准确性和证据基础 | 深度学习在头影测量标志点检测中显示出较高的准确性,但需要进一步证明其鲁棒性和泛化能力 | 研究存在高偏倚风险和适用性问题,主要涉及数据选择和参考测试执行 | 评估深度学习在头影测量标志点检测中的准确性和证据基础 | 头影测量图像中的标志点检测 | 计算机视觉 | NA | 深度学习 | 卷积神经网络 | 二维和三维放射图像 | 19项研究,主要使用二维侧位放射图像,检测平均30个标志点 |
593 | 2024-08-07 |
Impact of Image Context on Deep Learning for Classification of Teeth on Radiographs
2021-Apr-12, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm10081635
PMID:33921440
|
研究论文 | 本研究旨在评估图像上下文信息对全景牙科放射图像中牙齿分类深度学习模型准确性的影响 | 通过调整图像上下文大小(从100%到300%)并使用ResNet-34模型,研究了上下文信息对牙齿分类准确性的影响 | 在200%到300%的上下文范围内,准确性提升有限,且犬齿的分类准确性在较小上下文下已经很高,增加上下文带来的提升不大 | 评估图像上下文信息对深度学习模型在全景牙科放射图像中牙齿分类准确性的影响 | 全景牙科放射图像中的牙齿分类 | 计算机视觉 | NA | 深度学习 | ResNet-34 | 图像 | 5008张全景放射图像,每张图像平均包含25.2颗牙齿 |
594 | 2024-08-07 |
Classification of Dental Radiographs Using Deep Learning
2021-Apr-03, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm10071496
PMID:33916800
|
研究论文 | 本文通过比较三种深度学习架构的分类性能,回顾性评估放射数据并前瞻性地分类放射图像(包括全景、咬翼、根尖和头影图像) | 使用ResNet-34进行主动学习,通过迭代注释和重新训练提高分类准确性 | 分类错误主要发生在咬翼和根尖图像之间 | 评估和比较不同深度学习模型在牙科放射图像分类中的性能 | 全景、咬翼、根尖和头影牙科放射图像 | 计算机视觉 | NA | 深度学习 | CNN, ResNet-34, CapsNet | 图像 | 31,288张全景图像,43,598张根尖图像,14,326张咬翼图像,1176张头影图像 |
595 | 2024-08-07 |
Genetic Probe for Visualizing Glutamatergic Synapses and Vesicles by 3D Electron Microscopy
2021-02-17, ACS chemical neuroscience
IF:4.1Q2
DOI:10.1021/acschemneuro.0c00643
PMID:33522227
|
研究论文 | 本文开发了一种遗传编码探针,用于通过3D电子显微镜技术可视化谷氨酸能突触和囊泡 | 首次开发了一种遗传编码探针,结合miniSOG和囊泡谷氨酸转运体-2,用于标记和成像基于其神经化学身份的突触和突触囊泡 | NA | 开发新的工具来访问神经传递的亚细胞结构和分子机制,以及基于神经递质的神经连接追踪 | 谷氨酸能突触和囊泡的标记与成像 | 神经科学 | NA | 3D电子显微镜,深度学习 | 深度学习模型 | 图像 | NA |
596 | 2024-08-07 |
Deep learning-based segmentation of the placenta and uterus on MR images
2021-Sep, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.8.5.054001
PMID:34589556
|
研究论文 | 本研究开发了一种基于深度学习的磁共振图像中胎盘和子宫腔的分割方法 | 采用全卷积神经网络(CNN)进行三维(3D)同时分割,并引入最小操作员交互以提高胎盘定位的准确性 | NA | 开发一种用户交互最少的分割方法 | 胎盘和子宫腔的分割 | 计算机视觉 | NA | 磁共振成像 | CNN | 图像 | 训练集包括70个正常案例和129个包括正常及疑似胎盘植入谱(PAS)的案例;测试集包括20个正常案例和50个包括正常及疑似PAS的案例 |
597 | 2024-08-07 |
Individual dairy cow identification based on lightweight convolutional neural network
2021, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0260510
PMID:34843562
|
研究论文 | 本研究利用深度学习技术,通过改进的轻量级卷积神经网络Alexnet,实现了在复杂背景下的个体奶牛识别 | 提出了一种改进的轻量级卷积神经网络模型,通过短路连接的BasicBlock和改进的inception模块及注意力机制,提高了特征点的检测能力,同时减少了模型参数 | NA | 提高农场中个体奶牛识别技术的实用性和效率 | 个体奶牛的图像识别 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 13头奶牛的侧视图像 |
598 | 2024-08-07 |
Advanced Feature Extraction and Selection Approach Using Deep Learning and Aquila Optimizer for IoT Intrusion Detection System
2021-Dec-26, Sensors (Basel, Switzerland)
DOI:10.3390/s22010140
PMID:35009682
|
研究论文 | 本文开发了一种新的特征提取和选择方法,利用深度学习和Aquila优化器为物联网入侵检测系统提供支持 | 提出了一种基于群智能算法Aquila优化器的特征选择方法,并结合卷积神经网络进行特征提取 | NA | 开发新的特征提取和选择方法,提高物联网入侵检测系统的性能 | 物联网入侵检测系统 | 机器学习 | NA | 深度学习 | CNN | 数据集 | 使用了四个知名公共数据集:CIC2017, NSL-KDD, BoT-IoT, 和 KDD99 |
599 | 2024-08-07 |
Low-dose CT reconstruction with Noise2Noise network and testing-time fine-tuning
2021-Dec, Medical physics
IF:3.2Q1
DOI:10.1002/mp.15101
PMID:34791655
|
研究论文 | 本文提出了一种基于深度学习的低剂量CT图像重建算法,该算法无需使用正常剂量的图像进行训练 | 提出的Noise2Noise网络在迭代重建过程中进行微调,无需清洁图像进行网络训练,且在测试时进行微调以优化每次重建 | NA | 开发一种无需清洁图像进行训练的低剂量CT图像重建算法 | 低剂量CT图像重建 | 计算机视觉 | NA | Noise2Noise网络 | 深度神经网络 | 图像 | 使用2016年低剂量CT挑战数据集进行验证 |
600 | 2024-08-07 |
Machine learning approach for the prediction of postpartum hemorrhage in vaginal birth
2021-11-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-021-02198-y
PMID:34799687
|
研究论文 | 本研究利用机器学习模型预测阴道分娩后的产后出血 | 构建了五种机器学习模型和一个包含两层神经网络的深度学习模型,通过集成学习方法提高了预测准确性 | 需要进一步研究以分析合适的变量并准备大规模数据集 | 预测阴道分娩后的产后出血 | 在东京女子医科大学东中心进行阴道分娩的女性 | 机器学习 | 产后出血 | 机器学习 | 神经网络 | 临床变量 | 共9,894名进行阴道分娩的患者,其中188例(1.9%)出血量超过1000毫升 |