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 | 2024-12-12 |
Convolutional Neural Networks for Fully Automated Diagnosis of Cardiac Amyloidosis by Cardiac Magnetic Resonance Imaging
2021-Dec-01, Journal of personalized medicine
IF:3.0Q1
DOI:10.3390/jpm11121268
PMID:34945740
|
研究论文 | 本文研究了使用卷积神经网络(CNN)通过心脏磁共振成像(CMR)自动诊断心脏淀粉样变性(CA) | 本文首次使用人工智能(AI)驱动的算法通过CMR图像检测心脏淀粉样变性的潜在模式 | 本文的局限性在于仅使用了502名患者的数据进行训练和验证 | 本文的研究目的是探索通过AI技术提高心脏淀粉样变性的诊断准确性 | 本文的研究对象是心脏淀粉样变性患者的心脏磁共振成像数据 | 计算机视觉 | 心血管疾病 | 卷积神经网络(CNN) | 卷积神经网络(CNN) | 图像 | 502名患者(其中82名患有心脏淀粉样变性) |
2 | 2024-12-01 |
Automated detection of brain metastases on non-enhanced CT using single-shot detectors
2021-Dec, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-021-02743-6
PMID:34114064
|
研究论文 | 研究使用单次检测器(SSD)模型在非增强CT上自动检测脑转移瘤 | 开发了一种基于深度学习的单次检测器(SSD)模型,用于在非增强CT上检测脑转移瘤 | SSD模型在检测小于6mm的病灶时表现不佳,且部分检测结果在回顾性分析中对放射科医生也不明显 | 开发和评估基于深度学习的检测器,用于在非增强CT上检测脑转移瘤 | 脑转移瘤在非增强CT上的检测 | 计算机视觉 | 脑部疾病 | 深度学习 | 单次检测器(SSD) | 图像 | 116例非增强CT,来自116名患者 |
3 | 2024-10-06 |
COVID-19 infection localization and severity grading from chest X-ray images
2021-12, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2021.105002
PMID:34749094
|
研究论文 | 本文提出了一种从胸部X光图像中定位COVID-19感染并进行严重程度分级的方法 | 构建了包含33,920张胸部X光图像的最大基准数据集,并采用人机协作方法进行肺部分割掩码的标注;使用U-Net、U-Net++和特征金字塔网络(FPN)进行实验,实现了高精度的肺部分割和感染定位 | 数据集主要集中在COVID-19样本上,可能限制了模型的泛化能力 | 开发一种自动化的方法来定位COVID-19感染并评估其严重程度 | COVID-19感染的定位和严重程度分级 | 计算机视觉 | COVID-19 | 深度学习 | U-Net, U-Net++, 特征金字塔网络 (FPN) | 图像 | 33,920张胸部X光图像,其中11,956张为COVID-19样本 |
4 | 2024-10-06 |
A review of deep learning-based three-dimensional medical image registration methods
2021-Dec, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-21-175
PMID:34888197
|
综述 | 本文综述了过去五年基于深度学习的三维医学图像配准方法的进展,并指出了现有挑战和未来研究方向 | 总结了深度学习在三维医学图像配准中的应用进展,并分类讨论了不同方法的优缺点 | 未提供具体的技术细节或实验结果,仅进行了文献综述 | 回顾和总结基于深度学习的三维医学图像配准方法,并探讨未来的研究方向 | 三维医学图像配准方法及其在不同医学程序中的应用 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
5 | 2024-10-05 |
Detection of Cytopathic Effects Induced by Influenza, Parainfluenza, and Enterovirus Using Deep Convolution Neural Network
2021-Dec-30, Biomedicines
IF:3.9Q1
DOI:10.3390/biomedicines10010070
PMID:35052750
|
研究论文 | 本研究利用深度卷积神经网络(ResNet-50)和多任务学习模型,提高了流感、副流感病毒和肠道病毒引起的细胞病变效应(CPEs)的检测效率 | 首次使用深度学习技术(ResNet-50和多任务学习模型)来检测流感、副流感病毒和肠道病毒引起的细胞病变效应,显著提高了检测准确率和效率 | 需要进一步验证模型在不同细胞系和更多病毒类型上的适用性 | 提高病毒引起的细胞病变效应的检测效率和准确性 | 流感、副流感病毒和肠道病毒引起的细胞病变效应 | 计算机视觉 | NA | 深度学习 | ResNet-50 | 图像 | 涉及流感、副流感病毒和肠道病毒引起的细胞病变效应的数据 |
6 | 2024-10-01 |
Improved Protein Structure Prediction Using a New Multi-Scale Network and Homologous Templates
2021-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202102592
PMID:34719864
|
研究论文 | 本文介绍了一种改进的蛋白质结构预测方法trRosettaX,通过应用新的多尺度网络Res2Net和基于注意力的模块来利用多个同源模板,提高了预测精度 | 引入了新的多尺度网络Res2Net和基于注意力的模块,利用多个同源模板提高了蛋白质结构预测的精度 | NA | 提高蛋白质结构预测的准确性 | 蛋白质结构预测 | 机器学习 | NA | 深度学习 | Res2Net | 蛋白质结构数据 | 161个目标 |
7 | 2024-09-30 |
[Research progress of epileptic seizure predictions based on electroencephalogram signals]
2021-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202105052
PMID:34970903
|
综述 | 本文综述了基于脑电图信号的癫痫发作预测研究进展 | 强调了机器学习和深度学习在癫痫发作预测中的贡献,特别是深度学习在特征选择和模型泛化方面的优势 | 尽管取得了显著进展,但仍需更多努力才能实现临床应用 | 探讨如何利用脑电图信号预测癫痫发作,并促进其在临床中的应用 | 癫痫发作预测及其相关技术 | 机器学习 | 癫痫 | 脑电图(EEG) | 深度学习(DL) | 脑电图信号 | NA |
8 | 2024-09-29 |
CovH2SD: A COVID-19 detection approach based on Harris Hawks Optimization and stacked deep learning
2021-Dec-30, Expert systems with applications
IF:7.5Q1
DOI:10.1016/j.eswa.2021.115805
PMID:34511738
|
研究论文 | 提出了一种基于Harris Hawks优化和堆叠深度学习的COVID-19检测方法CovH2SD | 采用Harris Hawks优化算法优化超参数,并结合九种预训练卷积神经网络进行特征提取和学习 | 未提及 | 开发一种快速且准确的COVID-19检测方法 | COVID-19患者的胸部CT图像 | 计算机视觉 | COVID-19 | Harris Hawks优化算法 | 卷积神经网络 | 图像 | 未提及 |
9 | 2024-09-29 |
Machine Learning in Epigenomics: Insights into Cancer Biology and Medicine
2021-12, Biochimica et biophysica acta. Reviews on cancer
DOI:10.1016/j.bbcan.2021.188588
PMID:34245839
|
综述 | 本文综述了机器学习在表观基因组学中的应用,特别是其在癌症生物学和医学中的作用 | 探讨了机器学习算法在处理复杂、高维、稀疏和噪声数据方面的优势 | 未具体讨论每种机器学习方法的局限性 | 旨在概述机器学习方法如何用于探索表观基因组在癌症生物学和医学中的作用 | 癌症样本中的表观基因组数据 | 机器学习 | 癌症 | 机器学习算法 | NA | 表观基因组数据 | NA |
10 | 2024-09-27 |
Deep Learning Algorithm to Detect Cardiac Sarcoidosis From Echocardiographic Movies
2021-12-24, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-21-0265
PMID:34176867
|
研究论文 | 开发了一种深度学习算法,用于从超声心动图电影中检测心脏肉瘤病 | 使用3D卷积神经网络(3D-CNN)结合迁移学习方法来区分心脏肉瘤病患者和健康受试者 | 研究样本量较小,且仅限于特定时间段内的患者 | 开发一种新的方法来早期诊断亚临床心脏肉瘤病 | 心脏肉瘤病患者和健康受试者 | 计算机视觉 | 心血管疾病 | 3D卷积神经网络(3D-CNN) | 3D-CNN | 视频 | 212个超声心动图电影,包括50名心脏肉瘤病患者和149名健康受试者 |
11 | 2024-09-27 |
Deep Learning Brings New Era in Echocardiography
2021-12-24, Circulation journal : official journal of the Japanese Circulation Society
IF:3.1Q2
DOI:10.1253/circj.CJ-21-0663
PMID:34471070
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
12 | 2024-09-19 |
Classification of COVID-19 pneumonia from chest CT images based on reconstructed super-resolution images and VGG neural network
2021-Dec, Health information science and systems
IF:4.7Q1
DOI:10.1007/s13755-021-00140-0
PMID:33643612
|
研究论文 | 本文提出了一种基于超分辨率重建图像和VGG神经网络的COVID-19肺炎胸部CT图像分类辅助诊断算法 | 使用SRGAN神经网络对胸部CT图像进行超分辨率重建,然后通过VGG16神经网络对COVID-19和非COVID-19图像进行分类 | NA | 提高COVID-19肺炎胸部CT图像分类的准确性和性能 | COVID-19肺炎和非COVID-19肺炎的胸部CT图像 | 计算机视觉 | 肺部疾病 | 超分辨率重建 | SRGAN和VGG16 | 图像 | 使用公开的COVID-CT数据集进行验证 |
13 | 2024-09-13 |
[Review on identity feature extraction methods based on electroencephalogram signals]
2021-Dec-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi
DOI:10.7507/1001-5515.202102057
PMID:34970904
|
综述 | 本文综述了基于脑电信号的身份特征提取方法 | 介绍了脑电信号在生物识别中的特殊优势,并探讨了如何结合脑电数据特征更好地提取差异信息 | 未提及具体的研究局限性 | 探讨基于脑电信号的身份识别方法 | 脑电信号的身份特征提取 | 生物识别 | NA | 脑电信号分析 | 深度学习 | 脑电信号 | NA |
14 | 2024-09-13 |
Image and structured data analysis for prognostication of health outcomes in patients presenting to the ED during the COVID-19 pandemic
2021-Dec-09, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2021.104662
PMID:34923448
|
研究论文 | 研究利用机器学习和深度学习模型,结合临床数据和胸部影像数据,预测COVID-19患者在急诊科的不良预后 | 首次将临床数据和胸部影像数据结合,使用LightGBM和CheXNet模型进行多维度风险预测 | 研究样本仅限于Loyola大学医学中心的3571名患者,可能存在地域和样本量的局限性 | 开发机器学习和深度学习模型,预测COVID-19患者在急诊科的不良预后 | COVID-19患者的胸部影像和临床数据 | 计算机视觉 | COVID-19 | LightGBM, CheXNet | LightGBM, CheXNet | 图像, 结构化数据 | 3571名18岁及以上的急诊科患者 |
15 | 2024-09-11 |
DeepSec: a deep learning framework for secreted protein discovery in human body fluids
2021-12-22, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btab545
PMID:34398224
|
研究论文 | 本文介绍了一个名为DeepSec的深度学习框架,用于在人体体液中识别分泌蛋白 | DeepSec采用端到端的序列分析方法,结合卷积神经网络和双向门控循环单元进行蛋白质分类,显著提高了分泌蛋白识别的准确性 | 由于现有蛋白质组学平台的技术限制,不同实验研究之间存在较大差异,导致全面的人体体液蛋白质组图谱尚未完全确定 | 开发一个深度学习框架,以提高人体体液中分泌蛋白的识别准确性 | 12种人体体液中的分泌蛋白 | 机器学习 | NA | 深度学习 | 卷积神经网络和双向门控循环单元 | 蛋白质序列 | 12种人体体液的测试数据集 |
16 | 2024-09-11 |
Learning sparse log-ratios for high-throughput sequencing data
2021-12-22, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btab645
PMID:34498030
|
研究论文 | 本文介绍了一种名为CoDaCoRe的新型学习算法,用于从高通量测序数据中发现稀疏、可解释和预测性的对数比生物标志物 | CoDaCoRe算法利用连续松弛来近似组合优化问题,并通过现代机器学习工具箱(特别是梯度下降)高效优化,显著提高了计算速度和预测准确性 | NA | 自动发现与感兴趣结果相关的稀疏生物标志物 | 高通量测序数据中的对数比生物标志物 | 机器学习 | NA | 高通量测序 | NA | 序列数据 | NA |
17 | 2024-09-10 |
Wavelet and deep learning-based detection of SARS-nCoV from thoracic X-ray images for rapid and efficient testing
2021-Dec-15, Expert systems with applications
IF:7.5Q1
DOI:10.1016/j.eswa.2021.115650
PMID:34366576
|
研究论文 | 本文提出了一种基于小波和深度学习的快速高效检测SARS-nCoV的方法,通过胸腔X光图像进行诊断 | 使用小波变换和卷积神经网络结合的方法,从胸腔X光图像中提取特征,提高了检测准确性和信号噪声比 | NA | 开发一种快速高效的SARS-nCoV检测方法,减少诊断时间 | SARS-nCoV感染患者 | 计算机视觉 | 呼吸道疾病 | 小波变换、卷积神经网络 | 卷积神经网络 | 图像 | 使用了公开数据库中的胸腔X光图像以及近期COVID-19患者的图像进行验证 |
18 | 2024-09-10 |
Hybrid deep learning of social media big data for predicting the evolution of COVID-19 transmission
2021-Dec-05, Knowledge-based systems
IF:7.2Q1
DOI:10.1016/j.knosys.2021.107417
PMID:34690447
|
研究论文 | 研究构建了一种混合深度学习模型ODANN,结合神经网络、数据同化和自然语言处理技术,用于预测COVID-19传播的演变 | 提出了一种新的混合深度学习模型ODANN,结合了神经网络、数据同化和自然语言处理技术,能够同时处理COVID-19时间序列数据和Twitter数据,以预测全球确诊病例的增长率 | 研究仅使用了2020年1月23日至5月10日的Twitter数据,可能无法全面反映全球社区的情感反应 | 开发一种能够预测COVID-19传播演变的混合深度学习模型 | COVID-19时间序列数据和Twitter数据 | 机器学习 | COVID-19 | 自然语言处理 | 神经网络 | 文本 | 超过1亿条英文Twitter数据 |
19 | 2024-09-10 |
Correlating dynamic climate conditions and socioeconomic-governmental factors to spatiotemporal spread of COVID-19 via semantic segmentation deep learning analysis
2021-Dec, Sustainable cities and society
IF:10.5Q1
DOI:10.1016/j.scs.2021.103231
PMID:34377630
|
研究论文 | 本研究开发了一种深度学习模型,通过融合气候条件、社会经济和政府限制因素的数据特征,预测全球COVID-19的传播率 | 提出了G参数,并通过两步优化过程融合气候特征和社会经济-政府因素,提高了模型的预测能力 | NA | 预测COVID-19的全球传播率 | COVID-19的传播率及其与气候条件、社会经济和政府因素的关系 | 机器学习 | NA | 深度学习 | NA | 数据特征 | 全球251个国家 |
20 | 2024-09-10 |
COVID-19 lung infection segmentation with a novel two-stage cross-domain transfer learning framework
2021-12, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2021.102205
PMID:34425317
|
研究论文 | 本文提出了一种新颖的两阶段跨域迁移学习框架,用于从CT图像中准确分割COVID-19肺部感染 | 创新点包括一个名为nCoVSegNet的有效感染分割深度学习模型和一种新颖的两阶段迁移学习策略 | NA | 快速诊断COVID-19以控制疫情传播 | COVID-19肺部感染的CT图像分割 | 计算机视觉 | COVID-19 | 深度学习 | nCoVSegNet | 图像 | NA |