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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
621 | 2024-09-28 |
Transforming medical imaging with Transformers? A comparative review of key properties, current progresses, and future perspectives
2023-Apr, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102762
PMID:36738650
|
综述 | 本文综述了Transformer模型在医学影像领域的应用现状,并探讨了其未来发展方向 | 本文通过对比Transformer和卷积神经网络(CNN)的关键特性,系统地组织了Transformer在医学影像中的应用,帮助读者更好地理解这些方法背后的原理 | NA | 探讨Transformer模型在医学影像领域的应用现状及未来发展方向 | Transformer模型在医学影像中的应用,包括图像分割、识别、检测、配准、重建、增强等 | 计算机视觉 | NA | Transformer | Transformer | 图像 | NA |
622 | 2024-09-28 |
Applying a GAN-based classifier to improve transcriptome-based prognostication in breast cancer
2023-04, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1011035
PMID:37011102
|
研究论文 | 本文提出了一种基于生成对抗网络(GAN)的分类器,用于改善乳腺癌患者的转录组学预后 | 本文创新性地使用了一种包含梯度惩罚的Wasserstein生成对抗网络(GAN)和嵌入式辅助分类器的数据增强管道,以克服omics数据集中变量数量远超患者数量的挑战 | NA | 开发一种能够基于全转录组数据对乳腺癌患者进行风险分层的稳健分类器 | 乳腺癌患者 | 机器学习 | 乳腺癌 | 生成对抗网络(GAN) | 生成对抗网络(GAN) | 转录组数据 | 1244名患者(METABRIC乳腺癌队列) |
623 | 2024-09-28 |
Deep Learning in MRI-guided Radiation Therapy: A Systematic Review
2023-Mar-30, ArXiv
PMID:36994167
|
综述 | 系统性回顾了深度学习在MRI引导放射治疗中的应用 | NA | NA | 回顾深度学习在MRI引导放射治疗中的应用,并讨论其临床意义和未来方向 | MRI引导放射治疗中的深度学习应用 | 机器学习 | NA | MRI | NA | NA | NA |
624 | 2024-09-28 |
MediNet: transfer learning approach with MediNet medical visual database
2023-Mar-20, Multimedia tools and applications
IF:3.0Q2
DOI:10.1007/s11042-023-14831-1
PMID:37362724
|
研究论文 | 本文提出了一种基于MediNet医学视觉数据库的迁移学习方法,并使用多种深度学习算法进行预训练和分类应用 | 本文提出了MediNet,一个包含10类医学图像的新视觉数据集,并使用多种深度学习算法进行迁移学习,提高了分类准确率 | 本文未详细讨论数据集的构建过程和数据质量问题 | 研究如何通过迁移学习提高医学图像分类的准确率 | 医学图像分类问题,包括胸部X光片、糖尿病视网膜病变和Covid-19数据集 | 计算机视觉 | NA | 迁移学习 | AlexNet, VGG19-BN, Inception V3, DenseNet 121, ResNet 101, EfficientNet B0, Nested-LSTM + CNN, RdiNet | 图像 | MediNet数据集包含10类医学图像,具体样本数量未明确说明 |
625 | 2024-09-28 |
AD-Syn-Net: systematic identification of Alzheimer's disease-associated mutation and co-mutation vulnerabilities via deep learning
2023-03-19, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad030
PMID:36752347
|
研究论文 | 本文构建了一个大规模的阿尔茨海默病(AD)突变和共突变框架,并提出了基于深度学习的模型来系统地识别与AD相关的突变和共突变脆弱性 | 本文提出了名为Deep-SMCI和Deep-CMCI的深度学习模型,能够基于基因突变和共突变谱有效预测认知障碍 | NA | 系统地识别与阿尔茨海默病相关的风险突变 | 阿尔茨海默病相关的基因突变和共突变 | 机器学习 | 阿尔茨海默病 | 深度学习 | 全连接层 | 基因突变和共突变数据 | 大规模数据集 |
626 | 2024-09-28 |
Machine learning in metastatic cancer research: Potentials, possibilities, and prospects
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2023.03.046
PMID:37077177
|
综述 | 本文综述了经典机器学习和深度学习在转移性癌症研究中的应用 | 本文指出了现有模型在临床试验数据中由于样本多样性不足可能导致泛化能力被高估的问题 | 深度学习模型的黑箱性质和高计算成本是其主要局限 | 探讨机器学习和深度学习在转移性癌症研究中的潜力和前景 | 转移性癌症的早期检测、生物标志物识别和治疗选择 | 机器学习 | 癌症 | 深度学习 | NA | 图像 | 临床试验数据中的样本多样性不足 |
627 | 2024-09-28 |
Deep Convolutional Neural Networks for Detecting COVID-19 Using Medical Images: A Survey
2023, New generation computing
IF:2.0Q2
DOI:10.1007/s00354-023-00213-6
PMID:37229176
|
综述 | 本文综述了2020年1月至2022年9月期间使用深度学习模型进行COVID-19检测的研究 | 本文比较了不同深度学习方法在COVID-19检测中的应用,并提供了该领域的未来发展方向 | NA | 探讨深度学习在COVID-19检测中的应用 | COVID-19检测 | 计算机视觉 | COVID-19 | 深度学习 | CNN | 图像 | NA |
628 | 2024-09-28 |
On the Analyses of Medical Images Using Traditional Machine Learning Techniques and Convolutional Neural Networks
2023, Archives of computational methods in engineering : state of the art reviews
IF:9.7Q1
DOI:10.1007/s11831-023-09899-9
PMID:37260910
|
综述 | 本文综述了卷积神经网络(CNN)在医学图像分析中的应用及其内部结构和挑战 | 本文介绍了深度学习中不同的激活函数、超参数优化、正则化、动量和损失函数对CNN性能的改进 | NA | 探讨CNN在医学图像分析中的应用及其内部结构和挑战 | 卷积神经网络及其在医学图像分析中的应用 | 计算机视觉 | NA | 卷积神经网络(CNN) | CNN | 图像 | NA |
629 | 2024-09-28 |
Multi-modal medical image classification using deep residual network and genetic algorithm
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0287786
PMID:37384779
|
研究论文 | 本文提出了一种基于深度残差网络和遗传算法的多模态医学图像分类方法 | 利用深度学习模型ResNet50结合遗传算法,提高了多模态医学图像分类的准确性 | NA | 旨在缩小语义鸿沟并提高多模态医学图像分类的性能 | 多模态医学图像 | 计算机视觉 | NA | 深度学习 | ResNet50 | 图像 | 28378张多模态医学图像 |
630 | 2024-09-28 |
Generic Interpretable Reaction Condition Predictions with Open Reaction Condition Datasets and Unsupervised Learning of Reaction Center
2023, Research (Washington, D.C.)
DOI:10.34133/research.0231
PMID:37849643
|
研究论文 | 本文提出了一个基于Transformer的反应条件预测模型Parrot,并创建了两个标准化的反应条件数据集 | 提出了一个强大的、可解释的Transformer模型Parrot,用于反应条件预测,并创建了两个标准化的反应条件数据集 | 训练数据集的多样性可能仍然有限 | 解决深度学习辅助合成规划中反应条件预测的挑战 | 反应条件预测模型和标准化数据集 | 机器学习 | NA | Transformer | Transformer | 文本 | 两个标准化的反应条件数据集,涵盖广泛的反应类别 |
631 | 2024-09-28 |
Deep learning-empowered crop breeding: intelligent, efficient and promising
2023, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2023.1260089
PMID:37860239
|
研究论文 | 本文探讨了深度学习在作物育种中的应用,旨在提高育种效率和作物品质 | 提出了基于深度学习的作物育种策略,以加速作物改良和提高育种效率 | 当前面临数据复杂性、数据获取困难和预测精度低等挑战 | 提高作物育种效率和作物品质 | 作物育种过程 | 机器学习 | NA | 深度学习 | NA | NA | NA |
632 | 2024-09-28 |
Nucleotide-level prediction of CircRNA-protein binding based on fully convolutional neural network
2023, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2023.1283404
PMID:37867600
|
研究论文 | 本文提出了一种基于全卷积神经网络的CircRNA-蛋白质结合位点预测方法 | 将CircRNA-蛋白质结合位点预测视为核苷酸级别的二分类任务,并使用全卷积神经网络进行预测 | 现有方法在准确预测具有特殊功能的motif位点方面表现不佳 | 研究CircRNA-蛋白质结合位点的预测及其在基因表达调控中的作用 | CircRNA-蛋白质结合位点及其motif功能 | 计算机视觉 | NA | 全卷积神经网络 | 全卷积神经网络 | 序列 | NA |
633 | 2024-09-28 |
Stacked ensemble deep learning for pancreas cancer classification using extreme gradient boosting
2023, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2023.1232640
PMID:37876961
|
研究论文 | 本文介绍了一种用于胰腺CT图像分类的堆叠集成深度学习方法 | 提出了堆叠集成深度学习(SEDL)方法,结合Inception V3、VGG16和ResNet34作为弱学习器,并使用极端梯度提升(XGBoost)作为强学习器进行最终分类 | 未提及具体限制 | 提高胰腺CT图像分类的预测性能 | 胰腺CT医学图像 | 计算机视觉 | 胰腺癌 | 极端梯度提升(XGBoost) | 堆叠集成模型 | 图像 | 222张图像,来自80个胰腺CT扫描,分辨率为512*512像素,包括53名男性和27名女性 |
634 | 2024-09-28 |
Convolutional neural network model by deep learning and teaching robot in keyboard musical instrument teaching
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0293411
PMID:37883500
|
研究论文 | 研究通过深度学习和教学机器人在键盘乐器教学中的应用,提出了一种卷积神经网络模型,以改进学前教育的键盘乐器教学 | 提出了将智能技术与键盘乐器教学相结合的方法,通过教学机器人和深度学习模型实现个性化教学 | 未详细说明教学机器人的具体设计和实现细节,以及深度学习模型的训练数据和评估方法 | 探讨当前学前教育中键盘乐器教学的现状,提出改进方案,并验证教学机器人在键盘乐器教学中的应用效果 | 学前教育中的键盘乐器教学 | 机器学习 | NA | 深度学习 | 卷积神经网络(CNN) | 图像 | 参与键盘乐器教学的学生 |
635 | 2024-09-28 |
Revealing the impact of psychiatric comorbidities on treatment outcome in early psychosis using counterfactual model explanation
2023, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2023.1237490
PMID:37900290
|
研究论文 | 研究利用多模态深度学习架构和反事实模型解释技术,探讨精神共病对早期精神病治疗结果的影响 | 引入反事实模型解释技术,分析MINI评分对缓解概率的影响,并识别出对缓解概率影响最大的特定共病 | 研究结果主要基于OPTiMiSE研究的多中心样本,可能存在样本偏倚 | 探讨精神共病对早期精神病治疗结果的影响,并改进个体化预测模型 | 早期精神病患者及其精神共病 | 机器学习 | 精神病 | 多模态深度学习 | 深度学习模型 | 文本 | 来自OPTiMiSE研究的多中心早期精神病患者样本 |
636 | 2024-09-27 |
An alternatively spliced PD-L1 isoform PD-L1∆3, and PD-L2 expression in breast cancers: implications for eligibility scoring and immunotherapy response
2023-Dec, Cancer immunology, immunotherapy : CII
DOI:10.1007/s00262-023-03543-y
PMID:37768345
|
研究论文 | 研究探讨了乳腺癌中PD-L1的剪接变体PD-L1∆3和PD-L2的表达,及其对免疫治疗反应的影响 | 首次发现PD-L1的剪接变体PD-L1∆3在乳腺癌中的表达,并揭示了PD-L2与PD-L1水平的相关性及其对免疫逃逸的影响 | 需要进一步验证PD-L1∆3和PD-L2在不同肿瘤类型中的表达及其对免疫治疗的具体影响 | 探索PD-L1和PD-L2在乳腺癌中的表达及其对免疫治疗反应的影响 | PD-L1的剪接变体PD-L1∆3和PD-L2在乳腺癌中的表达 | 数字病理学 | 乳腺癌 | 转录组分析、结构建模、免疫组化 | AlphaFold2 | 蛋白质模型 | 涉及TCGA数据库中的乳腺癌和其他肿瘤样本 |
637 | 2024-09-27 |
Adapting model-based deep learning to multiple acquisition conditions: Ada-MoDL
2023-11, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29750
PMID:37332189
|
研究论文 | 本文介绍了一种基于模型的深度学习网络,能够在多种采集条件下从欠采样的并行MRI数据中提供高质量的重建 | 提出了一种单一的展开架构,通过调整卷积神经网络(CNN)特征和正则化参数的权重,适应不同的采集设置 | NA | 开发一种能够在多种采集条件下提供高质量重建的单一模型 | 欠采样的并行MRI数据 | 计算机视觉 | NA | 卷积神经网络(CNN) | 多层感知器模型 | 图像 | 使用来自多种采集设置的数据进行训练,包括不同的场强、加速和对比度 |
638 | 2024-09-27 |
When will RNA get its AlphaFold moment?
2023-Oct-13, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkad726
PMID:37702120
|
研究论文 | 本文讨论了在短期内开发基于深度学习的RNA结构预测方法(如AlphaFold)所面临的挑战,并提出了改进建议 | 本文首次详细讨论了RNA结构预测中数据质量和数量问题,并提出了可能的解决方案 | 本文主要集中在讨论现有数据和方法的局限性,未提供具体的解决方案或实验验证 | 探讨RNA结构预测中深度学习方法的挑战并提出改进建议 | RNA的3D结构预测 | 机器学习 | NA | 深度学习 | AlphaFold | 序列数据 | 有限数量的结构和比对数据 |
639 | 2024-09-27 |
3D Ultrasonic Brain Imaging with Deep Learning Based on Fully Convolutional Networks
2023-Oct-09, Sensors (Basel, Switzerland)
DOI:10.3390/s23198341
PMID:37837171
|
研究论文 | 本文介绍了一种基于全卷积网络的3D超声脑成像深度学习算法 | 提出了Brain Imaging Full Convolution Network (BIFCN)算法,结合波形建模和深度学习进行精确的脑超声重建 | 实验结果在实验室中略低于模拟实验,且需要纯水作为初始模型 | 开发一种安全、快速且广泛适用的脑成像技术 | 成人颅内脑组织的3D超声成像 | 计算机视觉 | NA | 超声成像 | 全卷积网络 (FCN) | 图像 | 10个样本 |
640 | 2024-09-27 |
Go with the flow: deep learning methods for autonomous viscosity estimations
2023-Oct-09, Digital discovery
IF:6.2Q1
DOI:10.1039/d3dd00109a
PMID:38013903
|
研究论文 | 本文提出了一种使用卷积神经网络(CNN)进行自主粘度估计的方法,通过非侵入性地提取流体流动的时空特征来替代传统的粘度测量方法 | 本文的创新点在于使用3D卷积神经网络(3D-CNN)进行粘度估计,并通过实验证明其性能优于人类观察者 | 本文的局限性在于仅在实验室条件下进行了验证,尚未在实际工业应用中进行测试 | 本文的研究目的是开发一种快速、非侵入性的粘度测量方法,以加速材料发现和过程控制 | 本文的研究对象是流体的粘度及其在流体流动中的时空特征 | 机器学习 | NA | 卷积神经网络(CNN) | 3D卷积神经网络(3D-CNN) | 视频 | 本文使用了少于50个视频样本进行训练,每个液体类别约50个视频 |