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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1301 | 2024-09-10 |
Artificial Intelligence and Machine Learning in Prediction of Surgical Complications: Current State, Applications, and Implications
2023-Jan, The American surgeon
DOI:10.1177/00031348221101488
PMID:35562124
|
综述 | 本文综述了人工智能(AI)在预测手术并发症中的应用现状,重点介绍了机器学习和深度学习算法在手术风险分层中的作用 | AI驱动的模型能够准确识别高风险患者,并克服传统统计风险计算器的局限性 | NA | 探讨AI在预测手术并发症中的应用及其对未来基于个体患者因素的知情同意讨论的影响 | 手术并发症的预测和患者风险分层 | 机器学习 | NA | 机器学习和深度学习算法 | NA | NA | NA |
1302 | 2024-09-10 |
A Surgeon's Guide to Artificial Intelligence-Driven Predictive Models
2023-Jan, The American surgeon
DOI:10.1177/00031348221103648
PMID:35588764
|
研究论文 | 本文为外科医生提供了人工智能驱动的预测模型的基本理解 | 介绍了常见的机器学习和深度学习算法、模型开发、性能指标和解释 | 未提及具体的研究限制 | 帮助外科医生理解人工智能驱动的预测模型 | 外科医生和人工智能驱动的预测模型 | 机器学习 | NA | 机器学习 | 机器学习和深度学习算法 | NA | NA |
1303 | 2024-09-10 |
Advanced deep learning approaches to predict supply chain risks under COVID-19 restrictions
2023-Jan, Expert systems with applications
IF:7.5Q1
DOI:10.1016/j.eswa.2022.118604
PMID:35999828
|
研究论文 | 本文提出了一种基于深度学习的方法来预测在COVID-19限制下的供应链风险 | 本文提出了两种深度学习模型变体(RNN和TCN)来预测供应链风险,并展示了TCN模型在预测风险方面的100%准确率 | NA | 预测在COVID-19限制下的供应链风险,以提高供应链的韧性 | 供应链中的货物运输风险 | 机器学习 | NA | 深度学习 | RNN(LSTM、BiLSTM、GRU)和TCN | 在线数据集 | NA |
1304 | 2024-09-10 |
SARS-CoV-2 virus classification based on stacked sparse autoencoder
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.12.007
PMID:36530948
|
研究论文 | 本文提出了一种基于堆叠稀疏自编码器(SSAE)的SARS-CoV-2病毒分类方法 | 使用图像表示的完整基因组序列作为SSAE的输入,实现了高效的病毒分类 | 未在训练过程中使用SARS-CoV-2样本,仅在后续测试中使用 | 开发一种高效的病毒基因组分类方法,特别是针对SARS-CoV-2 | SARS-CoV-2病毒的基因组序列 | 机器学习 | NA | 堆叠稀疏自编码器(SSAE) | 堆叠稀疏自编码器(SSAE) | 图像 | 未明确提及具体样本数量 |
1305 | 2024-09-10 |
Intelligent lead-based bidirectional long short term memory for COVID-19 sentiment analysis
2023, Social network analysis and mining
IF:2.3Q3
DOI:10.1007/s13278-022-01005-4
PMID:36532863
|
研究论文 | 本文介绍了一种基于智能引导的双向长短期记忆网络(BiLSTM)用于COVID-19情感分析 | 通过引入智能引导优化,减少了分类器在学习数据时的损失,提高了情感分析的准确性 | 未提及具体限制 | 识别COVID-19相关推特数据中人们的情感 | COVID-19相关推特数据 | 自然语言处理 | NA | NA | 双向长短期记忆网络(BiLSTM) | 文本 | 未提及具体样本数量 |
1306 | 2024-09-10 |
Evaluating GPCR modeling and docking strategies in the era of deep learning-based protein structure prediction
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.11.057
PMID:36544468
|
研究论文 | 本文评估了在深度学习时代下,GPCR建模和对接策略在基于结构的药物发现中的应用 | 本文展示了通过深度学习技术改进蛋白质结构预测后,对接和虚拟筛选的显著提升 | 本文的研究结果主要基于70个GPCR复合物的数据集,可能无法完全代表所有GPCR的情况 | 探讨如何将深度学习在蛋白质结构预测领域的革命性进展转化为基于结构的药物发现领域的进步 | 70个与小分子或肽结合的GPCR复合物 | 机器学习 | NA | 深度学习 | NA | 蛋白质结构数据 | 70个GPCR复合物 |
1307 | 2024-09-10 |
PSTCNN: Explainable COVID-19 diagnosis using PSO-guided self-tuning CNN
2023, Biocell : official journal of the Sociedades Latinoamericanas de Microscopia Electronica ... et. al
IF:0.8Q4
DOI:10.32604/biocell.2021.0xxx
PMID:36570878
|
研究论文 | 本文提出了一种基于粒子群优化(PSO)引导的自调优卷积神经网络(PSTCNN),用于可解释的COVID-19诊断 | 引入了粒子群优化算法来自动调整卷积神经网络的超参数,减少了人工干预,并能更稳定地接近全局最优解 | 未提及 | 开发一种高效的深度学习模型,用于COVID-19的自动诊断,以缓解全球医疗资源不足的压力 | COVID-19的诊断 | 计算机视觉 | COVID-19 | 卷积神经网络(CNN) | 卷积神经网络(CNN) | 图像 | 未提及 |
1308 | 2024-09-10 |
EpiCas-DL: Predicting sgRNA activity for CRISPR-mediated epigenome editing by deep learning
2023, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2022.11.034
PMID:36582444
|
研究论文 | 本文开发了一种深度学习框架EpiCas-DL,用于预测CRISPR介导的表观基因组编辑中sgRNA的活性 | EpiCas-DL在sgRNA活性预测方面具有高准确性,并优于其他现有方法 | NA | 优化sgRNA设计以提高CRISPR介导的表观基因组编辑效率 | sgRNA的活性及其在基因沉默和激活中的应用 | 机器学习 | NA | CRISPR | 深度学习框架 | 实验数据 | 数千个实验验证的靶点 |
1309 | 2024-09-10 |
The PANDORA Software for Anchor-Restrained Peptide:MHC Modeling
2023, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-3239-0_18
PMID:37258920
|
研究论文 | 本文介绍了PANDORA软件的协议,该软件用于生成锚定约束的肽:MHC三维结构模型 | PANDORA利用MHC分子用于锚定肽的结构知识,提供锚定位置作为约束来指导建模过程,能够在约5分钟内生成二十个3D模型 | NA | 开发一种能够快速准确生成肽:MHC三维结构模型的软件 | 肽:MHC复合物的三维结构 | 生物信息学 | NA | NA | NA | 结构模型 | NA |
1310 | 2024-09-08 |
Integrative deep learning analysis improves colon adenocarcinoma patient stratification at risk for mortality
2023-Aug, EBioMedicine
IF:9.7Q1
DOI:10.1016/j.ebiom.2023.104726
PMID:37499603
|
研究论文 | 本文开发并评估了结合福尔马林固定石蜡包埋(FFPE)全切片图像(WSIs)、临床变量和突变特征的深度学习模型,用于根据结肠腺癌(COAD)患者的死亡风险进行分层 | 本文的创新点在于整合了图像、临床和基因组特征,以提高结肠腺癌患者的风险分层效果 | 模型在预测中度风险(3年<OS<5年)患者的总体生存率方面效果较差 | 研究目的是通过整合图像、临床和基因组特征,提高结肠腺癌患者的风险分层效果 | 研究对象是结肠腺癌(COAD)患者 | 数字病理 | 结直肠癌 | 深度学习 | 深度学习模型 | 图像、临床变量、突变特征 | 训练数据集包含108名患者,外部验证数据集包含123名COAD患者和52名直肠腺癌(READ)患者 |
1311 | 2024-09-07 |
Deep learning to estimate lung disease mortality from chest radiographs
2023-05-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-37758-5
PMID:37193717
|
研究论文 | 开发了一种深度学习模型CXR Lung-Risk,用于从胸部X光片预测肺病死亡风险 | 首次使用深度学习模型从胸部X光片中预测肺病死亡风险,并展示了其在个性化预防和治疗策略中的潜在应用 | NA | 开发和验证一种深度学习模型,用于从胸部X光片中预测肺病死亡风险 | 肺病死亡风险预测 | 计算机视觉 | 肺病 | 深度学习 | 深度学习模型 | 图像 | 训练集包含40,643名个体的147,497张X光片,测试集包含15,976名个体 |
1312 | 2024-09-07 |
Deep Learning to Predict Mortality After Cardiothoracic Surgery Using Preoperative Chest Radiographs
2023-01, The Annals of thoracic surgery
DOI:10.1016/j.athoracsur.2022.04.056
PMID:35609650
|
研究论文 | 本文开发了一种深度学习模型,用于预测心脏手术后的死亡风险,基于术前胸部X光片 | 提出的深度学习模型CXR-CTSurgery在预测心脏手术后死亡风险方面具有与STS-PROM相似的区分度,并且在校准方面表现更好 | NA | 开发一种基于术前胸部X光片的深度学习模型,用于预测心脏手术后的死亡风险 | 心脏手术患者及其术前胸部X光片 | 计算机视觉 | 心血管疾病 | 深度学习 | 深度学习模型 | 图像 | 9283名患者用于模型开发,3615名患者用于内部测试,2840名患者用于外部测试 |
1313 | 2024-09-06 |
Deep learning and transfer learning identify breast cancer survival subtypes from single-cell imaging data
2023-Dec-19, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-023-00414-6
PMID:38114659
|
研究论文 | 本文通过深度学习和迁移学习方法,利用单细胞成像数据识别乳腺癌生存亚型 | 提出了一种量化单细胞分辨率细胞间相互作用特征的方法,并应用于神经网络模型以预测患者生存 | NA | 开发一种从单细胞水平信息到群体水平生存预测的方法 | 乳腺癌患者的生存亚型 | 数字病理学 | 乳腺癌 | 非负矩阵分解 (NMF) | 神经网络 | 图像 | 数百个单细胞分辨率的细胞间相互作用特征 |
1314 | 2024-09-06 |
SpineQ: Unsupervised 3D Lumbar Quantitative Assessment
2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC40787.2023.10485565
PMID:38557307
|
研究论文 | 本文提出了一种无监督的3D腰椎定量评估方法SpineQ,能够从不同视角分析MRI图像并生成多组织分割结果 | 本文的创新点在于结合了基于规则和深度学习的方法,实现了无监督的3D腰椎定量评估,无需繁琐的手动标注 | 本文的局限性在于仅进行了初步测试,尚未在更大规模的数据集上验证其有效性 | 开发一种无监督的3D腰椎定量评估方法,提高临床诊断和手术规划的效率和一致性 | 腰椎的MRI图像 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA |
1315 | 2024-09-06 |
Consonant-Vowel Transition Models Based on Deep Learning for Objective Evaluation of Articulation
2023, IEEE/ACM transactions on audio, speech, and language processing
DOI:10.1109/taslp.2022.3209937
PMID:36712557
|
研究论文 | 本文提出了一种基于深度学习的辅音-元音过渡模型,用于客观评估发音 | 提出了一个名为客观发音测量(OAM)的新指标,通过分析辅音-元音过渡区域来评估发音的准确性 | NA | 开发一种客观测量发音准确性的方法 | 辅音-元音过渡区域的发音准确性 | 自然语言处理 | NA | 卷积神经网络 | CNN | 语音 | 包括成人构音障碍语音、唇腭裂儿童语音以及母语为普通话和西班牙语的英语口音语音的数据库 |
1316 | 2024-09-05 |
Centralized contrastive loss with weakly supervised progressive feature extraction for fine-grained common thorax disease retrieval in chest x-ray
2023-Jun, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16144
PMID:36515554
|
研究论文 | 本文提出了一种新的细粒度医学图像检索方法,使用集中对比损失和弱监督渐进特征提取技术来提高胸部X光片中常见胸腔疾病的检索性能 | 引入了一种新的集中对比损失函数和弱监督渐进特征提取方法,有效结合全局和局部特征,提高了特征的区分性能并降低了算法的时间复杂度 | 文章未明确提及具体的局限性 | 开发一种高效的图像疾病检索系统,帮助医生进行疾病诊断和预后 | 胸部X光片中的14种不同胸腔疾病 | 计算机视觉 | 胸腔疾病 | 集中对比损失(CCLoss) | CNN | 图像 | 未明确提及具体样本数量 |
1317 | 2024-09-05 |
Artificial Intelligence-Enabled Software Prototype to Inform Opioid Pharmacovigilance From Electronic Health Records: Development and Usability Study
2023 Jan-Dec, JMIR AI
DOI:10.2196/45000
PMID:37771410
|
研究论文 | 开发了一种基于人工智能的软件原型,用于从电子健康记录中提取与阿片类药物相关的药物不良事件信号,以增强美国食品药品监督管理局(FDA)的药物安全性和研究活动 | 利用自然语言处理和其他人工智能技术,从电子健康记录中自动提取临床有用信息,提高药物安全信号检测的效率 | 需要进一步优化用户界面和功能,以满足不同用户的需求 | 开发一种新型人工智能驱动的软件原型,用于从电子健康记录的自由文本出院总结中识别药物不良事件安全信号,以增强阿片类药物的安全性和研究活动 | 阿片类药物的药物不良事件安全信号 | 自然语言处理 | NA | 自然语言处理(NLP) | 深度学习 | 文本 | 15名FDA工作人员 |
1318 | 2024-09-05 |
Self-Supervised Electroencephalogram Representation Learning for Automatic Sleep Staging: Model Development and Evaluation Study
2023 Jan-Dec, JMIR AI
DOI:10.2196/46769
PMID:38090533
|
研究论文 | 本研究开发并评估了一种自监督学习模型ContraWR,用于从大量未标记的脑电图(EEG)信号中学习鲁棒的向量表示,以自动化睡眠分期任务。 | 提出了一种新的自监督模型ContraWR,该模型使用数据集的全局统计信息(即平均表示)来区分不同睡眠阶段的信号,而不是使用一组负样本。 | 未来的研究方向包括探索任务特定的数据增强和将自监督方法与监督方法结合,以进一步提高性能。 | 旨在从大量未标记的EEG信号中学习鲁棒的向量表示,以提高睡眠分期任务的预测性能。 | EEG信号的向量表示学习。 | 机器学习 | NA | 自监督学习 | ContraWR | EEG数据 | 3个大型EEG数据集 |
1319 | 2024-09-04 |
Deep learning and direct sequencing of labeled RNA captures transcriptome dynamics
2023-Nov-17, bioRxiv : the preprint server for biology
DOI:10.1101/2023.11.17.567581
PMID:38014155
|
研究论文 | 本文利用5-乙炔尿苷标记新生RNA并通过纳米孔直接RNA测序,开发了深度卷积和循环神经网络RNAkinet,用于处理纳米孔测序产生的电信号,以识别5EU标记的新生RNA分子 | 本文开发了RNAkinet,一个深度卷积和循环神经网络,能够处理纳米孔测序的电信号,识别5EU标记的新生RNA分子,并能推广到不同的细胞类型和生物体 | 现有的方法依赖于新生RNA的代谢标记和物理分离或通过PCR产生的突变进行推断,这些方法在识别短暂衰变中间体或同时分析RNA衰变与cis-调节RNA稳定性的元素方面存在局限 | 量化RNA代谢动力学,以理解健康和疾病中的基因调控 | RNA代谢动力学及其cis-调节元素 | 机器学习 | NA | 纳米孔测序 | CNN和LSTM | 电信号 | NA |
1320 | 2024-09-01 |
A deep learning-enabled smartphone platform for rapid and sensitive colorimetric detection of dimethoate pesticide
2023-Dec, Analytical and bioanalytical chemistry
IF:3.8Q1
DOI:10.1007/s00216-023-04978-z
PMID:37770666
|
research paper | 开发了一种基于深度学习的智能手机平台,用于辅助比色适体生物传感器快速和高灵敏度地检测乐果农药 | 该平台结合了比色生物传感器和基于智能手机的深度学习方法,实现了便携且经济实惠的农药检测工具 | NA | 开发一种快速、高灵敏度的农药检测方法 | 乐果农药的检测 | machine learning | NA | NA | CNN | image | 浓度范围为0-10 μM的乐果溶液 |