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 | 2025-07-23 |
Deep Learning of Videourodynamics to Classify Bladder Dysfunction Severity in Patients With Spina Bifida
2023-05, The Journal of urology
IF:5.9Q1
DOI:10.1097/JU.0000000000003267
PMID:36787376
|
research paper | 本研究开发了深度学习模型,利用视频尿动力学数据对脊柱裂患者的膀胱功能障碍严重程度进行分类 | 首次将深度学习应用于视频尿动力学数据,自动分类膀胱功能障碍的严重程度 | 研究样本来自单一机构,可能存在选择偏差 | 开发自动分类膀胱功能障碍严重程度的深度学习模型 | 脊柱裂患者 | digital pathology | geriatric disease | videourodynamics | CNN, random forest, ensemble model | image, raw data from volume-pressure recordings | 306例视频尿动力学研究 |
2 | 2025-07-22 |
Confidence-based laboratory test reduction recommendation algorithm
2023-05-10, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-023-02187-3
PMID:37165369
|
研究论文 | 提出一种新的深度学习模型,用于识别住院患者不必要的血红蛋白(Hgb)检测,以降低健康风险和医疗成本 | 采用基于预测置信度的算法设计,选择性考虑高置信度样本进行推荐,并充分利用变量相关性和时间依赖性 | 未提及模型在更广泛医院或不同患者群体中的适用性验证 | 减少不必要的实验室检测,降低医疗成本和健康风险 | 住院患者的血红蛋白(Hgb)检测数据 | 机器学习 | NA | 深度学习 | 深度学习模型 | 实验室检测数据 | 来自休斯顿教学医院的内部患者数据和MIMIC III数据库的外部患者数据 |
3 | 2025-07-21 |
A deep learning algorithm to detect cutaneous squamous cell carcinoma on frozen sections in Mohs micrographic surgery: a retrospective assessment
2023-May-16, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.05.14.23289960
PMID:37293008
|
研究论文 | 开发并评估一种用于实时组织学边缘分析的AI算法,以检测皮肤鳞状细胞癌(cSCC) | 首次将深度学习算法应用于cSCC的术中边缘分析,特别是在不同分化状态的肿瘤中评估其准确性 | 对于高分化肿瘤,仅依靠组织形态学特征难以区分cSCC与表皮,需要进一步算法改进以考虑周围组织结构和肿瘤的原始解剖位置 | 提高皮肤鳞状细胞癌(cSCC)术中实时边缘分析的效率和准确性 | 接受Mohs显微手术的cSCC患者的冰冻切片 | 数字病理学 | 皮肤鳞状细胞癌 | 深度学习 | CNN | 图像 | 2020年1月至3月期间接受Mohs显微手术的cSCC患者的冰冻切片 |
4 | 2025-07-20 |
MKMR: a multi-kernel machine regression model to predict health outcomes using human microbiome data
2023-05-19, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbad158
PMID:37099694
|
研究论文 | 提出了一种多核机器学习回归模型(MKMR),用于利用人类微生物组数据预测健康结果 | MKMR模型能够捕捉微生物组数据的多种信号形式,通过多核转换和优化组合提高预测性能 | 未提及具体样本量的限制或模型在实际应用中的潜在问题 | 开发一种能够利用多种微生物组信号预测健康结果的模型 | 人类微生物组数据(喉咙和肠道微生物组) | 机器学习 | NA | 多核机器学习回归 | MKMR | 微生物组数据 | 未提及具体样本量 |
5 | 2025-06-24 |
Artificial intelligence algorithms aimed at characterizing or detecting prostate cancer on MRI: How accurate are they when tested on independent cohorts? - A systematic review
2023-May, Diagnostic and interventional imaging
IF:4.9Q1
DOI:10.1016/j.diii.2022.11.005
PMID:36517398
|
系统综述 | 本文对独立测试队列中基于人工智能的前列腺癌MRI诊断算法的性能进行了系统综述 | 评估AI算法在独立测试队列中的表现,并比较不同算法类型的稳健性 | 23项研究未使用预定义的诊断阈值,可能导致结果偏乐观 | 评估基于AI的前列腺癌MRI诊断算法在独立测试队列中的诊断性能 | 前列腺癌患者的MRI影像 | 数字病理学 | 前列腺癌 | MRI | 深度学习与放射组学 | 医学影像 | 35项研究,每项研究测试队列超过40名患者 |
6 | 2025-06-10 |
Deep learning-based weld defect classification using VGG16 transfer learning adaptive fine-tuning
2023-May-08, International journal on interactive design and manufacturing
DOI:10.1007/s12008-023-01327-3
PMID:40478981
|
研究论文 | 本文提出了一种基于深度学习的焊接缺陷分类方法,使用VGG16迁移学习和自适应微调技术 | 采用数据增强方法处理小规模X射线图像数据集,并比较了VGG16和ResNet50两种卷积神经网络架构的性能 | 数据集规模较小且类别分布不平衡,仅包含15个不同的类别 | 开发一种自动化焊接缺陷检测和分类系统 | 焊接缺陷的X射线图像 | 计算机视觉 | NA | 数据增强,迁移学习 | CNN(VGG16和ResNet50) | 图像 | 小规模X射线图像数据集,包含15个类别 |
7 | 2025-06-02 |
Sub-second photon dose prediction via transformer neural networks
2023-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16231
PMID:36669122
|
research paper | 提出了一种结合Transformer和卷积层的深度学习算法iDoTA,用于快速预测光子束剂量分布 | 结合Transformer和卷积层的深度学习算法iDoTA,能够在毫秒级别内准确预测光子束剂量分布 | 需要大量训练数据,且仅针对特定类型的光子束剂量分布进行预测 | 开发一种快速且准确的光子束剂量分布预测算法,用于在线和实时自适应治疗工作流程 | 光子束剂量分布 | machine learning | prostate cancer, lung cancer, head and neck cancer | deep learning | Transformer, CNN | 3D CT images | 1700 beam dose distributions from 11 clinical VMAT plans |
8 | 2025-05-08 |
Coding infant engagement in the Face-to-Face Still-Face paradigm using deep neural networks
2023-05, Infant behavior & development
IF:1.9Q3
DOI:10.1016/j.infbeh.2023.101827
PMID:36806017
|
研究论文 | 本研究使用深度神经网络(DNNs)对婴儿在面对面静止面孔(FFSF)任务中的参与度进行编码 | 首次将深度神经网络应用于FFSF任务中婴儿参与度的自动编码,并验证其高准确度 | 研究继承了原始数据集的样本限制,样本量较小且主要为白人群体 | 测试深度神经网络在FFSF任务中编码婴儿参与度的准确性 | 68对母婴组合在三个时间点完成的FFSF任务数据 | 计算机视觉 | NA | 深度神经网络图像分类 | DNN | 视频图像 | 68对母婴组合在三个时间点的FFSF任务视频数据,包含40,000张图像 |
9 | 2025-04-25 |
Rapid and Portable Quantification of HIV RNA via a Smartphone-enabled Digital CRISPR Device and Deep Learning
2023-May-16, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.05.12.23289911
PMID:37292781
|
research paper | 该研究开发了一种基于智能手机的数字CRISPR设备,用于快速便携地定量检测HIV RNA | 结合了数字CRISPR检测、智能手机控制和深度学习算法,实现了HIV RNA的快速便携检测 | NA | 开发便携式HIV病毒载量监测工具 | HIV RNA | digital pathology | HIV/AIDS | RT-RPA-CRISPR检测 | Deep Learning | fluorescence images | 75 copies of HIV RNA |
10 | 2025-04-06 |
GeoSynth: A Photorealistic Synthetic Indoor Dataset for Scene Understanding
2023-May, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2023.3247087
PMID:37027722
|
research paper | 本文介绍了GeoSynth,一个用于室内场景理解任务的多样化、逼真合成数据集 | 提出了一种新的合成数据集GeoSynth,包含丰富的标注信息,如分割、几何、相机参数等,能显著提升感知任务的网络性能 | 数据集仅部分公开,可能限制其广泛应用 | 解决室内场景理解任务中大规模标注数据集创建成本高、耗时长的问题 | 室内场景 | computer vision | NA | NA | NA | image | NA |
11 | 2025-03-26 |
CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data
2023-May-02, Research square
DOI:10.21203/rs.3.rs-2768563/v1
PMID:37205427
|
research paper | 提出一种名为CLCLSA的深度学习方法,用于处理不完整多组学数据的整合问题 | 结合跨组学链接嵌入、对比学习和自注意力机制,动态识别多组学数据中最具信息量的特征 | 需要完整的多组学数据作为监督,可能在某些实际应用中受限 | 解决不完整多组学数据整合问题,提高疾病和表型理解的全面性 | 多组学数据 | machine learning | NA | multi-omics integration | autoencoders, contrastive learning, self-attention | multi-omics data | 四个公共多组学数据集 |
12 | 2025-03-12 |
Video-Based Deep Learning for Automated Assessment of Left Ventricular Ejection Fraction in Pediatric Patients
2023-05, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2023.01.015
PMID:36754100
|
研究论文 | 本文介绍了EchoNet-Peds,一种基于视频的深度学习算法,用于自动评估儿科患者的左心室射血分数(EF) | EchoNet-Peds是首个专门针对儿科患者开发的深度学习算法,能够匹配人类专家在左心室分割和射血分数评估方面的表现 | 尽管EchoNet-Peds在儿科数据上表现优异,但其在成人数据上的适用性尚未验证 | 开发一种自动化工具,用于准确评估儿科患者的左心室射血分数和识别收缩功能障碍 | 儿科患者的超声心动图数据 | 计算机视觉 | 心血管疾病 | 深度学习 | CNN | 视频 | 4,467个儿科超声心动图 |
13 | 2025-03-01 |
Prediction of Coronary Artery Calcium Using Deep Learning of Echocardiograms
2023-05, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2022.12.014
PMID:36566995
|
研究论文 | 本研究利用深度学习模型,通过经胸超声心动图(TTE)视频预测冠状动脉钙化(CAC)评分,并评估其在预测1年生存率方面的效果 | 首次使用基于视频的卷积神经网络(CNN)从TTE视频中预测CAC评分,并验证其在外部数据集上的有效性 | 研究样本量相对较小,外部验证数据集仅有92个TTE视频 | 探索TTE视频是否可用于预测冠状动脉钙化评分,并评估其与CT CAC评分在预测1年生存率方面的相似性 | 2,881个TTE视频与冠状动脉钙化CT配对的样本,以及92个外部验证TTE视频 | 计算机视觉 | 心血管疾病 | 深度学习 | 卷积神经网络(CNN) | 视频 | 2,881个TTE视频与CT配对的样本,以及92个外部验证TTE视频 |
14 | 2025-02-26 |
Deep Learning-Aided Modulation Recognition for Non-Orthogonal Signals
2023-May-31, Sensors (Basel, Switzerland)
DOI:10.3390/s23115234
PMID:37299960
|
研究论文 | 本文旨在开发基于深度学习的自动调制识别方法,用于非正交传输信号的下行和上行链路 | 提出了基于双向长短期记忆网络(BiLSTM)的AMR方法,利用长期数据依赖性自动学习不规则信号星座形状,并引入迁移学习以提高识别准确性和鲁棒性;针对上行链路非正交信号,开发了基于注意力机制的时空融合网络,有效提取时空特征 | 未提及具体样本量或实验数据集的大小 | 开发高效的自动调制识别方法,适用于非正交传输系统 | 非正交传输信号的下行和上行链路 | 机器学习 | NA | 深度学习 | BiLSTM, 注意力机制, CNN | 信号数据 | NA |
15 | 2025-02-21 |
WM-STGCN: A Novel Spatiotemporal Modeling Method for Parkinsonian Gait Recognition
2023-May-22, Sensors (Basel, Switzerland)
DOI:10.3390/s23104980
PMID:37430892
|
研究论文 | 本文提出了一种名为WM-STGCN的新型时空建模方法,用于帕金森病步态识别 | WM-STGCN方法结合了加权邻接矩阵与虚拟连接和多尺度时间卷积,能够有效捕捉不同尺度的时空特征 | NA | 开发一种有效的帕金森病步态识别方法,以支持早期诊断和治疗 | 帕金森病患者的步态数据 | 计算机视觉 | 帕金森病 | 深度学习 | WM-STGCN(加权邻接矩阵与虚拟连接和多尺度时间卷积的时空图卷积网络) | 视频数据 | NA |
16 | 2025-02-21 |
CPGL: Prediction of Compound-Protein Interaction by Integrating Graph Attention Network With Long Short-Term Memory Neural Network
2023 May-Jun, IEEE/ACM transactions on computational biology and bioinformatics
DOI:10.1109/TCBB.2022.3225296
PMID:36445995
|
研究论文 | 本文提出了一种结合图注意力网络(GAT)和长短期记忆神经网络(LSTM)的深度学习算法CPGL,用于预测化合物-蛋白质相互作用(CPI) | 创新性地整合了GAT和LSTM,用于化合物和蛋白质的端到端表示学习,提高了模型的鲁棒性和泛化能力 | NA | 优化化合物和蛋白质的特征提取,提高CPI预测的准确性和模型性能 | 化合物-蛋白质相互作用(CPI) | 机器学习 | NA | 深度学习 | GAT, LSTM | 化合物和蛋白质的表示数据 | 基于3个公开的CPI数据集:C.elegans、Human和BindingDB,以及2个标签反转数据集:GPCR和Kinase |
17 | 2025-02-14 |
A deep learning model for novel systemic biomarkers in photographs of the external eye: a retrospective study
2023-05, The Lancet. Digital health
DOI:10.1016/S2589-7500(23)00022-5
PMID:36966118
|
研究论文 | 本研究开发了一种深度学习系统(DLS),通过外部眼部照片预测系统性参数,如肝脏、肾脏、骨骼或矿物质、甲状腺和血液相关参数 | 首次利用外部眼部照片预测多种系统性医学参数,扩展了外部眼部照片在疾病筛查中的应用 | 需要进一步研究以了解其临床应用价值 | 验证外部眼部照片是否包含多种系统性医学条件的信息 | 糖尿病患者及非糖尿病患者的眼部照片 | 计算机视觉 | 糖尿病 | 深度学习 | DLS | 图像 | 123,130张图像,来自38,398名糖尿病患者,并在25,510名患者中进行了验证 |
18 | 2025-02-02 |
Near-lifespan longitudinal tracking of brain microvascular morphology, topology, and flow in male mice
2023-05-24, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-38609-z
PMID:37221202
|
研究论文 | 本文介绍了一套方法,用于在超过七个月的时间内测量小鼠大脑血管的动态和解剖结构,利用光学相干断层扫描(OCT)和深度学习图像处理算法的进步 | 开发了一种能够在同一视野内长期跟踪大脑微血管形态、拓扑和血流的方法,结合了OCT和深度学习技术 | 研究仅限于雄性小鼠,未涉及雌性或其他模型系统 | 研究目的是开发一种能够长期跟踪大脑微血管变化的技术,以研究年龄相关的神经退行性疾病和正常衰老过程中的血管变化 | 雄性小鼠(包括野生型和3xTg模型) | 数字病理学 | 老年疾病 | 光学相干断层扫描(OCT),深度学习图像处理算法 | 深度学习 | 图像 | 未明确提及具体样本数量,但涉及野生型和3xTg雄性小鼠 |
19 | 2025-01-23 |
Deep learning-based protoacoustic signal denoising for proton range verification
2023-05-12, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/acd257
PMID:37141867
|
研究论文 | 本文提出了一种基于深度学习的原声信号去噪技术,用于质子治疗中的质子范围验证 | 提出了一种新型的深度学习技术,用于去噪原声信号,并在低剂量下减少布拉格峰(BP)范围的不确定性 | 研究仅在聚乙烯(PE)模型上进行,未在真实人体组织中进行验证 | 提高质子治疗中原声信号的信噪比(SNR)和布拉格峰(BP)范围验证的准确性 | 原声信号 | 机器学习 | NA | 深度学习 | 堆叠自编码器(SAE) | 声信号 | 512个原始信号,每个设备 |
20 | 2024-12-08 |
Multimodal deep learning methods enhance genomic prediction of wheat breeding
2023-05-02, G3 (Bethesda, Md.)
DOI:10.1093/g3journal/jkad045
PMID:36869747
|
研究论文 | 本文比较了一种新的深度学习方法与传统基因组预测模型在小麦育种中的应用 | 本文首次将深度学习方法应用于基因组与表型组(成像)相结合的基因组预测中 | 深度学习方法在某些年份的基因组预测准确性略低于GBLUP模型 | 提高小麦育种中未观测表型的基因组预测准确性 | 小麦的基因组数据和表型数据 | 机器学习 | NA | 深度学习 | 深度学习神经网络 | 基因组数据和表型数据 | 两个小麦数据集(DS1和DS2),DS1包含基因组和表型数据,DS2包含3年、2个环境(干旱和灌溉)和2-4个性状的基因组数据 |