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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
121 | 2024-10-08 |
Three-dimensional label-free morphology of CD8 + T cells as a sepsis biomarker
2023-Nov-07, Light, science & applications
DOI:10.1038/s41377-023-01309-w
PMID:37932249
|
研究论文 | 研究探讨了三维无标记CD8+ T细胞形态作为脓毒症生物标志物的潜力 | 首次提出三维无标记CD8+ T细胞形态作为脓毒症的生物标志物,并开发了深度学习模型进行预测 | 样本量较小,仅包括8名脓毒症恢复患者和20名健康对照 | 研究三维无标记CD8+ T细胞形态作为脓毒症诊断和预后生物标志物的潜力 | 脓毒症患者和健康对照的CD8+ T细胞形态 | 数字病理学 | 脓毒症 | 深度学习 | 深度学习模型 | 细胞形态 | 8名脓毒症恢复患者和20名健康对照 |
122 | 2024-10-08 |
Can Deep Adult Lung Segmentation Models Generalize to the Pediatric Population?
2023-Nov-01, Expert systems with applications
IF:7.5Q1
DOI:10.1016/j.eswa.2023.120531
PMID:37397242
|
研究论文 | 本文研究了深度成人肺分割模型在儿科人群中的泛化能力,并提出了一种改进性能的方法 | 提出了新的评估指标MLCD和AHS,并采用分阶段系统方法通过CXR模态特定的权重初始化、堆叠集成和集成堆叠集成来提高性能 | NA | 分析深度成人肺分割模型在儿科人群中的泛化能力,并提出改进方法 | 成人肺分割模型在儿科人群中的应用 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | NA |
123 | 2024-10-08 |
A comprehensive review of machine learning algorithms and their application in geriatric medicine: present and future
2023-Nov, Aging clinical and experimental research
IF:3.4Q2
DOI:10.1007/s40520-023-02552-2
PMID:37682491
|
综述 | 本文综述了机器学习算法及其在老年医学中的应用现状和未来发展 | 本文详细描述了各种机器学习算法的分类、用途和能力,并特别关注了其在老年医学中的应用 | 本文主要集中在算法的技术层面和临床应用,未深入探讨数据隐私和伦理问题 | 探讨机器学习算法在老年医学中的应用及其未来发展 | 机器学习算法及其在老年医学中的应用 | 机器学习 | 老年病 | NA | NA | NA | NA |
124 | 2024-10-08 |
THPLM: a sequence-based deep learning framework for protein stability changes prediction upon point variations using pretrained protein language model
2023-11-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btad646
PMID:37874953
|
研究论文 | 提出了一种基于序列的深度学习框架THPLM,用于预测蛋白质稳定性变化,使用预训练的蛋白质语言模型ESM-2 | 利用预训练的蛋白质语言模型ESM-2和简单的卷积神经网络,THPLM在蛋白质稳定性变化预测方面表现优异 | NA | 探索蛋白质稳定性变化的预测方法,特别是在点突变情况下的预测 | 蛋白质稳定性变化 | 机器学习 | NA | 深度学习 | 卷积神经网络 | 序列 | NA |
125 | 2024-10-08 |
Lyme rashes disease classification using deep feature fusion technique
2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13519
PMID:38009027
|
研究论文 | 本文提出了一种新的深度特征融合系统,用于分类莱姆病皮疹 | 本文创新性地提出了一个深度特征融合机制,通过集成多个深度学习模型的特征来提高分类准确性 | NA | 开发一种自动分类莱姆病皮疹的方法,以帮助临床医生和皮肤科医生更有效地研究和诊断 | 莱姆病皮疹的分类 | 计算机视觉 | 莱姆病 | 深度学习 | 深度卷积神经网络 | 图像 | NA |
126 | 2024-10-05 |
Direct prediction of gas adsorption via spatial atom interaction learning
2023-Nov-03, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-42863-6
PMID:37923711
|
研究论文 | 本文介绍了一种名为DeepSorption的空间原子相互作用学习网络,用于直接预测气体吸附 | 提出了DeepSorption模型,通过考虑全局结构和局部空间原子相互作用,实现了对晶体多孔材料吸附性能的准确、快速预测 | NA | 开发一种能够快速准确预测晶体多孔材料气体吸附性能的深度学习模型 | 晶体多孔材料的气体吸附性能 | 机器学习 | NA | 深度学习 | Matformer | 原子坐标和化学元素类型信息 | NA |
127 | 2024-10-05 |
An invertible, invariant crystal representation for inverse design of solid-state materials using generative deep learning
2023-Nov-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-42870-7
PMID:37919277
|
研究论文 | 本文介绍了一种可逆且不变的晶体表示方法SLICES,用于固态材料的逆向设计 | 开发了一种名为SLICES的简化线输入晶体编码系统,解决了固态材料设计中缺乏可逆晶体表示的问题 | NA | 解决固态材料设计中缺乏可逆晶体表示的问题,并应用于光电应用中的直接窄带隙半导体逆向设计 | 固态材料及其结构排列 | 材料科学 | NA | 生成式深度学习 | NA | 晶体结构数据 | 超过40,000种结构和化学多样化的晶体结构 |
128 | 2024-10-05 |
Image harmonization and deep learning automated classification of plus disease in retinopathy of prematurity
2023-Nov, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.10.6.061107
PMID:37794884
|
研究论文 | 本文开发了一种基于深度学习的方法,用于自动分类早产儿视网膜病变中的plus疾病,并使用智能手机摄像头获取的图像进行图像协调 | 本文创新性地使用智能手机摄像头和廉价镜头获取眼底图像,并通过预处理管道增强血管和协调图像,然后使用深度学习进行分类 | 研究结果基于有限的数据集,未来需要更大规模的数据集进行验证 | 开发一种能够使用智能手机图像进行plus疾病分期的算法和软件 | 早产儿视网膜病变中的plus疾病 | 计算机视觉 | 眼科疾病 | 深度学习 | GoogLeNet | 图像 | 有限的数据集 |
129 | 2024-10-05 |
Hybrid deep learning model based smart IOT based monitoring system for Covid-19
2023-Nov, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2023.e21150
PMID:37928011
|
研究论文 | 本文设计了一种基于物联网的智能健康监测系统,用于监测COVID-19患者的生理参数,并提出了一种基于循环卷积神经网络(RCNN)和拼图优化算法(PO)的分类方法 | 本文提出了一种创新的循环卷积神经网络(RCNN)和拼图优化算法(PO)的混合模型,用于分类和监测患者的生理参数 | NA | 设计一种基于物联网的智能健康监测系统,用于远程监测COVID-19患者的生理参数 | COVID-19患者的生理参数,如血氧水平、血压、体温和心率 | 机器学习 | COVID-19 | 物联网(IoT) | 循环卷积神经网络(RCNN) | 生理参数数据 | NA |
130 | 2024-09-29 |
Are current machine learning applications comparable to radiologist classification of degenerate and herniated discs and Modic change? A systematic review and meta-analysis
2023-11, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society
IF:2.6Q1
DOI:10.1007/s00586-023-07718-0
PMID:37150769
|
meta-analysis | 本文通过系统综述和荟萃分析,评估了当前机器学习算法在识别腰椎间盘退变、突出、膨出和Modic改变方面与放射科医生分类的比较 | 本文首次系统地探讨了这一主题,并建议结合深度学习和半监督或无监督学习方法以提高准确性 | 当前方法存在验证尝试少和样本量不足的问题 | 评估当前机器学习算法在识别腰椎间盘退变、突出、膨出和Modic改变方面的表现,并与放射科医生的分类进行比较 | 腰椎间盘退变、突出、膨出和Modic改变 | machine learning | NA | MRI | deep learning, support vector machine, k-nearest neighbors, random forest, naïve Bayes | image | 27项研究被纳入综述,其中25项用于多变量荟萃分析,14项用于双变量荟萃分析 |
131 | 2024-09-29 |
4Dflow-VP-Net: A deep convolutional neural network for noninvasive estimation of relative pressures in stenotic flows from 4D flow MRI
2023-11, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.29791
PMID:37496183
|
研究论文 | 提出了一种基于深度学习的方法,利用4D流MRI数据非侵入性地估计狭窄流中的相对压力梯度 | 提出了一种新的深度学习方法4Dflow-VP-Net,用于从4D流MRI速度数据中估计狭窄血管中的压力梯度 | 需要进一步验证该方法在不同临床条件下的适用性和准确性 | 开发一种非侵入性的方法来估计狭窄流中的相对压力梯度 | 狭窄血管中的相对压力梯度 | 计算机视觉 | 心血管疾病 | 4D流MRI | 深度卷积神经网络 | 图像 | 16名患有中度和重度主动脉狭窄的患者 |
132 | 2024-09-28 |
Targeted deep learning classification and feature extraction for clinical diagnosis
2023-Nov-17, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2023.108006
PMID:37876820
|
研究论文 | 本文提出了一种用于临床诊断的深度学习分类和特征提取方法 | 提出了一种能够发现多种分类问题中蛋白质生物标志物的特征提取器,使用了一种特殊的深度学习模型,该模型能够发现允许最佳类别分离和增强类别聚类身份的潜在空间 | NA | 开发一种能够广泛应用于多种疾病的蛋白质生物标志物识别方法 | COVID-19患者和硬皮病患者的数据集 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质生物标志物数据 | 涉及COVID-19患者和硬皮病患者的数据集 |
133 | 2024-09-28 |
Color Fusion Effect on Deep Learning Classification of Uveal Melanoma
2023-Nov-08, Research square
DOI:10.21203/rs.3.rs-3399214/v1
PMID:37986860
|
研究论文 | 本研究验证了深度学习在葡萄膜黑色素瘤和脉络膜痣分类中的应用,并评估了颜色融合选项对分类性能的影响 | 本研究首次评估了不同颜色融合选项对深度学习分类性能的影响 | 本研究为回顾性研究,样本量有限,且未涉及其他类型的眼部病变 | 验证深度学习在葡萄膜黑色素瘤和脉络膜痣分类中的应用,并评估颜色融合选项的影响 | 葡萄膜黑色素瘤和脉络膜痣的分类 | 计算机视觉 | 眼部疾病 | 卷积神经网络 (CNN) | CNN | 图像 | 798张超广角视网膜图像,来自438名患者,其中157名患者诊断为葡萄膜黑色素瘤,281名患者诊断为脉络膜痣 |
134 | 2024-09-28 |
DenSleepNet: DenseNet based model for sleep staging with two-frequency feature fusion and coordinate attention
2023-Nov, Biomedical engineering letters
IF:3.2Q2
DOI:10.1007/s13534-023-00301-y
PMID:37872995
|
研究论文 | 本文设计并构建了一个基于DenseNet的端到端深度学习模型,用于自动睡眠分期 | 提出了一种基于DenseNet的模型,通过双频率特征融合和坐标注意力机制来增强显著波形特征的定位,从而提高睡眠分期的准确性 | NA | 提高睡眠分期模型的准确性 | 睡眠EEG数据中的显著波形特征 | 机器学习 | NA | 深度学习 | DenseNet | EEG数据 | 使用了两个公开数据集Sleep-EDF-20和Sleep-EDFx进行20折交叉验证 |
135 | 2024-09-28 |
Deep radiomics-based fusion model for prediction of bevacizumab treatment response and outcome in patients with colorectal cancer liver metastases: a multicentre cohort study
2023-Nov, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2023.102271
PMID:37869523
|
研究论文 | 本研究开发并验证了一种多模态深度学习模型,用于预测贝伐珠单抗在不可切除的结直肠癌肝转移患者中的疗效 | 本研究创新性地结合了PET/CT影像、临床数据和病理学标志物,构建了深度放射组学贝伐珠单抗疗效预测模型(DERBY+),显著提高了预测准确性 | 本研究为回顾性研究,未来需要在大规模前瞻性研究中进一步验证和探索其临床影响 | 开发和验证一种多模态深度学习模型,用于预测贝伐珠单抗在不可切除的结直肠癌肝转移患者中的疗效 | 不可切除的结直肠癌肝转移患者 | 机器学习 | 结直肠癌 | 深度神经网络(DNN) | 随机森林分类器 | 影像、临床数据、病理学数据 | 307名患者 |
136 | 2024-09-28 |
Boosting the performance of pretrained CNN architecture on dermoscopic pigmented skin lesion classification
2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI)
IF:2.0Q3
DOI:10.1111/srt.13505
PMID:38009020
|
研究论文 | 本文研究如何提升预训练卷积神经网络在皮肤镜色素性皮肤病变分类中的性能 | 通过数据增强和贝叶斯超参数优化来提升预训练CNN模型的分类性能 | NA | 提升预训练卷积神经网络在皮肤镜图像分类中的性能 | 皮肤镜色素性皮肤病变图像 | 计算机视觉 | 皮肤癌 | 卷积神经网络 | CNN | 图像 | 使用2019年ISIC数据集,包含八个疾病类别的图像 |
137 | 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 |
138 | 2024-09-23 |
Deep learning-driven adaptive optics for single-molecule localization microscopy
2023-Nov, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-023-02029-0
PMID:37770712
|
研究论文 | 本文开发了一种基于深度学习的自适应光学技术,用于单分子定位显微镜(SMLM),以解决生物组织引起的波前畸变问题 | 本文的创新点在于利用深度学习直接推断波前畸变并进行近实时补偿,避免了传统的迭代试错过程 | NA | 研究目的是提高单分子定位显微镜在生物组织中的分辨率和成像质量 | 研究对象是生物组织中的单分子发射模式及其波前畸变 | 计算机视觉 | NA | 自适应光学 | 深度神经网络 | 图像 | 超过130微米厚的脑组织样本 |
139 | 2024-09-20 |
Deep learning based hybrid prediction model for predicting the spread of COVID-19 in the world's most populous countries
2023-Nov-30, Expert systems with applications
IF:7.5Q1
DOI:10.1016/j.eswa.2023.120769
PMID:37334273
|
研究论文 | 本文开发了一种基于深度学习的混合预测模型,用于预测全球人口最多的国家中COVID-19的传播 | 本研究首次尝试预测和分析全球人口最多的国家之间的COVID-19跨国家传播 | NA | 预测COVID-19的传播,以帮助制定健康管理计划和社会经济行动计划 | 全球人口最多的国家中COVID-19的传播 | 机器学习 | COVID-19 | 深度学习 | CNN-GRU混合模型 | NA | 全球人口最多的国家 |
140 | 2024-09-20 |
MRI-based T1rho and T2 cartilage compositional imaging in osteoarthritis: what have we learned and what is needed to apply it clinically and in a trial setting?
2023-Nov, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-023-04310-x
PMID:37000230
|
研究论文 | 本文探讨了基于MRI的T1rho和T2关节软骨成分成像在骨关节炎中的应用,分析了其在临床和试验设置中的现状和需求 | 开发了基于深度学习的自动软骨分割和更快的成像方法,推动了T1rho和T2成像在临床和科学试验中的可行性 | 软骨分割的挑战、图像采集时间长、成像标准化不足以及缺乏参考数据库和异常阈值定义 | 研究T1rho和T2关节软骨成分成像在骨关节炎早期诊断和治疗中的应用 | 骨关节炎患者的关节软骨 | 数字病理学 | 骨关节炎 | MRI | 深度学习 | 图像 | NA |