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(使用关键词“['deep learning']”过滤),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19.9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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6661 | 2024-11-04 |
GGN-GO: geometric graph networks for predicting protein function by multi-scale structure features
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae559
PMID:39487084
|
研究论文 | 提出了一种几何图网络(GGN-GO)用于通过多尺度结构特征预测蛋白质功能 | 通过几何向量感知器将原子和残基级别的多尺度几何结构特征转换为向量表示,并引入图注意力池化层和对比学习增强图表示的判别能力 | 未提及 | 解决传统方法在蛋白质功能注释中的成本和时间问题,以及现有深度学习方法在捕捉细粒度几何结构特征和长程依赖性方面的不足 | 蛋白质功能预测 | 机器学习 | NA | 几何图网络(GGN-GO) | 图卷积网络(GCN) | 蛋白质结构数据 | 未提及 | NA | NA | NA | NA |
| 6662 | 2024-11-04 |
Graph contrastive learning as a versatile foundation for advanced scRNA-seq data analysis
2024-Sep-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae558
PMID:39487083
|
研究论文 | 本文提出了一种基于图对比学习的新框架scSimGCL,用于单细胞RNA测序数据的细胞聚类分析 | scSimGCL结合了细胞-细胞图结构和对比学习,显著提升了细胞聚类的性能 | NA | 开发一种简单而有效的框架,用于生成高质量的表示,以支持稳健的细胞聚类 | 单细胞RNA测序数据中的细胞聚类 | 机器学习 | NA | 图对比学习 | 图神经网络 | 单细胞RNA测序数据 | 涉及模拟和真实单细胞RNA测序数据集 | NA | NA | NA | NA |
| 6663 | 2024-11-04 |
MULTIMODAL LEARNING TO IMPROVE CARDIAC LATE MECHANICAL ACTIVATION DETECTION FROM CINE MR IMAGES
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/isbi56570.2024.10635410
PMID:39371471
|
研究论文 | 本文提出了一种多模态深度学习框架,利用先进的图像技术提高依赖于常规获取的标准图像的临床分析性能 | 首次利用Displacement Encoding with Stimulated Echo (DENSE)获得的肌节应变的准确性和可重复性来指导心脏磁共振成像(CMR)在晚期机械激活(LMA)检测中的分析 | NA | 提高心脏晚期机械激活检测的性能 | 心脏晚期机械激活(LMA)检测 | 计算机视觉 | 心血管疾病 | 心脏磁共振成像(CMR) | 深度学习网络 | 图像 | NA | NA | NA | NA | NA |
| 6664 | 2024-11-04 |
Controllable editing via diffusion inversion on ultra-widefield fluorescein angiography for the comprehensive analysis of diabetic retinopathy
2024-Mar-01, Biomedical optics express
IF:2.9Q2
DOI:10.1364/BOE.517819
PMID:38495723
|
研究论文 | 本文开发了一种基于图像生成的深度学习系统,用于在超广角荧光素血管造影(UWFA)图像中分析与糖尿病视网膜病变(DR)相关的多种指标 | 本文提出了一种统一的模型,通过图像生成将输入图像转换为相应的无病版本,并结合图像级监督训练过程,显著减少了临床应用中对大量手动干预的需求 | NA | 建立一个深度学习系统,用于在超广角荧光素血管造影(UWFA)图像中分析与糖尿病视网膜病变(DR)相关的多种指标 | 糖尿病视网膜病变(DR)及其在超广角荧光素血管造影(UWFA)图像中的表现 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | 图像生成模型 | 图像 | NA | NA | NA | NA | NA |
| 6665 | 2024-11-04 |
Evaluating generalizability of artificial intelligence models for molecular datasets
2024-Feb-28, bioRxiv : the preprint server for biology
DOI:10.1101/2024.02.25.581982
PMID:38464295
|
研究论文 | 本文介绍了一种名为Spectra的光谱框架,用于全面评估深度学习模型在分子数据集上的泛化能力 | 提出了Spectra框架,通过绘制模型性能随交叉分割重叠度降低的变化曲线,并报告曲线下面积作为泛化能力的度量 | 尽管Spectra框架展示了模型在特定任务上的泛化能力,但没有模型在所有任务中始终表现最佳 | 评估深度学习模型在分子数据集上的泛化能力 | 18个与表型相关的测序数据集,包括结核病抗生素抗性、蛋白质-配体结合等 | 机器学习 | NA | 深度学习 | 大型语言模型、图神经网络、扩散模型、卷积神经网络 | 分子测序数据 | 18个测序数据集,19个最先进的深度学习模型 | NA | NA | NA | NA |
| 6666 | 2024-11-04 |
A combinatorial deep learning method for Alzheimer's disease classification-based merging pretrained networks
2024, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2024.1444019
PMID:39483205
|
研究论文 | 提出了一种结合两种预训练网络的混合深度学习方法,用于阿尔茨海默病的分类 | 通过结合两种预训练网络的优势,增强了阿尔茨海默病相关特征的表示能力 | NA | 提高阿尔茨海默病的早期诊断和干预效果 | 阿尔茨海默病患者 | 机器学习 | 阿尔茨海默病 | 卷积神经网络 (CNN) | 混合模型 | 图像 | 大量阿尔茨海默病患者的MRI图像 | NA | NA | NA | NA |
| 6667 | 2024-11-04 |
Advancements and Challenges in the Image-Based Diagnosis of Lung and Colon Cancer: A Comprehensive Review
2024, Cancer informatics
IF:2.4Q3
DOI:10.1177/11769351241290608
PMID:39483315
|
综述 | 本文综述了基于图像的肺癌和大肠癌诊断领域的最新进展和挑战 | 结合机器学习和人工智能方法,显著提高了癌症检测和表征的准确性 | 图像解释的变异性、缺乏标准化诊断协议、高级成像技术的不平等访问以及数据隐私和安全问题 | 探讨基于图像的肺癌和大肠癌诊断的最新进展和挑战 | 肺癌和大肠癌的图像诊断 | 计算机视觉 | 肺癌 | 深度学习、机器学习、图像处理 | NA | 图像 | NA | NA | NA | NA | NA |
| 6668 | 2024-11-04 |
PatchProt: hydrophobic patch prediction using protein foundation models
2024, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae154
PMID:39483526
|
研究论文 | 本文利用大型语言模型ESM-2进行微调,开发了一种名为PatchProt的新模型,用于预测蛋白质表面的疏水性补丁 | 通过多任务深度学习方法,PatchProt不仅能够预测疏水性补丁区域,还在二级结构和表面可及性预测等主要任务上优于现有方法 | NA | 开发一种新的方法来预测蛋白质表面的疏水性补丁,并提高蛋白质属性预测的准确性 | 蛋白质表面的疏水性补丁 | 机器学习 | NA | 多任务深度学习 | 大型语言模型ESM-2 | 蛋白质序列 | NA | NA | NA | NA | NA |
| 6669 | 2024-11-04 |
Classification of coronary artery disease severity based on SPECT MPI polarmap images and deep learning: A study on multi-vessel disease prediction
2024 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076241288430
PMID:39484655
|
研究论文 | 研究利用深度学习方法对基于SPECT MPI极坐标图图像的冠状动脉疾病严重程度进行分类,并预测多血管疾病 | 本研究结合EfficientNet-V2模型和DeepSMOTE方法,有效评估冠状动脉疾病严重程度并区分多血管疾病与单血管疾病 | NA | 探索利用深度学习技术评估冠状动脉疾病严重程度并预测多血管疾病 | 冠状动脉疾病严重程度和多血管疾病的预测 | 计算机视觉 | 心血管疾病 | 深度学习 | EfficientNet-V2 | 图像 | 254名患者(其中176名患有多血管疾病,78名患有单血管疾病) | NA | NA | NA | NA |
| 6670 | 2024-11-02 |
Multimodal Deep Learning-based Radiomics Approach for Predicting Surgical Outcomes in Patients with Cervical Ossification of the Posterior Longitudinal Ligament
2024-Nov-15, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000005088
PMID:38975742
|
研究论文 | 本研究开发了一种基于多模态深度学习的放射组学方法,用于预测颈椎后纵韧带骨化症患者的手术结果 | 本研究首次将深度学习和机器学习技术应用于预测颈椎后纵韧带骨化症患者的手术结果 | 本研究为回顾性分析,样本量有限,且仅限于特定类型的患者 | 开发一种预测颈椎后纵韧带骨化症患者手术结果的模型 | 颈椎后纵韧带骨化症患者 | 机器学习 | 颈椎病 | 深度学习 | LightGBM 和 RadImagenet | 影像数据(X光、CT、MRI) | 288名患者 | NA | NA | NA | NA |
| 6671 | 2024-11-02 |
Combining graph deep learning and London dispersion interatomic potentials: A case study on pnictogen chalcohalides
2024-Nov-07, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0237101
PMID:39484895
|
研究论文 | 本文研究了将图深度学习与伦敦色散原子间势结合用于描述层状氮化物硫化物的方法 | 本文创新性地将图深度学习势与半经验色散模型结合,以解决现有模型中长程色散相互作用缺失的问题 | 尽管结合模型在描述层状化合物方面有所改进,但并非普遍适用,且未进行详细的参数微调 | 研究如何通过结合图深度学习与色散模型来改进原子间势模型,以更准确地描述层状化合物的物理性质 | 层状氮化物硫化物 BiTeBr 和 BiTeI,以及一系列具有不同化学计量比的 V-VI-VII 化合物 | 机器学习 | NA | 图神经网络 | 图深度学习模型 | 晶体结构 | 包括 BiTeBr 和 BiTeI 在内的多种 V-VI-VII 化合物 | NA | NA | NA | NA |
| 6672 | 2024-11-02 |
Improved vascular depiction and image quality through deep learning reconstruction of CT hepatic arteriography during transcatheter arterial chemoembolization
2024-Nov, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-024-01614-3
PMID:38888853
|
研究论文 | 评估深度学习重建(DLR)对经导管动脉化疗栓塞(TACE)期间计算机断层扫描肝动脉造影(CTHA)图像的血管描绘、肿瘤强化和图像质量的影响 | 深度学习重建显著提高了小肝动脉的信噪比(SNR)、肿瘤的对比噪声比(CNR)和供血动脉的可视化 | 文章未提及具体的局限性 | 评估深度学习重建对CTHA图像质量的影响 | CTHA图像的血管描绘、肿瘤强化和图像质量 | 计算机视觉 | NA | 深度学习重建 | NA | 图像 | 27名患者(18名男性和9名女性,平均年龄75.7岁) | NA | NA | NA | NA |
| 6673 | 2024-11-02 |
Forecasting the incidence frequencies of schizophrenia using deep learning
2024-Nov, Asian journal of psychiatry
IF:3.8Q1
DOI:10.1016/j.ajp.2024.104205
PMID:39243662
|
研究论文 | 本研究开发了一种基于长短期记忆(LSTM)循环神经网络模型,用于预测台湾住院患者的思觉失调症发病率 | 本研究首次将LSTM模型应用于思觉失调症发病率的预测,并展示了其在多种模型中的最佳预测性能 | 研究数据仅限于台湾的住院患者,可能限制了模型的普适性 | 旨在开发和验证一种高效准确的模型,用于预测思觉失调症的发病率,以支持精神健康策略的制定 | 台湾住院患者的思觉失调症发病率 | 机器学习 | 精神疾病 | 长短期记忆(LSTM)循环神经网络 | LSTM | 文本 | 1998年至2015年间,年龄超过20岁且被诊断为思觉失调症的个体数据 | NA | NA | NA | NA |
| 6674 | 2024-11-02 |
DentAge: Deep learning for automated age prediction using panoramic dental X-ray images
2024-Nov, Journal of forensic sciences
IF:1.5Q2
DOI:10.1111/1556-4029.15629
PMID:39294554
|
研究论文 | 本研究开发并验证了一种基于全景牙科X光图像的自动化年龄预测深度学习模型DentAge | DentAge在不同年龄组和牙科条件下表现出色,展示了其在实际场景中的潜在应用价值 | 模型在预测高龄组(90-100岁)时误差较大,主要受假体修复、牙齿缺失和骨质吸收等因素影响 | 开发和验证一种基于全景牙科X光图像的自动化年龄预测模型 | 全景牙科X光图像 | 计算机视觉 | NA | 深度学习 | 深度学习模型 | 图像 | 21,007张全景牙科X光图像,年龄范围为4至97岁 | NA | NA | NA | NA |
| 6675 | 2024-11-02 |
GraphPI: Efficient Protein Inference with Graph Neural Networks
2024-Nov-01, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.3c00845
PMID:39396189
|
研究论文 | 本文介绍了一种名为GraphPI的新框架,利用图神经网络进行蛋白质推断 | 将蛋白质推断问题视为节点分类问题,并利用图神经网络架构来解析蛋白质之间的相互关系 | NA | 解决蛋白质推断中数据标签稀缺的问题,并提高计算效率 | 蛋白质推断 | 机器学习 | NA | 图神经网络 | 图神经网络 | 蛋白质数据集 | 未明确说明具体样本数量 | NA | NA | NA | NA |
| 6676 | 2024-11-02 |
Automatic plant phenotyping analysis of Melon (Cucumis melo L.) germplasm resources using deep learning methods and computer vision
2024-Oct-30, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-024-01293-1
PMID:39472934
|
研究论文 | 本文利用深度学习和计算机视觉技术对甜瓜种质资源进行自动表型分析 | 本文构建了一个深度学习算法框架,结合多种模型(DANet、RTMDet、RTMPose、MobileSAM),实现了甜瓜果实和果梗的高效准确分割,并设计了一系列特征提取算法,成功获取了11个甜瓜表型特征 | NA | 加速甜瓜育种过程,提高其市场竞争力 | 甜瓜种质资源的外观表型分析 | 计算机视觉 | NA | 深度学习 | DANet、RTMDet、RTMPose、MobileSAM | 图像 | 117个甜瓜品种,来自两个年度 | NA | NA | NA | NA |
| 6677 | 2024-11-02 |
Deep learning-based segmentation of kidneys and renal cysts on T2-weighted MRI from patients with autosomal dominant polycystic kidney disease
2024-Oct-30, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-024-00520-7
PMID:39477840
|
研究论文 | 本文开发并测试了一种基于深度学习的算法,用于自动分割常染色体显性多囊肾病患者的肾脏和肾囊肿 | 本文首次使用深度学习算法自动分割肾脏和肾囊肿,并展示了其在评估总肾体积和囊肿指数方面的潜力 | 算法在处理非常大的肾体积和囊肿时存在低估问题,这可能是由于训练数据集中此类样本不足 | 开发和测试一种自动分割肾脏和肾囊肿的深度学习算法,以评估其在常染色体显性多囊肾病患者中的应用 | 常染色体显性多囊肾病患者的肾脏和肾囊肿 | 计算机视觉 | 肾病 | 深度学习 | NA | 图像 | 164名常染色体显性多囊肾病患者 | NA | NA | NA | NA |
| 6678 | 2024-11-02 |
Ancient Yi Script Handwriting Sample Repository
2024-Oct-30, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-024-03918-5
PMID:39477968
|
研究论文 | 本文收集了2922个常用古彝文字的手写单字样本,并完成了连续手写文本采样,测试了不同深度学习网络模型下的识别性能 | 提出了古彝文字的自动采样方法,并完成了手写样本的自动切割和标注 | NA | 研究古彝文字的手写识别和生成 | 古彝文字的手写样本 | 自然语言处理 | NA | 深度学习 | 深度学习网络模型 | 文本 | 2922个手写单字样本,427,939个有效字符,250人参与连续手写文本采样 | NA | NA | NA | NA |
| 6679 | 2024-11-02 |
Image tampering detection based on RDS-YOLOv5 feature enhancement transformation
2024-Oct-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76388-9
PMID:39477969
|
研究论文 | 提出了一种基于RDS-YOLOv5特征增强变换的图像篡改检测方法 | 引入了多通道特征增强融合算法和改进的RDS-YOLOv5深度学习模型,并引入了非线性损失度量来优化模型训练过程 | NA | 提高图像篡改检测技术的泛化能力和实际性能 | 图像篡改检测 | 计算机视觉 | NA | 深度学习 | RDS-YOLOv5 | 图像 | 6187张包含拼接、移除和复制移动三种篡改形式的图像 | NA | NA | NA | NA |
| 6680 | 2024-11-02 |
Sign language recognition using modified deep learning network and hybrid optimization: a hybrid optimizer (HO) based optimized CNNSa-LSTM approach
2024-Oct-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-76174-7
PMID:39477993
|
研究论文 | 本文提出了一种基于混合优化器的优化CNNSa-LSTM网络,用于手语识别 | 本文提出了一种新的深度学习模型CNNSa-LSTM,结合了卷积神经网络、自注意力和长短期记忆网络,用于手语识别。此外,还提出了一种基于河马优化算法和路径查找算法的混合优化器 | NA | 改进聋人与公众之间的实时交流 | 手语识别模型 | 计算机视觉 | NA | 深度学习 | CNNSa-LSTM | 图像 | NA | NA | NA | NA | NA |