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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
11221 | 2024-08-07 |
Performance assessment of the effective core potentials under the fermionic neural network: First and second row elements
2024-May-28, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0207853
PMID:38785290
|
研究论文 | 本文评估了在费米神经网络下有效核心势(ECP)的表现,特别是针对第一和第二行的元素 | 首次全面评估了ECP在费米神经网络下的性能,并比较了两种新构建的ECP表(ccECP和eCEPP)的性能 | 全电子计算的高精度受到缺乏相对论效应和某些较重元素中数值不稳定性的限制 | 填补费米神经网络下ECP性能评估的空白,并探索其在未来改进费米神经网络中的潜在方向 | 第一和第二行的元素的原子、光谱和分子性质 | 机器学习 | NA | 神经网络 | 费米神经网络(FermiNet) | 原子、分子数据 | 第一和第二行的元素 |
11222 | 2024-08-07 |
Deep learning application to automated classification of recommendations made by hospital pharmacists during medication prescription review
2024-May-24, American journal of health-system pharmacy : AJHP : official journal of the American Society of Health-System Pharmacists
IF:2.1Q3
DOI:10.1093/ajhp/zxae011
PMID:38294025
|
研究论文 | 本文研究了使用深度学习算法自动分类医院药师在药物处方审查过程中提出的改进治疗建议 | 开发了一种基于深度神经网络的自动分类系统,用于处理和分类大量的药师建议数据 | 分类准确率有待进一步提高,且需要更多的数据来验证和改进模型 | 提高药师建议数据的利用效率,以便更好地改进药物处方安全 | 药师在处方审查过程中提出的建议 | 机器学习 | NA | 深度学习 | 深度神经网络 | 文本 | 27,699个标记建议用于训练和评估分类器,4,460个预测用于验证 |
11223 | 2024-08-07 |
Preoperative evaluation of visceral pleural invasion in peripheral lung cancer utilizing deep learning technology
2024-May-23, Surgery today
IF:1.7Q2
DOI:10.1007/s00595-024-02869-z
PMID:38782767
|
研究论文 | 本研究旨在评估人工智能在利用高分辨率计算机断层扫描(HRCT)图像检测肺癌脏层胸膜侵犯(VPI)中的效率 | 本研究首次使用YOLOv4.0进行肿瘤定位,并应用EfficientNetv2进行VPI预测,展示了强大的诊断性能 | 研究为回顾性分析,且样本量有限,可能影响结果的普遍性 | 评估人工智能在肺癌脏层胸膜侵犯检测中的效率 | 472名I期非小细胞肺癌患者的术前HRCT图像 | 计算机视觉 | 肺癌 | 高分辨率计算机断层扫描(HRCT) | EfficientNetv2 | 图像 | 472名患者,500张CT图像 |
11224 | 2024-08-07 |
Cost-utility analysis of prenatal diagnosis of congenital cardiac diseases using deep learning
2024-May-22, Cost effectiveness and resource allocation : C/E
IF:1.7Q3
DOI:10.1186/s12962-024-00550-3
PMID:38773527
|
研究论文 | 本文通过成本效用分析评估了使用深度学习技术进行产前超声诊断先天性心脏病的经济效益 | 本文首次采用深度学习辅助超声技术进行产前先天性心脏病的诊断,并通过成本效用分析评估其经济效益 | 研究基于特定地区的成本数据,可能不完全适用于其他地区 | 评估深度学习辅助超声技术在产前诊断先天性心脏病中的成本效用 | 深度学习辅助超声技术在产前诊断先天性心脏病中的应用 | 机器学习 | 先天性心脏疾病 | 深度学习 | NA | 超声数据 | 涉及560和659例出生婴儿 |
11225 | 2024-08-07 |
COVID‑19 detection from chest X-ray images using transfer learning
2024-05-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-61693-0
PMID:38773161
|
研究论文 | 本文提出了一种基于深度学习的胸部X光图像分类框架,用于COVID-19的早期诊断 | 利用迁移学习技术,使用预训练的卷积神经网络模型VGG19和EfficientNetB0进行胸部X光图像分类 | NA | 开发一种辅助COVID-19早期诊断的深度学习框架 | COVID-19的胸部X光图像 | 计算机视觉 | COVID-19 | 迁移学习 | CNN | 图像 | NA |
11226 | 2024-08-07 |
Enhanced multi-class pathology lesion detection in gastric neoplasms using deep learning-based approach and validation
2024-05-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-62494-1
PMID:38773274
|
research paper | 本研究开发了一种新的卷积神经网络模型,用于检测和分类胃部病变,包括恶性、癌前和良性病变 | 该研究采用基于卷积神经网络的方法,显著提高了胃部病变的检测和分类准确性,并能准确估计胃癌的T分期 | NA | 开发和验证一种新的深度学习方法,用于检测和分类胃部病变 | 胃部病变,包括早期胃癌、进展期胃癌、胃异型增生、良性胃溃疡、良性息肉和良性糜烂 | machine learning | 胃癌 | 卷积神经网络 | CNN | 图像 | 10,181张白光内镜图像,来自2606名患者 |
11227 | 2024-08-07 |
Refining neural network algorithms for accurate brain tumor classification in MRI imagery
2024-May-21, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-024-01285-6
PMID:38773391
|
研究论文 | 本研究通过使用卷积神经网络(CNN)改进神经网络算法,以提高MRI图像中脑肿瘤分类的准确性 | 引入了一种基于深度学习的模型,采用顺序CNN架构,显著提高了诊断准确率,并使用Grad-CAM可视化增强了模型的可解释性 | NA | 提高MRI图像中脑肿瘤诊断的准确性 | 脑肿瘤的分类 | 机器学习 | 脑肿瘤 | 卷积神经网络(CNN) | CNN | 图像 | 测试数据集上的总体准确率达到98%,精确度、召回率和F1分数在97%到98%之间,ROC-AUC在99%到100%之间 |
11228 | 2024-08-07 |
Convolutional neural networks combined with conventional filtering to semantically segment plant roots in rapidly scanned X-ray computed tomography volumes with high noise levels
2024-May-21, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-024-01208-0
PMID:38773503
|
研究论文 | 本研究探讨了在快速扫描的X射线计算机断层扫描(CT)体积中,高噪声水平下使用卷积神经网络结合传统滤波方法进行植物根系语义分割的效果 | 本研究首次探讨了在快速扫描的高噪声CT体积中,使用深度学习方法进行模糊水稻根系片段的语义分割,并评估了扫描时间和图像质量恢复对分割效果的影响 | 本研究构建的语义分割模型无法预测未包含在训练数据中的侧根,需要准备适当的训练数据来解决这一限制 | 研究在快速扫描的高噪声CT体积中,使用深度学习方法进行植物根系语义分割的效果 | 模糊的水稻(Oryza sativa)根系片段在CT体积中的语义分割 | 计算机视觉 | NA | X射线计算机断层扫描(CT) | 卷积神经网络(CNN) | CT体积 | 使用了不同扫描时间(33, 66, 150, 300, 600秒)获得的CT体积进行模型训练 |
11229 | 2024-08-07 |
Deformable registration of magnetic resonance images using unsupervised deep learning in neuro-/radiation oncology
2024-May-21, Radiation oncology (London, England)
DOI:10.1186/s13014-024-02452-3
PMID:38773620
|
研究论文 | 本文开发了一种基于无监督深度学习的3D卷积U-Net变形图像配准方法,用于脑胶质瘤患者的术前和随访MRI扫描的精确配准 | 提出了一种新的基于无监督学习的3D卷积U-Net变形图像配准方法,无需预对齐和标记,能够实现端到端的MRI扫描配准 | NA | 开发一种自动化的3D变形图像配准方法,用于脑胶质瘤患者的MRI扫描 | 脑胶质瘤患者的术前和随访MRI扫描 | 机器学习 | 脑癌 | MRI | U-Net | 图像 | 160名脑胶质瘤患者 |
11230 | 2024-08-07 |
HCA-DAN: hierarchical class-aware domain adaptive network for gastric tumor segmentation in 3D CT images
2024-May-21, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-024-00711-w
PMID:38773670
|
研究论文 | 本文提出了一种名为HCA-DAN的分层类感知域自适应网络,用于3D CT图像中的胃肿瘤分割 | 引入了一种新的3D神经网络AsTr,用于从各向异性分辨率的CT图像中提取多尺度上下文特征,并结合分层类感知域对齐模块HCADA进行跨域的多尺度上下文特征自适应对齐 | 文章未明确提及具体限制 | 旨在提高从3D CT图像中自动分割胃肿瘤的准确性,特别是在多中心数据集中的应用 | 胃肿瘤的3D CT图像分割 | 计算机视觉 | 胃癌 | 3D卷积神经网络(CNN) | CNN, Transformer | 图像 | 使用了来自四个医学中心的CT图像数据集 |
11231 | 2024-08-07 |
Examining the Gateway Hypothesis and Mapping Substance Use Pathways on Social Media: Machine Learning Approach
2024-May-07, JMIR formative research
IF:2.0Q4
DOI:10.2196/54433
PMID:38713904
|
研究论文 | 本研究利用社交媒体数据,通过机器学习方法探讨物质使用路径及其与风险级别的关系 | 本研究首次大规模分析社交媒体数据,以预测物质使用风险级别的升级或降级,并识别相关的语言线索 | 研究结果需进一步探索,以确定对干预措施的直接影响 | 通过分析社交媒体数据,深入理解物质使用路径,识别风险升级或降级的语言标志 | 社交媒体用户在不同风险级别的物质使用之间的过渡 | 机器学习 | NA | 深度学习 | NA | 文本 | 超过2.29万条帖子,约2937万条评论,来自约140万用户 |
11232 | 2024-08-07 |
Deep learning-based screening tool for rotator cuff tears on shoulder radiography
2024-May, Journal of orthopaedic science : official journal of the Japanese Orthopaedic Association
IF:1.5Q3
DOI:10.1016/j.jos.2023.05.004
PMID:37236873
|
研究论文 | 本研究开发了一种基于深度学习的算法,用于通过肩部X光片筛查肩袖撕裂 | 本研究首次将深度学习技术应用于肩部X光片,以筛查肩袖撕裂 | 对于部分厚度肩袖撕裂的诊断性能较低 | 开发一种基于深度学习的筛查工具,用于通过肩部X光片早期诊断肩袖撕裂 | 肩袖撕裂的早期诊断 | 机器学习 | 肩袖撕裂 | 深度学习 | 深度学习算法 | X光片 | 2803张肩部X光片 |
11233 | 2024-08-07 |
Deep learning-accelerated T2-weighted imaging versus conventional T2-weighted imaging in the female pelvic cavity: image quality and diagnostic performance
2024-May, Acta radiologica (Stockholm, Sweden : 1987)
DOI:10.1177/02841851241228192
PMID:38343091
|
研究论文 | 本研究比较了基于深度学习的加速T2加权成像与传统T2加权成像在女性盆腔中的图像质量和诊断性能 | 使用深度学习算法加速磁共振成像重建,减少噪声,实现更快的MRI采集 | 深度学习加速的T2加权成像在信号-噪声比方面略低于传统T2加权成像 | 比较传统与深度学习加速的T2加权成像在女性盆腔中的图像质量和诊断性能 | 女性盆腔MRI检查中的T2加权成像 | 计算机视觉 | NA | 磁共振成像 (MRI) | 深度学习 (DL) | 图像 | 149例连续女性盆腔MRI检查,包括294张随机排序的矢状T2加权图像 |
11234 | 2024-08-07 |
Enhanced capillary delivery with nanobubble-mediated blood-brain barrier opening and advanced high resolution vascular segmentation
2024-May, Journal of controlled release : official journal of the Controlled Release Society
IF:10.5Q1
DOI:10.1016/j.jconrel.2024.04.001
PMID:38575074
|
研究论文 | 本文利用纳米气泡和聚焦超声技术在老鼠模型中实现了靶向且改进的血脑屏障开放,并通过高分辨率血管分割技术评估了其效果。 | 本文首次使用纳米气泡和聚焦超声技术实现了靶向且改进的血脑屏障开放,并通过深度学习架构实现了血管分割,显著减少了时间成本。 | NA | 克服血脑屏障以增强脑部治疗效果 | 老鼠模型的血脑屏障 | 生物医学工程 | NA | 纳米气泡,聚焦超声 | 深度学习架构 | 图像 | 老鼠模型 |
11235 | 2024-08-07 |
Application of deep learning on mammographies to discriminate between low and high-risk DCIS for patient participation in active surveillance trials
2024-Apr-05, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-024-00691-x
PMID:38576031
|
研究论文 | 本文研究使用卷积神经网络(CNN)在乳腺X光片上区分低风险和高风险导管原位癌(DCIS)的表现和临床效用 | 利用深度学习模型U-Net CNN在乳腺X光片上区分低风险和高风险DCIS,为主动监测试验提供决策支持 | 研究为单中心回顾性研究,样本量有限 | 评估CNN在乳腺X光片上区分高风险(III级)DCIS和/或浸润性乳腺癌(IBC)与低风险(I/II级)DCIS的性能和临床效用 | 导管原位癌(DCIS)患者 | 机器学习 | 乳腺癌 | 卷积神经网络(CNN) | U-Net CNN | 图像 | 464名DCIS患者,包括681张训练图像和173张测试图像 |
11236 | 2024-08-07 |
Machine learning and new insights for breast cancer diagnosis
2024-Apr, The Journal of international medical research
IF:1.4Q4
DOI:10.1177/03000605241237867
PMID:38663911
|
综述 | 本文综述了利用医学影像和机器学习技术在乳腺癌检测和干预中的应用 | 介绍了深度学习和机器学习在处理非结构化信息如图像、声音和语言方面的应用 | NA | 旨在为科学家提供人工智能和机器学习在研究和临床中应用的指导 | 乳腺癌的检测和干预 | 机器学习 | 乳腺癌 | 深度学习 | 人工神经网络 | 图像 | NA |
11237 | 2024-08-07 |
Diagnosing and grading gastric atrophy and intestinal metaplasia using semi-supervised deep learning on pathological images: development and validation study
2024-03, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association
IF:6.0Q1
DOI:10.1007/s10120-023-01451-9
PMID:38095766
|
研究论文 | 本研究开发并验证了一种基于半监督深度学习的诊断和分级胃萎缩和肠化生的方法 | 提出了一种名为GasMIL的半监督深度学习算法,用于诊断和分级胃萎缩和肠化生,其性能超过了10名病理学家的评估 | NA | 建立并验证一种使用深度学习和OLGA/OLGIM对个体胃癌风险进行分类的诊断方法 | 胃萎缩和肠化生的诊断与分级 | 数字病理学 | 胃癌 | 半监督深度学习 | 深度学习模型 | 病理图像 | 共纳入545名患者,包括2725张全切片图像,分为训练集(349名)、内部验证集(87名)和外部验证集(109名) |
11238 | 2024-08-07 |
Role of Artificial Intelligence in Drug Discovery and Target Identification in Cancer
2024, Current drug delivery
IF:2.8Q2
|
综述 | 本文综述了人工智能在癌症药物发现和靶点识别中的应用 | 探讨了多种人工智能技术如机器学习、神经网络学习、深度学习和网络学习在药物发现和靶点识别中的应用 | 未提及具体的研究局限 | 旨在探讨人工智能技术在癌症药物发现和靶点识别中的作用 | 癌症药物发现和靶点识别 | 机器学习 | 癌症 | 人工智能 | NA | 数据集 | NA |
11239 | 2024-08-07 |
ADVANCING THE UNDERSTANDING OF CLINICAL SEPSIS USING GENE EXPRESSION-DRIVEN MACHINE LEARNING TO IMPROVE PATIENT OUTCOMES
2024-Jan-01, Shock (Augusta, Ga.)
DOI:10.1097/SHK.0000000000002227
PMID:37752080
|
研究论文 | 本研究探讨了利用基因表达驱动的机器学习技术来改善和预测脓毒症患者预后的潜力 | 强调了基因转录信息在机器学习模型中的重要性,以及其在脓毒症病理生理学和生物标志物识别中的应用 | 存在解释性和偏差等挑战 | 通过机器学习技术改善脓毒症患者的管理并推进精准医学方法 | 脓毒症的预测和管理 | 机器学习 | 脓毒症 | 机器学习算法,包括神经网络、深度学习和集成方法 | 神经网络、深度学习、集成方法 | 基因表达数据 | NA |
11240 | 2024-08-07 |
Automatic surgical phase recognition-based skill assessment in laparoscopic distal gastrectomy using multicenter videos
2024-01, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association
IF:6.0Q1
DOI:10.1007/s10120-023-01450-w
PMID:38038811
|
研究论文 | 本研究开发了一种基于深度学习的手术阶段识别模型,用于评估腹腔镜远端胃切除术的手术技能,并使用多中心视频进行验证 | 本研究首次使用多中心视频数据开发了用于腹腔镜远端胃切除术的手术阶段识别模型,并探索了其在自动手术技能评估中的应用 | NA | 开发和验证一种基于深度学习的手术阶段识别模型,以实现自动手术技能评估 | 腹腔镜远端胃切除术的手术视频和手术技能评估 | 机器学习 | 胃癌 | 深度学习 | 图像分类模型 | 视频 | 20家医院的手术视频 |