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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
11401 | 2024-08-07 |
A deep learning based multi-model approach for predicting drug-like chemical compound's toxicity
2024-Jun, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2024.04.020
PMID:38702021
|
研究论文 | 本研究开发了多种深度学习模型,用于评估不同类型的化合物毒性,包括急性毒性、致癌性、hERG心脏毒性、肝毒性和致突变性 | 利用图卷积网络(GCN)回归模型和多个GCN二元分类模型,针对不同类型的毒性进行预测,并集成了这些模型到一个虚拟筛选流程中,以识别潜在的低毒性药物候选物 | NA | 通过早期和准确的化合物毒性预测,减少药物开发过程中的成本和风险 | 化学化合物的毒性预测 | 机器学习 | NA | 图卷积网络(GCN) | GCN | 化合物数据 | 使用了批准的药物数据集来确定预测分数的适当阈值 |
11402 | 2024-08-07 |
DEBFold: Computational Identification of RNA Secondary Structures for Sequences across Structural Families Using Deep Learning
2024-May-13, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00458
PMID:38648189
|
研究论文 | 本文介绍了一种基于深度学习的RNA二级结构预测工具DEBFold,通过卷积编码/解码和自注意力机制提高预测性能 | DEBFold采用两阶段预测策略,结合深度集成提升和折叠方法,提高了模型在不同结构家族序列上的泛化性能 | NA | 开发一种新的深度学习工具,用于从序列中预测RNA的二级结构 | RNA二级结构 | 机器学习 | NA | 深度学习 | CNN, 自注意力机制 | 序列 | NA |
11403 | 2024-08-07 |
Enhancing Global Estimation of Fine Particulate Matter Concentrations by Including Geophysical a Priori Information in Deep Learning
2024-May-10, ACS ES&T air
DOI:10.1021/acsestair.3c00054
PMID:38751607
|
研究论文 | 本文通过开发和优化卷积神经网络,结合卫星、模拟和监测数据源的信息,提高了全球细颗粒物(PM)浓度的估计精度 | 引入了一种新的损失函数,该函数结合了地球物理先验估计,以解决在监测点稀少地区使用均方误差损失函数产生的不切实际结果;同时,提出了针对空气质量的空间交叉验证方法,以考虑空间属性 | 模型在远离监测点的地区的性能有所下降 | 提高全球细颗粒物浓度的估计精度 | 全球细颗粒物浓度 | 机器学习 | NA | 卷积神经网络 | CNN | 图像 | 1998-2019年间的月度地球物理PM浓度数据,测试时保留了10%至99%的监测点数据 |
11404 | 2024-08-07 |
Artificial intelligence to analyze magnetic resonance imaging in rheumatology
2024-May, Joint bone spine
IF:3.8Q1
DOI:10.1016/j.jbspin.2023.105651
PMID:37797827
|
综述 | 本文综述了人工智能在风湿病学中分析磁共振成像(MRI)的应用 | 人工智能(包括机器学习和深度学习)提供了改进和推进MRI分析的手段,显示出高灵敏度、特异性和准确性,达到或超过专家表现 | 文章讨论了临床实施挑战和未来研究方向 | 探讨人工智能在风湿病学MRI分析中的应用,以提高诊断和管理 | 风湿性疾病中的MRI分析 | 计算机视觉 | 风湿性疾病 | 人工智能(AI),机器学习(ML),深度学习(DL) | NA | 图像 | NA |
11405 | 2024-08-07 |
Deep Learning-Driven Exploration of Pyrroloquinoline Quinone Neuroprotective Activity in Alzheimer's Disease
2024-May, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202308970
PMID:38454653
|
研究论文 | 本研究利用深度学习和药理学方法,探讨吡咯喹啉醌(PQQ)作为阿尔茨海默病(AD)神经保护剂的潜力 | 本研究首次结合深度学习技术预测血脑屏障通透性,并验证了PQQ在AD模型中的神经保护作用 | NA | 探索PQQ作为AD神经保护剂的潜力 | PQQ的神经保护作用及其分子机制 | 机器学习 | 阿尔茨海默病 | 深度学习 | NA | 分子数据集 | Aβ₁₋₄₂诱导的AD小鼠模型 |
11406 | 2024-08-07 |
Trans-Atlantic Differences in Approach to Sudden Death Prevention in Patients With Hypertrophic Cardiomyopathy
2024-May, The Canadian journal of cardiology
DOI:10.1016/j.cjca.2024.03.011
PMID:38522619
|
综述 | 本文综述了美国和欧洲在预防肥厚型心肌病患者猝死方面的不同方法 | 探讨了未来通过新影像技术和基因分型改进预测模型的可能性,以及深度学习在整合多种形态和遗传特征中的应用 | 美国方法具有高敏感性但特异性有限,而欧洲方法则相反 | 概述美国和欧洲指南的差异及其产生原因,并展望肥厚型心肌病患者猝死风险预测的未来 | 肥厚型心肌病患者的猝死预防 | NA | 心血管疾病 | NA | NA | NA | NA |
11407 | 2024-08-07 |
Image segmentation of impacted mesiodens using deep learning
2024-May, The Journal of clinical pediatric dentistry
IF:1.5Q2
DOI:10.22514/jocpd.2024.059
PMID:38755982
|
研究论文 | 本研究旨在评估深度学习算法在儿童全景X光片中对阻生中切牙的分类和分割性能 | 采用预训练的ResNet模型增强U-Net算法的编码路径,提高了分割性能 | NA | 评估深度学习算法在阻生中切牙诊断中的性能 | 阻生中切牙的分类和分割 | 计算机视觉 | NA | 深度学习 | U-Net | 图像 | 850张儿童全景X光片 |
11408 | 2024-08-07 |
Classification of presence of missing teeth in each quadrant using deep learning artificial intelligence on panoramic radiographs of pediatric patients
2024-May, The Journal of clinical pediatric dentistry
IF:1.5Q2
DOI:10.22514/jocpd.2024.062
PMID:38755985
|
研究论文 | 本研究旨在开发一种新的深度学习模型,用于在儿童患者的全景X光片上分类缺失牙齿,并评估其准确性 | 本研究首次定义了小尺寸感兴趣区域,并使用深度学习模型进行缺失牙齿的分类 | 在实验组中,对于缺失磨牙的分类准确性最低 | 开发和评估一种深度学习模型,用于在儿童患者的全景X光片上分类缺失牙齿 | 8至16岁儿童患者的全景X光片 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 806张全景X光片,分为3224个数据点,其中1457个数据点包含缺失牙齿,1767个数据点不包含缺失牙齿 |
11409 | 2024-08-07 |
In the right direction: A deep learning tool for assessment of right ventricular function
2024-May, Echocardiography (Mount Kisco, N.Y.)
DOI:10.1111/echo.15831
PMID:38757551
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
11410 | 2024-08-07 |
Predicting small molecules solubility on endpoint devices using deep ensemble neural networks
2024-Apr-17, Digital discovery
IF:6.2Q1
DOI:10.1039/d3dd00217a
PMID:38638648
|
研究论文 | 本文提出了一种在终端设备上使用深度集成神经网络预测小分子水溶性的方法 | 该方法通过在静态网站上运行深度学习模型,实现了无需服务器维护和安装的计算需求,同时提供了预测不确定性量化 | NA | 解决传统计算方法在预测小分子水溶性时计算时间长且精度低的问题,以及数据驱动方法缺乏不确定性量化和使用不便的问题 | 小分子的水溶性预测 | 机器学习 | NA | 深度学习 | 深度集成神经网络 | 分子数据 | NA |
11411 | 2024-08-07 |
A novel deep learning technique for medical image analysis using improved optimizer
2024 Apr-Jun, Health informatics journal
IF:2.2Q3
DOI:10.1177/14604582241255584
PMID:38755759
|
研究论文 | 本文探讨了在医学图像分析中使用改进优化器的卷积神经网络的应用 | 引入了新的优化技术梯度中心化(GC),并与先进的预处理技术Real ESRGAN和GFPGAN结合,提高了深度学习模型的执行时间和损失因子 | 现有的优化器如梯度下降、随机梯度下降等存在处理速度慢、内存需求大、计算成本高和死神经元问题 | 研究如何通过新的优化技术提高医学图像分析中深度学习模型的性能 | 医学图像的分类和分割 | 计算机视觉 | NA | 梯度中心化(GC) | CNN | 图像 | NA |
11412 | 2024-08-07 |
An Exaggeration? Reality?: Can ChatGPT Be Used in Neonatal Nursing?
2024 Apr-Jun 01, The Journal of perinatal & neonatal nursing
IF:1.5Q2
DOI:10.1097/JPN.0000000000000826
PMID:38758263
|
研究论文 | 探讨ChatGPT在新生儿护理中的应用及其潜在影响 | 文章介绍了ChatGPT在新生儿护理领域的应用,特别是在疼痛评估、喂养过程和患者状态确定等方面的显著改进 | 需要对基础数据的准确性进行严格验证,并对缺乏科学依据的结果持怀疑态度 | 评估和探讨人工智能技术在新生儿护理中的应用潜力 | ChatGPT在新生儿护理中的应用及其对护理质量的影响 | 自然语言处理 | NA | 自然语言处理 | NA | 文本 | NA |
11413 | 2024-08-07 |
[[Fundamentals] 8. Works on Mac or Windows! Practical Deep Learning with PyTorch]
2024, Nihon Hoshasen Gijutsu Gakkai zasshi
DOI:10.6009/jjrt.2024-2336
PMID:38644222
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
11414 | 2024-08-07 |
Deep learning-based classification of the capillary ultrastructure in human skeletal muscles
2024, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2024.1363384
PMID:38751446
|
研究论文 | 本研究利用卷积神经网络(CNN)对人类骨骼肌毛细血管超微结构进行分类,以区分健康参与者与系统性病理患者 | 使用预训练的CNN模型在电子显微镜图像上区分健康控制组与系统性病理患者的毛细血管超微结构,其准确性高于传统的形态计量分析 | NA | 训练CNN模型以识别健康参与者与系统性病理患者肌肉活检中毛细血管的形态计量模式,用于假设生成 | 人类骨骼肌毛细血管的超微结构 | 机器学习 | 糖尿病,高血压,外周动脉疾病 | 透射电子显微镜(TEM) | CNN(ResNet101) | 图像 | 1810张电子显微镜图像,来自70名参与者 |
11415 | 2024-08-07 |
The Importance of Understanding Deep Learning
2024, Erkenntnis
DOI:10.1007/s10670-022-00605-y
PMID:38751773
|
research paper | 本文探讨了深度神经网络(DNNs)的理解问题及其在科学中的应用 | 本文提出了对深度神经网络理解的不同概念,特别是解释性理解的重要性 | 本文未明确指出具体的实验或数据分析限制 | 探讨当前对深度神经网络理解不足是否限制了其在科学中的应用 | 深度神经网络(DNNs)及其在科学中的应用 | machine learning | NA | NA | DNNs | NA | NA |
11416 | 2024-08-07 |
Detection of sweet corn seed viability based on hyperspectral imaging combined with firefly algorithm optimized deep learning
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1361309
PMID:38751847
|
研究论文 | 本研究利用高光谱成像技术结合萤火虫算法优化的深度学习方法,对甜玉米种子的不同活力等级进行识别 | 本研究提出的萤火虫算法优化的CNN-LSTM模型在甜玉米种子活力等级分类中表现出优于其他模型的性能 | NA | 识别甜玉米种子的活力等级 | 甜玉米种子 | 机器学习 | NA | 高光谱成像 | CNN-LSTM | 光谱图像 | 496颗种子,包括四个活力等级的种子 |
11417 | 2024-08-07 |
Convolutional neural network allows amylose content prediction in yam (Dioscorea alata L.) flour using near infrared spectroscopy
2024-Jun, Journal of the science of food and agriculture
IF:3.3Q2
DOI:10.1002/jsfa.12825
PMID:37400424
|
研究论文 | 本研究利用近红外光谱技术结合卷积神经网络预测山药粉中的直链淀粉含量 | 首次使用卷积神经网络成功预测山药粉中的直链淀粉含量 | PLS方法未能成功预测直链淀粉含量 | 验证卷积神经网络在预测山药粉直链淀粉含量方面的可靠性和效率 | 山药粉中的直链淀粉含量 | 机器学习 | NA | 近红外光谱技术 | 卷积神经网络 | 光谱数据 | 186份山药粉样品 |
11418 | 2024-08-07 |
Financial impact of incorporating deep learning reconstruction into magnetic resonance imaging routine
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111434
PMID:38520806
|
研究论文 | 本文评估了将深度学习重建算法应用于磁共振成像常规流程对财务影响的实用性和经济可行性 | 本文首次详细分析了深度学习重建算法在磁共振成像中的应用,相较于传统扩容方法,如增加扫描仪或提高周末设备利用率,能显著降低运营成本 | NA | 研究深度学习重建算法在磁共振成像中的应用对医院运营成本的影响 | 深度学习重建算法在磁共振成像中的应用 | 机器学习 | NA | 深度学习重建算法 | 深度学习 | NA | 涉及五台磁共振成像扫描仪 |
11419 | 2024-08-07 |
Deep learning reconstruction for turbo spin echo to prospectively accelerate ankle MRI: A multi-reader study
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111451
PMID:38593573
|
研究论文 | 评估深度学习重建技术在加速踝关节磁共振成像中的应用效果 | 深度学习重建技术(DLR-TSE)在踝关节MRI中显著缩短了采集时间,同时提高了图像质量并减少了伪影和噪声 | NA | 评估深度学习重建技术在踝关节MRI中的应用效果 | 踝关节MRI的采集时间、图像质量和病变检测能力 | 计算机视觉 | NA | 深度学习重建技术(DLR-TSE) | NA | 图像 | 56名患者 |
11420 | 2024-08-07 |
Thin-slice elbow MRI with deep learning reconstruction: Superior diagnostic performance of elbow ligament pathologies
2024-Jun, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111471
PMID:38636411
|
研究论文 | 本研究比较了1毫米切片厚度的MRI与深度学习重建(DLR)和3毫米切片厚度的MRI在肘部肌腱和韧带病理诊断中的图像质量和诊断性能 | 使用深度学习重建技术提高了1毫米切片厚度MRI在诊断肘部肌腱和韧带病理中的性能 | 研究为回顾性研究,且样本量较小 | 评估不同切片厚度和深度学习重建技术对肘部MRI图像质量和诊断性能的影响 | 肘部肌腱和韧带的病理 | 计算机视觉 | NA | MRI | 深度学习重建(DLR) | 图像 | 53名患者 |