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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1661 | 2025-02-05 |
Enhancing e-learning through AI: advanced techniques for optimizing student performance
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2576
PMID:39896364
|
研究论文 | 本研究探讨了如何通过人工智能(AI)技术优化电子学习,以提高学生的学习成绩 | 提出了一个基于AI的框架来监控和分析学生互动,并评估在线学习平台对学生理解的影响,使用先进的算法确定混合学习系统的最有效方法 | 部分内容已作为预印本发布,可能存在重复内容 | 通过AI技术优化电子学习,提高学生成绩 | 学生互动数据、在线学习平台、混合学习系统 | 机器学习 | NA | 机器学习、深度学习 | CNN、RNN | 学生互动数据 | NA |
1662 | 2025-02-05 |
Enhancing sentiment analysis of online comments: a novel approach integrating topic modeling and deep learning
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2542
PMID:39896372
|
研究论文 | 本文提出了一种结合主题建模和深度学习的新方法,用于增强在线评论的情感分析 | 整合了LDA、Shuffle-enhanced RealNVP、双层双向改进LSTM网络和多头自注意力机制,有效处理文本相关性和时间性 | 未提及具体的数据集规模或模型计算资源需求 | 提高在线评论情感分析的准确性和效果 | 在线评论 | 自然语言处理 | NA | LDA, RealNVP, LSTM, 多头自注意力机制 | DBiLSTM | 文本 | 中英文在线评论数据集 |
1663 | 2025-02-05 |
FedDL: personalized federated deep learning for enhanced detection and classification of diabetic retinopathy
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2508
PMID:39896369
|
研究论文 | 本文提出了一种名为FedDL的个性化联邦深度学习系统,用于增强糖尿病视网膜病变的检测和分类 | 通过联邦学习(FL)框架,实现了在不暴露临床信息的情况下集体训练深度学习模型,显著提高了隐私保护和性能 | 研究中仅使用了五个客户端的数据,样本量相对较小,可能影响模型的泛化能力 | 开发一个在训练深度学习模型时确保隐私的系统,以监测各种医疗设施 | 糖尿病视网膜病变(DR)患者 | 数字病理学 | 糖尿病视网膜病变 | 联邦学习(FL) | ResNet50 | 图像 | 五个客户端,每个客户端提供独特的眼底图像,数据来源于公开数据库如IDRiD和STARE |
1664 | 2025-02-05 |
DANNET: deep attention neural network for efficient ear identification in biometrics
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2603
PMID:39896376
|
研究论文 | 本文提出了一种名为DANNET的深度注意力神经网络,用于在生物识别中高效地进行耳朵识别 | 创新点在于结合了编码器-解码器架构和注意力机制,使用两个YSegNets的集成方法,提高了耳朵检测和分割的精度和可靠性 | 未明确提及具体限制 | 研究目的是开发一种在面部特征部分遮挡情况下仍能有效工作的生物识别系统 | 研究对象是耳朵生物识别 | 计算机视觉 | NA | 深度学习 | 编码器-解码器架构,注意力机制,YSegNet | 图像 | 使用了EarVN1.0、AMI和Human Face数据集的数据 |
1665 | 2025-02-05 |
BSEFNet: bidirectional self-attention edge fusion network salient object detection based on deep fusion of edge features
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2494
PMID:39896370
|
研究论文 | 本文提出了一种基于边缘特征深度融合的双向自注意力边缘融合网络(BSEFNet),用于显著目标检测 | 通过整合显著目标和边缘信息,提出了一种新的方法来提高显著目标检测的边界准确性,包括自注意力组像素融合模块(SGPFM)和双向特征融合模块(BFF) | 未明确提及具体局限性 | 提高显著目标检测的边界准确性 | 图像中的显著目标 | 计算机视觉 | NA | NA | BSEFNet, ResNet50 | 图像 | NA |
1666 | 2025-02-05 |
ISCCO: a deep learning feature extraction-based strategy framework for dynamic minimization of supply chain transportation cost losses
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2537
PMID:39896389
|
研究论文 | 本研究提出了一种名为智能供应链成本优化(ISCCO)的新框架,通过整合深度学习和高级优化算法,旨在最小化运输成本并提高供应链效率 | ISCCO框架创新性地结合了自编码器和随机森林进行客户细分,并使用遗传算法增强的整数线性规划模型优化货物分配 | 未提及具体的数据集来源或实验的广泛适用性 | 优化供应链运输成本,提高物流分配效率 | 全球电子商务供应链 | 机器学习 | NA | 深度学习,遗传算法,整数线性规划 | 自编码器,随机森林 | 实时需求数据 | 未提及具体样本数量 |
1667 | 2025-02-05 |
An ensemble approach for research article classification: a case study in artificial intelligence
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2521
PMID:39896384
|
研究论文 | 本文提出了一种基于深度学习的集成方法,用于动态研究领域中的文章分类,以人工智能领域为例 | 引入了一种结合决策树、sciBERT和正则表达式匹配的集成方法,并使用支持向量机(SVM)合并不同模型的结果,显著提高了分类效果 | 研究仅以人工智能领域为例,未验证在其他领域的泛化能力 | 解决新兴领域中研究文章分类的挑战,提高分类的准确性和召回率 | 人工智能领域的研究文章 | 自然语言处理 | NA | 深度学习、正则表达式匹配 | 决策树、sciBERT、SVM | 文本 | 手动标注的数据集,具体数量未提及 |
1668 | 2025-02-05 |
Integrating particle swarm optimization with backtracking search optimization feature extraction with two-dimensional convolutional neural network and attention-based stacked bidirectional long short-term memory classifier for effective single and multi-document summarization
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2435
PMID:39896393
|
研究论文 | 本文提出了一种结合粒子群优化与回溯搜索优化的特征提取方法,以及基于注意力机制的堆叠双向长短期记忆分类器,用于有效的单文档和多文档摘要生成 | 创新点在于结合了粒子群优化与回溯搜索优化(PSOBSA)进行特征提取,并使用二维卷积神经网络(2D CNN)和基于注意力机制的堆叠双向长短期记忆(ABS-BiLSTM)模型进行摘要生成 | 未明确提及具体局限性 | 研究目标是提高单文档和多文档摘要生成的准确性和效率 | 研究对象为单文档和多文档摘要生成 | 自然语言处理 | NA | 粒子群优化(PSO)、回溯搜索优化(BSA)、二维卷积神经网络(2D CNN)、基于注意力机制的堆叠双向长短期记忆(ABS-BiLSTM) | 2D CNN、ABS-BiLSTM | 文本 | 使用DUC 2002、2003、2005数据集进行单文档摘要,以及DUC 2002、2003、2005、Multi-News和CNN/Daily Mail数据集进行多文档摘要 |
1669 | 2025-02-05 |
Challenges issues and future recommendations of deep learning techniques for SARS-CoV-2 detection utilising X-ray and CT images: a comprehensive review
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2517
PMID:39896401
|
综述 | 本文全面回顾了截至2024年5月使用深度学习技术进行基于影像的SARS-CoV-2诊断的研究,涵盖了数据来源、预处理方法、深度学习技术分类、研究结果、研究空白和性能评估 | 本文不仅综述了现有研究,还通过实验比较了12种当代深度学习技术,发现MobileNetV3模型在SARS-CoV-2影像检测中表现最佳,准确率达到98.11% | 本文主要关注影像数据的深度学习应用,未涉及其他类型的数据或诊断方法 | 探讨深度学习技术在基于影像的SARS-CoV-2诊断中的应用及其未来发展方向 | SARS-CoV-2的X射线和CT影像 | 计算机视觉 | COVID-19 | 深度学习 | MobileNetV3, 其他深度学习模型 | 影像 | NA |
1670 | 2025-02-05 |
A comprehensive analysis and performance evaluation for osteoporosis prediction models
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2338
PMID:39896405
|
研究论文 | 本文通过深度学习技术,利用NHANES 2017-2020数据集预测骨质疏松症的发生,并比较了不同特征选择方法和神经网络模型的性能 | 本研究创新地应用了互信息(MI)和递归特征消除(RFE)两种特征选择方法,结合多种深度学习模型(如CNN、RNN等),在非图像医学数据上实现了高精度的骨质疏松症预测 | 研究仅基于NHANES 2017-2020数据集,可能无法完全代表其他人群或更广泛的数据集 | 通过深度学习技术提高骨质疏松症的预测准确性,以辅助医疗决策 | NHANES 2017-2020数据集中的SpineOsteo和FemurOsteo数据 | 机器学习 | 骨质疏松症 | 深度学习 | CNN, RNN, 序列深度神经网络 | 非图像医学数据 | NHANES 2017-2020数据集 |
1671 | 2025-02-05 |
Golden eagle optimized CONV-LSTM and non-negativity-constrained autoencoder to support spatial and temporal features in cancer drug response prediction
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2520
PMID:39896419
|
研究论文 | 本文提出了一种结合非负约束自编码器(NNCAE)和金鹰优化卷积长短期记忆神经网络(GEO-Conv-LSTM)的混合分类器,用于癌症药物反应预测 | 创新点在于使用NNCAE处理噪声和类别不平衡问题,并通过GEO算法优化Conv-LSTM模型的参数,提高了药物反应预测的准确性和处理效率 | 未明确提及具体局限性 | 研究目的是提高癌症药物反应预测的准确性和处理效率 | 研究对象是癌症药物反应预测 | 机器学习 | 癌症 | NNCAE, GEO-Conv-LSTM | CNN, LSTM | 基因组数据 | 来自GDSC数据库的两个大型数据集 |
1672 | 2025-02-05 |
The potential of short-wave infrared hyperspectral imaging and deep learning for dietary assessment: a prototype on predicting closed sandwiches fillings
2024, Frontiers in nutrition
IF:4.0Q2
DOI:10.3389/fnut.2024.1520674
PMID:39897532
|
研究论文 | 本文探讨了短波红外高光谱成像和深度学习在家庭自制餐食饮食评估中的适用性,通过构建一个原型系统来自动检测封闭三明治中的食物成分 | 首次将短波红外高光谱成像与机器学习结合,用于家庭自制餐食的饮食评估,特别是封闭三明治的食物成分检测 | 模型在预测可涂抹馅料时表现较差,可能过于关注结构特征而非营养成分 | 开发一种不干扰自然饮食习惯的饮食摄入准确测量方法 | 封闭三明治中的食物成分 | 计算机视觉 | NA | 短波红外高光谱成像 | PLS-DA, 多分类器, 简单神经网络 | 高光谱图像 | 24张高光谱图像 |
1673 | 2025-02-05 |
An explainable Bi-LSTM model for winter wheat yield prediction
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1491493
PMID:39898259
|
研究论文 | 本研究开发了一种可解释的Bi-LSTM模型,用于冬小麦产量预测,结合了深度学习和解释性技术 | 首次在区域尺度上应用Bi-LSTM模型进行作物产量预测,并结合LIME、IG和SHAP等解释性技术,提供了模型决策过程的直观见解 | 研究主要关注冬小麦,未涉及其他作物,且模型的解释性分析可能受限于所选解释性技术的局限性 | 开发一种可解释的深度学习模型,用于准确预测作物产量并提供预测解释 | 冬小麦 | 机器学习 | NA | 深度学习 | Bi-LSTM, LSTM, 1D CNN | 时间序列数据 | 未明确说明样本数量,但涉及多个区域和产量数据范围 |
1674 | 2025-02-05 |
Research on the quantification and automatic classification method of Chinese cabbage plant type based on point cloud data and PointNet+
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1458962
PMID:39898272
|
研究论文 | 本文提出了一种基于点云数据和PointNet++深度学习算法的大白菜株型快速准确量化和自动分类方法 | 结合点云数据处理和深度学习算法PointNet++,首次实现了大白菜株型的快速准确量化和自动分类 | 目前的方法主要依赖于点云数据,可能在实际应用中受到数据采集条件的限制 | 开发一种能够快速准确量化和分类大白菜株型的方法,以提高作物管理和育种效率 | 大白菜株型 | 计算机视觉 | NA | 点云数据处理,深度学习 | PointNet++ | 点云数据 | 未明确说明样本数量 |
1675 | 2025-02-04 |
Promoting smartphone-based keratitis screening using meta-learning: A multicenter study
2024-Sep, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2024.104722
PMID:39244181
|
研究论文 | 本研究提出了一种基于元学习的框架(CNCML),用于在智能手机数据不足的情况下开发基于智能手机的角膜炎筛查模型 | 提出了余弦最近质心度量学习(CNCML)框架,利用裂隙灯照片的先验知识,解决了智能手机数据不足的问题 | 研究主要依赖于有限的智能手机照片数据,可能在实际应用中存在泛化能力不足的问题 | 开发一种基于智能手机的角膜炎筛查模型,以解决偏远地区缺乏专业设备的问题 | 角膜炎患者 | 计算机视觉 | 角膜炎 | 深度学习,元学习 | CNCML | 图像 | 13,009张裂隙灯照片和4,075张智能手机照片,来自3个独立的临床中心 |
1676 | 2024-08-07 |
Correction to: Prediction of protein-ligand binding affinity via deep learning models
2024-May-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae310
PMID:38888458
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1677 | 2025-02-04 |
Prediction of protein-ligand binding affinity via deep learning models
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae081
PMID:38446737
|
综述 | 本文综述了用于预测蛋白质-配体结合亲和力的计算方法,特别是基于深度学习的模型 | 探讨了深度学习模型在预测蛋白质-配体结合亲和力方面的潜力,并指出了当前模型的局限性 | 当前深度学习模型面临低质量数据库、不准确的输入表示和不合适的模型架构等限制 | 准确预测蛋白质-配体结合亲和力,以用于药物筛选和优化 | 蛋白质-配体结合亲和力 | 计算机辅助药物设计 | NA | 深度学习 | 深度学习模型 | 蛋白质-配体结合数据 | NA |
1678 | 2025-02-04 |
Self-supervised deep learning of gene-gene interactions for improved gene expression recovery
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae031
PMID:38349062
|
研究论文 | 本文提出了一种自监督深度学习框架,利用基因-基因相互作用来改进基因表达恢复的准确性 | 创新点在于将基因重新定位到2D网格中,以反映其相互作用关系,并采用自监督2D卷积神经网络从空间配置的基因中提取上下文特征,填补缺失的基因表达值 | 需要进一步验证在实际生物样本中的广泛适用性 | 提高单细胞RNA测序数据中基因表达恢复的准确性 | 单细胞RNA测序数据中的基因表达 | 机器学习 | NA | 单细胞RNA测序(scRNA-seq) | 2D卷积神经网络(CNN) | 基因表达数据 | 模拟和实验scRNA-seq数据集 |
1679 | 2025-02-04 |
scAMAC: self-supervised clustering of scRNA-seq data based on adaptive multi-scale autoencoder
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae068
PMID:38426327
|
研究论文 | 本文提出了一种基于自适应多尺度自编码器的自监督聚类方法scAMAC,用于单细胞RNA测序(scRNA-seq)数据的分析 | scAMAC利用多尺度注意力机制融合编码器、隐藏层和解码层的特征信息,探索同一尺度内的细胞相关性并捕捉跨尺度的深层特征,同时采用自适应反馈机制监督多尺度自编码器的参数更新 | 未明确提及具体局限性 | 开发一种新的自监督聚类方法,以更好地分析scRNA-seq数据并理解高级生物过程 | 单细胞RNA测序(scRNA-seq)数据 | 机器学习 | NA | 单细胞RNA测序(scRNA-seq) | 自适应多尺度自编码器 | 基因表达数据 | 未明确提及具体样本数量 |
1680 | 2025-02-04 |
Diff-AMP: tailored designed antimicrobial peptide framework with all-in-one generation, identification, prediction and optimization
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae078
PMID:38446739
|
研究论文 | 本文介绍了一种名为Diff-AMP的深度学习框架,用于自动化生成、识别、预测和优化抗菌肽(AMPs) | 创新性地将动力学扩散和注意力机制整合到强化学习框架中,用于高效生成AMPs,并采用预训练和迁移学习策略进行精确识别和筛选 | 未明确提及具体局限性 | 开发一个集成深度学习框架,以自动化生成、识别、预测和优化抗菌肽(AMPs) | 抗菌肽(AMPs) | 机器学习 | NA | 深度学习、强化学习、预训练、迁移学习 | 卷积神经网络(CNN)、强化学习 | 肽序列数据 | 未明确提及具体样本数量 |