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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1721 | 2025-02-02 |
Sex differences in brain MRI using deep learning toward fairer healthcare outcomes
2024, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2024.1452457
PMID:39606583
|
研究论文 | 本研究利用深度学习分析脑部MRI数据中的性别差异,旨在推动医学影像中的公平性 | 通过深度学习模型分析脑部MRI数据中的性别差异,并利用显著性图识别性别区分的重要脑区,为开发基于性别的偏见缓解策略提供见解 | 模型在极端脑部大小时表现出偏见,且未使用颅内总体积(TIV)调整技术 | 分析脑部MRI数据中的性别差异,推动医学影像中的公平性 | 脑部MRI数据 | 医学影像 | NA | 3D T1加权磁共振成像 | 卷积神经网络(CNN) | 图像 | 来自四个不同数据集的脑部MRI数据,包括Calgary-Campinas-359、OASIS-3、阿尔茨海默病神经影像倡议和剑桥老龄化与神经科学中心 |
1722 | 2025-02-02 |
Ordinal Classification with Distance Regularization for Robust Brain Age Prediction
2024-Jan, IEEE Winter Conference on Applications of Computer Vision. IEEE Winter Conference on Applications of Computer Vision
DOI:10.1109/wacv57701.2024.00770
PMID:38606366
|
研究论文 | 本文提出了一种新的基于深度学习的分类方法,用于从磁共振成像(MRI)扫描中预测大脑年龄,以解决现有回归方法中的系统偏差问题 | 提出了一种新的ORdinal Distance Encoded Regularization (ORDER)损失函数,该函数结合了年龄标签的顺序信息,增强了模型捕捉年龄相关模式的能力 | 虽然该方法在减少系统偏差方面表现出色,但其在更广泛临床数据集上的泛化能力仍需进一步验证 | 通过改进大脑年龄预测方法,提高其在阿尔茨海默病(AD)早期检测和风险评估中的可靠性 | 大脑年龄预测 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | 深度学习模型 | 磁共振成像(MRI)扫描 | 未明确提及具体样本数量,但使用了独立的AD数据集进行验证 |
1723 | 2025-02-02 |
Multi-Head Graph Convolutional Network for Structural Connectome Classification
2024, Graphs in biomedical image analysis, and overlapped cell on tissue dataset for histopathology : 5th MICCAI Workshop, GRAIL 2023 and 1st MICCAI Challenge, OCELOT 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, Septembe...
DOI:10.1007/978-3-031-55088-1_3
PMID:38665679
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1724 | 2025-02-01 |
Improved Generalizability in Medical Computer Vision: Hyperbolic Deep Learning in Multi-Modality Neuroimaging
2024-Dec-12, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging10120319
PMID:39728216
|
研究论文 | 本研究探讨了双曲卷积神经网络(HCNNs)在神经影像任务中相较于传统卷积神经网络(CNNs)的潜在优势,特别是在提高模型泛化能力方面 | 利用非欧几里得空间的几何原理,HCNNs在神经影像数据中展现出增强的鲁棒性和语义组织能力,尤其在零样本评估中表现优于CNNs和放射科医生 | HCNNs在处理更大、更复杂的数据集时面临效率和性能挑战,需要进一步优化架构 | 研究目的是通过比较HCNNs和CNNs在多种医学影像模态和疾病中的表现,评估HCNNs在提高模型泛化能力方面的潜力 | 研究对象包括多模态神经影像数据集和缺血性卒中非对比CT图像 | 计算机视觉 | 阿尔茨海默病 | 深度学习 | HCNNs, CNNs | 图像 | 多模态神经影像数据集和缺血性卒中非对比CT图像 |
1725 | 2025-02-01 |
Automatic Quantitative Analysis of Internal Quantum Efficiency Measurements of GaAs Solar Cells Using Deep Learning
2024-Dec-04, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202407048
PMID:39630124
|
研究论文 | 本文提出了一种使用深度学习方法自动预测砷化镓太阳能电池内部量子效率(IQE)测量中多个关键参数的方法 | 首次将深度学习方法应用于非硅太阳能电池(如砷化镓电池)的IQE测量定量分析,提高了参数预测的准确性和对噪声测量的鲁棒性 | 目前仅针对砷化镓太阳能电池进行了验证,未涉及其他非硅太阳能电池技术 | 提高砷化镓太阳能电池内部量子效率测量的定量分析效率和准确性 | 砷化镓太阳能电池 | 机器学习 | NA | 深度学习方法 | NA | 量子效率测量数据 | NA |
1726 | 2025-02-01 |
Inferring the genetic relationships between unsupervised deep learning-derived imaging phenotypes and glioblastoma through multi-omics approaches
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf037
PMID:39879386
|
研究论文 | 本研究旨在探讨无监督深度学习衍生的影像表型(UDIPs)与胶质母细胞瘤(GBM)之间的遗传关联 | 结合GWAS数据、单核RNA测序(snRNA-seq)和scPagwas方法,探索UDIPs与GBM的遗传联系,并识别了23个与GBM有显著因果关联的UDIPs | 研究中涉及的UDIPs数量较多(512个),但仅有23个显示出显著关联,可能限制了结果的广泛适用性 | 研究无监督深度学习衍生的影像表型与胶质母细胞瘤之间的遗传关联 | 胶质母细胞瘤(GBM)患者及其影像表型 | 数字病理学 | 胶质母细胞瘤 | GWAS, snRNA-seq, scPagwas | 无监督深度学习 | 影像数据, 基因组数据 | 512个UDIPs |
1727 | 2025-02-01 |
Deep learning-based image quality assessment for optical coherence tomography macular scans: a multicentre study
2024-Oct-22, The British journal of ophthalmology
DOI:10.1136/bjo-2023-323871
PMID:39033014
|
研究论文 | 本文开发并外部测试了用于评估Cirrus和Spectralis光学相干断层扫描设备三维黄斑扫描图像质量的深度学习模型 | 使用深度学习模型评估三维黄斑扫描图像质量,并进行了多中心外部测试 | 研究依赖于特定设备(Cirrus和Spectralis)的数据,可能不适用于其他设备 | 开发用于评估光学相干断层扫描图像质量的深度学习模型 | Cirrus和Spectralis光学相干断层扫描设备的三维黄斑扫描图像 | 计算机视觉 | 黄斑疾病 | 深度学习 | ResNet-18 | 图像 | 2277个Cirrus 3D扫描和1557个Spectralis 3D扫描 |
1728 | 2025-02-01 |
Deep learning analysis of serial digital breast tomosynthesis images in a prospective cohort of breast cancer patients who received neoadjuvant chemotherapy
2024-Sep, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111624
PMID:39029241
|
研究论文 | 本研究探讨了在乳腺癌新辅助化疗(NACT)期间使用人工智能(AI)分析连续数字乳腺断层合成(DBT)图像,以预测NACT完成后的病理完全缓解(pCR) | 首次将深度学习AI系统应用于连续DBT图像分析,以预测乳腺癌患者的pCR | 样本量较小,未来需要更大数据集以进行更全面的模型训练和性能评估 | 探索AI在乳腺癌NACT期间预测pCR的潜力 | 接受NACT的乳腺癌患者 | 计算机视觉 | 乳腺癌 | 数字乳腺断层合成(DBT) | 3D ResNet | 图像 | 149名女性乳腺癌患者 |
1729 | 2025-02-01 |
Multicenter privacy-preserving model training for deep learning brain metastases autosegmentation
2024-09, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110419
PMID:38969106
|
研究论文 | 本研究探讨了多中心数据异质性对深度学习脑转移自动分割性能的影响,并评估了增量迁移学习技术(LWF)在不共享原始数据的情况下提高模型泛化能力的有效性 | 提出了使用增量迁移学习技术(LWF)进行隐私保护的模型训练,以提高多中心数据下的模型泛化能力 | 数据异质性(如转移密度、空间分布和图像空间分辨率的差异)导致模型性能在不同中心间存在差异,限制了模型的泛化能力 | 研究多中心数据异质性对深度学习脑转移自动分割性能的影响,并评估增量迁移学习技术的有效性 | 脑转移(BM)的自动分割 | 计算机视觉 | 脑转移 | 深度学习 | DeepMedic网络 | 医学影像 | 来自六个中心的脑转移数据集(UKER、USZ、Stanford、UCSF、NYU、BraTS Challenge 2023) |
1730 | 2025-02-01 |
Artificial intelligence for triaging of breast cancer screening mammograms and workload reduction: A meta-analysis of a deep learning software
2024-Sep, Journal of medical screening
IF:2.6Q2
DOI:10.1177/09691413231219952
PMID:38115810
|
meta-analysis | 本文通过meta分析评估了基于AI的乳腺癌筛查乳腺X光片分诊在减少放射科医生工作量方面的效果 | 首次通过meta分析评估了深度学习算法在乳腺癌筛查乳腺X光片分诊中的应用及其对放射科医生工作量的影响 | AI的实施仍然复杂且异质性较大 | 评估基于AI的乳腺癌筛查乳腺X光片分诊是否能在保持高敏感性的同时减少放射科医生的工作量 | 乳腺癌筛查乳腺X光片 | digital pathology | breast cancer | deep learning | DL | image | 156,852次检查 |
1731 | 2025-02-01 |
Neuroimage analysis using artificial intelligence approaches: a systematic review
2024-Sep, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03097-w
PMID:38664348
|
系统综述 | 本文系统回顾了人工智能在神经影像数据分析中的应用及其对提升诊断能力和推动领域发展的影响 | 通过系统回顾456篇相关文献,揭示了AI技术在神经影像分析中的广泛应用及其在疾病分类和病变分割等临床任务中的优势 | 研究仅限于2013年至2023年间的文献,可能未涵盖最新的技术进展 | 探讨AI技术在神经影像数据分析中的应用,以提升诊断能力和推动领域发展 | 神经影像数据,特别是与精神和神经系统疾病相关的数据 | 神经影像分析 | 精神和神经系统疾病 | 机器学习和深度学习算法 | NA | 神经影像数据 | 456篇相关文献,其中104篇被详细回顾 |
1732 | 2025-02-01 |
Analysis of the integrated role of the Yangtze River Delta based on the industrial economic resilience of cities during COVID-19
2024-07-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-68357-z
PMID:39060630
|
研究论文 | 本研究探讨了COVID-19期间长江三角洲地区城市产业经济韧性及其对区域一体化战略的影响 | 使用UNet深度学习方法检测土地利用类型,并结合土地转移矩阵和标准差椭圆分析工业用地变化和工业产值空间分布 | 研究区域仅限于安徽省的芜湖、马鞍山和滁州三市,可能无法全面反映整个长江三角洲地区的情况 | 分析COVID-19期间长江三角洲地区城市产业经济韧性及其对区域一体化战略的影响 | 安徽省的芜湖、马鞍山和滁州三市的工业用地和工业产值 | 机器学习 | NA | UNet深度学习方法 | UNet | 土地利用数据 | 安徽省的芜湖、马鞍山和滁州三市 |
1733 | 2025-02-01 |
Deep learning automatically assesses 2-µm laser-induced skin damage OCT images
2024-Apr-18, Lasers in medical science
IF:2.1Q2
DOI:10.1007/s10103-024-04053-8
PMID:38634947
|
研究论文 | 本研究提出了一种基于光学相干断层扫描(OCT)和深度学习技术的非侵入性、自动化体内评估方法,用于定性和定量分析2微米激光诱导皮肤损伤在不同照射剂量下的生物学效应 | 首次将深度学习技术应用于2微米激光诱导皮肤损伤的OCT图像分析,实现了损伤的自动分割和定量评估 | 研究仅限于小鼠模型,尚未在人体上进行验证 | 开发一种非侵入性、自动化的方法,用于评估2微米激光诱导的皮肤损伤 | 小鼠皮肤损伤模型 | 计算机视觉 | 皮肤损伤 | 光学相干断层扫描(OCT) | U-Net, DeepLabV3+, PSP-Net, HR-Net | 图像 | 不同照射剂量下的小鼠皮肤损伤组织 |
1734 | 2025-02-01 |
Application of Deep Learning Algorithms Based on the Multilayer Y0L0v8 Neural Network to Identify Fungal Keratitis
2024, Sovremennye tekhnologii v meditsine
DOI:10.17691/stm2024.16.4.01
PMID:39881837
|
研究论文 | 本文开发了一种基于深度学习算法的真菌性角膜炎诊断方法,通过分析眼前节照片,并在测试数据集上评估该方法的敏感性和特异性,与执业眼科医生的结果进行比较 | 使用多层Y0L0v8神经网络进行真菌性角膜炎的自动诊断,这是首次将此类深度学习算法应用于该疾病的诊断 | 方法的性能仅在测试数据集上进行了评估,未在更大规模或多样化的临床环境中验证 | 开发一种基于深度学习算法的真菌性角膜炎诊断方法 | 真菌性角膜炎 | 计算机视觉 | 角膜炎 | 深度学习 | Y0L0v8神经网络 | 图像 | NA |
1735 | 2025-02-01 |
The global research of magnetic resonance imaging in Alzheimer's disease: a bibliometric analysis from 2004 to 2023
2024, Frontiers in neurology
IF:2.7Q3
DOI:10.3389/fneur.2024.1510522
PMID:39882364
|
研究论文 | 本文通过文献计量分析总结了2004年至2023年间阿尔茨海默病(AD)研究中磁共振成像(MRI)的应用,并预测了未来的研究热点 | 首次通过文献计量学方法系统分析了AD研究中MRI的应用趋势,并识别出当前研究热点为深度学习和tau病理学 | 研究仅基于Web of Science Core Collection数据库,可能未涵盖所有相关文献 | 总结AD研究中MRI的应用趋势并预测未来研究热点 | AD患者 | 数字病理学 | 老年疾病 | MRI | 深度学习 | 文献数据 | 13,659篇文章 |
1736 | 2025-02-01 |
Evolution of artificial intelligence in healthcare: a 30-year bibliometric study
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1505692
PMID:39882522
|
研究论文 | 本文对过去30年医疗保健领域人工智能(AI)的文献进行了动态和纵向的文献计量分析,以探讨医学与人工智能融合的现状和趋势 | 首次对医疗保健领域AI文献进行30年的纵向文献计量分析,揭示了AI技术在医疗领域的持续爆发性增长趋势 | 研究主要基于Web of Science数据库,可能未涵盖所有相关文献 | 探讨医学与人工智能融合的现状和趋势 | 1993年至2023年间发表的医疗保健领域AI相关文献 | 机器学习 | NA | 文献计量分析 | NA | 文献数据 | 22,950篇文献 |
1737 | 2025-01-31 |
Artificial Intelligence Transforming Post-Translational Modification Research
2024-Dec-31, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010026
PMID:39851300
|
综述 | 本文探讨了人工智能(AI)在研究蛋白质翻译后修饰(PTMs)中的应用 | 本文创新性地比较了多种深度学习架构和程序,包括最近应用的语言模型,用于预测蛋白质上的PTM位点及其调控功能,并描述了一个高通量PTM数据生成管道 | 本文未提及具体的研究局限性 | 探索人工智能在蛋白质翻译后修饰研究中的应用 | 蛋白质翻译后修饰(PTMs) | 生物信息学 | NA | 深度学习 | 语言模型 | 蛋白质数据 | NA |
1738 | 2025-01-31 |
Exploring Multi-Pathology Brain Segmentation: From Volume-Based to Component-Based Deep Learning Analysis
2024-Dec-31, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11010006
PMID:39852319
|
研究论文 | 本文探讨了使用深度学习模型对多病理脑部MRI图像进行分割的方法,从基于体积的分析到基于组件的分析 | 本文创新性地对预训练的U-net模型在四种不同脑部病理(肿瘤、中风、多发性硬化症和白质高信号)上的分割结果进行了深入分析,并提供了异常组件的位置、强度和体积的详细评估 | 模型在检测和分割异常组件时存在较高的假阳性和假阴性率,尤其是在异常组件的部分正确检测方面表现不佳 | 研究目的是通过深度学习模型对多病理脑部MRI图像进行分割,并评估其在不同病理条件下的表现 | 研究对象为包含四种不同病理(肿瘤、中风、多发性硬化症和白质高信号)的脑部MRI图像 | 数字病理 | 脑部疾病 | MRI | U-net | 图像 | 验证集中的脑部MRI图像 |
1739 | 2025-01-31 |
The Role of Machine Learning in the Detection of Cardiac Fibrosis in Electrocardiograms: Scoping Review
2024-Dec-30, JMIR cardio
DOI:10.2196/60697
PMID:39753213
|
综述 | 本文综述了基于心电图(ECG)的机器学习(ML)方法在心脏纤维化检测中的应用现状 | 本文首次系统性地评估了ECG结合ML技术在心脏纤维化检测中的应用,并指出了现有研究的局限性和未来改进方向 | 许多研究样本量有限,缺乏外部验证,影响了研究结果的普遍适用性,且方法学报告不一致,阻碍了跨研究比较 | 评估基于ECG的ML方法在心脏纤维化检测中的应用效果 | 心脏纤维化 | 机器学习 | 心血管疾病 | 机器学习 | 支持向量机, 集成学习, 卷积神经网络 | 心电图数据 | 11项研究,其中一项大规模研究涉及14,052个样本 |
1740 | 2025-01-31 |
Cells Grouping Detection and Confusing Labels Correction on Cervical Pathology Images
2024-Dec-30, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering12010023
PMID:39851297
|
研究论文 | 本文提出了一种基于先验知识收集和混淆标签校正的宫颈细胞检测网络PGCC-Net,旨在通过细胞分组检测和标签校正提高宫颈病理图像的自动分析效率和准确性 | 利用临床先验知识将检测任务分解为多个子任务进行细胞分组检测,并通过构建特征中心进行标签校正,以提高深度学习网络的分类准确性 | 未提及具体局限性 | 提高宫颈病理图像中细胞检测和分类的效率和准确性 | 宫颈病理图像中的细胞 | 数字病理学 | 宫颈癌 | 深度学习 | PGCC-Net | 图像 | 公共数据集7410张图像,私有数据集13526张图像 |