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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1821 | 2025-01-25 |
ID3RSNet: cross-subject driver drowsiness detection from raw single-channel EEG with an interpretable residual shrinkage network
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1508747
PMID:39844854
|
研究论文 | 本文提出了一种名为ID3RSNet的新型可解释残差收缩网络,用于从单通道EEG信号中进行跨受试者驾驶员嗜睡检测 | 提出了一种结合注意力机制的残差收缩构建单元,用于自适应特征重新校准和软阈值去噪,并引入了基于EEG的类激活图(ECAM)可解释方法,以可视化分析样本学习模式 | NA | 开发一种无需校准的驾驶员嗜睡检测系统,使用单通道EEG信号 | 驾驶员嗜睡检测 | 机器学习 | NA | EEG信号处理 | ID3RSNet(可解释残差收缩网络) | 单通道EEG信号 | NA |
1822 | 2025-01-25 |
Revolutionizing diagnosis of pulmonary Mycobacterium tuberculosis based on CT: a systematic review of imaging analysis through deep learning
2024, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2024.1510026
PMID:39845042
|
系统综述 | 本文综述了基于深度学习的CT成像分析在肺结核诊断中的应用,评估了其诊断准确性,并探讨了当前面临的挑战和未来研究方向 | 本文首次系统评估了深度学习在基于CT的肺结核诊断中的应用,并提出了数据稀缺性、模型泛化性、可解释性和伦理问题等关键挑战 | 研究仅纳入了7篇相关文献,样本量较小,且未进行定量分析 | 评估深度学习在基于CT的肺结核诊断中的准确性,并探讨其应用前景和挑战 | 肺结核(PTB)患者 | 计算机视觉 | 肺结核 | 深度学习(DL) | NA | CT图像 | 7篇相关文献 |
1823 | 2025-01-25 |
A multi-modal multi-branch framework for retinal vessel segmentation using ultra-widefield fundus photographs
2024, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2024.1532228
PMID:39845080
|
研究论文 | 本文提出了一种多模态多分支框架M3B-Net,用于提高超广角眼底照片中的视网膜血管分割精度 | M3B-Net框架结合了眼底荧光血管造影(FFA)图像,通过选择性融合模块(SFM)、局部感知融合模块(LPFM)和注意力引导上采样模块(AUM)提升分割性能 | 未明确提及具体局限性 | 提高超广角眼底图像中视网膜血管的分割精度,以支持疾病分析 | 超广角眼底照片中的视网膜血管 | 计算机视觉 | NA | 深度学习 | M3B-Net(多模态多分支框架) | 图像(超广角眼底照片和FFA图像) | 未明确提及样本数量 |
1824 | 2025-01-25 |
A systematic review of Machine Learning and Deep Learning approaches in Mexico: challenges and opportunities
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1479855
PMID:39845096
|
系统综述 | 本文系统综述了墨西哥在机器学习和深度学习领域的发展及其应用,涵盖了多个领域 | 提供了墨西哥在机器学习和深度学习领域的全面信息,包括趋势、空间位置、机构、出版问题、主题领域、算法应用和性能指标 | 主要关注墨西哥的应用,可能缺乏对其他国家的比较分析 | 提供墨西哥在机器学习和深度学习领域的应用和发展情况 | 120篇原始研究论文 | 机器学习, 深度学习 | NA | NA | 人工神经网络(ANN), 随机森林(RF), 支持向量机(SVM) | NA | 120篇原始研究论文 |
1825 | 2025-01-25 |
DLBWE-Cys: a deep-learning-based tool for identifying cysteine S-carboxyethylation sites using binary-weight encoding
2024, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2024.1464976
PMID:39845187
|
研究论文 | 本文介绍了一种名为DLBWE-Cys的深度学习工具,用于准确识别蛋白质序列中的半胱氨酸S-羧乙基化位点 | 开发了一种新的深度学习模型DLBWE-Cys,结合了CNN、BiLSTM、Bahdanau注意力机制和全连接神经网络,并采用了专门设计的Binary-Weight编码方法 | 目前尚无其他计算工具能准确预测这些位点,这给该领域的研究带来了挑战 | 准确识别半胱氨酸S-羧乙基化位点,以阐明其在自身免疫疾病中的功能机制 | 蛋白质序列中的半胱氨酸S-羧乙基化位点 | 机器学习 | 自身免疫疾病 | 深度学习 | CNN, BiLSTM, Bahdanau attention, FNN | 蛋白质序列数据 | NA |
1826 | 2025-01-25 |
A CT-based deep learning model for preoperative prediction of spread through air spaces in clinical stage I lung adenocarcinoma
2024, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2024.1482965
PMID:39845323
|
研究论文 | 本文开发并验证了一种基于CT的深度学习模型,用于非侵入性预测临床I期肺腺癌的气道扩散(STAS),并与传统的临床语义模型进行了预测性能比较 | 采用Swin Transformer架构开发深度学习模型,用于预测STAS,其性能优于传统的临床语义模型 | 研究为回顾性设计,可能引入选择偏差,且样本量相对有限 | 开发并验证一种深度学习模型,用于预测临床I期肺腺癌的STAS | 513例经病理证实的I期肺腺癌患者 | 数字病理 | 肺癌 | CT扫描 | Swin Transformer | 图像 | 513例患者(训练队列386例,验证队列127例) |
1827 | 2025-01-25 |
Deep CNN ResNet-18 based model with attention and transfer learning for Alzheimer's disease detection
2024, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2024.1507217
PMID:39845347
|
研究论文 | 本文提出了一种基于ResNet-18的深度学习模型,结合深度卷积和Squeeze and Excitation (SE)模块,用于阿尔茨海默病的检测 | 提出了一种结合SE模块的ResNet-18模型,减少了调参需求,并在小样本和不平衡数据集上表现优异 | 医疗数据收集成本高且涉及伦理问题,小数据集容易导致成本函数的局部最小值问题,类不平衡也会降低性能 | 开发一种有效的深度学习模型用于阿尔茨海默病的检测 | 阿尔茨海默病(AD)、认知正常(CN)和轻度认知障碍(MCI)患者 | 计算机视觉 | 阿尔茨海默病 | 深度卷积、Squeeze and Excitation (SE)模块、迁移学习 | ResNet-18 | 图像 | 未明确说明样本数量 |
1828 | 2025-01-25 |
A fast monocular 6D pose estimation method for textureless objects based on perceptual hashing and template matching
2024, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2024.1424036
PMID:39845569
|
研究论文 | 本文提出了一种基于感知哈希和模板匹配的快速单目6D姿态估计方法,适用于无纹理物体 | 提出了一种新的感知哈希方法用于二值图像,实现了快速且鲁棒的姿态估计,并自动预选模板子集以减少推理时间 | 在绝对精度上不如最先进的深度学习模型,但在精度和处理时间之间提供了更有利的权衡 | 开发一种在资源受限设备上高效运行的6D姿态估计方法,以降低硬件成本和功耗 | 无纹理物体 | 计算机视觉 | NA | 感知哈希和模板匹配 | NA | 图像 | 合成生成的数据集和一个公开可用的数据集 |
1829 | 2025-01-25 |
Quantitative immunohistochemistry analysis of breast Ki67 based on artificial intelligence
2024, Open life sciences
IF:1.7Q3
DOI:10.1515/biol-2022-1013
PMID:39845722
|
研究论文 | 本文提出了一种基于深度学习的乳腺癌Ki67定量分析方法,旨在提高诊断效率和准确性 | 采用深度学习技术对乳腺癌Ki67进行定量分析,显著提高了诊断效率和一致性 | 未提及方法在其他类型癌症或更大样本中的适用性 | 开发一种高效的乳腺癌Ki67定量分析系统,以辅助病理诊断 | 乳腺癌病理图像中的Ki67表达 | 数字病理学 | 乳腺癌 | 深度学习 | CNN | 图像 | 未明确提及具体样本数量,但提到在临床独立样本实验中进行了验证 |
1830 | 2025-01-25 |
Transformer-based model for predicting length of stay in intensive care unit in sepsis patients
2024, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2024.1473533
PMID:39845825
|
研究论文 | 本研究开发了一种基于Transformer的深度学习模型,用于预测脓毒症患者在重症监护病房(ICU)的住院时间 | 利用Transformer模型结合全局和局部输入数据分析,通过分类和特征标记,基于序贯器官衰竭评估(SOFA)标准进行预测 | 研究仅基于单一医院的521名患者数据,可能缺乏广泛代表性 | 优化ICU资源分配,减少医疗费用 | 脓毒症患者 | 机器学习 | 脓毒症 | 深度学习 | Transformer | 医疗数据 | 521名患者 |
1831 | 2025-01-25 |
Transforming Healthcare: Artificial Intelligence (AI) Applications in Medical Imaging and Drug Response Prediction
2024, Genome integrity
DOI:10.14293/genint.15.1.002
PMID:39845982
|
评论 | 本文讨论了人工智能在医学影像和药物反应预测中的应用及其面临的挑战 | 探讨了人工智能在医学影像诊断和药物反应预测中的潜在应用,并强调了数据泛化和模型可解释性的重要性 | 未提供具体实验数据或案例研究,主要基于理论讨论 | 探讨人工智能在医学领域的应用潜力及实施挑战 | 医学影像和药物反应预测 | 机器学习 | NA | 机器学习和深度学习 | NA | 医学影像和药物反应数据 | NA |
1832 | 2025-01-25 |
Retraction Note: COVID-CheXNet: hybrid deep learning framework for identifying COVID-19 virus in chest X-rays images
2024, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-024-09992-6
PMID:39847664
|
retraction | 本文撤回了关于使用混合深度学习框架识别胸部X光图像中COVID-19病毒的文章 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1833 | 2025-01-25 |
Retraction Note: Performance evaluation of deep learning techniques for lung cancer prediction
2024, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-024-10107-4
PMID:39847665
|
retraction | 本文是对先前发表的关于深度学习技术在肺癌预测中性能评估的文章的撤稿声明 | NA | NA | NA | NA | NA | lung cancer | NA | NA | NA | NA |
1834 | 2025-01-25 |
Retraction Note: Early diagnosis of COVID-19-affected patients based on X-ray and computed tomography images using deep learning algorithm
2024, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-024-09993-5
PMID:39847670
|
撤回声明 | 本文是对先前发表的关于使用深度学习算法基于X光和CT图像早期诊断COVID-19患者的文章的撤回声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1835 | 2025-01-24 |
Artificial Intelligence-Assisted Segmentation of a Falx Cerebri Calcification on Cone-Beam Computed Tomography: A Case Report
2024-Dec-12, Medicina (Kaunas, Lithuania)
DOI:10.3390/medicina60122048
PMID:39768927
|
研究论文 | 本文探讨了人工智能在锥形束计算机断层扫描(CBCT)图像中分割和检测大脑镰钙化的应用 | 利用基于云的人工智能平台分析CBCT图像,有效分割大脑镰钙化,尽管在区分这些钙化与其他颅骨结构方面仍存在挑战 | 在区分大脑镰钙化与其他颅骨结构方面仍存在挑战,且该领域的研究文献较少 | 探索人工智能在放射学诊断中的应用,特别是用于检测大脑镰钙化 | 大脑镰钙化 | 计算机视觉 | 颅内钙化 | 锥形束计算机断层扫描(CBCT) | 深度学习 | 图像 | 1例59岁患者 |
1836 | 2025-01-24 |
Deep-AutoMO: Deep automated multiobjective neural network for trustworthy lesion malignancy diagnosis in the early stage via digital breast tomosynthesis
2024-Dec, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.109299
PMID:39437606
|
研究论文 | 本研究开发了一种新型深度自动化多目标神经网络(Deep-AutoMO),用于通过数字乳腺断层合成(DBT)进行早期乳腺癌恶性病变的可信诊断 | 提出了多目标免疫神经架构搜索(MINAS)和基于熵的证据推理(ERE)方法,以在训练和测试阶段实现模型的平衡、安全和鲁棒性 | 未提及具体的数据集规模或外部验证结果 | 开发一种可信赖的深度学习模型,用于早期乳腺癌恶性病变的诊断 | 数字乳腺断层合成(DBT)图像 | 计算机视觉 | 乳腺癌 | 深度学习 | ResNet、DenseNet | 图像 | 未提及具体样本数量 |
1837 | 2025-01-24 |
Role of Artificial Intelligence in MRI-Based Rectal Cancer Staging: A Systematic Review
2024-Dec, Cureus
DOI:10.7759/cureus.76185
PMID:39840208
|
系统综述 | 本文系统综述了人工智能(AI)在基于磁共振成像(MRI)的直肠癌(RC)分期中的应用及其表现 | 首次对AI在MRI-based RC分期中的表现进行了全面评估,涵盖了多种AI模型和MRI技术 | 仅纳入了14项研究,样本量较小,且未对不同AI模型进行直接比较 | 评估AI模型在MRI-based RC分期中的诊断性能 | 直肠癌(RC)患者 | 数字病理 | 直肠癌 | MRI | 深度学习(DL)、卷积神经网络(CNN)、随机森林分类器、LASSO等 | MRI图像(T1加权、T2加权、扩散加权图像等) | 14项研究,涉及716条记录 |
1838 | 2025-01-24 |
Automated cell lineage reconstruction using label-free 4D microscopy
2024-Oct-07, Genetics
IF:3.3Q2
DOI:10.1093/genetics/iyae135
PMID:39139100
|
研究论文 | 本文介绍了一种名为embGAN的深度学习管道,用于在无标记3D延时成像中实现自动化细胞检测和跟踪 | embGAN无需手动数据注释进行训练,能够学习到具有高度尺度不变性的稳健检测,并在多个实验室和仪器上获得的图像上表现出良好的泛化能力 | 目前尚无解决方案可用于在密集组织和胚胎的无标记3D成像中实现自动化细胞检测和跟踪 | 开发一种自动化细胞检测和跟踪方法,以支持高通量的细胞谱系研究 | 线虫Caenorhabditis elegans胚胎 | 计算机视觉 | NA | 4D无标记显微镜 | GAN | 3D时间序列图像 | NA |
1839 | 2025-01-24 |
Prospective deep learning-based quantitative assessment of coronary plaque by computed tomography angiography compared with intravascular ultrasound: the REVEALPLAQUE study
2024-Aug-26, European heart journal. Cardiovascular Imaging
DOI:10.1093/ehjci/jeae115
PMID:38700097
|
研究论文 | 本研究比较了基于深度学习的自动方法在冠状动脉计算机断层扫描血管造影(CCTA)中分割冠状动脉粥样硬化的效果,与血管内超声(IVUS)作为参考标准进行对比 | 使用AI技术自动量化冠状动脉粥样硬化,并与IVUS进行对比,展示了高准确性和强相关性 | 研究仅限于临床稳定的冠状动脉疾病患者,样本来源仅限于美国和日本的15个中心 | 评估AI技术在CCTA中量化冠状动脉粥样硬化的准确性,以改进心血管风险评估 | 已知冠状动脉疾病的临床稳定患者 | 数字病理 | 心血管疾病 | AI, CCTA, IVUS | 深度学习 | 图像 | 237名患者,432个病变 |
1840 | 2025-01-24 |
Deep Learning for Pneumothorax Detection on Chest Radiograph: A Diagnostic Test Accuracy Systematic Review and Meta Analysis
2024-Aug, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371231220885
PMID:38189265
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了深度学习算法在胸部X光片上检测气胸的总体性能 | 首次系统评估了深度学习在气胸检测中的应用效果,并展示了其在临床环境中的巨大潜力 | 研究设计、数据集来源和偏倚风险对检测敏感性和特异性无显著影响,但可能存在未考虑的其他影响因素 | 评估深度学习算法在胸部X光片上检测气胸的总体性能 | 成人患者的胸部X光片 | 计算机视觉 | 气胸 | 深度学习 | NA | 图像 | 34,011名患者和34,075张胸部X光片 |