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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
61 | 2025-05-06 |
DEEP LEARNING FOR AUTOMATED DETECTION OF BREAST CANCER IN DEEP ULTRAVIOLET FLUORESCENCE IMAGES WITH DIFFUSION PROBABILISTIC MODEL
2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging
DOI:10.1109/ISBI56570.2024.10635349
PMID:40313564
|
研究论文 | 本文提出了一种利用扩散概率模型(DPM)增强深度紫外荧光(DUV)图像数据集的方法,以提高乳腺癌分类的准确性 | 首次将扩散概率模型(DPM)应用于深度紫外荧光(DUV)图像数据增强,显著提高了乳腺癌检测的准确率 | 研究依赖于有限的数据集,可能影响模型的泛化能力 | 提高乳腺癌在深度紫外荧光图像中的自动检测性能 | 深度紫外荧光(DUV)图像 | 计算机视觉 | 乳腺癌 | 扩散概率模型(DPM) | ResNet, XGBoost | 图像 | 未明确提及具体样本数量 |
62 | 2025-05-03 |
Development and validation of a deep learning model to predict axial length from ultra-wide field images
2024-May, Eye (London, England)
DOI:10.1038/s41433-023-02885-2
PMID:38102471
|
研究论文 | 开发并验证了一种深度学习模型,用于从超广角眼底图像预测中高度近视患者的眼轴长度 | 首次利用深度学习模型从超广角眼底图像预测眼轴长度,并验证了其可行性 | 模型预测偏差与真实眼轴长度值呈强负相关,且在男女之间存在显著差异 | 验证利用深度学习模型从超广角眼底图像预测中高度近视患者眼轴长度的可行性 | 3134名近视患者的6174张超广角眼底图像 | 计算机视觉 | 近视 | 深度学习 | 深度学习模型 | 图像 | 6174张超广角眼底图像(来自3134名患者) |
63 | 2025-05-03 |
Predicting systemic diseases in fundus images: systematic review of setting, reporting, bias, and models' clinical availability in deep learning studies
2024-May, Eye (London, England)
DOI:10.1038/s41433-023-02914-0
PMID:38238576
|
系统综述 | 本文系统综述了使用深度学习技术分析眼底图像预测系统性疾病的文献,评估了研究质量并提出了临床转化建议 | 首次对深度学习在眼底图像预测系统性疾病领域的文献进行全面系统评价,并采用TRIPOD和PROBAST标准评估报告透明度和偏倚风险 | 仅纳入31篇文献,大多数研究存在高偏倚风险,临床可用性数据不足 | 评估深度学习在眼底图像预测系统性疾病中的应用现状和研究质量 | 使用深度学习和眼底图像预测系统性参数的文献 | 数字病理学 | 糖尿病及相关疾病、心血管疾病等 | 深度学习 | NA | 眼底图像 | 31篇研究文献(涉及4969篇初步筛选文献) |
64 | 2025-05-03 |
AI-guided histopathology predicts brain metastasis in lung cancer patients
2024-05, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.6263
PMID:38433721
|
研究论文 | 使用深度学习技术分析常规H&E染色组织切片,预测非小细胞肺癌患者脑转移风险 | 首次将深度学习应用于常规H&E染色切片预测脑转移风险,准确率显著高于病理专家 | 样本量相对较小(158例),需要更大规模验证 | 开发AI模型预测非小细胞肺癌患者的脑转移风险 | I-III期非小细胞肺癌患者的H&E染色组织切片 | 数字病理学 | 肺癌 | 深度学习 | DL算法 | 病理图像 | 158例I-III期NSCLC患者(65例发生脑转移,93例未进展) |
65 | 2025-05-03 |
Explainable AI-based Deep-SHAP for mapping the multivariate relationships between regional neuroimaging biomarkers and cognition
2024-May, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2024.111403
PMID:38452732
|
research paper | 该研究开发了一种名为Deep-SHAP的可解释AI方法,用于探索轻度认知障碍(MCI)/阿尔茨海默病(AD)患者区域神经影像生物标志物与认知功能之间的多变量关系 | 结合深度学习和SHAP方法,首次提出Deep-SHAP方法来揭示MCI/AD中区域脑部特征与认知功能之间的复杂多变量关系 | 研究仅针对MCI/AD患者,结果可能不适用于其他神经退行性疾病 | 探索MCI/AD患者区域脑成像指标与认知功能之间的多变量关系 | MCI/AD患者 | digital pathology | geriatric disease | MRI, PET | 深度学习神经网络 | 神经影像数据 | MCI/AD患者的实验数据 |
66 | 2024-08-07 |
Deep learning in ophthalmic and orbital ultrasound for spaceflight associated neuro-ocular syndrome (SANS)
2024-May, Eye (London, England)
DOI:10.1038/s41433-023-02877-2
PMID:38135772
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
67 | 2024-08-07 |
Response to 'Deep learning in ophthalmic ultrasound to enable further insights in Spaceflight Associated Neuro-Ocular Syndrome (SANS)'
2024-May, Eye (London, England)
DOI:10.1038/s41433-023-02878-1
PMID:38135773
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
68 | 2025-05-03 |
Evaluation of a Cascaded Deep Learning-based Algorithm for Prostate Lesion Detection at Biparametric MRI
2024-05, Radiology
IF:12.1Q1
DOI:10.1148/radiol.230750
PMID:38713024
|
研究论文 | 评估一种基于级联深度学习的算法在双参数MRI中检测前列腺病变的性能,并与放射科医生的读取和活检结果进行比较 | 开发了一种用于双参数MRI的前列腺病变检测和分割的AI算法,其性能与经验丰富的放射科医生相当 | 算法在病变级别的检测灵敏度为55%,阳性预测值为57%,且每个参与者的平均假阳性病变数为0.61 | 评估AI算法在双参数MRI中检测前列腺病变的性能 | 疑似或已知前列腺癌的患者 | 数字病理学 | 前列腺癌 | 双参数MRI | 级联深度学习算法 | MRI图像 | 658名男性参与者,共1029个MRI可见病变 |
69 | 2025-05-03 |
NRG Oncology Assessment of Artificial Intelligence Deep Learning-Based Auto-segmentation for Radiation Therapy: Current Developments, Clinical Considerations, and Future Directions
2024-May-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2023.10.033
PMID:37972715
|
research paper | 评估基于人工智能深度学习的自动分割在放射治疗中的当前发展、临床考虑和未来方向 | 探讨了AI深度学习神经网络在放射治疗自动分割中的应用,特别是在减少人工勾画工作量和缩短治疗计划时间方面的显著优势 | 商业AI分割模型在多样化临床场景中应用时面临挑战,特别是在非受控环境中 | 评估商业AI自动分割工具的临床应用和潜力 | 商业AI自动分割工具及其在放射治疗中的应用 | digital pathology | NA | deep learning neural networks (DLNN) | AI-based models | medical imaging data | NA |
70 | 2025-05-03 |
Image factory: A method for synthesizing novel CT images with anatomical guidance
2024-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16864
PMID:38043097
|
research paper | 提出了一种名为Image factory的方法,用于在解剖学指导下合成新的CT图像,以解决医学影像领域标记数据不足的问题 | 通过结合StyleGAN、U-Net和CycleGAN/P2P架构,能够从少量标记数据生成大量高质量的标记CT图像,并合成具有新解剖结构的图像 | 需要依赖初始的小规模标记数据集和大量非标记数据,且生成图像的解剖合理性可能存在轻微下降 | 解决医学影像领域深度学习训练数据不足的问题 | CT图像 | digital pathology | lung cancer | StyleGAN, U-Net, CycleGAN/P2P | GAN, CNN | image | 30例标记的肺部CT数据(来自TCIA)和14k例未标记的高分辨率CT数据(来自NIH) |
71 | 2025-05-03 |
RAPHIA: A deep learning pipeline for the registration of MRI and whole-mount histopathology images of the prostate
2024-05, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2024.108318
PMID:38522253
|
research paper | 介绍了一种名为RAPHIA的深度学习流程,用于高效准确地对前列腺MRI和全切片组织病理学图像进行配准 | RAPHIA自动化了现有方法中多个耗时的手动步骤,包括前列腺分割、组织病理学图像旋转角度和水平翻转的估计,以及MRI-组织病理学切片对应关系的估计,并通过深度学习配准网络大幅减少计算时间 | 未明确提及具体限制,但可能依赖于深度学习模型的性能和训练数据的质量 | 开发一种高效准确的MRI和组织病理学图像配准流程,以促进前列腺癌早期检测的机器学习方法的发展 | 前列腺MRI和全切片组织病理学图像 | digital pathology | prostate cancer | deep learning registration networks | NA | image | 未明确提及具体样本数量 |
72 | 2025-05-03 |
TractGeoNet: A geometric deep learning framework for pointwise analysis of tract microstructure to predict language assessment performance
2024-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2024.103120
PMID:38458095
|
研究论文 | 提出了一种基于几何深度学习的框架TractGeoNet,用于利用扩散磁共振成像(dMRI)纤维束成像和相关的点状组织微结构测量进行回归分析 | 采用点云表示法直接利用纤维束内所有点的组织微结构和位置信息,无需沿流线平均或分箱数据;提出了一种新的损失函数Paired-Siamese Regression loss,以提高回归性能;提出了Critical Region Localization算法,用于识别白质纤维束中对预测结果贡献最大的解剖区域 | 研究仅基于806名受试者的20个关联白质纤维束数据集,样本量和区域范围可能有限 | 通过几何深度学习增强对大脑白质纤维束的研究,并将其结构与人类语言表现等特征联系起来 | 人脑白质纤维束及其与语言表现的关系 | 机器学习 | NA | 扩散磁共振成像(dMRI)纤维束成像 | 几何深度学习 | 图像 | 806名受试者的20个关联白质纤维束 |
73 | 2025-05-03 |
Utilizing Deep Learning and Computed Tomography to Determine Pulmonary Nodule Activity in Patients With Nontuberculous Mycobacterial-Lung Disease
2024-May-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000745
PMID:38640144
|
研究论文 | 开发并评估用于分类非结核分枝杆菌肺病(NTM-LD)患者CT图像中急性和慢性肺结节的深度卷积神经网络(DCNN)模型 | 首次使用DCNN模型对NTM-LD患者的肺结节活动性进行分类,并与放射科医生的诊断性能进行比较 | 样本量相对较小(650个结节),且仅基于CT图像 | 提高非结核分枝杆菌肺病的诊断和管理效率 | 非结核分枝杆菌肺病患者的肺结节 | 计算机视觉 | 肺病 | CT扫描 | DCNN | 图像 | 来自110名患者的650个结节(316个急性,334个慢性) |
74 | 2025-05-02 |
Semiautomatic Assessment of Facet Tropism From Lumbar Spine MRI Using Deep Learning: A Northern Finland Birth Cohort Study
2024-May-01, Spine
IF:2.6Q1
DOI:10.1097/BRS.0000000000004909
PMID:38105615
|
研究论文 | 本研究利用深度学习从腰椎MRI中半自动评估关节面取向,并在芬兰北部出生队列中研究关节面取向的流行情况 | 开发了一个基于深度学习的半自动框架来测量关节面角度,并在大规模人群队列中研究关节面取向 | 研究为回顾性设计,可能受到数据收集时的限制 | 引入半自动框架测量关节面角度并研究关节面取向的流行情况 | 芬兰北部出生队列中的1288名参与者的腰椎MRI图像 | 数字病理学 | 脊柱疾病 | 深度学习 | DL模型 | MRI图像 | 1288名参与者的腰椎MRI图像,其中430名用于模型训练,60名用于评估评分者间和评分者内可靠性 |
75 | 2025-05-01 |
Development and external validation of deep learning clinical prediction models using variable-length time series data
2024-May-20, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocae088
PMID:38679906
|
研究论文 | 比较和外部验证了用于可变长度时间序列数据的深度学习模型架构和数据转换方法在三个临床任务中的表现 | 比较了三种特征工程方法和三种深度学习架构在临床任务中的表现,发现LSTM/GRU架构与PLE-DT转换数据结合在所有任务中表现最佳 | 研究仅基于两个医疗中心的数据,可能缺乏更广泛的代表性 | 开发和外部验证深度学习临床预测模型,用于预测临床恶化、严重急性肾损伤和疑似感染 | 医院住院患者 | 机器学习 | 急性肾损伤、感染 | 深度学习 | LSTM/GRU, TDW-CNN, 时间卷积网络 | 时间序列数据 | 训练集373,825例住院患者,测试集256,128例住院患者 |
76 | 2025-04-27 |
Fully Automated OCT-based Tissue Screening System
2024-May-15, ArXiv
PMID:38800655
|
research paper | 介绍了一种基于光学相干断层扫描(OCT)的全自动组织筛查系统,用于体外组织培养的高通量筛选应用 | 系统配备了定制设计的电动平台和组织检测能力,结合基于Transformer的深度学习分割算法,实现了自动化、连续成像和高效读取 | 目前仅在小鼠视网膜变性模型的视网膜外植体培养中进行了验证,尚未在其他组织或模型中测试 | 开发一种高效、可靠的全自动组织筛查系统,以推动药物发现及相关研究领域的发展 | 小鼠视网膜变性模型的视网膜外植体培养 | digital pathology | retinal degeneration | optical coherence tomography (OCT) | Transformer-based deep learning segmentation algorithms | image | 小鼠视网膜外植体培养样本(具体数量未提及) |
77 | 2025-04-26 |
Machine learning and deep learning for the diagnosis and treatment of ankylosing spondylitis- a scoping review
2024-May, Journal of clinical orthopaedics and trauma
DOI:10.1016/j.jcot.2024.102421
PMID:38708092
|
综述 | 本文综述了机器学习和深度学习在强直性脊柱炎诊断和治疗中的应用现状、技术类型、数据集描述、现有工作的贡献与局限性,并指出了当前知识的不足 | 总结了ML/DL技术在AS早期诊断和个性化治疗中的最新应用,识别了当前研究中的空白 | 缺乏来自多中心、包含不同类型诊断参数的足够规模数据集,且基于ML/DL的AS治疗研究较少 | 评估ML/DL技术在强直性脊柱炎诊断和治疗中的应用现状 | 强直性脊柱炎(AS)患者 | 机器学习 | 强直性脊柱炎 | 机器学习(ML)和深度学习(DL) | NA | 文本数据(PubMed数据库中的文献) | NA |
78 | 2025-04-25 |
MulTFBS: A Spatial-Temporal Network with Multichannels for Predicting Transcription Factor Binding Sites
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c02088
PMID:38733561
|
research paper | 提出了一种名为MulTFBS的多通道深度学习框架,用于预测转录因子结合位点(TFBSs) | 整合了DNA序列的不同类型特征,包括独立的一热编码、词嵌入编码(可结合上下文信息并提取序列的全局特征)和双螺旋三维结构特征,通过空间-时间网络结合CNN和双向LSTM及注意力机制有效提取序列高层信息 | 未明确提及 | 揭示影响转录因子结合特异性的机制,理解基因调控 | 转录因子结合位点(TFBSs) | natural language processing | NA | 深度学习 | CNN, bidirectional LSTM, attention mechanism | DNA序列 | 66个不同转录因子的通用蛋白结合微阵列数据集 |
79 | 2025-04-25 |
MolLoG: A Molecular Level Interpretability Model Bridging Local to Global for Predicting Drug Target Interactions
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00171
PMID:38709146
|
research paper | 提出了一种名为MolLoG的深度学习网络结构,用于预测药物与靶标之间的相互作用,并提供分子层面的解释 | MolLoG通过局部特征编码器(LFE)和全局交互学习(GIL)模块,平衡了局部特征提取与全局交互表示,提供了对黑盒结果的生物学相关解释 | 未提及具体的数据集规模或实验环境限制 | 提高药物与靶标相互作用预测的准确性和可解释性 | 药物与蛋白质分子 | machine learning | NA | 深度学习(DL) | 图卷积网络(GCN)、多层感知机(MLP) | 分子结构数据 | 四个数据集 |
80 | 2025-04-25 |
CNSMolGen: A Bidirectional Recurrent Neural Network-Based Generative Model for De Novo Central Nervous System Drug Design
2024-05-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00504
PMID:38739718
|
研究论文 | 本文介绍了一种基于双向循环神经网络(Bi-RNN)的生成模型CNSMolGen,用于中枢神经系统(CNS)药物的从头设计 | 开发了首个专门针对CNS药物设计的Bi-RNN生成模型,能够生成90%以上全新且可合成的CNS药物分子结构 | 未提及模型在更大规模或更复杂CNS靶点上的泛化能力验证 | 加速中枢神经系统药物的发现与优化 | 中枢神经系统药物分子 | 机器学习 | 神经退行性疾病/精神疾病 | 深度学习生成模型 | Bi-RNN | 分子结构数据 | 未明确说明样本量(使用SERT靶点药物作为微调数据集) |