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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
861 | 2024-08-12 |
Deep learning-based multimodal fusion of the surface ECG and clinical features in prediction of atrial fibrillation recurrence following catheter ablation
2024-Aug-08, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-024-02616-x
PMID:39118118
|
研究论文 | 本研究提出了一种基于Transformer的深度学习算法,用于融合表面心电图(ECG)信号和临床特征,预测房颤消融后的复发情况 | 本研究首次使用Transformer算法结合ECG信号和临床特征来预测房颤复发,提高了预测性能 | NA | 旨在开发一种新算法,利用表面ECG信号和临床特征预测房颤消融后的复发 | 房颤患者消融后的复发情况 | 机器学习 | 心血管疾病 | Transformer | Transformer | ECG信号和临床特征 | 920名患者 |
862 | 2024-08-12 |
A graph-learning based model for automatic diagnosis of Sjögren's syndrome on digital pathological images: a multicentre cohort study
2024-Aug-08, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-024-05550-8
PMID:39118142
|
研究论文 | 本研究提出了一种基于图学习的模型CTG-PAM,用于自动诊断数字病理图像中的干燥综合征,并在多中心队列研究中验证了其性能 | CTG-PAM模型通过图论方法整合单细胞特征、细胞间特征和细胞-组织特征,实现了细胞级别的分类和淋巴细胞识别,从而提高了干燥综合征的诊断准确性 | NA | 开发和验证一种新的基于图学习的模型,用于自动诊断干燥综合征 | 干燥综合征的自动诊断 | 数字病理 | 自身免疫疾病 | 图论 | CTG-PAM | 图像 | 100个唇腺活检样本 |
863 | 2024-08-12 |
EasyPISA: Automatic Integrated PISA Measurements of Mitral Regurgitation From 2-D Color-Doppler Using Deep Learning
2024-Aug-08, Ultrasound in medicine & biology
|
研究论文 | 本文介绍了一种名为EasyPISA的框架,用于从2-D彩色多普勒序列自动集成PISA测量,以量化二尖瓣反流 | EasyPISA通过使用卷积神经网络自动检测和分割2-D彩色多普勒图像中的流汇聚区,解决了传统PISA方法中观察者间变异性和非半球形流汇聚及非全收缩期二尖瓣反流的问题 | 文章未明确提及具体限制 | 开发一种自动化的方法来提高二尖瓣反流量化的一致性和准确性 | 二尖瓣反流的量化 | 机器学习 | 心血管疾病 | 卷积神经网络 | UNet/Attention UNet | 图像 | 1171张图像来自196个记录(54名患者) |
864 | 2024-08-12 |
Deep convolutional neural network-based 3D fluorescence sensor array for sugar identification in serum based on the oxidase-mimicking property of CuO nanoparticles
2024-Aug-06, Talanta
IF:5.6Q1
DOI:10.1016/j.talanta.2024.126679
PMID:39126967
|
研究论文 | 本文开发了一种基于CuO纳米颗粒氧化酶样活性的三维荧光传感器阵列,结合深度学习模型,用于识别和预测生物液体中结构高度相似的糖类浓度 | 该模型在分类九种选定的糖类时达到了99-100%的准确率,并能有效预测1-100 μM浓度范围内的糖类浓度,显著提高了检测灵敏度 | NA | 开发新型传感器阵列和深度学习模型,用于生物医学和其他领域的应用 | 生物液体中结构高度相似的糖类 | 机器学习 | NA | 深度学习 | CNN | 荧光光谱 | 九种选定的糖类 |
865 | 2024-08-12 |
Clinical implementation and evaluation of deep learning-assisted automatic radiotherapy treatment planning for lung cancer
2024-Aug, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2024.104492
PMID:39094213
|
研究论文 | 研究深度学习辅助的自动放射治疗计划在肺癌临床应用中的实施与评估 | 深度学习辅助的方法显著减少了计划时间和监控单元,同时显示出与手动计划相当或更优的质量 | NA | 探讨深度学习辅助的自动放射治疗计划在肺癌中的临床应用 | 深度学习模型在预测患者特定剂量方面的应用,以及自动计划与手动计划的比较 | 机器学习 | 肺癌 | 深度学习 | DL模型 | 数据集 | 235名患者的数据集用于训练和验证模型,50个手动体积调制弧治疗计划用于回顾性设计自动计划 |
866 | 2024-08-12 |
Innovations in detecting skull fractures: A review of computer-aided techniques in CT imaging
2024-Aug, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2024.103400
PMID:38996627
|
综述 | 本文综述了计算机辅助技术在CT影像中检测颅骨骨折的创新方法 | 介绍了从基于特征的算法到现代机器学习和深度学习技术的进步 | 讨论了自动化颅骨骨折评估中的固有挑战 | 提高颅骨骨折诊断的准确性和患者护理 | 颅骨骨折的检测 | 计算机视觉 | 创伤性脑损伤 | 计算机辅助诊断(CAD)系统 | 机器学习和深度学习 | CT影像 | NA |
867 | 2024-08-12 |
Machine learning/artificial intelligence in sports medicine: state of the art and future directions
2024-Aug, Journal of ISAKOS : joint disorders & orthopaedic sports medicine
DOI:10.1016/j.jisako.2024.01.013
PMID:38336099
|
综述 | 本文综述了机器学习(ML)在运动医学中的应用现状及未来发展方向 | 机器学习能够分析大量数据,建立输入与输出变量之间的复杂关系,这种关系比传统统计分析更为复杂,能以高精度预测输出 | 临床医生对机器学习方法和概念的不熟悉是广泛应用的一个主要障碍 | 介绍机器学习概念,回顾当前运动医学中的机器学习模型,并讨论该领域的未来创新机会 | 机器学习在运动医学中的应用 | 机器学习 | NA | 机器学习 | 监督学习、深度学习 | 图像、文本 | NA |
868 | 2024-08-12 |
An early warning indicator trained on stochastic disease-spreading models with different noises
2024-Aug, Journal of the Royal Society, Interface
DOI:10.1098/rsif.2024.0199
PMID:39118548
|
研究论文 | 本文研究了在不同噪声影响下的随机疾病传播模型中训练的早期预警指标 | 采用深度学习算法,通过训练噪声诱导的疾病传播模型来提供传染病爆发的早期预警信号,并在实际COVID-19病例和模拟时间序列中展示了其有效性 | NA | 开发可靠的早期预警信号,以支持公共卫生干预策略 | 疾病传播模型中的早期预警指标 | 机器学习 | NA | 深度学习算法 | NA | 时间序列 | 实际COVID-19病例和模拟时间序列 |
869 | 2024-08-12 |
Segmentation of stroke lesions using transformers-augmented MRI analysis
2024-Aug-01, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.26803
PMID:39119860
|
研究论文 | 本研究提出了一种结合变形特征注意机制的Transformer和卷积深度学习架构的方法,用于提高慢性中风病变分割的准确性和泛化能力,并通过生态数据增强技术进一步优化性能 | 引入Transformer的变形特征注意机制与卷积深度学习架构相结合,以及基于插入真实病变的生态数据增强技术 | NA | 提高慢性中风病变从单光谱磁共振成像扫描中分割的准确性 | 慢性中风病变 | 计算机视觉 | 中风 | MRI | Transformer | 图像 | 使用Anatomical Tracings of Lesions After Stroke (ATLAS) 2022数据集和Ischemic Stroke Lesion Segmentation (ISLES) 2015数据集进行训练和测试 |
870 | 2024-08-11 |
Data-Driven Knowledge Fusion for Deep Multi-Instance Learning
2024-Aug-09, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2024.3436944
PMID:39120987
|
研究论文 | 本文提出了一种新的数据驱动知识融合深度多实例学习(DKMIL)算法,通过分析关键样本的决策并利用知识融合模块提取有用信息来辅助模型学习 | DKMIL算法通过数据驱动和知识融合模块,提供了一个新的数据与模型之间的接口,增强了模型的学习能力并提高了可扩展性 | NA | 旨在改进多实例学习算法,通过数据驱动和知识融合提高模型的学习能力和分类效果 | 多实例学习算法及其在复杂数据结构中的应用 | 机器学习 | NA | 多实例学习 | 深度学习模型 | 复杂数据结构 | 62个跨五个类别的数据集 |
871 | 2024-08-11 |
A deep learning system for myopia onset prediction and intervention effectiveness evaluation in children
2024-Aug-07, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-024-01204-7
PMID:39112566
|
研究论文 | 本文介绍了一种名为DeepMyopia的人工智能决策支持系统,用于检测和预测儿童近视的发生及评估干预效果 | DeepMyopia系统基于深度学习架构,能够有效地对儿童进行低风险和高风险分层,并在模拟随机对照试验中显示出近视预防的有效性 | NA | 开发和验证一种人工智能系统,用于早期检测和预测儿童近视,并评估干预措施的效果 | 儿童近视的早期检测和预测,以及干预措施的效果评估 | 机器学习 | 眼科疾病 | 深度学习 | CNN | 图像 | 内部验证集包含1,638,315张视网膜眼底图像,外部测试集包含22,060张图像,上海户外队列包含3,303名儿童 |
872 | 2024-08-11 |
Assessing the impact of jigsaw technique for cooperative learning in undergraduate medical education: merits, challenges, and forward prospects
2024-Aug-07, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-024-05831-2
PMID:39112972
|
研究论文 | 本文评估了拼图技术在本科医学教育中合作学习的影响,探讨了其优点、挑战和未来前景。 | 拼图技术作为一种结构化的合作学习方法,能够促进深度学习和团队合作,创造更具包容性的学习环境。 | NA | 介绍拼图模型在早期本科医学学生中的合作学习应用,并评估其对学术表现的影响。 | 早期本科医学学生及其学术表现,以及学生和教职员工对拼图技术的看法。 | 医学教育 | NA | 拼图技术 | NA | 问卷调查和焦点小组讨论 | 80名二年级本科医学学生 |
873 | 2024-08-11 |
Deep learning ensemble approach with explainable AI for lung and colon cancer classification using advanced hyperparameter tuning
2024-Aug-07, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-024-02628-7
PMID:39112991
|
研究论文 | 本研究提出了一种结合Xception和MobileNet架构的深度学习框架,用于提高肺和结肠癌的分类准确性和模型鲁棒性 | 创新地结合了Xception和MobileNet架构,提高了特征提取能力和模型鲁棒性,并引入了Gradient-weighted Class Activation Mapping (Grad-CAM)增强模型的可解释性 | NA | 提高肺和结肠癌的诊断准确性和治疗效果 | 肺和结肠癌的分类 | 计算机视觉 | 肺癌, 结肠癌 | 深度学习 | CNN | 图像 | 一个全面的组织病理学图像数据集 |
874 | 2024-08-11 |
Advancing Fundamental Understanding of Retention Interactions in Supercritical Fluid Chromatography Using Artificial Neural Networks: Polar Stationary Phases with -OH Moieties
2024-Aug-06, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c01811
PMID:39069659
|
研究论文 | 研究了具有主要-OH官能团的极性固定相在超临界流体色谱中的保留行为及其随时间的变化 | 使用人工神经网络模拟器和深度学习工具箱,对大量实验数据进行训练,以确定影响保留的关键分子描述符 | NA | 深入理解超临界流体色谱中的保留相互作用及其稳定性 | 极性固定相(如硅胶、混合硅胶和二醇柱)及其保留行为 | 机器学习 | NA | 人工神经网络 | 人工神经网络 | 分子描述符 | 超过100个分子 |
875 | 2024-08-11 |
A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators
2024-Aug-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-68944-0
PMID:39103435
|
研究论文 | 本文提出了一种名为条件潜在自回归循环模型(CLARM)的无监督深度学习框架,用于学习粒子加速器中带电粒子的时空动力学 | CLARM模型结合了条件变分自编码器和长短期记忆网络,能够生成和预测粒子加速器中不同模块的粒子状态 | NA | 开发一种新的深度学习模型,用于粒子加速器中的粒子动力学生成和预测 | 粒子加速器中的带电粒子 | 机器学习 | NA | NA | 条件变分自编码器和长短期记忆网络 | 六维相空间数据 | NA |
876 | 2024-08-11 |
In silico discovery and anti-tumor bioactivities validation of an algal lectin from Kappaphycus alvarezii genome
2024-Aug, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2024.133311
PMID:38909728
|
研究论文 | 本研究通过深度学习模型预测的结合特异性,在358个红藻和蓝细菌基因组中筛选出新型OAAH家族凝集素,并在Kappaphycus alvarezii基因组中发现了一种名为Siye的新凝集素,其在不同癌细胞中显示出显著的细胞毒性 | 本研究利用进化理论和人工智能指导的基因组挖掘方法,有效发现并验证了来自海洋藻类的凝集素,这种方法相较于传统的基于色谱特征的筛选策略更具创新性和效率 | NA | 探索并验证新型海洋藻类凝集素的抗肿瘤生物活性 | 海洋藻类凝集素及其在人类癌细胞中的作用 | 生物技术 | 癌症 | 深度学习 | 深度学习模型 | 基因组数据 | 358个红藻和蓝细菌基因组,35个候选凝集素及其1843种模拟突变形式 |
877 | 2024-08-11 |
Topographic Clinical Insights From Deep Learning-Based Geographic Atrophy Progression Prediction
2024-Aug-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.8.6
PMID:39102242
|
研究论文 | 本研究探讨了基于卷积神经网络的深度学习算法在预测地理萎缩进展中,眼底自发荧光(FAF)地形图像特征的贡献 | 通过消融实验分析了不同图像区域对算法性能的影响,特别是边缘区域对预测性能的最大贡献 | 研究基于回顾性数据,且仅限于特定临床试验中的数据 | 探索FAF图像特征在深度学习算法预测地理萎缩进展中的作用 | 地理萎缩(GA)的进展预测 | 计算机视觉 | NA | 卷积神经网络(CNN) | CNN | 图像 | 来自三个临床试验(NCT02247479, NCT02247531, NCT02479386)的研究眼数据 |
878 | 2024-08-11 |
Automated Analysis of Split Kidney Function from CT Scans Using Deep Learning and Delta Radiomics
2024-Aug, Journal of endourology
IF:2.9Q1
DOI:10.1089/end.2023.0488
PMID:38695176
|
研究论文 | 本文研究使用深度学习和放射组学特征从CT扫描中自动分析肾脏功能差异 | 提出了一种自动化流程,可以从对比增强CT中获取重要的肾脏功能差异信息,减少早期阶段肾脏功能评估对专用核医学扫描的需求 | NA | 评估通过深度学习和放射组学特征从对比增强CT中获取肾脏功能差异的可行性 | 肾脏功能差异 | 机器学习 | NA | 深度学习, 放射组学 | 随机森林模型 | CT扫描 | 内部数据集1159例,外部测试集39例 |
879 | 2024-08-11 |
Pretraining a foundation model for generalizable fluorescence microscopy-based image restoration
2024-Aug, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-024-02244-3
PMID:38609490
|
研究论文 | 本文研究了基于深度学习的荧光显微镜图像恢复问题,提出了一种通用的预训练基础模型UniFMIR | UniFMIR模型提高了图像恢复的精度和泛化能力,并展示了在多种显微镜成像模式和生物样本上的有效性 | NA | 提高荧光显微镜图像恢复任务的泛化能力 | 荧光显微镜图像恢复 | 计算机视觉 | NA | 深度学习 | 基础模型 | 图像 | 14个数据集,涵盖多种显微镜成像模式和生物样本 |
880 | 2024-08-10 |
Influenza time series prediction models in a megacity from 2010 to 2019: Based on seasonal autoregressive integrated moving average and deep learning hybrid prediction model
2024-Aug-09, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000003238
PMID:39119631
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |