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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
941 | 2024-08-08 |
An Eye Movement Classification Method based on Cascade Forest
2024-Aug-06, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3439568
PMID:39106144
|
研究论文 | 本文介绍了一种基于级联森林的眼动分类方法EMCCF,该方法通过多尺度时间窗口方法提取特征并采用层叠森林结构进行分类 | EMCCF方法创新地结合了级联森林结构与集成学习原理,提高了眼动分类的准确性和效率 | NA | 解决眼动分类中类别不平衡和数据稀缺的问题 | 眼动数据分类 | 机器学习 | NA | 级联森林 | 级联森林 | 眼动数据 | NA |
942 | 2024-08-08 |
DMAMP: A deep-learning model for detecting antimicrobial peptides and their multi-activities
2024-Aug-06, IEEE/ACM transactions on computational biology and bioinformatics
DOI:10.1109/TCBB.2024.3439541
PMID:39106141
|
research paper | 本文提出了一种名为DMAMP的深度学习模型,用于同时检测抗菌肽及其多重活性 | DMAMP模型通过多任务学习,结合并共享两个相关任务的隐藏特征,提高了检测效率 | NA | 旨在降低检测抗菌肽及其活性的成本,并提高检测效率 | 抗菌肽及其多重活性 | machine learning | NA | convolutional neural network | CNN | peptide sequence | 独立测试数据集 |
943 | 2024-08-08 |
Deep learning-based dose prediction for magnetic resonance-guided prostate radiotherapy
2024-Aug-06, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17312
PMID:39106418
|
研究论文 | 本文开发了一种基于深度学习的剂量预测管道,用于前列腺MR-Linac治疗 | 利用深度学习技术快速预测剂量分布和剂量学评估标准,以辅助选择适应方法并减少治疗时间 | 仅在特定条件下进行了验证,可能需要进一步的临床验证 | 开发一种基于深度学习的剂量预测方法,以优化前列腺MR-Linac治疗的适应性放射治疗 | 前列腺癌患者接受MR-Linac治疗的剂量分布 | 机器学习 | 前列腺癌 | 深度学习 | CNN | 图像 | 35名前列腺癌患者的212张MR图像 |
944 | 2024-08-08 |
Automated Detection of Maxillary Sinus Opacifications Compatible with Sinusitis from CT Images
2024-Aug-06, Dento maxillo facial radiology
DOI:10.1093/dmfr/twae042
PMID:39107903
|
研究论文 | 本研究开发了一种基于深度学习的自动检测模型,用于从CT图像中诊断上颌窦炎 | 采用基于You Only Look Once(YOLO)的模型进行物体检测,并通过迁移学习方法和数据增强技术提高了模型的鲁棒性 | 在挑战性测试数据集上,模型的精确度有所下降 | 提高上颌窦炎诊断的准确性,区分上颌窦炎、潴留囊肿和正常窦 | 上颌窦炎、潴留囊肿和正常窦的CT图像 | 计算机视觉 | 鼻窦炎 | 深度学习 | YOLOv8n | 图像 | 1080张冠状位CT图像,包括2158个上颌窦,其中1138个正常窦,366个囊肿,654个窦炎 |
945 | 2024-08-08 |
Preoperative Prediction of Axillary Lymph Node Metastasis in Patients With Breast Cancer Through Multimodal Deep Learning Based on Ultrasound and Magnetic Resonance Imaging Images
2024-Aug-05, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.029
PMID:39107188
|
研究论文 | 本文通过结合超声和磁共振成像图像的多模态深度学习模型,预测乳腺癌患者的腋窝淋巴结转移情况 | 本文创新性地使用了多模态深度学习模型,结合超声和磁共振成像图像以及临床参数,提高了预测腋窝淋巴结转移的准确性 | NA | 研究目的是通过多模态深度学习模型预测乳腺癌患者的腋窝淋巴结转移 | 乳腺癌患者的腋窝淋巴结转移情况 | 机器学习 | 乳腺癌 | 深度学习 | 卷积神经网络 | 图像 | 共588名乳腺癌患者参与研究,包括465名主要队列患者和123名外部验证队列患者 |
946 | 2024-08-08 |
A Deep Learning-Based Framework for Predicting Intracerebral Hemorrhage Hematoma Expansion Using Head Non-contrast CT Scan
2024-Aug-05, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.07.039
PMID:39107191
|
研究论文 | 本文开发了一种基于深度学习的全自动框架,用于使用临床非对比CT扫描预测脑内出血血肿扩张 | 该框架能够自动且稳健地识别脑内出血患者中高风险血肿扩张的情况,预测准确性优于常用的BAT评分 | NA | 开发一种全自动的深度学习框架,用于预测脑内出血中的血肿扩张 | 脑内出血患者的血肿扩张预测 | 机器学习 | 脑内出血 | 深度学习 | 两阶段框架 | 非对比CT扫描图像 | 回顾性数据集包含2484例,前瞻性数据集包含500例 |
947 | 2024-08-08 |
scTab: Scaling cross-tissue single-cell annotation models
2024-Aug-04, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-51059-5
PMID:39098889
|
研究论文 | 本文提出了一种名为scTab的自动化细胞类型预测模型,专门针对表格数据,并通过新颖的数据增强方案在大规模单细胞RNA-seq数据集上进行训练 | scTab模型能够处理大规模数据集,并通过数据增强方案提高模型在跨组织注释中的泛化能力 | NA | 开发能够在大规模单细胞RNA-seq数据集上进行跨组织细胞类型预测的自动化模型 | 单细胞RNA-seq数据的细胞类型预测 | 机器学习 | NA | 单细胞RNA-seq | 神经网络 | 表格数据 | 2220万细胞 |
948 | 2024-08-08 |
PLEKv2: predicting lncRNAs and mRNAs based on intrinsic sequence features and the coding-net model
2024-Aug-02, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-024-10662-y
PMID:39095710
|
研究论文 | 本文介绍了PLEKv2工具,该工具基于内在序列特征和编码网络模型,用于预测长非编码RNA(lncRNA)和信使RNA(mRNA) | PLEKv2相较于传统工具和基于深度学习的模型,在人类数据集上的预测准确率提高了8.1%至48.9%,并且在跨物种预测中表现出超过90%的准确率 | NA | 开发一种快速准确的工具来区分lncRNA和mRNA转录本 | lncRNA和mRNA | 生物信息学 | NA | NA | CNN | 序列数据 | NA |
949 | 2024-08-08 |
Comparison of model-based versus deep learning-based image reconstruction for thin-slice T2-weighted spin-echo prostate MRI
2024-Aug, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04256-1
PMID:38520510
|
研究论文 | 比较基于模型的图像重建(MBIR)与新开发的基于深度学习(DL)的图像重建方法在薄层T2加权自旋回波前列腺MRI中的信号噪声比(SNR)改进效果 | 新开发的基于深度学习的图像重建方法在薄层T2加权自旋回波图像中提供了显著的SNR改进,同时保持了图像对比度 | 当深度学习重建方法达到过高水平(DL High)时,放射学锐度和对比度保真度会降低 | 比较两种图像重建方法在前列腺MRI中的性能 | 基于模型的图像重建方法与基于深度学习的图像重建方法 | 计算机视觉 | 前列腺癌 | MRI | 深度学习 | 图像 | 17名临床需要进行前列腺MRI检查的受试者 |
950 | 2024-08-08 |
An EEG-based marker of functional connectivity: detection of major depressive disorder
2024-Aug, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-023-10041-5
PMID:39104678
|
研究论文 | 本研究提出了一种基于脑电图(EEG)信号的新型功能连接标记P-MSWC,并利用卷积神经网络(CNN)识别重度抑郁症(MDD) | 本研究结合同步挤压小波变换和相干理论,提出了P-MSWC融合特征,该特征能全面捕捉原始EEG信号的信息并具有显著的抗噪能力 | NA | 开发一种快速且可靠的重度抑郁症检测方法 | 重度抑郁症患者与健康人群的脑功能连接差异 | 机器学习 | 精神疾病 | 同步挤压小波变换 | CNN | 脑电图信号 | 单一数据集准确率达到99.92%,合并数据集准确率达到97.86% |
951 | 2024-08-08 |
Cognitive workload estimation using physiological measures: a review
2024-Aug, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-023-10051-3
PMID:39104683
|
综述 | 本文综述了利用生理测量方法估计认知工作负荷的研究进展 | 详细分析了所有生理测量方法在估计认知工作负荷中的应用 | 仍需探索所有生理测量方法在估计认知工作负荷中的详细分析 | 深入分析生理测量方法在评估认知工作负荷中的应用 | 认知工作负荷的生理测量方法 | 认知神经科学 | NA | 机器学习, 深度学习 | NA | 生理数据 | NA |
952 | 2024-08-08 |
ADHD/CD-NET: automated EEG-based characterization of ADHD and CD using explainable deep neural network technique
2024-Aug, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-023-10028-2
PMID:39104684
|
研究论文 | 本研究提出了一种基于脑电图(EEG)的深度学习系统ADHD/CD-NET,用于客观区分注意力缺陷多动障碍(ADHD)、ADHD合并行为障碍(CD)和单纯行为障碍(CD) | 本研究首次提出了一种基于EEG的深度学习系统ADHD/CD-NET,能够客观区分ADHD、ADHD合并CD和单纯CD,并通过Grad-CAM技术解释了CNN模型的预测结果 | NA | 研究目的是开发一种能够客观区分ADHD和CD的深度学习系统,以减少误诊风险 | 研究对象包括ADHD、ADHD合并CD和单纯CD患者 | 机器学习 | 儿童神经发育障碍 | 脑电图(EEG) | 卷积神经网络(CNN) | 脑电信号 | 内部数据集包括45名ADHD患者、62名ADHD合并CD患者和16名CD患者;外部公共数据集包括61名ADHD患者和60名健康对照 |
953 | 2024-08-08 |
Deep learning networks based decision fusion model of EEG and fNIRS for classification of cognitive tasks
2024-Aug, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-023-09986-4
PMID:39104699
|
研究论文 | 本研究通过深度学习网络对EEG和fNIRS数据进行决策融合,以分类认知任务 | 研究展示了EEG和fNIRS数据融合在分类认知任务中的性能优于单一数据源 | NA | 探索EEG和fNIRS数据融合在认知任务分类中的应用 | EEG和fNIRS数据在认知任务分类中的应用 | 机器学习 | NA | 深度学习 | CNN, LSTM, GRU, CNN-LSTM, CNN-GRU, LSTM-GRU, CNN-LSTM-GRU | 时间序列数据 | 数据集01包含26名受试者,数据集02包含29名受试者 |
954 | 2024-08-07 |
Unveil sleep spindles with concentration of frequency and time (ConceFT)
2024-Aug-06, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ad66aa
PMID:39042095
|
研究论文 | 本文介绍了一种名为'频率和时间集中'(ConceFT)的新型非线性时频分析工具,用于在脑电图(EEG)数据中自动注释睡眠纺锤波并测量其瞬时频率 | ConceFT工具能有效减少随机脑电图影响,增强时频表示中的纺锤波可见性,并提供了一种准确的、可解释的基于EEG的睡眠纺锤波检测算法 | NA | 开发和验证一种新的自动睡眠纺锤波检测算法 | 睡眠纺锤波及其瞬时频率 | NA | NA | Concentration of Frequency and Time (ConceFT) | NA | 脑电图(EEG)数据 | 使用了Dream和Montreal Archive of Sleep Studies (MASS)基准数据库 |
955 | 2024-08-07 |
Principles of artificial intelligence in radiooncology
2024-Aug-06, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02272-0
PMID:39105746
|
综述 | 本文旨在为放射肿瘤学领域提供一个关于深度学习原理的综合指南 | 填补了深度学习在放射肿瘤学领域技术原理易懂性方面的空白 | NA | 增强对基于人工智能的研究和软件应用的理解,弥合复杂技术概念与临床实践之间的差距 | 深度学习模型及其在放射肿瘤学中的应用 | 机器学习 | NA | 深度学习 | 多层感知器(MLP)、卷积神经网络(CNN)、循环神经网络(RNN)、变换器、生成对抗网络(GAN)、基于扩散的生成模型、强化学习 | NA | NA |
956 | 2024-08-07 |
Deep learning for autosegmentation for radiotherapy treatment planning: State-of-the-art and novel perspectives
2024-Aug-06, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al]
IF:2.7Q2
DOI:10.1007/s00066-024-02262-2
PMID:39105745
|
综述 | 本文综述了人工智能在放射治疗计划中基于AI的自动分割模型的当代技术及其临床应用,重点关注风险器官(OARs)、大体肿瘤体积(GTV)和临床目标体积(CTV)的勾画 | 文章展示了在不同临床场景中提高效率和一致性以及节省时间的成果,并探讨了数学肿瘤生长模型与AI基肿瘤检测的整合,以进一步细化目标体积 | 临床实施中存在领域转移等挑战 | 总结当代AI技术,探索AI在放射治疗计划中的应用 | 风险器官(OARs)、大体肿瘤体积(GTV)和临床目标体积(CTV)的自动分割 | 机器学习 | NA | 人工智能 | NA | 图像 | NA |
957 | 2024-08-07 |
IEA-Net: Internal and External Dual-Attention Medical Segmentation Network with High-Performance Convolutional Blocks
2024-Aug-06, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01217-4
PMID:39105850
|
研究论文 | 本文提出了一种内部和外部双重注意力机制的医学分割网络IEA-Net,并设计了ICSwR模块和IEAM模块,用于提高医学图像分割的性能 | IEA-Net通过内部和外部双重注意力机制,结合LGGW-SA模块和EA模块,有效提取局部和全局特征,并捕捉样本间关联,提高了分割性能 | NA | 解决传统CNN在医学图像分割中的特征损失和远程依赖建模能力不足的问题 | 医学图像分割,特别是人体器官的图像分割 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 在Synapse多器官分割数据集和ACDC心脏分割数据集上进行了测试 |
958 | 2024-08-07 |
Deep learning approaches for the detection of scar presence from cine cardiac magnetic resonance adding derived parametric images
2024-Aug-06, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-024-03175-z
PMID:39105884
|
研究论文 | 本研究提出了一种卷积神经网络(CNN),利用从心脏磁共振(CMR)图像计算得到的不同参数图像组合,对每个切片进行心肌瘢痕组织存在的可能性分类。 | 该方法首次尝试在无对比剂的CMR图像中进行瘢痕检测,并在患者分类中表现出极高的预测准确性。 | NA | 研究目的是开发一种新的深度学习方法,用于从心脏磁共振图像中检测心肌瘢痕。 | 研究对象为206名患者的心脏磁共振图像,包括158名瘢痕患者和48名对照组患者。 | 计算机视觉 | 心血管疾病 | 卷积神经网络(CNN) | CNN | 图像 | 206名患者(158名瘢痕患者,48名对照组患者) |
959 | 2024-08-07 |
Multiband Convolutional Riemannian Network with Band-wise Riemannian Triplet Loss for Motor Imagery Classification
2024-Aug-05, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3438167
PMID:39102329
|
research paper | 本文提出了一种新颖的运动想象分类算法,使用带有频带间黎曼三元组损失的重叠多尺度多频带卷积黎曼网络来提高分类性能 | 该算法通过减少子频带数量并增加频率多样性、在计算子频带协方差矩阵前插入卷积层以及使用黎曼三元组损失来正则化子频带网络,从而减少了黎曼网络由于协方差矩阵固有的大特征维度而导致的过拟合问题 | NA | 提高运动想象分类的性能 | 运动想象分类算法 | machine learning | NA | 卷积黎曼网络 | CNN | 数据集 | 使用了公开可用的数据集,BCI Competition IV dataset 2a和OpenBMI dataset |
960 | 2024-08-07 |
Predicting miRNA-disease Associations Based on Spectral Graph Transformer with Dynamic Attention and Regularization
2024-Aug-05, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3438439
PMID:39102330
|
研究论文 | 本文介绍了一种基于动态注意力和正则化的光谱图Transformer模型DARSFormer,用于预测miRNA与疾病之间的关联 | DARSFormer模型集成了动态注意力机制和光谱图Transformer,有效提升了预测miRNA-疾病关联的整体效果 | NA | 研究目的是开发一种高效的方法来探索miRNA与疾病之间的复杂关系 | 研究对象是miRNA和疾病之间的关联 | 机器学习 | NA | 光谱图Transformer | Transformer | 网络数据 | 在HMDD v2.0数据库上进行了五折交叉验证,AUC达到94.18%;在HMDD v3.2数据库上,AUC达到95.27% |