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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
321 | 2024-12-01 |
Deep Learning in Endoscopic Ultrasound: A Breakthrough in Detecting Distal Cholangiocarcinoma
2024-Nov-11, Cancers
IF:4.5Q1
DOI:10.3390/cancers16223792
PMID:39594747
|
研究论文 | 本研究利用深度学习技术,特别是卷积神经网络(CNN),在超声内镜(EUS)图像中检测远端胆管癌(dCCA),旨在提高诊断准确性 | 本研究开发了一种定制的CNN模型,并结合DeepLabv3+网络进行肿瘤和器官的分割,显著提高了诊断准确性和效率 | 本研究为回顾性研究,样本量相对较小,未来需要更大规模的前瞻性研究来验证模型的泛化能力 | 提高超声内镜(EUS)对远端胆管癌(dCCA)的诊断准确性 | 远端胆管癌(dCCA)、胰腺和胆管的超声内镜图像 | 计算机视觉 | 胆管癌 | 卷积神经网络(CNN) | 卷积神经网络(CNN)、DeepLabv3+ | 图像 | 156张EUS图像,通过图像增强技术生成总计1248张图像 |
322 | 2024-12-01 |
A Hybrid Deep Learning and Machine Learning Approach with Mobile-EfficientNet and Grey Wolf Optimizer for Lung and Colon Cancer Histopathology Classification
2024-Nov-11, Cancers
IF:4.5Q1
DOI:10.3390/cancers16223791
PMID:39594746
|
研究论文 | 本文提出了一种混合深度学习和机器学习框架,用于肺和结肠癌病理图像的分类 | 结合了MobileNetV2和EfficientNetB3的混合特征提取模型,并通过Grey Wolf Optimizer进行优化,提高了分类性能和泛化能力 | NA | 开发一种先进的诊断方法,用于肺和结肠癌的病理图像分类 | 结肠腺癌、结肠良性组织、肺腺癌、肺良性组织和肺鳞状细胞癌的病理图像 | 计算机视觉 | 肺癌、结肠癌 | Contrast Limited Adaptive Histogram Equalization (CLAHE) | 混合模型(MobileNetV2和EfficientNetB3) | 图像 | 1000张新图像 |
323 | 2024-12-01 |
Deep-Learning-Based Approach in Cancer-Region Assessment from HER2-SISH Breast Histopathology Whole Slide Images
2024-Nov-11, Cancers
IF:4.5Q1
DOI:10.3390/cancers16223794
PMID:39594748
|
研究论文 | 本文首次利用深度学习方法对HER2-SISH全切片图像中的正常、扩增和非扩增区域进行分类 | 首次将深度学习应用于HER2-SISH全切片图像的分类,并提出了一个两阶段的过程来识别和定位区域 | 需要进一步验证模型在不同数据集上的泛化能力 | 开发一种自动化方法来评估HER2-SISH乳腺病理全切片图像中的HER2状态 | HER2-SISH乳腺病理全切片图像中的正常、扩增和非扩增区域 | 数字病理学 | 乳腺癌 | 深度学习 | Vision Transformer (ViT) | 图像 | 使用了一个私有的HER2-SISH乳腺癌切片数据集,数字化放大倍数为40× |
324 | 2024-12-01 |
Diagnostic Applications of AI in Sports: A Comprehensive Review of Injury Risk Prediction Methods
2024-Nov-10, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14222516
PMID:39594182
|
综述 | 本文综述了人工智能(AI)在预测和预防各种运动损伤中的变革性作用 | 本文通过探索机器学习和深度学习技术,如随机森林、卷积神经网络和人工神经网络,展示了AI分析复杂数据集、检测模式和生成预测性见解的能力 | AI在预测效果上因数据需求和损伤风险的独特性而有所不同,团队运动在数据整合和多球员损伤跟踪方面增加了复杂性 | 探讨AI在运动损伤预测和预防中的应用,提高损伤风险评估的准确性和可靠性 | 各种运动损伤的预测和预防 | 机器学习 | NA | 机器学习、深度学习 | 随机森林、卷积神经网络、人工神经网络 | 数据集 | NA |
325 | 2024-12-01 |
Novelty Classification Model Use in Reinforcement Learning for Cervical Cancer
2024-Nov-10, Cancers
IF:4.5Q1
DOI:10.3390/cancers16223782
PMID:39594737
|
研究论文 | 本研究提出了一种新的混合深度学习模型RL-CancerNet,用于增强宫颈癌诊断的准确性 | 该研究的创新点在于结合了EfficientNetV2和Vision Transformers(ViTs)在强化学习框架中,并通过强化学习代理动态调整少数类别的关注度,以解决类别不平衡问题 | NA | 提高宫颈癌诊断的准确性 | 宫颈癌的早期检测 | 计算机视觉 | 宫颈癌 | 强化学习 | 混合模型(EfficientNetV2、Vision Transformers、Conv3D、BiLSTM) | 图像 | 使用了Herlev和SipaKMeD两个基准宫颈细胞学数据集 |
326 | 2024-12-01 |
Deep Learning-Based Classification of Macrofungi: Comparative Analysis of Advanced Models for Accurate Fungi Identification
2024-Nov-09, Sensors (Basel, Switzerland)
DOI:10.3390/s24227189
PMID:39598966
|
研究论文 | 本研究使用先进的深度学习技术对六种大型真菌进行分类 | 研究比较了多种深度学习模型在真菌分类中的表现,发现DenseNet121模型在准确性和AUC评分上表现最佳 | 变压器模型(如swin transformer)在该任务中的效果较差,表明仍有改进空间 | 评估不同深度学习模型在大型真菌分类中的准确性 | 六种具有生态重要性和独特形态特征的大型真菌 | 计算机视觉 | NA | 深度学习 | DenseNet121, MobileNetV2, ConvNeXt, EfficientNet, swin transformer | 图像 | 六种大型真菌 |
327 | 2024-12-01 |
A Deep Learning Model for Accurate Maize Disease Detection Based on State-Space Attention and Feature Fusion
2024-Nov-09, Plants (Basel, Switzerland)
DOI:10.3390/plants13223151
PMID:39599360
|
研究论文 | 本文提出了一种基于状态空间注意力和特征融合的深度学习模型,用于精确检测玉米叶病 | 引入了状态空间注意力机制和多尺度特征融合模块,有效捕捉玉米病害的空间分布和动态发展 | 未来工作将集中在进一步优化模型的时空特征建模能力和探索多模态数据融合 | 提高玉米叶病检测的准确性和效率 | 玉米叶病 | 计算机视觉 | NA | 深度学习 | 状态空间注意力机制 | 图像 | NA |
328 | 2024-12-01 |
An Integrative Framework for Healthcare Recommendation Systems: Leveraging the Linear Discriminant Wolf-Convolutional Neural Network (LDW-CNN) Model
2024-Nov-09, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics14222511
PMID:39594176
|
研究论文 | 本文提出了一种集成框架,利用线性判别狼卷积神经网络(LDW-CNN)模型改进医疗推荐系统的预测和诊断能力 | 本文的创新点在于将线性判别狼(LDW)与卷积神经网络(CNN)结合,形成LDW-CNN模型,以解决医疗推荐系统中的类别不平衡问题 | NA | 本文的研究目的是解决医疗推荐系统中的类别不平衡问题,提升预测和诊断能力 | 本文的研究对象是心脏、肝脏和肾脏疾病的多疾病数据集 | 机器学习 | 心血管疾病 | 卷积神经网络(CNN) | LDW-CNN | 多疾病数据集 | NA |
329 | 2024-12-01 |
UCapsNet: A Two-Stage Deep Learning Model Using U-Net and Capsule Network for Breast Cancer Segmentation and Classification in Ultrasound Imaging
2024-Nov-09, Cancers
IF:4.5Q1
DOI:10.3390/cancers16223777
PMID:39594732
|
研究论文 | 本文提出了一种结合U-Net和胶囊网络的两阶段深度学习模型UCapsNet,用于超声图像中的乳腺癌分割和分类 | UCapsNet通过结合U-Net的分割能力和胶囊网络的分类精度,提高了诊断的准确性,并解决了现有方法的关键弱点 | NA | 提高乳腺癌在超声图像中的检测和分类精度 | 乳腺癌的超声图像 | 计算机视觉 | 乳腺癌 | 深度学习 | U-Net和胶囊网络 | 图像 | 使用Breast Ultrasound Image (BUSI)数据集进行训练和测试 |
330 | 2024-12-01 |
Spatial Architecture of Single-Cell and Vasculature in Tumor Microenvironment Predicts Clinical Outcomes in Triple-Negative Breast Cancer
2024-Nov-08, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2024.100652
PMID:39522644
|
研究论文 | 研究通过成像质谱流式技术分析71例三阴性乳腺癌患者的单细胞数据,利用多尺度计算算法深入量化肿瘤微环境的空间结构,发现特定的细胞邻域和血管密度与临床预后相关,并开发了一种深度学习模型预测患者对治疗的反应 | 首次系统分析了三阴性乳腺癌肿瘤微环境的空间结构,并开发了一种基于深度学习的模型,能够高精度预测患者对治疗的反应 | 研究样本量有限,且仅限于三阴性乳腺癌患者,结果的普适性有待进一步验证 | 揭示三阴性乳腺癌肿瘤微环境的空间结构与临床预后的关系,并开发预测模型 | 三阴性乳腺癌患者的肿瘤微环境 | 数字病理学 | 乳腺癌 | 成像质谱流式技术 | 深度学习模型 | 图像 | 71例三阴性乳腺癌患者样本 |
331 | 2024-11-28 |
A Refined and Efficient CNN Algorithm for Remote Sensing Object Detection
2024-Nov-08, Sensors (Basel, Switzerland)
DOI:10.3390/s24227166
PMID:39598944
|
研究论文 | 本文提出了一种改进的高效卷积神经网络算法(RE-YOLO)用于遥感目标检测 | 设计了精炼高效的模块(REM)和空间提取注意力模块(SEAM),并构建了三分支路径聚合网络(TBPAN),显著提升了遥感图像中复杂背景下小尺寸、密集分布和复杂排列目标的检测能力 | NA | 提高遥感图像中目标检测的准确性和效率 | 遥感图像中的目标检测 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 在两个大规模遥感数据集DOTA-v1.0和SCERL上进行了广泛实验 |
332 | 2024-12-01 |
An Efficient and Stable Registration Framework for Large Point Clouds at Two Different Moments
2024-Nov-08, Sensors (Basel, Switzerland)
DOI:10.3390/s24227174
PMID:39598952
|
研究论文 | 本文提出了一种针对不同时间点大规模点云的高效稳定配准框架 | 采用随机采样和随机扩展策略来弥补信息损失,结合深度学习网络和RANSAC进行初步配准,最后使用点对点ICP方法完成配准 | 未提及具体限制 | 提高大规模点云在不同时间点的配准效率和稳定性 | 大规模点云数据 | 计算机视觉 | NA | 随机采样、随机扩展、RANSAC、ICP | 深度学习网络 | 点云 | 关键列车部件的大规模点云数据 |
333 | 2024-12-01 |
GPS-pPLM: A Language Model for Prediction of Prokaryotic Phosphorylation Sites
2024-Nov-08, Cells
IF:5.1Q2
DOI:10.3390/cells13221854
PMID:39594603
|
研究论文 | 本文介绍了一种名为GPS-pPLM的在线服务器,用于预测原核生物中的磷酸化位点 | GPS-pPLM在预测原核生物磷酸化位点方面表现出更高的准确性,并集成了10种序列特征和上下文特征 | NA | 开发一种高效预测原核生物磷酸化位点的工具 | 原核生物中的磷酸化位点 | 机器学习 | NA | 深度学习 | Transformer和深度神经网络 | 序列数据 | 44,839个非冗余磷酸化位点,来自16,041个蛋白质和95种原核生物 |
334 | 2024-12-01 |
DRBD-YOLOv8: A Lightweight and Efficient Anti-UAV Detection Model
2024-Nov-07, Sensors (Basel, Switzerland)
DOI:10.3390/s24227148
PMID:39598926
|
研究论文 | 提出了一种轻量级且高效的反无人机检测模型DRBD-YOLOv8,通过集成重参数化跨阶段高效分层注意力网络和双向特征金字塔网络,以及引入新的损失函数和深度可分离卷积,实现了在边缘计算设备上的实时高精度检测 | 创新性地集成了重参数化跨阶段高效分层注意力网络和双向特征金字塔网络,并引入了新的损失函数DN-ShapeIoU和深度可分离卷积,以提高检测精度和降低计算复杂度 | NA | 开发一种能够在边缘计算设备上实现实时高精度反无人机检测的轻量级模型 | 无人机检测 | 计算机视觉 | NA | 深度学习 | YOLOv8 | 图像 | NA |
335 | 2024-12-01 |
CFRNet: Cross-Attention-Based Fusion and Refinement Network for Enhanced RGB-T Salient Object Detection
2024-Nov-07, Sensors (Basel, Switzerland)
DOI:10.3390/s24227146
PMID:39598924
|
研究论文 | 提出了一种基于交叉注意力机制的融合与优化网络CFRNet,用于增强RGB-T显著目标检测 | 开发了基于光照先验的系数预测器MICP和显著性引导编码器SG Encoder,并设计了交叉注意力融合与优化模块CrossFRM,以更有效地融合RGB和热成像特征 | 未提及 | 提高RGB-T显著目标检测的性能 | RGB和热成像特征的融合与优化 | 计算机视觉 | NA | 交叉注意力机制 | CFRNet | 图像 | 未提及 |
336 | 2024-12-01 |
A Multi-Scale CNN for Transfer Learning in sEMG-Based Hand Gesture Recognition for Prosthetic Devices
2024-Nov-07, Sensors (Basel, Switzerland)
DOI:10.3390/s24227147
PMID:39598925
|
研究论文 | 本文提出了一种多尺度卷积神经网络(MSCNN)用于基于表面肌电图(sEMG)的手势识别,通过迁移学习提高假肢设备的适应性和鲁棒性 | 本文创新性地使用了多尺度卷积神经网络(MSCNN),并通过迁移学习策略如域适应和三重态损失自监督来提高模型的泛化能力 | 本文未详细讨论模型在不同硬件平台上的计算资源需求和实时性能 | 开发一种能够快速适应新用户的鲁棒模型,用于基于sEMG的手势识别 | 基于sEMG的手势识别在假肢设备中的应用 | 机器学习 | NA | 表面肌电图(sEMG) | 多尺度卷积神经网络(MSCNN) | 信号 | 使用了多个基准数据集,特别是NinaPro数据库 |
337 | 2024-12-01 |
FMI-CAECD: Fusing Multi-Input Convolutional Features with Enhanced Channel Attention for Cardiovascular Diseases Prediction
2024-Nov-07, Sensors (Basel, Switzerland)
DOI:10.3390/s24227160
PMID:39598937
|
研究论文 | 提出了一种融合多输入卷积特征与增强通道注意力机制的框架,用于心血管疾病预测 | 引入了一种新的多输入一维卷积神经网络框架,结合注意力机制和SHAP分析,以提高心血管疾病预测的准确性和解释性 | NA | 提高心血管疾病的预测准确性和风险评估 | 心血管疾病的风险评估 | 机器学习 | 心血管疾病 | 卷积神经网络(CNN)、注意力机制、SHAP分析 | 一维卷积神经网络(1D-CNN) | 生理数据 | BRFSS 2022数据集 |
338 | 2024-12-01 |
Research on Behavior Recognition and Online Monitoring System for Liaoning Cashmere Goats Based on Deep Learning
2024-Nov-07, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani14223197
PMID:39595250
|
研究论文 | 研究基于深度学习的辽宁绒山羊行为识别与在线监测系统 | 引入了基于深度学习的行为识别和在线检测系统,并通过改进YOLOv8n算法提高了检测精度 | 未提及具体局限性 | 提高辽宁绒山羊的智能养殖效率和质量 | 辽宁绒山羊的行为识别与在线监测 | 计算机视觉 | NA | 深度学习 | YOLO | 视频 | 未提及具体样本数量 |
339 | 2024-12-01 |
Choosing the right artificial intelligence solutions for your radiology department: key factors to consider
2024-11-06, Diagnostic and interventional radiology (Ankara, Turkey)
DOI:10.4274/dir.2024.232658
PMID:38682670
|
review | 本文为放射科提供了一个实用的指南,帮助选择和整合用于解释任务的人工智能解决方案 | 本文不列举现有应用或回顾科学证据,而是专注于放射科在选择AI解决方案时应考虑的关键因素 | NA | 帮助放射科做出明智决策,提高诊断精度、改善患者结果并优化工作流程 | 放射科在选择和整合AI解决方案时应考虑的关键因素 | computer vision | NA | deep learning | NA | NA | NA |
340 | 2024-12-01 |
CrackNet: A Hybrid Model for Crack Segmentation with Dynamic Loss Function
2024-Nov-06, Sensors (Basel, Switzerland)
DOI:10.3390/s24227134
PMID:39598912
|
研究论文 | 本文提出了一种名为CrackNet的混合网络模型,用于裂缝分割,并引入动态损失函数以解决类别不平衡问题 | 本文创新性地结合了CNN和Transformer的优点,并引入了条带池化模块和动态加权损失函数 | NA | 解决基础设施中裂缝检测的挑战,提高裂缝分割的准确性 | 基础设施中的裂缝 | 计算机视觉 | NA | NA | 混合网络(CNN和Transformer) | 图像 | 三个公开的裂缝数据集 |