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(使用关键词“['deep learning']”过滤),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19.9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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 661 | 2025-10-06 |
Performance Comparison Between Deep Neural Network and Machine Learning Based Classifiers for Huntington Disease Prediction From Human DNA Sequence
2025 Jan-Feb, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBB.2024.3493203
PMID:39509303
|
研究论文 | 比较深度神经网络与传统机器学习分类器在亨廷顿病DNA序列预测中的性能 | 首次将混沌游戏表示方法与深度神经网络结合用于亨廷顿病DNA序列预测,并与多种传统机器学习方法进行系统比较 | 仅使用公开数据库和合成DNA数据,缺乏临床验证样本 | 开发基于DNA序列的亨廷顿病预测模型 | 人类DNA序列数据 | 机器学习 | 亨廷顿病 | DNA序列分析,混沌游戏表示 | DNN, NN, SVM, RF, CT | DNA序列数据 | NCBI数据库DNA序列和合成DNA数据 | NA | 深度神经网络 | 准确率,灵敏度,特异性,精确率,F1分数,马修斯相关系数 | NA |
| 662 | 2025-10-06 |
Synergizing CRISPR-Cas9 with Advanced Artificial Intelligence and Machine Learning for Precision Drug Delivery: Technological Nexus and Regulatory Insights
2025, Current gene therapy
IF:3.8Q2
|
综述 | 探讨CRISPR-Cas9基因编辑技术与人工智能及机器学习在精准药物递送领域的协同应用 | 首次系统整合CRISPR-Cas9技术与先进AI/ML方法,提出技术协同框架并分析监管需求 | 未涉及具体实验验证,主要基于现有技术发展的理论分析 | 建立基因编辑与人工智能的技术协同框架,推动精准药物递送发展 | CRISPR-Cas9系统及其计算工具(E-CRISP、Azimuth 2.0、DeepCRISPR等) | 机器学习 | 镰状细胞病,β-地中海贫血 | CRISPR-Cas9基因编辑,NGS | 深度学习 | 基因组数据 | NA | NA | DeepCRISPR | gRNA效率预测,脱靶效应预测 | NA |
| 663 | 2025-10-06 |
Predicting ADC Map Quality from T2-Weighted MRI: A Deep Learning Approach for Early Quality Assessment to Assist Point-of-Care
2025-Jan-15, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.01.15.25320592
PMID:40568662
|
研究论文 | 开发一种从T2加权MRI预测ADC图质量的深度学习方法,用于早期质量评估 | 首次提出从扫描过程中较早获取的T2图像预测后续ADC图质量,实现早期质量预警 | 模型在内部数据上表现更好,尽管仅使用多中心外部数据训练 | 开发自动化的ADC图质量预测方法,减少漏诊和不必要的重复扫描 | 前列腺MRI图像,包括T2加权图像和ADC图 | 医学影像分析 | 前列腺癌 | MRI | 深度学习模型 | 医学图像 | 486名患者,来自内部和62家外部诊所 | NA | NA | 准确率, 敏感度, 阴性预测值, 阳性预测值, AUC | NA |
| 664 | 2025-10-06 |
En masse evaluation of RNA guides (EMERGe) for ADARs
2025, Methods in enzymology
DOI:10.1016/bs.mie.2024.11.030
PMID:39870442
|
研究论文 | 介绍一种名为EMERGe的高通量筛选方法,用于全面评估ADARs的RNA引导链并识别能够促进特定腺苷编辑的引导序列 | 开发了EMERGe体外筛选方法,能够克服当前设计原则在难编辑靶点上的局限性,为充分释放ADARs治疗潜力提供新途径 | 在最大化文库覆盖度方面存在挑战,且尚未与机器学习或深度学习模型完全整合 | 开发高通量筛选方法以识别能够促进ADARs特异性编辑的RNA引导链 | ADARs(RNA腺苷脱氨酶)及其RNA引导链 | 生物技术 | NA | NGS, 体外筛选, 高通量筛选 | NA | RNA序列数据 | NA | NA | NA | NA | NA |
| 665 | 2025-10-06 |
Assessing the cardioprotective effects of exercise in APOE mouse models using deep learning and photon-counting micro-CT
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320892
PMID:40208877
|
研究论文 | 本研究使用光子计数显微CT和深度学习技术评估运动对不同APOE基因型小鼠心脏结构和功能的影响 | 首次结合光子计数显微CT和3D U-Net深度学习模型评估运动对不同APOE基因型小鼠的心脏保护作用 | 研究仅限于小鼠模型,样本量相对有限,且未探索长期运动效应 | 评估运动对不同APOE基因型小鼠心脏结构和功能的影响 | 140只不同APOE基因型(APOE2、APOE3、APOE4)的小鼠,按性别和运动方案分组 | 数字病理学 | 心血管疾病 | 光子计数计算机断层扫描(PCCT)、脂质体碘纳米颗粒对比剂 | CNN | 显微CT图像 | 140只小鼠 | NA | 3D U-Net | Dice系数 | NA |
| 666 | 2025-10-06 |
UFPF: A Universal Feature Perception Framework for Microscopic Hyperspectral Images
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3594151
PMID:40763051
|
研究论文 | 提出一种用于显微高光谱图像的通用特征感知框架,通过分层结构和双路径模块提升空间-光谱特征提取能力 | 提出分层角到中心Mamba结构捕获空间邻近关系,采用渐进式中心聚焦策略,设计双路径空间-光谱联合感知模块和Mamba注意力混合对齐机制 | NA | 开发能够充分挖掘高光谱数据临床价值的通用特征提取框架 | 显微高光谱图像 | 计算机视觉 | NA | 高光谱成像 | Mamba, 注意力机制 | 高光谱图像 | NA | NA | 分层角到中心Mamba结构,双路径空间-光谱联合感知模块 | 分类性能,分割性能 | NA |
| 667 | 2025-10-06 |
Optimizing Mask R-CNN for enhanced quinoa panicle detection and segmentation in precision agriculture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1472688
PMID:40530286
|
研究论文 | 本研究提出了一种基于改进Mask R-CNN的藜麦圆锥花序检测与分割方法,用于精准农业中的产量估算 | 首次将实例分割技术应用于藜麦圆锥花序分析,采用EfficientNet-B7骨干网络和Mish激活函数优化模型性能 | NA | 开发自动化藜麦产量估算的深度学习方法 | 藜麦圆锥花序 | 计算机视觉 | NA | 实例分割 | Mask R-CNN | 图像 | NA | NA | Mask R-CNN, EfficientNet-B7 | NA | NA |
| 668 | 2025-10-06 |
Advancing smart communities with a deep learning framework for sustainable resource management
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0329492
PMID:40773471
|
研究论文 | 提出一个深度学习框架用于智慧社区可持续资源管理,优化能源、水资源和废物管理系统 | 整合LSTM、CNN和自编码器三种深度学习模型,分别处理时序数据、空间分析和异常检测,实现智慧社区资源管理的综合优化 | NA | 构建和验证深度学习框架以优化智慧社区资源管理 | 智慧社区的能源、水资源和废物管理系统 | 机器学习 | NA | 深度学习 | LSTM, CNN, Autoencoder | 时空数据 | 来自阿姆斯特丹开放数据平台、新加坡政府开放数据门户以及FixMyStreet和OneService众包平台的数据 | NA | LSTM, CNN, Autoencoder | MAE, RMSE, R², F1-score | NA |
| 669 | 2025-10-06 |
FCMI-YOLO: An efficient deep learning-based algorithm for real-time fire detection on edge devices
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0329555
PMID:40773480
|
研究论文 | 提出一种面向边缘设备的实时火焰检测算法FCMI-YOLO,通过轻量化设计平衡精度与推理速度 | 提出FasterNext轻量化模块、跨尺度特征融合模块CCFM、混合局部通道注意力机制MLCA以及Inner-DIoU损失函数 | 仅在自定义火焰数据集上进行验证,未在更广泛场景测试 | 开发适用于边缘设备的实时火焰检测算法 | 火焰目标检测 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | 自定义火焰数据集 | PyTorch | YOLOv5s, FasterNext, CCFM, MLCA | mAP@50, 参数量, GFLOPs | 边缘设备 |
| 670 | 2025-10-06 |
GNN-RMNet: Leveraging graph neural networks and GPS analytics for driver behavior and route optimization in logistics
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0328899
PMID:40773479
|
研究论文 | 提出GNN-RMNet混合深度学习系统,用于物流领域的驾驶员行为分析和路线异常检测 | 结合GNN、ResNet和MobileNet的混合架构,实现可解释、可扩展的实时驾驶员行为分析和路线异常检测 | 涉及网络安全、数据隐私和多模态传感器集成等未来部署问题 | 物流车辆驾驶员行为监控和路线优化 | 物流车队驾驶员行为和车辆路线数据 | 机器学习 | NA | GPS轨迹分析和车辆传感器数据流处理 | GNN, CNN | 时空GPS轨迹,车辆传感器数据流 | 真实世界GPS-车辆传感器数据集 | NA | GNN, ResNet, MobileNet | 准确率, 召回率, F1分数, 异常检测精度, 路线偏差敏感度 | 边缘节点计算和车载推理 |
| 671 | 2025-10-06 |
Study on the effect of light distribution on the greenhouse environment in Chinese solar greenhouse
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0328302
PMID:40773526
|
研究论文 | 本研究通过实验测量和深度学习模型探讨了日光温室内光环境对内部条件的影响 | 结合实验测量与LSTM深度学习模型分析日光温室光热环境分布规律 | 研究主要针对特定类型的中国日光温室,结果可能不适用于其他温室结构 | 研究光环境对日光温室内部条件的影响机制 | 日光温室内的光热环境参数 | 农业工程 | NA | 实验测量,深度学习 | LSTM | 环境传感器数据(温度,光照强度) | NA | NA | LSTM | 预测精度 | NA |
| 672 | 2025-10-06 |
Robust skeletal motion tracking using temporal and spatial synchronization of two video streams
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0328969
PMID:40773500
|
研究论文 | 提出一种通过双视频流时空同步实现鲁棒骨骼运动跟踪的系统,用于上肢康复活动监测 | 结合90°辅助摄像头补偿单摄像头深度预测误差,并采用线性回归深度误差校正模型和卡尔曼滤波框架 | 主要针对上肢活动,未验证全身运动跟踪效果 | 开发适用于家庭康复的精确可靠骨骼运动跟踪系统 | 上肢康复活动中的骨骼运动 | 计算机视觉 | 康复医学 | 双摄像头视频采集 | NA | 视频 | NA | NA | NA | 深度估计误差 | NA |
| 673 | 2025-10-06 |
Liver MRI proton density fat fraction inference from contrast enhanced CT images using deep learning: A proof-of-concept study
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0328867
PMID:40779568
|
研究论文 | 本研究探索使用深度学习从对比增强CT图像推断肝脏MRI质子密度脂肪分数的可行性 | 首次使用3D U-Net架构从对比增强CT图像直接推断MRI-PDFF值,为脂肪肝定量评估提供更便捷的替代方案 | 模型在精确推断MRI-PDFF值方面能力有限,样本量较小(94例患者),为回顾性研究 | 开发从对比增强CT图像推断肝脏脂肪分数的深度学习方法 | 活体肝移植候选者的肝脏影像数据 | 医学影像分析 | 代谢相关脂肪性肝病 | 对比增强CT, MRI质子密度脂肪分数 | 深度学习神经网络 | 3D医学影像 | 94例患者,PDFF范围0.2-22.3% | NA | 3D U-Net | 平均绝对误差, 均方根误差, 平均误差, Kappa统计量, Bland-Altman图 | NA |
| 674 | 2025-10-06 |
Assessing the adversarial robustness of multimodal medical AI systems: insights into vulnerabilities and modality interactions
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1606238
PMID:40776910
|
研究论文 | 评估多模态医疗AI系统在对抗攻击下的鲁棒性表现 | 首次系统研究多模态模型在对抗攻击场景下的行为特征,揭示多模态整合对系统鲁棒性的增强作用 | 仅涉及图像和文本两种模态,未涵盖其他医疗数据类型 | 研究多模态医疗AI系统的对抗鲁棒性 | 多模态深度学习模型 | 机器学习 | NA | 对抗攻击 | 深度学习模型 | 图像,文本 | NA | NA | 多模态模型 | 鲁棒性评估 | NA |
| 675 | 2025-10-06 |
The application of artificial intelligence in forensic pathology: a systematic literature review
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1583743
PMID:40776925
|
系统综述 | 系统评估人工智能在法医病理学领域的最新应用进展和未来发展方向 | 首次系统性地总结人工智能在法医病理学多个子领域的应用成效,包括死后分析、伤口分类、硅藻测试和微生物组分析等 | 样本量较小,不同应用场景性能表现不一致,人工智能决策在法律环境中的可解释性有待提高 | 评估人工智能在法医病理学领域的技术创新和应用前景 | 法医病理学相关研究文献 | 医疗人工智能 | 法医病理 | 深度学习 | 深度学习模型 | 医学文献数据 | 18篇符合纳入标准的研究文献 | NA | NA | 准确率,精确率,召回率 | NA |
| 676 | 2025-10-06 |
Data-driven non-intrusive reduced order modelling of selective laser melting additive manufacturing process using proper orthogonal decomposition and convolutional autoencoder
2025, Advanced modeling and simulation in engineering sciences
IF:2.0Q3
DOI:10.1186/s40323-025-00305-6
PMID:40777044
|
研究论文 | 提出并比较了两种用于增材制造过程的数据驱动非侵入式降阶模型 | 结合降阶建模技术与机器学习算法,开发了POD-ANN和CAE-MLP两种新型模型框架 | 模型验证仅限于特定增材制造构建部件的热力学分析 | 开发高精度高效率的增材制造过程预测模型 | 选择性激光熔化增材制造过程 | 机器学习 | NA | 数值模拟,热力学分析 | 人工神经网络,多层感知机,卷积自编码器 | 高保真快照矩阵,实验数据 | NA | NA | POD-ANN, CAE-MLP | 预测精度,统计矩相关性 | NA |
| 677 | 2025-10-06 |
Deriving equivalent symbol-based decision models from feedforward neural networks
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1618149
PMID:40777518
|
研究论文 | 提出从前馈神经网络中推导等效符号决策模型的方法 | 通过利用FNN中的分布式表示来识别符号组件,将神经网络激活映射到决策树结构 | 仅在前馈神经网络上进行验证,原型系统基于特定技术环境开发 | 探索连接主义与符号主义人工智能方法的交叉,提高AI系统透明度和可信度 | 前馈神经网络(FNNs)及其等效符号模型 | 机器学习 | NA | 神经网络解释性技术 | 前馈神经网络, 决策树 | NA | NA | Keras, TensorFlow, Java JDK/JavaFX | 前馈神经网络 | NA | Java开发环境 |
| 678 | 2025-10-06 |
Automatic segmentation of chest X-ray images via deep-improved various U-Net techniques
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251366855
PMID:40777837
|
研究论文 | 本研究评估了多种U-Net变体在胸部X射线图像分割中的性能,并确定了在准确性和计算效率方面最优的模型 | 系统比较了8种不同深度和滤波器宽度的U-Net变体,发现中等复杂度的U-Net9在准确性和计算效率方面达到最佳平衡 | 仅使用单一公开数据集进行评估,未测试其他医学影像模态 | 评估各种基于U-Net的深度学习架构在胸部X射线分割中的性能,并确定最有效的模型 | 胸部X射线图像及其对应的分割掩码 | 计算机视觉 | COVID-19, 病毒性肺炎 | 深度学习图像分割 | CNN | 医学图像 | 公开的胸部X射线数据集,包含正常、COVID-19和病毒性肺炎三类 | NA | U-Net7, U-Net9, U-Net11, U-Net13, U-Net16, U-Net32, U-Net64, U-Net128 | IoU, Dice Coefficient | NA |
| 679 | 2025-10-06 |
Automated detection of diabetic retinopathy lesions in ultra-widefield fundus images using an attention-augmented YOLOv8 framework
2025, Frontiers in cell and developmental biology
IF:4.6Q1
DOI:10.3389/fcell.2025.1608580
PMID:40778265
|
研究论文 | 本研究提出两种注意力增强的YOLOv8模型,用于在超广角眼底图像中自动检测糖尿病视网膜病变病灶 | 在YOLOv8骨干网络中整合了卷积指数移动平均和卷积简单注意力模块两种注意力机制 | NA | 提高糖尿病视网膜病变病灶的自动检测精度 | 糖尿病视网膜病变患者的眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 超广角眼底成像 | YOLOv8 | 图像 | 3,388张超广角眼底图像(分辨率2,600×2048像素) | NA | YOLOv8, YOLOv8+convEMA, YOLOv8+convSimAM | 精确率, 平均精确率, 召回率 | NA |
| 680 | 2025-10-06 |
A novel deep learning model based on multimodal contrast-enhanced ultrasound dynamic video for predicting occult lymph node metastasis in papillary thyroid carcinoma
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1634875
PMID:40778281
|
研究论文 | 基于多模态超声动态视频构建深度学习模型预测甲状腺乳头状癌隐匿性淋巴结转移 | 首次结合二维超声和超声造影动态视频构建多模态深度学习模型,用于术前预测甲状腺乳头状癌的隐匿性淋巴结转移 | 回顾性研究设计,样本量相对有限(396例),需要外部验证 | 术前预测甲状腺乳头状癌患者的隐匿性淋巴结转移 | 甲状腺乳头状癌患者 | 计算机视觉 | 甲状腺癌 | 超声成像,超声造影 | 深度学习模型 | 超声图像,超声造影动态视频 | 396例临床淋巴结阴性甲状腺乳头状癌病例 | NA | 五种代表性深度学习架构 | AUC, 敏感性, 特异性, 准确率 | NA |