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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
5001 | 2025-07-18 |
A deep learning analysis for dual healthcare system users and risk of opioid use disorder
2025-01-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-77602-4
PMID:39881142
|
研究论文 | 本研究利用深度学习和可解释人工智能分析了双重医疗系统使用者与阿片类药物使用障碍风险之间的关系 | 首次探讨了双重医疗系统使用与人口统计学和临床因素之间的交互作用对阿片类药物使用障碍风险的影响 | 研究数据仅来自华盛顿特区和巴尔的摩的VA医疗中心,可能不具有全国代表性 | 评估双重医疗系统使用对阿片类药物使用障碍风险的影响及其与人口统计学和临床因素的交互作用 | 856,299名来自华盛顿特区和巴尔的摩VA医疗中心的患者实例(2012-2019) | 医疗健康数据分析 | 阿片类药物使用障碍 | 深度学习、可解释人工智能、自然语言处理 | DNN | 临床记录和ICD-9/10诊断数据 | 856,299名患者实例(其中146,688名患有阿片类药物使用障碍) |
5002 | 2025-07-18 |
Deep Learning-Based Algorithm for Staging Secondary Caries in Bitewings
2025, Caries research
IF:2.9Q1
DOI:10.1159/000542289
PMID:39471790
|
研究论文 | 开发了一种基于深度学习的算法,用于在咬翼片中检测和分期继发龋 | 采用了一种新颖的方法来确定病变严重程度,并使用Mask R-CNN架构与Swin Transformer骨干网络进行训练 | 敏感性值相对较低,对于所有病变和牙本质病变的敏感性分别为0.737和0.808 | 开发一种基于卷积神经网络(CNN)的算法,用于检测和分期继发龋 | 来自荷兰牙科实践研究网络的2,612颗修复牙齿,涉及413张咬翼片和383名年龄在15-88岁之间的患者 | 计算机视觉 | 龋齿 | 深度学习 | Mask R-CNN with Swin Transformer backbone | 图像 | 413张咬翼片,涉及2,612颗修复牙齿和383名患者 |
5003 | 2025-07-18 |
AADNet: An End-to-End Deep Learning Model for Auditory Attention Decoding
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3587637
PMID:40633040
|
研究论文 | 提出了一种名为AADNet的端到端深度学习模型,用于解决听觉注意解码问题 | 将传统的两步法(预测和识别)合并为一个端到端的直接方法,显著提高了性能 | 未提及具体局限性 | 提高在多人说话环境中使用脑信号识别受注意语音的准确性和泛化能力 | 听觉注意解码(AAD) | 机器学习 | NA | EEG | AADNet(端到端神经网络) | 脑信号(EEG数据) | 三个不同的数据集,具体样本量未提及 |
5004 | 2025-07-18 |
Finger drawing on smartphone screens enables early Parkinson's disease detection through hybrid 1D-CNN and BiGRU deep learning architecture
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327733
PMID:40658696
|
研究论文 | 本研究开发了一种混合深度学习模型,通过分析智能手机屏幕上手指绘制的螺旋线和波浪线的运动数据,旨在早期检测帕金森病 | 该研究首次将1D-CNN和BiGRU结合的混合深度学习模型应用于智能手机手指绘制数据的分析,实现了无需临床评分量表、神经影像学或基于数字笔的评估的帕金森病早期检测 | 样本量相对较小(58名参与者),且仅限于早期特发性帕金森病患者和健康对照 | 开发一种基于智能手机的帕金森病早期检测方法 | 28名早期特发性帕金森病患者和30名健康对照 | 数字病理学 | 帕金森病 | 智能手机手指绘制数据采集 | 1D-CNN和BiGRU混合模型 | 运动数据(手指触摸坐标、瞬时运动速度和时间戳) | 58名年龄匹配的参与者(28名患者和30名健康对照) |
5005 | 2025-07-18 |
Sustainable deep vision systems for date fruit quality assessment using attention-enhanced deep learning models
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1521508
PMID:40661755
|
研究论文 | 本研究提出了一种结合DenseNet121和SE注意力模块的新方法,用于椰枣水果图像分类和质量评估 | 与传统DenseNet变体不同,提出的模型整合了SE注意力层以聚焦关键图像特征,显著提高了性能 | NA | 开发一种准确且自动化的水果分类方法,以支持现代农业和食品工业中的质量控制 | 椰枣水果 | 计算机视觉 | NA | 数据增强、注意力机制、Nadam优化 | DenseNet121+SE, YOLOv8n | 图像 | NA |
5006 | 2025-07-18 |
Assessment of prostate cancer aggressiveness through the combined analysis of prostate MRI and 2.5D deep learning models
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1539537
PMID:40661774
|
研究论文 | 本研究通过结合前列腺MRI和2.5D深度学习模型评估前列腺癌的侵袭性 | 提出了一种结合放射组学特征和深度学习特征的2.5D深度学习模型,用于评估前列腺癌的侵袭性,并通过nomogram和Grad-CAM技术提高了模型的可解释性 | 样本量相对较小(335例患者),且所有数据来自单一医疗中心,可能存在选择偏差 | 评估基于前列腺MRI的2.5D深度学习模型在前列腺癌侵袭性评估中的有效性 | 335例经病理证实的前列腺癌患者 | 数字病理学 | 前列腺癌 | MRI(包括T2加权成像、扩散加权成像和表观扩散系数扫描)、深度学习(Inception_v3神经网络)、放射组学特征提取(pyradiomics工具) | 2.5D深度学习模型、LightGBM算法 | 医学影像(MRI) | 335例前列腺癌患者(266例侵袭性,69例非侵袭性) |
5007 | 2025-07-17 |
Shared subspace learning via partial Tucker decomposition for hyperspectral image classification
2025-Dec-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126584
PMID:40580669
|
research paper | 提出了一种基于张量的分类框架SSTC,用于高光谱图像分类,通过学习共享的空间和光谱子空间来保持数据的多维结构 | 采用部分Tucker分解学习共享子空间,有效降维的同时保留维度间关键关系,提供可解释的特征提取 | 未提及具体样本量限制或计算资源需求 | 开发高效且可解释的高光谱图像分类方法 | 高光谱图像数据 | computer vision | NA | partial Tucker decomposition | tensor-based classification framework (SSTC) | hyperspectral image | 未明确提及具体样本量,但涉及李子皮下淤伤检测和芒果成熟度分类两个任务 |
5008 | 2025-07-17 |
Quantitative Analysis of Deltamethrin Residues in Water Using Surface-Enhanced Raman Spectroscopy
2025-Dec-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2025.126545
PMID:40614471
|
研究论文 | 本研究创新性地结合表面增强拉曼光谱(SERS)与增强深度神经网络,提出了一种高灵敏度且准确的水中溴氰菊酯残留定量分析方法 | 通过引入门控循环单元(GRU)和注意力机制,构建了CNN-GRU-Attention增强混合神经网络,显著提升了特征提取能力和非线性关系建模 | NA | 开发一种高灵敏度且准确的水中溴氰菊酯残留定量分析方法 | 水中的溴氰菊酯残留 | 机器学习和光谱分析 | NA | 表面增强拉曼光谱(SERS) | CNN-GRU-Attention混合神经网络 | 光谱数据 | NA |
5009 | 2025-07-17 |
Performance of AI methods in PET-based imaging for outcome prediction in lymphoma: A systematic review and meta-analysis
2025-Sep, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2025.112204
PMID:40466216
|
meta-analysis | 评估人工智能方法在基于PET成像的淋巴瘤预后预测中的表现 | 首次通过系统综述和荟萃分析评估AI方法在淋巴瘤预后预测中的表现,特别是深度学习的优越性 | 需要进一步的前瞻性研究以验证临床应用的可行性 | 评估AI方法在淋巴瘤预后预测中的性能 | 淋巴瘤患者 | 数字病理学 | 淋巴瘤 | PET成像 | 深度学习(DL), 机器学习(ML), 放射组学 | 图像 | 75项研究,主要关注非霍奇金淋巴瘤(NHL, n=61) |
5010 | 2025-07-17 |
Learning discrete structures for cancer radiomics
2025-Sep, APL bioengineering
IF:6.6Q1
DOI:10.1063/5.0260927
PMID:40655195
|
研究论文 | 本文提出了一种基于图像图的神经网络方法,用于癌症放射组学分析,通过共同学习图像图和优化特征来提高性能 | 开发了一种能够同时学习图像图和优化特征的Image-Graph based neural Network,解决了现有方法忽略图像间潜在关系的问题 | 未明确提及具体局限性 | 提高癌症放射组学分析的性能 | 癌症图像数据 | 数字病理 | 癌症 | 放射组学分析 | Image-Graph based neural Network | 图像 | 来自五家不同医院的四个真实数据集 |
5011 | 2025-07-17 |
Enhanced reconstruction of atomic force microscopy cell images to super-resolution
2025-Aug, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.13423
PMID:40341533
|
研究论文 | 本研究提出了一种基于深度学习的跨模块方法,用于超分辨率重建原子力显微镜(AFM)细胞图像,通过整合频率分割和自适应融合模块显著提升图像质量 | 提出了一种增强的空间融合结构和优化的反向投影机制,结合对抗性超分辨率网络,有效检测AFM细胞图像特有的弱信号和复杂纹理,并设计了基于交叉的频率分割模块以分离和增强与细胞结构相关的特征 | 未明确提及具体局限性,但可能受限于AFM图像采集的固有噪声或特定细胞类型的适用性 | 提升AFM细胞图像的分辨率和质量,以支持细胞生物学研究和生物医学应用 | 原子力显微镜(AFM)捕获的细胞图像 | 计算机视觉 | NA | 原子力显微镜(AFM)成像与深度学习 | 对抗性超分辨率网络(GAN) | 图像(AFM细胞表面形貌图) | 多种细胞的AFM图像(未明确数量) |
5012 | 2025-07-17 |
Learning-Based Classification of B- and T-Cell Lymphoma on Histopathological Images: A Multicenter Study
2025-Aug, European journal of haematology
IF:2.3Q2
DOI:10.1111/ejh.14433
PMID:40360162
|
研究论文 | 本研究探讨了深度学习模型在B细胞和T细胞淋巴瘤组织病理学图像分类中的首次可行性应用 | 首次在组织病理学图像上应用深度学习模型进行B细胞和T细胞淋巴瘤分类,并集成了卷积块注意力模块(CBAMs) | 研究样本量相对有限(1510个切片),且仅针对H&E染色图像 | 开发AI驱动的淋巴瘤分类系统以提高诊断精度并减少对人工染色和判读的依赖 | B细胞和T细胞淋巴瘤的组织病理学图像 | 数字病理学 | 淋巴瘤 | H&E染色 | CNN (Xception, NASNetL, ResNet50, EfficientNet) 与 CBAMs结合 | 图像 | 1510个H&E染色切片(750个B细胞,760个T细胞) |
5013 | 2025-07-17 |
Large-scale deep learning for metastasis detection in pathology reports
2025-Aug, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooaf070
PMID:40655537
|
研究论文 | 本研究开发了一种深度学习模型,用于从病理报告中自动检测转移性癌症患者 | 开发了一个针对特定任务的深度学习模型,其在性能上优于通用的大型语言模型(LLM),并通过不确定性量化提高了召回率 | 研究仅基于来自4个SEER登记处的病理报告,可能无法覆盖所有癌症类型和人群 | 开发一种能够从非结构化病理报告中自动识别转移性癌症的算法 | 60,471份非结构化病理报告 | 数字病理 | 癌症 | 深度学习 | 深度神经网络 | 文本 | 60,471份病理报告 |
5014 | 2025-07-17 |
Explainable CT-based deep learning model for predicting hematoma expansion including intraventricular hemorrhage growth
2025-Jul-18, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.112888
PMID:40655092
|
research paper | 开发并验证了一种基于CT的深度学习模型HENet,用于预测血肿扩张(包括脑室内出血增长) | HENet模型在预测血肿扩张方面表现优于传统2D模型和医生预测,并通过Grad-CAM技术提供了模型决策的可视化解释 | 研究为回顾性多中心研究,可能存在选择偏倚 | 提高脑出血患者血肿扩张预测的准确性 | 718名脑出血患者的CT扫描和临床数据 | digital pathology | cardiovascular disease | CT扫描 | deep learning (HENet) | image (CT scans) 和 clinical data | 718名脑出血患者 |
5015 | 2025-07-17 |
ComptoNet: a Compton-map guided deep learning framework for multi-scatter estimation in multi-source stationary CT
2025-Jul-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adebd7
PMID:40609598
|
研究论文 | 提出了一种名为ComptoNet的解耦深度学习框架,用于多源静态CT中的多散射估计 | 创新点在于引入了Compton-map表示大角度康普顿散射信号,并采用双网络架构进行散射估计和校正 | 实验数据基于蒙特卡洛模拟,未提及真实临床数据的验证 | 解决多源静态CT中缺乏抗散射网格导致的严重散射污染问题 | 多源静态CT系统 | 计算机视觉 | NA | 深度学习 | 条件编码器-解码器网络, 频率U-Net | CT图像 | 蒙特卡洛模拟数据(未提具体数量) |
5016 | 2025-07-17 |
Deep learning for appendicitis: development of a three-dimensional localization model on CT
2025-Jul-16, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01834-1
PMID:40668351
|
研究论文 | 开发并评估了一种用于在腹部CT上检测阑尾炎的深度学习模型 | 使用三维定位模型在CT上检测阑尾炎,并评估了模型在不同临床因素下的表现 | 研究为单中心回顾性研究,样本量有限,且未考虑年龄小于20岁、穿孔、阑尾不清晰和阑尾肿瘤等病例 | 开发一种深度学习模型,用于在CT上检测阑尾炎 | 阑尾炎患者的腹部CT图像 | 数字病理 | 阑尾炎 | CT成像 | Faster R-CNN | 图像 | 567例阑尾炎患者的CT图像(训练集517例,验证集50例),测试集包括100例阑尾炎CT和100例对照CT |
5017 | 2025-07-17 |
Distinguishing symptomatic and asymptomatic trigeminal nerves through radiomics and deep learning: A microstructural study in idiopathic TN patients and asymptomatic control group
2025-Jul-16, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03691-1
PMID:40668403
|
research paper | 该研究利用人工智能分析三叉神经的微观结构,以区分特发性三叉神经痛患者和无症状对照组的症状性和无症状性神经 | 结合放射组学和深度学习技术,首次在特发性三叉神经痛患者和无症状对照组之间区分症状性和无症状性神经 | 需要进一步研究以全面阐明可能导致特发性三叉神经痛的血管和非血管病因的影响 | 区分特发性三叉神经痛患者和无症状对照组的症状性和无症状性神经 | 特发性三叉神经痛患者和无症状对照组的三叉神经 | digital pathology | trigeminal neuralgia | MRI | DenseASPP-201, MobileASPPV2, SDEL, SVM, KNN | image | 78例症状性三叉神经和182例无症状性三叉神经(91例1级NVC和91例0级NVC) |
5018 | 2025-07-17 |
Integrated machine learning and deep learning-based virtual screening framework identifies novel natural GSK-3β inhibitors for Alzheimer's disease
2025-Jul-16, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-025-00637-w
PMID:40668407
|
研究论文 | 本文提出了一种结合机器学习和深度学习的虚拟筛选框架,用于识别阿尔茨海默病的潜在天然GSK-3β抑制剂 | 结合可解释的随机森林模型和深度学习分子对接平台KarmaDock,提高了筛选的准确性和可解释性 | 目前的研究结果仅为计算模拟,需要未来的实验验证 | 识别阿尔茨海默病的潜在天然GSK-3β抑制剂 | 天然产物中的GSK-3β抑制剂 | 机器学习 | 阿尔茨海默病 | 虚拟筛选、分子对接、药效团建模、分子动力学模拟 | 随机森林 (RF)、深度学习 | 分子数据 | 25,000种天然化合物 |
5019 | 2025-07-17 |
Artificial Intelligence Enhances Diagnostic Accuracy of Contrast Enemas in Hirschsprung Disease Compared to Clinical Experts
2025-Jul-15, European journal of pediatric surgery : official journal of Austrian Association of Pediatric Surgery ... [et al] = Zeitschrift fur Kinderchirurgie
IF:1.5Q3
DOI:10.1055/a-2646-2052
PMID:40592491
|
研究论文 | 本研究评估了深度学习神经网络在对比灌肠检查中对先天性巨结肠症的诊断准确性,并与儿科外科医生和放射科医生的诊断表现进行了比较 | 首次将深度学习神经网络应用于对比灌肠图像分析,并结合临床数据提升诊断性能 | 研究为回顾性设计,样本量相对有限(测试集仅218张图像) | 评估人工智能在先天性巨结肠症影像学诊断中的应用价值 | 15岁以下疑似先天性巨结肠症患者的对比灌肠图像 | 数字病理 | 先天性巨结肠症 | 深度学习 | DNN | 医学影像 | 1,471张对比灌肠图像(其中218张用于测试) |
5020 | 2025-07-17 |
3D isotropic high-resolution fetal brain MRI reconstruction from motion corrupted thick data based on physical-informed unsupervised learning
2025-Jul-15, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3586049
PMID:40663667
|
研究论文 | 提出了一种基于物理信息无监督学习的3D各向同性高分辨率胎儿脑MRI重建方法,用于从运动损坏的厚数据中重建高质量图像 | 提出了一种无监督迭代联合SVR和SRR的深度学习框架,无需大规模外部3D高分辨率训练数据集 | 未提及具体临床数据集的样本量限制或模型泛化能力的详细评估 | 提升胎儿脑MRI的运动校正和超分辨率重建技术,以支持精确的临床诊断和胎儿脑发育研究 | 胎儿脑MRI图像 | 医学影像处理 | 胎儿脑发育 | 深度学习、卷积神经网络、深度图像先验框架 | CNN | MRI图像 | 模拟数据和临床数据(具体数量未提及) |