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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5501 | 2025-11-16 |
More than just a heatmap: elevating XAI with rigorous evaluation metrics
2025, Frontiers in medical technology
IF:2.7Q3
DOI:10.3389/fmedt.2025.1674343
PMID:41229616
|
研究论文 | 提出结合CNN和SNN的SpikeNet框架及XAlign评估指标,用于医学影像的可解释性分析 | 提出混合CNN-SNN框架实现高效处理与原生可解释性,并创新性地开发了量化解释与专家标注对齐程度的XAlign指标 | 仅在TCGA-LGG和BUSI两个数据集上进行验证,需要更多临床数据验证泛化能力 | 提升医学影像深度学习的可解释性和计算效率 | 脑胶质瘤MRI影像和乳腺超声影像 | 计算机视觉,数字病理 | 脑肿瘤,乳腺肿瘤 | 磁共振成像,超声成像 | CNN,SNN | 医学影像 | TCGA-LGG数据集(22折交叉验证),BUSI数据集(5折交叉验证) | PyTorch | SpikeNet(CNN-SNN混合架构) | 准确率,精确率,召回率,F1分数,AUROC,AUPRC,XAlign | NVIDIA RTX 3090,批大小16,FP32精度 |
| 5502 | 2025-11-16 |
Abnormal classification of electrocardiogram scatter plot based on token selection vision transformer
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251395553
PMID:41229940
|
研究论文 | 提出一种基于令牌选择视觉变换器的ECG散点图异常分类方法 | 在网络深层引入令牌选择模块,动态筛选最具判别性的图像块用于最终分类 | NA | 改进心律失常自动分类技术 | 心电图散点图 | 计算机视觉 | 心血管疾病 | ECG散点图分析 | Vision Transformer | 图像 | NA | NA | Transformer | 准确率 | NA |
| 5503 | 2025-11-16 |
A scoping review of TSR analysis in colorectal cancer: implications for automated solutions
2025, Oncology reviews
IF:3.1Q2
DOI:10.3389/or.2025.1605383
PMID:41230203
|
综述 | 本文通过范围综述评估结直肠癌中肿瘤-间质比(TSR)的预后价值、评分方法差异及其自动化量化进展 | 首次系统评估TSR自动化量化方法在结直肠癌中的应用现状与挑战 | 自动化TSR量化方法仍处于早期阶段,特别是在感兴趣区域选择和风险分层方面存在不足 | 评估TSR的预后价值、评分方法差异并探索自动化TSR量化解决方案 | 结直肠癌组织样本中的肿瘤-间质比例 | 数字病理学 | 结直肠癌 | 组织病理学分析 | 深度学习 | 组织病理图像 | 76篇符合纳入标准的文献(来自950篇初筛文献) | NA | NA | Kappa分数, 像素级精度, 区块级精度 | NA |
| 5504 | 2025-11-16 |
Deep learning-based temporal change detection of broadleaved weed infestation in rice fields using UAV multispectral imagery
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1655391
PMID:41230234
|
研究论文 | 本研究提出基于深度学习的时序变化检测方法,利用无人机多光谱影像监测水稻田中阔叶杂草的时空动态 | 首次将深度前馈神经网络与无人机多光谱影像结合,实现水稻田阔叶杂草侵染的时序变化检测和精准施药潜力评估 | 研究仅针对阔叶杂草,未考虑其他杂草类型;分析时段限于营养生长阶段 | 开发精准农业中的杂草监测方法,优化除草剂施用策略 | 水稻田中的阔叶杂草侵染动态 | 计算机视觉 | NA | 无人机多光谱成像 | DFNN | 多光谱影像 | PadiU Putra水稻田的多时序无人机影像数据 | NA | 深度前馈神经网络 | R² | NA |
| 5505 | 2025-11-16 |
Reimagining Mental Health with Artificial Intelligence: Early Detection, Personalized Care, and a Preventive Ecosystem
2025, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S559626
PMID:41230404
|
综述 | 探讨人工智能在心理健康领域早期检测、个性化治疗和预防症状升级方面的应用潜力 | 提出'心理数字签名'概念,构建以患者为中心的预防性心理健康生态系统 | 许多高准确率报告来自单中心或有限数据集,外部验证方法存在差异,样本量和人群多样性不足 | 探索人工智能在心理健康管理中的创新应用 | 心理健康障碍患者 | 自然语言处理,机器学习 | 精神疾病 | 自然语言处理,深度学习,多模态数据分析 | 深度学习 | 语音,文本,生物传感器数据 | NA | NA | NA | 准确率 | NA |
| 5506 | 2025-11-16 |
A Deep Learning Model to Predict the ncRNA-Protein Interactions Based on Sequences Information Only
2025, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322251391075
PMID:41230504
|
研究论文 | 提出一种基于序列信息预测非编码RNA与蛋白质相互作用的深度学习模型RPI-SDA-XGBoost | 结合堆叠降噪自编码器和XGBoost元学习器,仅使用序列信息即可预测ncRNA-蛋白质相互作用 | 未明确说明模型的计算资源需求和训练时间 | 开发计算方法来研究ncRNA-蛋白质相互作用 | 非编码RNA和蛋白质的相互作用 | 生物信息学 | 癌症 | 序列特征提取 | 深度学习,集成学习 | 生物序列数据 | 五个基准数据集:RPI_369, RPI_488, RPI_1807, RPI_2241, NPInterv2.0 | XGBoost | 堆叠降噪自编码器 | 准确率,精确率 | NA |
| 5507 | 2025-11-16 |
Long short-term memory-based deep learning model for the discovery of antimicrobial peptides targeting Mycobacterium tuberculosis
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbaf274
PMID:41230490
|
研究论文 | 开发基于长短期记忆网络的深度学习模型,用于发现针对结核分枝杆菌的抗菌肽 | 首次将长短期记忆网络与迁移学习相结合,构建可分类和生成结核病特异性抗菌肽的可重复深度学习协议 | 结核病特异性抗菌肽数据稀缺限制了靶向开发 | 发现针对结核分枝杆菌的新型抗菌肽 | 抗菌肽,特别是针对结核分枝杆菌的活性肽 | 自然语言处理 | 结核病 | 深度学习,序列分析 | LSTM, BiLSTM | 肽序列数据 | 大型通用抗菌肽语料库和精选的结核病特异性序列 | NA | 单向LSTM,双向LSTM,带注意力机制的LSTM | 准确率,AUC | NA |
| 5508 | 2025-11-16 |
A poisson flow-based data augmentation and lightweight diagnosis framework for imbalanced rolling bearing faults
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0332994
PMID:41052065
|
研究论文 | 提出一种基于泊松流的数据增强和轻量级诊断框架,用于解决不平衡滚动轴承故障诊断问题 | 首次将泊松流生成模型与轻量级残差网络结合,通过建模高维潜在空间中的样本演化来合成真实的少数类样本 | 仅在CWRU基准数据集上验证,未在其他工业场景中测试 | 解决滚动轴承故障诊断中的类别不平衡问题 | 滚动轴承故障振动信号 | 机器学习 | NA | 连续小波变换(CWT) | 生成模型, CNN | 振动信号,时频表示 | CWRU基准数据集 | NA | 残差网络(ResNet) | 诊断准确率,鲁棒性,泛化能力 | NA |
| 5509 | 2025-11-15 |
Wine discrimination based on multi-sensor fusion of GASF and Mel spectrogram features using an enhanced EfficientNet-B0 model
2025-Dec-15, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.146497
PMID:41016293
|
研究论文 | 本研究提出了一种基于多传感器融合和增强型EfficientNet-B0模型的葡萄酒原料鉴别方法 | 采用GASF和梅尔频谱图将一维传感器数据转换为二维RGB图像,结合增强型EfficientNet-B0模型实现多传感器数据融合 | NA | 开发基于多传感器融合的葡萄酒原料准确分类方法 | 八种不同原料采用相同酿造工艺制作的葡萄酒 | 计算机视觉 | NA | 广谱电子鼻、贵金属电极传感器 | CNN | 图像 | NA | NA | Enhanced-EfficientNet-B0 | 准确率 | NA |
| 5510 | 2025-11-15 |
Enhancing Prostate Cancer Classification: A Comprehensive Review of Multiparametric MRI and Deep Learning Integration
2025-Dec, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70004
PMID:40613800
|
综述 | 本文综述了多参数MRI与深度学习分类网络在前列腺癌评估中的整合应用 | 系统探讨了深度学习与mpMRI结合在前列腺癌分类中的创新方法,包括领域知识和临床信息的整合策略 | 未涉及具体实验验证,主要基于文献综述分析 | 提升前列腺癌分类准确性和临床诊断效率 | 前列腺癌患者和病变组织 | 数字病理 | 前列腺癌 | 多参数MRI | 深度学习分类网络 | 医学影像 | NA | NA | NA | NA | NA |
| 5511 | 2025-11-15 |
NEAR-INFRARED REFLECTANCE IMAGING FOR THE ASSESSMENT OF GEOGRAPHIC ATROPHY USING DEEP LEARNING
2025-Dec-01, Retina (Philadelphia, Pa.)
DOI:10.1097/IAE.0000000000004614
PMID:40694826
|
研究论文 | 开发并评估基于深度学习的全自动方法,用于在近红外反射成像中检测地理萎缩 | 首次将深度学习应用于近红外反射成像自动检测地理萎缩,Vision Transformer B16和YOLOv8-Large模型在该任务中表现出色 | 样本量相对较小(113例GA患者和119例对照),仅在一家医疗中心进行验证 | 开发自动化深度学习方法来评估年龄相关性黄斑变性的晚期表现——地理萎缩 | 50岁及以上经视网膜专家确诊的地理萎缩患者和健康视网膜对照组的近红外反射图像 | 计算机视觉 | 年龄相关性黄斑变性 | 近红外反射成像 | Vision Transformer, YOLO | 医学图像 | 113例GA患者和119例对照组,分类数据集330张图像,定位数据集659张图像 | NA | Vision Transformer B16, YOLOv8-Large | 准确率, 精确率, 灵敏度, F1分数, DICE系数, IoU | NA |
| 5512 | 2025-11-15 |
Development of an MRI-Based Comprehensive Model Fusing Clinical, Habitat Radiomics, and Deep Learning Models for Preoperative Identification of Tumor Deposits in Rectal Cancer
2025-Dec, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70075
PMID:40926527
|
研究论文 | 开发基于MRI融合临床、生境影像组学和深度学习特征的综合模型用于直肠癌肿瘤沉积术前识别 | 首次将临床特征、生境影像组学特征和深度学习特征通过两阶段选择方法进行融合,构建综合预测模型 | 回顾性研究设计,样本量相对有限(635例) | 研究基于MRI的融合模型在直肠癌肿瘤沉积术前识别和预后评估中的应用价值 | 经手术确诊的直肠癌患者 | 医学影像分析 | 直肠癌 | MRI T2加权成像 | 深度学习, 影像组学 | 医学影像(MRI T2WI) | 635例直肠癌患者(训练集259例,内部验证112例,外部验证264例),其中184例TDs阳性 | nnUNet | nnUNet | AUC, 决策曲线分析, 校准曲线, Kaplan-Meier分析 | NA |
| 5513 | 2025-11-15 |
AI-Driven CBCT Analysis for Surgical Decision-Making and Mucosal Damage Prediction in Sinus Lift Surgery for patients with low RBH
2025-Dec, International dental journal
IF:3.2Q1
DOI:10.1016/j.identj.2025.103931
PMID:41039687
|
研究论文 | 本研究构建了基于深度学习的智能决策系统,用于优化上颌窦底提升手术方案选择并预测黏膜穿孔风险 | 首次构建基于深度学习的3D智能决策模型用于MSFE,创新引入卷积块注意力模块机制和深度可分离卷积技术 | 样本量相对较小(79例患者),需要更大规模数据验证模型的泛化能力 | 优化上颌窦底提升手术决策和预测黏膜穿孔风险,为临床提供可靠辅助工具 | 接受上颌窦底提升手术的低残余骨高度患者 | 数字病理 | 口腔颌面疾病 | 锥形束计算机断层扫描成像 | CNN | 3D医学影像 | 79例患者 | NA | EfficientNet, ResNet | 准确率, 召回率, F1分数 | NA |
| 5514 | 2025-11-15 |
Automated Age and Sex Estimation From Dental Panoramic Radiographs
2025-Dec, International dental journal
IF:3.2Q1
DOI:10.1016/j.identj.2025.103967
PMID:41106218
|
研究论文 | 本研究开发了一种基于深度学习的人工智能模型,用于从泰国儿童和青少年的全景牙科X光片中自动估计年龄和性别 | 首次将EfficientNetB0架构应用于牙科全景X光片的年龄和性别估计,并采用年龄分层建模策略提升预测精度 | 模型在较大年龄组(15-23岁)的年龄估计性能显著下降,且研究仅限于泰国人群 | 开发自动化的年龄和性别估计方法以替代传统法医牙医学中复杂耗时的人工方法 | 泰国7-23岁儿童和青少年的牙科全景X光片 | 计算机视觉 | NA | 牙科全景X光摄影 | CNN | 医学图像 | 2491名个体的4627张全景X光片 | TensorFlow, PyTorch或Keras(文中未明确指定) | EfficientNetB0 | RMSE, MAE, 准确率, AUC, 敏感度, 特异度 | NA |
| 5515 | 2025-11-15 |
Applications of machine learning and deep learning in precision medicine: Opportunities and challenges in genomics, oncology and clinical integration (Review)
2025-Dec, Biomedical reports
IF:2.3Q3
DOI:10.3892/br.2025.2070
PMID:41221536
|
综述 | 探讨机器学习和深度学习在精准医学领域中的应用、挑战及未来发展方向 | 系统分析人工智能技术在基因组学、肿瘤学和临床整合中的前沿应用与发展路径 | 面临数据隐私、网络安全、伦理考量和临床工作流程整合等多方面挑战 | 分析机器学习在精准医学中的应用现状并展望未来发展 | 精准医学中的基因组分析、个性化治疗优化和疾病诊断 | 机器学习 | 肿瘤学 | NA | NA | NA | NA | NA | NA | NA | NA |
| 5516 | 2025-11-15 |
The Current Use of Artificial Intelligence in Anesthesiology
2025-Dec, Advances in anesthesia
DOI:10.1016/j.aan.2025.07.006
PMID:41224431
|
综述 | 本文探讨了人工智能在麻醉学领域的当前应用现状与潜在影响 | 系统梳理了AI技术在麻醉学中的具体应用方向,包括患者监测、药物管理和并发症预测等 | 当前AI在麻醉学中尚未广泛应用,缺乏大规模临床验证数据 | 分析人工智能技术在麻醉学领域的应用潜力和发展方向 | 麻醉学临床实践和患者管理 | 自然语言处理, 机器学习 | NA | 机器学习, 深度学习, 自然语言处理 | NA | NA | NA | NA | NA | NA | NA |
| 5517 | 2025-11-15 |
A CT-based 2.5D deep learning model for preoperative T-staging in gastric cancer: a retrospective multicenter study
2025-Nov-14, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05286-z
PMID:41236584
|
研究论文 | 开发并验证基于CT的2.5D多角度深度学习模型用于胃癌术前T分期 | 提出2.5D多角度深度学习模型,整合三个视角(横断面、矢状面、冠状面)和三个角度(0°、+45°、-45°)的CT图像 | 回顾性研究,样本量相对有限(共433例患者) | 胃癌术前T分期和生存预后预测 | 胃癌患者 | 医学影像分析 | 胃癌 | CT影像分析 | 深度学习 | CT图像 | 433例胃癌患者(训练集346例,内部验证集87例,外部测试集41例) | NA | 2.5D多角度深度学习模型 | AUC, 准确率, 敏感度, 特异度, F1分数 | NA |
| 5518 | 2025-11-15 |
Foundation models for EEG decoding: current progress and prospective research
2025-Nov-13, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ae17e9
PMID:41145005
|
综述 | 系统回顾脑电图基础模型的当前进展,分析其在下游任务、数据集、模型架构和预训练技术等方面的表现 | 首次对脑电图基础模型进行全面综述,提出统一范式以克服传统监督学习的任务特定性和数据集依赖性限制 | 在复杂场景如运动想象解码中的性能仍然有限,模型泛化能力有待进一步提升 | 探索脑电图基础模型的发展趋势并为未来研究提供建议 | 脑电图基础模型及相关解码任务 | 机器学习 | 神经系统疾病 | 脑电图信号处理 | Transformer | 脑电图信号 | 最多14,987名受试者,总时长27,062小时 | NA | 基于Transformer的高效架构 | NA | NA |
| 5519 | 2025-11-15 |
Ensembling Vision Transformers and ResNet-50 for Interpretable Lung Cancer Diagnosis with Feature Fusion and XAI Techniques
2025-Nov-13, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01738-6
PMID:41233642
|
研究论文 | 提出一种结合Vision Transformer和ResNet-50的混合集成架构,通过特征融合和可解释AI技术实现肺癌病理图像分类 | 首次将ResNet-50的层次特征提取能力与Vision Transformer的全局上下文理解相结合,并采用多学科XAI策略提供关键可解释性 | NA | 开发准确、透明且临床可行的肺癌诊断系统 | 肺癌病理图像 | 计算机视觉 | 肺癌 | 深度学习 | CNN, Transformer | 图像 | NA | NA | ResNet-50, Vision Transformer | 准确率 | NA |
| 5520 | 2025-11-15 |
Incorporating targeted protein structure in deep learning methods for molecule generation in computational drug design
2025-Nov-12, Chemical science
IF:7.6Q1
DOI:10.1039/d5sc05748e
PMID:41164301
|
综述 | 本文综述了基于结构的药物发现中整合蛋白质结构信息的深度学习方法 | 系统总结了从早期基于形状的方法到最新共折叠模型的发展历程,探讨了如何利用结构信息设计具有增强结合潜力的分子 | NA | 为基于结构的药物发现领域提供深度学习方法的应用见解和未来发展方向建议 | 蛋白质结构信息和药物分子 | 计算药物设计 | NA | 深度学习 | NA | 蛋白质结构数据,分子结构数据 | NA | NA | 共折叠模型 | NA | NA |