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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
41 | 2025-07-22 |
DCATNet: polyp segmentation with deformable convolution and contextual-aware attention network
2025-Apr-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01661-w
PMID:40229681
|
研究论文 | 提出了一种名为DCATNet的新型深度学习架构,专门用于息肉分割 | 结合了ResNetV2-50编码器和Transformer,集成了几何注意力模块(GAM)、上下文注意力门(CAG)和多尺度特征提取(MSFE)块 | 未提及具体局限性 | 解决医学图像中息肉分割的挑战 | 医学图像中的息肉 | 计算机视觉 | 息肉相关疾病 | 深度学习 | U-shaped网络结合ResNetV2-50和Transformer | 医学图像 | 五个公共数据集(包括Kvasir-SEG和CVC-ClinicDB) |
42 | 2025-07-22 |
Deciphering epistatic genetic regulation of cardiac hypertrophy
2025-Apr-11, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.11.06.23297858
PMID:37987017
|
研究论文 | 该研究开发了一种名为低信号符号迭代随机森林的方法,用于揭示心脏肥大的复杂遗传结构,并通过深度学习从29,661份英国生物银行心脏MRI中获取左心室质量估计 | 使用低信号符号迭代随机森林方法发现全基因组关联研究中被认为不显著的位点,并通过功能基因组学和转录组网络分析验证这些基因在心脏肥大中的非加性调控作用 | 研究依赖于英国生物银行的样本,可能无法完全代表其他人群的遗传多样性 | 揭示心脏肥大的复杂遗传调控机制,特别是非加性遗传互作(上位性)的作用 | 人类心脏组织、诱导多能干细胞衍生的心肌细胞 | 遗传学 | 心血管疾病 | 低信号符号迭代随机森林、深度学习、RNA沉默、微流控单细胞形态分析 | 随机森林、深度学习模型 | 心脏MRI图像、基因组数据、转录组数据 | 29,661份英国生物银行心脏MRI,313个人类心脏样本 |
43 | 2025-07-22 |
Continuous sleep depth index annotation with deep learning yields novel digital biomarkers for sleep health
2025-Apr-11, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01607-0
PMID:40216900
|
研究论文 | 提出一种深度学习方法,利用现有离散睡眠分期标签标注连续睡眠深度指数(SDI),揭示了更详细的睡眠结构 | 使用深度学习从传统离散睡眠分期中提取连续睡眠深度指数,发现新的数字生物标志物 | 研究基于现有数据集,可能无法涵盖所有睡眠异常情况 | 开发更精细的睡眠评估方法,发现与健康相关的睡眠数字生物标志物 | 来自四个大型队列的10,000多份多导睡眠图记录 | 机器学习 | 睡眠障碍 | 深度学习 | 深度学习模型(未指定具体类型) | 多导睡眠图数据 | 超过10,000份记录 |
44 | 2025-07-22 |
Quantitative CT Measures of Lung Fibrosis and Outcomes in the National Lung Screening Trial
2025-Apr-10, Annals of the American Thoracic Society
IF:6.8Q1
DOI:10.1513/AnnalsATS.202410-1048OC
PMID:40208581
|
研究论文 | 本研究探讨了定量CT测量肺纤维化与全国肺癌筛查试验(NLST)中临床相关结果之间的关联 | 使用定量成像算法(CALIPER和DL-UIP)评估间质性肺病(ILD),而非传统的定性评估方法 | 未发现ILD定量测量与肺癌发病率的关联 | 确定ILD定量测量是否与NLST中的临床相关结果相关联 | 全国肺癌筛查试验(NLST)中的11,518名个体 | 数字病理学 | 肺癌 | 低剂量CT(LDCT), CALIPER算法, 深度学习UIP(DL-UIP)算法 | 深度学习 | CT影像 | 11,518名有吸烟史的高危人群 |
45 | 2025-07-22 |
Improved Spiral Projection MR Fingerprinting via Memory-Efficient Synergic Optimization of 3D Spiral Trajectory, Image Reconstruction and Parameter Estimation (SOTIP)
2025-Apr-10, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3559467
PMID:40208770
|
研究论文 | 本研究通过开发计算高效的基于模型的深度学习图像重建框架和联合优化框架,旨在提高全3D螺旋轨迹高分辨率MR指纹识别的扫描效率并克服计算挑战 | 提出了一种计算高效的基于模型的深度学习图像重建框架,并联合优化了图像重建、定量参数估计和k空间采样轨迹 | NA | 提高3D定量MRI的参数量化准确性并缩短重建时间 | 健康受试者和患者的模拟和体内MRF数据 | 医学影像处理 | NA | MR指纹识别(MRF) | 基于模型的深度学习(MBDL) | 医学影像数据 | 模拟和体内MRF数据,包括健康受试者和患者 |
46 | 2025-07-22 |
Transitions in dynamical regime and neural mode underlie perceptual decision-making
2025-Apr-07, bioRxiv : the preprint server for biology
DOI:10.1101/2023.10.15.562427
PMID:37904994
|
研究论文 | 研究通过无监督深度学习方法,发现大鼠前额叶皮层和纹状体中与决策相关的神经动力学 | 揭示了感知决策过程中神经动力学和神经模式的快速协调转变,提出了决策承诺时刻的新概念 | 研究仅基于大鼠模型,人类决策过程可能存在差异 | 探索感知决策的神经机制 | 大鼠前额叶皮层和纹状体的神经元活动 | 神经科学 | NA | 无监督深度学习方法 | NA | 神经电生理数据 | 数百个神经元的同时记录 |
47 | 2025-07-22 |
Decomposing the effect of normal aging and Alzheimer's disease in brain morphological changes via learned aging templates
2025-Apr-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-96234-w
PMID:40189702
|
研究论文 | 本文提出两种评分(AS和ADS)来独立测量正常衰老和阿尔茨海默病(AD)对脑萎缩的影响 | 使用深度学习模型生成不同年龄的成像模板,并基于深度学习的微分同胚配准技术分解脑萎缩的两种成分 | 研究仅基于OASIS-3数据集,样本量有限,且未涵盖其他神经退行性疾病 | 区分正常衰老和AD病理对脑形态变化的独立影响 | 认知正常(CN)个体和不同临床严重程度的AD患者 | 数字病理学 | 阿尔茨海默病 | T1加权MRI扫描 | 生成式深度学习模型 | MRI图像 | 1014例(326例CN,688例AD) |
48 | 2025-07-22 |
Optimizing Biophysical Large-Scale Brain Circuit Models With Deep Neural Networks
2025-Apr-07, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.07.647497
PMID:40291740
|
研究论文 | 本文介绍了一种名为DELSSOME的框架,通过深度学习优化生物物理大规模脑回路模型的参数,显著提高了计算效率 | 提出DELSSOME框架,绕过数值积分直接预测模型参数是否产生真实的脑动力学,实现了2000倍的速度提升 | 未明确提及具体局限性,但可能依赖于深度学习模型的泛化能力 | 优化生物物理大规模脑回路模型参数,提高计算效率和生物合理性 | 反馈抑制控制(FIC)平均场模型 | 计算神经科学 | NA | 深度学习 | DELSSOME(DEep Learning for Surrogate Statistics Optimization in MEan field modeling) | 脑动力学数据 | NA |
49 | 2025-07-22 |
PixelPrint4D: A 3D Printing Method of Fabricating Patient-Specific Deformable CT Phantoms for Respiratory Motion Applications
2025-Apr-02, Investigative radiology
IF:7.0Q1
DOI:10.1097/RLI.0000000000001182
PMID:40173424
|
研究论文 | 本文介绍了一种名为PixelPrint4D的3D打印方法,用于制造逼真的、患者特异性可变形肺部模型,以用于CT成像中的呼吸运动应用 | 提出了一种新的3D打印方法PixelPrint4D,能够制造具有真实组织结构和变形模式的呼吸运动模型,超越了现有模型的局限性 | 研究仅基于单一患者的4DCT数据集,样本量较小,可能影响结果的普遍性 | 开发更真实的呼吸运动模型,以支持CT成像和放射治疗中呼吸运动补偿技术的评估 | 肺部模型及其在呼吸运动中的变形特性 | 数字病理 | 肺癌 | 3D打印技术、CT成像 | PixelPrint4D | 4DCT图像数据 | 基于一名肺癌患者的4DCT数据集 |
50 | 2025-07-22 |
Combination of deep learning reconstruction and quantification for dynamic contrast-enhanced (DCE) MRI
2025-Apr, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2024.110310
PMID:39710009
|
研究论文 | 本研究提出了一种结合深度学习和量化的端到端管道,用于快速和定量的动态对比增强(DCE)MRI | 开发了名为DCE-Movienet的新型深度重建网络,结合先前开发的DCE-Qnet深度量化网络,显著提高了DCE-MRI的重建速度和量化鲁棒性 | 仅在健康志愿者和一名宫颈癌患者上进行了验证,样本量较小 | 提高DCE-MRI在临床环境中的性能和采用率 | 动态对比增强(DCE)MRI数据 | 数字病理学 | 宫颈癌 | 动态对比增强(DCE)MRI | DCE-Movienet, DCE-Qnet | 4D MRI数据 | 健康志愿者和一名宫颈癌患者 |
51 | 2025-07-22 |
Radiogenomic explainable AI with neural ordinary differential equation for identifying post-SRS brain metastasis radionecrosis
2025-Apr, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17635
PMID:39878595
|
研究论文 | 本文提出了一种基于神经常微分方程(NODE)的新型模型,用于区分脑转移瘤(BM)放射手术后放射性坏死与肿瘤复发,通过整合影像、基因组和临床数据提高AI的可解释性 | 利用重球神经常微分方程(HBNODE)模型,首次实现了在影像-基因组-临床(I-G-C)空间中追踪样本轨迹,并通过决策场梯度向量动态分析各特征类别的贡献 | 研究样本量较小(90个BM病灶,62名NSCLC患者),且未在更广泛的患者群体中进行验证 | 开发可解释的AI模型以非侵入性方式区分脑转移瘤放射治疗后的放射性坏死与肿瘤复发 | 非小细胞肺癌(NSCLC)患者脑转移瘤的放射治疗后病灶 | 数字病理 | 肺癌 | MRI影像分析、基因组特征分析 | HBNODE(基于二阶ODE的神经网络) | 多模态数据(影像+基因组+临床) | 62名NSCLC患者的90个脑转移病灶 |
52 | 2025-07-22 |
Analysis of AI foundation model features decodes the histopathologic landscape of HPV-positive head and neck squamous cell carcinomas
2025-Apr, Oral oncology
IF:4.0Q2
|
研究论文 | 利用AI基础模型分析HPV阳性头颈部鳞状细胞癌的组织病理学特征 | 使用基于自监督学习的基础模型UNI和预训练的生成对抗网络HistoXGAN,首次系统地描述了HPV阳性头颈部鳞状细胞癌的组织病理学特征,并实现了高准确率的HPV状态预测 | 研究依赖于合成图像的解释,可能不完全反映真实组织学特征 | 解析HPV阳性头颈部鳞状细胞癌的组织病理学特征并开发可解释的检测方法 | 头颈部鳞状细胞癌患者 | 数字病理学 | 头颈部鳞状细胞癌 | 自监督学习(SSL),生成对抗网络(GAN) | UNI(SSL基础模型),HistoXGAN(GAN) | H&E染色病理图像 | 981名HNSCC患者的病理图像 |
53 | 2025-07-22 |
Foundation Model for Predicting Prognosis and Adjuvant Therapy Benefit From Digital Pathology in GI Cancers
2025-Apr-01, Journal of clinical oncology : official journal of the American Society of Clinical Oncology
IF:42.1Q1
DOI:10.1200/JCO-24-01501
PMID:40168636
|
研究论文 | 本文介绍了一种基于数字病理学的AI基础模型,用于预测胃肠道癌症的预后和辅助治疗效益 | 开发了一个基于自监督学习的AI基础模型,能够从标准H&E染色病理切片中预测预后,并在多个国际队列中验证了其预测生存结果的能力 | 需要前瞻性验证以确认模型的临床应用价值 | 提高胃肠道癌症的诊断和治疗效果 | 胃肠道癌症患者 | 数字病理学 | 胃肠道癌症 | 自监督学习 | 深度学习模型 | 图像 | 104,876张全切片图像中的1.3亿个补丁,包括1,619名胃和食管癌患者和2,594名结直肠癌患者 |
54 | 2025-07-22 |
Subgroup evaluation to understand performance gaps in deep learning-based classification of regions of interest on mammography
2025-Apr, PLOS digital health
DOI:10.1371/journal.pdig.0000811
PMID:40198652
|
研究论文 | 本研究评估了一种深度学习模型在乳腺X光摄影中分类正常与潜在异常感兴趣区域(ROIs)的性能,旨在识别可能导致某些患者亚组模型性能不佳的影像、病理和人口统计学特征 | 通过亚组分析识别了影响深度学习模型性能的具体患者特征,如种族、活检历史和乳腺密度,为提升模型公平性和可解释性提供了新见解 | 研究仅基于单一机构的数据集(EMBED),可能限制了结果的普遍适用性 | 评估深度学习模型在乳腺X光摄影ROI分类中的性能差异,并识别影响模型表现的亚组特征 | 115,931名患者的340万张乳腺X光影像及其相关临床数据 | 数字病理 | 乳腺癌 | 深度学习 | CNN(特别是ResNet152V2) | 影像 | 52,444个图像块(训练29,144,验证9,910,测试13,390) |
55 | 2025-07-22 |
Accurate treatment effect estimation using inverse probability of treatment weighting with deep learning
2025-Apr, JAMIA open
IF:2.5Q3
DOI:10.1093/jamiaopen/ooaf032
PMID:40290454
|
研究论文 | 本研究利用深度序列模型通过逆处理概率加权(IPTW)方法准确估计处理效应,无需特征处理 | 提出使用深度序列模型(如RNN和Transformer)直接从索赔记录中估计倾向得分,无需特征处理,提高了处理效应估计的准确性 | 研究主要基于合成和半合成数据集,未在真实世界数据中广泛验证 | 在存在时间依赖性混杂因素的情况下,准确估计处理效应 | 电子健康记录(EHRs)中的索赔记录 | 机器学习 | NA | 逆处理概率加权(IPTW) | RNN, Transformer | 电子健康记录(EHRs) | 合成和半合成数据集 |
56 | 2025-07-21 |
Migration of Deep Learning Models Across Ultrasound Scanners
2025-Apr-25, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3564567
PMID:40279236
|
研究论文 | 本文提出了一种在定量超声(QUS)中迁移深度学习模型功能的黑盒无监督域适应技术 | 开发了一种策略,可以在黑盒设置下将深度学习模型的功能从一台超声机器迁移到另一台,且不依赖模型内部信息 | 需要假设测试机器上有未标记数据可用,且未探讨模型在其他类型超声机器上的迁移效果 | 研究深度学习模型在不同超声机器间的功能迁移方法 | 超声机器(SonixOne和Verasonics)和深度学习模型 | 医学影像分析 | NA | 黑盒无监督域适应技术 | 深度学习模型 | 超声数据 | 使用了SonixOne和Verasonics两台超声机器的数据 |
57 | 2025-07-21 |
Deep Learning Model for Histologic Diagnosis of Dysplastic Barrett's Esophagus: Multisite Cohort External Validation
2025-Apr-23, The American journal of gastroenterology
DOI:10.14309/ajg.0000000000003495
PMID:40267276
|
research paper | 本研究旨在通过深度学习模型(BEDDLM)对外部验证巴雷特食管(BE)异型增生的组织学诊断 | 使用cGANs进行染色标准化,并采用YOLO模型与ResNet101分类器结合的集成方法进行WSIs分析 | 样本来源仅限于三个外部学术中心,可能影响模型的广泛适用性 | 提高巴雷特食管异型增生的诊断准确性,减少人工病理读片中的观察者间变异和过度诊断 | 巴雷特食管(BE)患者的非异型增生(NDBE)、低度异型增生(LGD)和高度异型增生(HGD)组织切片 | digital pathology | esophageal adenocarcinoma | cycle-generative adversarial networks (cGANs), YOLO, ResNet101 | CNN (ResNet101), YOLO | whole slide images (WSIs) | 489张WSIs(232 NDBE, 117 LGD, 140 HGD) |
58 | 2025-07-21 |
pC-SAC: A method for high-resolution 3D genome reconstruction from low-resolution Hi-C data
2025-Apr-10, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf289
PMID:40226920
|
研究论文 | 提出了一种名为pC-SAC的计算方法,用于从低分辨率Hi-C数据中重建高分辨率3D基因组 | pC-SAC采用自适应重要性采样与序列蒙特卡洛方法,生成满足物理约束的3D染色质链集合,显著提高了Hi-C数据的分辨率 | 未提及具体样本量或实验验证的局限性 | 提高Hi-C数据的分辨率,以更深入地研究3D基因组组织及其在基因调控和疾病中的作用 | 3D基因组组织 | 计算生物学 | NA | Hi-C, 自适应重要性采样, 序列蒙特卡洛 | probabilistically Constrained Self-Avoiding Chromatin (pC-SAC) | Hi-C数据 | NA |
59 | 2025-07-21 |
Enhancing nonlinear transcriptome- and proteome-wide association studies via trait imputation with applications to Alzheimer's disease
2025-Apr, PLoS genetics
IF:4.0Q1
DOI:10.1371/journal.pgen.1011659
PMID:40209152
|
研究论文 | 本文探讨了在非线性转录组和蛋白质组关联研究中使用估算的阿尔茨海默病状态,以识别与AD风险相关的基因和蛋白质 | 利用估算的AD状态进行非线性TWAS/PWAS研究,结合深度学习模型DeLIVR,提高了统计功效而不增加假阳性 | 研究依赖于估算的AD状态,可能受到估算准确性的影响 | 识别与阿尔茨海默病风险相关的基因和蛋白质 | 阿尔茨海默病相关的基因和蛋白质 | 生物信息学 | 阿尔茨海默病 | TWAS/PWAS, 深度学习 | DeLIVR | 基因表达数据, 蛋白质组数据 | 来自GTEx项目和UK Biobank的数据,以及ADSP的临床诊断AD病例 |
60 | 2025-07-21 |
SuperMRF: deep robust reconstruction for highly accelerated magnetic resonance fingerprinting
2025-Apr-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-23-1819
PMID:40235764
|
研究论文 | 本研究提出了一种名为SuperMRF的新型深度学习框架,用于从欠采样的三维笛卡尔磁共振指纹数据直接生成定量T1和T2图,绕过传统的模式匹配方法 | SuperMRF利用三维CNN同时利用二维空间和一维时间信息进行重建,相比传统方法能更充分地利用MRF数据的时空内容 | 研究仅针对健康志愿者的膝关节扫描数据进行了验证,样本量较小(4名志愿者) | 设计和评估一种能实现快速、稳健MRF重建的深度学习框架 | 磁共振指纹数据 | 医学影像分析 | NA | 磁共振指纹成像(MRF) | 3D CNN | 三维笛卡尔MRF数据 | 4名健康志愿者 |