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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
641 | 2025-05-27 |
Optimal deep learning based vehicle detection and classification using chaotic equilibrium optimization algorithm in remote sensing imagery
2025-May-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02491-0
PMID:40410394
|
研究论文 | 本文提出了一种基于混沌平衡优化算法和深度学习的自动化车辆检测与分类方法(VDTC-CEOADL),用于高分辨率遥感图像 | 结合混沌平衡优化算法(CEOA)与深度学习,优化YOLO-HR目标检测器和注意力LSTM模型,提高车辆检测与分类的准确性 | 未提及具体数据集规模及跨场景泛化能力验证 | 提升高分辨率遥感图像中车辆检测与分类的精度 | 遥感图像中的车辆(卡车、摩托车、汽车、公交车等) | 计算机视觉 | NA | 深度学习、混沌平衡优化算法(CEOA) | YOLO-HR、ResNet、注意力LSTM(ALSTM) | 高分辨率遥感图像 | 未明确说明(仅提及高分辨率遥感数据集) |
642 | 2025-05-27 |
Vibration area localization and event recognition for underground power optical cable in multiple laying scenarios based on deep learning
2025-May-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99588-3
PMID:40410528
|
研究论文 | 提出了一种基于深度学习的多铺设场景下地下电力光缆振动区域定位和事件识别方法 | 结合PGSD-YOLO和1DCNN-BiGRU-AFM模型,解决了现有方法在多种铺设场景下的实时性和性能问题 | 实验环境可能仍需进一步多样化以验证模型的泛化能力 | 提高地下电力光缆振动监测的实时性和准确性 | 地下电力光缆的振动信号 | 机器学习和信号处理 | NA | ϕ-OTDR系统、高/低通滤波 | PGSD-YOLO、1DCNN-BiGRU-AFM | 振动信号 | NA |
643 | 2025-05-27 |
Multimodal malware classification using proposed ensemble deep neural network framework
2025-May-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-96203-3
PMID:40410526
|
research paper | 提出了一种基于多模态方法的恶意软件分类框架,整合了恶意软件图像和数值特征以提高分类效果 | 采用多模态晚期融合技术,结合RUSBoost和提出的集成深度神经网络,显著提高了恶意软件分类的准确性和鲁棒性 | 未提及具体的数据集规模限制或计算资源需求 | 提高恶意软件分类的准确性和鲁棒性,以应对现代恶意软件攻击的复杂环境 | 恶意软件 | machine learning | NA | Neighbourhood Component Analysis (NCA), Synthetic Minority Over-sampling Technique (SMOTE), Random Under Sampling and Boosting (RUSBoost) | ensemble deep neural network | image, numeric | NA |
644 | 2025-05-27 |
Facial emotion based smartphone addiction detection and prevention using deep learning and video based learning
2025-May-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99681-7
PMID:40410532
|
研究论文 | 本文提出了一种基于深度学习和视频学习的智能手机成瘾检测与预防方法,通过分析学生的面部情绪来识别和减少智能手机成瘾 | 结合心智理论(Theory of Mind)与视频建模(Video Modelling)框架,利用MnasNet-TLBO和CNN-CSO优化算法进行情绪识别,并通过动态调整激励视频来促进行为改变 | 研究仅针对750名行为参数较低的学生,样本范围可能有限 | 检测和预防学生的智能手机成瘾行为 | 学生 | 计算机视觉 | NA | 深度学习、视频建模、Fisher-Yates和Durstenfeld随机算法 | MnasNet-TLBO、CNN-CSO | 视频、面部情绪数据 | 750名行为参数较低的学生 |
645 | 2025-05-27 |
A deep learning model integrating domain-specific features for enhanced glaucoma diagnosis
2025-May-23, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-02925-9
PMID:40410768
|
研究论文 | 提出了一种结合领域特定特征的深度学习模型,用于增强青光眼的诊断 | 结合非结构化和结构化特征,通过深度学习模型区分青光眼和生理性大杯 | 未提及样本来源的多样性及模型在临床环境中的实际应用效果 | 提高青光眼的早期诊断准确率 | 青光眼患者和生理性大杯患者的视网膜图像 | 数字病理学 | 青光眼 | 深度学习 | CNN | 图像 | 未明确提及具体样本数量 |
646 | 2025-05-27 |
Deep Learning and Radiomic Signatures Associated with Tumor Immune Heterogeneity Predict Microvascular Invasion in Colon Cancer
2025-May-23, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.05.006
PMID:40413149
|
research paper | 本研究旨在开发和验证一种结合放射组学和深度学习特征的深度学习放射组学特征(DLRS),用于无创预测结肠癌(CC)患者的微血管侵犯(MVI),并探索DLRS与肿瘤免疫异质性的潜在关联 | 开发了一种结合放射组学和深度学习特征的DLR融合模型,用于预测结肠癌患者的MVI,并首次探索了DLRS与肿瘤免疫异质性的关联 | 研究为回顾性多中心研究,可能存在选择偏倚,且外部验证队列样本量较小 | 开发非侵入性预测结肠癌患者微血管侵犯的工具,并探索其与肿瘤免疫微环境的关联 | 结肠癌患者 | digital pathology | colon cancer | RNA-seq, 对比增强静脉期CT成像 | DLR融合模型(结合放射组学和深度学习模型) | CT图像, RNA-seq数据 | 1007名结肠癌患者(来自三个医疗中心和TCGA-COAD数据库) |
647 | 2025-05-27 |
Advancements in Structure-based Drug Design Using Geometric Deep Learning
2025-May-23, Current medicinal chemistry
IF:3.5Q2
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
648 | 2025-05-27 |
Machine learning models in the prediction of chronic or shunt-dependent hydrocephalus following subarachnoid hemorrhage: A systematic review and meta-analysis
2025-May-22, The neuroradiology journal
DOI:10.1177/19714009251345104
PMID:40405362
|
meta-analysis | 该论文通过系统综述和荟萃分析评估了机器学习模型在预测蛛网膜下腔出血后慢性或分流依赖性脑积水的性能 | 首次通过荟萃分析方法综合评估机器学习模型在预测特定类型脑积水中的表现 | 仅纳入表现最佳的模型数据,可能忽略其他有价值的信息 | 评估机器学习模型预测蛛网膜下腔出血后慢性或分流依赖性脑积水的准确性 | 蛛网膜下腔出血患者 | machine learning | 心血管疾病 | 机器学习 | ML/DL | 临床数据 | 6项研究中的2096名个体 |
649 | 2025-05-27 |
Deep Learning for Automated Prediction of Sphenoid Sinus Pneumatization in Computed Tomography
2025-May-22, Current medical imaging
IF:1.1Q3
|
研究论文 | 开发了一个用于自动预测CT扫描中蝶窦气化模式的CNN模型 | 首次使用深度学习技术自动识别蝶窦气化模式,特别是在类型IV上表现出色,这对内窥镜鼻窦手术至关重要 | 初始数据集较小且不平衡,尽管通过数据增强进行了改善,但样本量仍有限 | 提高经蝶窦手术的安全性,通过自动识别蝶窦气化模式来辅助放射科医生和外科医生 | 蝶窦气化模式 | 计算机视觉 | 鼻窦疾病 | CT扫描 | CNN | 图像 | 249张CT图像(训练集174张,测试集75张),增强后训练集增至378张 |
650 | 2025-05-27 |
ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning
2025-May-17, ArXiv
PMID:40395940
|
research paper | 本文提出了一种基于原型学习的深度学习模型ProtoECGNet,用于可解释的多标签心电图分类 | ProtoECGNet结合了1D CNN和2D CNN,使用原型损失和对比学习来提高分类性能并提供基于案例的解释 | 模型在PTB-XL数据集上进行评估,但未在其他数据集上验证其泛化能力 | 开发一种可解释的深度学习模型,用于多标签心电图分类 | 心电图数据 | machine learning | 心血管疾病 | 深度学习 | CNN | 时间序列数据 | PTB-XL数据集中的71个诊断标签 |
651 | 2025-05-27 |
Machine Learning in nanoarchitectonics
2025-May-13, Advances in colloid and interface science
IF:15.9Q1
DOI:10.1016/j.cis.2025.103546
PMID:40412155
|
综述 | 本文回顾了人工智能、机器学习和深度学习在纳米结构学中的发现、预测、优化、表征和成像方面的应用 | 探讨了可解释人工智能(XAI)在纳米结构学中的应用,通过分析可解释性、时间、准确性和参数(ITAP)矩阵来理解机器决策 | 未明确提及具体的研究局限性 | 分析机器学习和人工智能在纳米结构学中的应用及其潜在影响 | 纳米结构学中的原子和分子科学、胶体和纳米薄膜技术、微宏观技术 | 机器学习 | NA | 机器学习、深度学习、可解释人工智能(XAI) | NA | NA | NA |
652 | 2025-05-27 |
The Potential Role of AI- and Machine Learning Models in the Early Detection of Oral Cancer and Oral Potentially Malignant Disorders
2025-05-12, Studies in health technology and informatics
DOI:10.3233/SHTI250257
PMID:40357619
|
review | 本文评估了人工智能在口腔癌及口腔潜在恶性病变早期检测中的应用进展 | 探讨了AI和深度学习模型在提高口腔癌及口腔潜在恶性病变早期检测准确性方面的潜力 | 存在解释性有限和伦理问题等挑战,需解决以全面整合到临床实践中 | 评估AI在口腔癌及口腔潜在恶性病变早期检测中的应用 | 口腔癌及口腔潜在恶性病变 | digital pathology | oral cancer | AI-modalities, machine learning | deep learning models | NA | 八项研究(2015-2024年间发表) |
653 | 2025-05-27 |
Interpretable MRI-Based Deep Learning for Alzheimer's Risk and Progression
2025-May-07, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.06.25326606
PMID:40385384
|
research paper | 该研究应用基于MRI的深度学习模型于中国SILCODE队列,用于阿尔茨海默病(AD)的早期检测和风险评估 | 模型在未经重新训练或微调的情况下,展示了强大的跨种族泛化能力,并成功识别出高风险个体及AD脑亚型 | 研究主要基于MRI数据,未涉及其他类型的生物标志物或影像数据 | 开发可解释的基于MRI的深度学习模型,用于AD的早期检测和风险评估 | 722名参与者,1,105次脑部MRI扫描 | digital pathology | geriatric disease | MRI | deep learning | image | 722名参与者,1,105次脑部MRI扫描 |
654 | 2025-05-27 |
Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture
2025-May-05, ArXiv
PMID:40386573
|
research paper | 该研究开发了一种基于U-Net架构的卷积神经网络(CNN)代理模型,用于加速Cellular-Potts模型(CPM)的模拟评估 | 利用U-Net神经网络架构作为CPM的代理模型,显著提高了模拟评估速度(加速590倍),并有效捕捉了原始CPM的涌现行为 | 未明确提及具体限制,但可能包括模型泛化能力和对不同生物过程的适应性 | 开发高效的深度学习代理模型,以加速计算密集型的Cellular-Potts模型模拟 | Cellular-Potts模型(CPM)及其在血管生成研究中的应用 | machine learning | NA | 卷积神经网络(CNN),U-Net架构 | U-Net | 模拟数据 | NA |
655 | 2025-05-27 |
Development and validation of a user-friendly prediction tool for preoperative T-Staging in gallbladder Cancer: A multicenter study using contrast-enhanced CT-Based fusion models
2025-May-02, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology
DOI:10.1016/j.ejso.2025.110117
PMID:40412011
|
研究论文 | 开发并验证了一种基于对比增强CT的融合模型,用于胆囊癌术前T分期的用户友好预测工具 | 结合了放射组学和深度学习特征,开发了加权GBCT模型(wGBCT),并通过用户友好工具实现高预测准确性 | 研究为回顾性设计,样本量相对较小(189例患者) | 提高胆囊癌术前T分期的准确性,以支持手术规划 | 胆囊癌患者 | 数字病理 | 胆囊癌 | 对比增强CT、放射组学、深度学习 | 融合模型(Rad+DL)、加权GBCT模型(wGBCT) | 医学影像(CT)、临床数据 | 189例胆囊癌患者(111例训练集,48例内部验证集,30例时间验证集) |
656 | 2025-05-27 |
Recent topics in musculoskeletal imaging focused on clinical applications of AI: How should radiologists approach and use AI?
2025-May, La Radiologia medica
DOI:10.1007/s11547-024-01947-z
PMID:39992330
|
综述 | 本文讨论了人工智能在肌肉骨骼成像领域的临床应用,包括图像生成和自动化诊断支持 | 聚焦于深度学习重建和基于MRI的皮质骨成像的临床应用,以及AI在罕见疾病诊断和预防医学中的角色 | 未提及具体的技术限制或研究样本量的限制 | 探讨人工智能在肌肉骨骼成像领域的应用及其对放射科医生的影响 | 肌肉骨骼成像和AI技术在放射学中的应用 | 数字病理 | 肌肉骨骼疾病 | MRI, 深度学习 | 深度学习 | 图像 | NA |
657 | 2025-05-27 |
Hybrid Electromagnetic-Triboelectric Hip Energy Harvester for Wearables and AI-Assisted Motion Monitoring
2025-May, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202500643
PMID:40190045
|
研究论文 | 本文介绍了一种AI辅助的可穿戴髋关节能量采集器(HJEH),用于将髋关节运动的机械能转化为电能并监测人体运动 | 结合电磁发电机(EMG)和独立式摩擦电纳米发电机(FS-TENG)实现能量采集与运动监测,并采用深度学习算法处理摩擦电信号 | NA | 开发一种可穿戴设备,用于能量采集和人体运动监测 | 人体髋关节运动 | 可穿戴技术 | 老年疾病 | 电磁发电技术、摩擦电纳米发电技术、深度学习算法 | 深度学习模型 | 运动信号 | NA |
658 | 2025-05-26 |
Harnessing deep learning for wheat variety classification: a convolutional neural network and transfer learning approach
2025-May-24, Journal of the science of food and agriculture
IF:3.3Q2
DOI:10.1002/jsfa.14378
PMID:40411235
|
research paper | 该研究利用深度学习和卷积神经网络(CNN)进行小麦品种分类,开发了一个四层CNN模型,并评估了DenseNet201、MobileNet和InceptionV3等预训练模型的性能 | 研究使用多视角图像数据集,包含124个小麦品种,开发了一个新的四层CNN模型,并在分类任务中表现优于预训练模型 | 高计算资源需求是主要挑战,且模型的超参数需要进一步优化以提高准确性 | 评估CNN模型在小麦品种分类中的适用性,并开发高效的分类方法 | 124个小麦品种的多视角图像 | computer vision | NA | deep learning, transfer learning | CNN, DenseNet201, MobileNet, InceptionV3 | image | 124个小麦品种的多视角图像 |
659 | 2025-05-26 |
deepTFBS: Improving within- and Cross-Species Prediction of Transcription Factor Binding Using Deep Multi-Task and Transfer Learning
2025-May-24, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202503135
PMID:40411397
|
research paper | 该研究提出了deepTFBS,一个利用深度多任务学习和迁移学习的框架,用于提高转录因子结合位点(TFBSs)在物种内和跨物种预测的准确性 | deepTFBS通过构建一个稳健的DNA语言模型,结合多任务深度学习和迁移学习,能够利用大规模TF结合谱的知识来增强小样本训练和跨物种预测任务中的TFBS预测 | NA | 提高转录因子结合位点(TFBSs)的预测准确性,特别是在小样本训练和跨物种预测任务中 | 转录因子结合位点(TFBSs) | machine learning | NA | 深度多任务学习和迁移学习 | DL | DNA序列数据 | 359个拟南芥转录因子(TFs)的数据 |
660 | 2025-05-26 |
Deep learning-based classification and segmentation of interictal epileptiform discharges using multichannel electroencephalography
2025-May-24, Epilepsia
IF:6.6Q1
DOI:10.1111/epi.18463
PMID:40411529
|
研究论文 | 本研究开发了一种基于深度学习的框架U-IEDNet,用于高精度分类和分割多通道脑电图(EEG)中的间歇性癫痫样放电(IEDs) | 提出了一种结合卷积层、双向门控循环单元和Transformer网络的U形架构,能够同时提取单通道EEG的时间特征和多通道间的空间交互信息 | 研究仅在两个数据库(共413例患者记录)上进行了验证,样本量相对有限 | 开发高精度的IED自动检测工具以辅助癫痫诊断 | 多通道EEG记录中的间歇性癫痫样放电(IEDs) | 机器学习 | 癫痫 | 深度学习 | U-IEDNet(结合CNN、BiGRU和Transformer) | 多通道EEG信号 | 413例患者记录(公共数据库370例+自建数据库43例) |