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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1061 | 2025-10-06 |
IPT-DCD: Interpolation Predictor for Teleoperation Under Dynamic Communication Delay Using Deep Learning Approach
2025-Jul-01, Sensors (Basel, Switzerland)
DOI:10.3390/s25134118
PMID:40648373
|
研究论文 | 提出一种用于动态通信延迟下遥操作的插值预测器IPT-DCD,通过深度学习重建异步控制命令 | 提出结合后向移位插值(BSI)预处理技术和编码器-解码器LSTM架构的预测器,能处理动态通信延迟并生成实时转向命令 | NA | 解决遥操作系统在动态通信延迟下的控制稳定性和安全性问题 | 遥操作系统中的控制命令信号 | 机器学习 | NA | 深度学习 | LSTM | 时间序列数据 | NA | NA | 编码器-解码器LSTM | 鲁棒性比较 | NA |
| 1062 | 2025-10-06 |
Mitigating the Impact of Electrode Shift on Classification Performance in Electromyography Applications Using Sliding-Window Normalization
2025-Jul-01, Sensors (Basel, Switzerland)
DOI:10.3390/s25134119
PMID:40648374
|
研究论文 | 本研究提出滑动窗口归一化技术以减轻肌电信号应用中电极位移对分类性能的影响 | 将z-score归一化与滑动窗口处理相结合,无需额外数据收集或重新训练即可缓解电极位移导致的性能下降 | 仅验证了三种肘部运动类别(休息、屈曲、伸展)和右臂轨迹跟踪任务 | 解决肌电信号应用中电极位移导致的分类性能下降问题 | 肌电信号和肘部运动分类 | 生物医学信号处理 | NA | 肌电信号采集,滑动窗口归一化 | NA | 肌电信号 | 右臂轨迹跟踪实验数据 | NA | NA | 分类准确率 | NA |
| 1063 | 2025-10-06 |
Correction: Spilz, A.; Munz, M. Automatic Assessment of Functional Movement Screening Exercises with Deep Learning Architectures. Sensors 2023, 23, 5
2025-Jul-01, Sensors (Basel, Switzerland)
DOI:10.3390/s25134110
PMID:40648500
|
更正 | 对原出版物中存在的错误进行更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1064 | 2025-10-06 |
Deep learning classification models demonstrate high accuracy and clinical potential in radiograph interpretation in the arthroplasty clinical pathway: A systematic review and meta-analysis
2025-Jul, Journal of experimental orthopaedics
IF:2.0Q2
DOI:10.1002/jeo2.70342
PMID:40655254
|
系统评价与荟萃分析 | 本系统评价与荟萃分析评估了深度学习算法在骨关节炎-关节置换临床路径中解读放射影像和横断面影像的性能 | 首次广泛评估深度学习算法在完整关节置换临床路径中解读放射影像的表现,并与临床医生表现进行对比 | 基于低至中等质量证据,结果不具有普遍适用性 | 评估深度学习算法在骨关节炎-关节置换临床路径中影像解读的诊断和预后任务性能 | 骨关节炎患者的放射影像和横断面影像 | 医学影像分析 | 骨关节炎 | 深度学习 | 深度学习算法 | 放射影像,横断面影像 | 66项研究 | NA | NA | 敏感度,特异度,分层汇总受试者工作特征曲线 | NA |
| 1065 | 2025-10-06 |
Harnessing chemically crosslinked microbubble clusters using deep learning for ultrasound contrast imaging
2025-Jul, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.4.047001
PMID:40656209
|
研究论文 | 本研究利用基于自动编码器的异常检测模型识别化学交联微泡簇的独特声学特性 | 首次将深度学习异常检测模型应用于化学交联微泡簇的声学特性识别 | 未明确说明样本规模和模型泛化能力 | 提高超声造影成像中造影剂的可检测性和定位能力 | 化学交联微泡簇和非聚集微泡 | 医学影像分析 | NA | 铜无点击化学合成、声学分析 | 自动编码器 | 射频数据 | NA | NA | 自动编码器 | 特异性 | NA |
| 1066 | 2025-10-06 |
A semi-supervised multi-connection contrastive learning framework for x-ray lung segmentation based on mutual distillation
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17984
PMID:40665530
|
研究论文 | 提出一种基于对比学习的半监督多连接框架,用于X射线肺部图像分割 | 采用多重一致性对齐和互蒸馏机制,在仅使用少量标注数据的情况下实现高性能分割,模型参数仅1.15M | 仅在128×128分辨率的胸部X射线数据集上验证,未测试更高分辨率图像 | 开发适合边缘部署的高性能轻量级分割模型 | 胸部X射线图像中的肺部轮廓分割 | 计算机视觉 | 肺部疾病 | X射线成像 | 半监督对比学习框架 | 医学图像 | 三个胸部X射线数据集(JSRT、Montgomery County、Shenzhen Hospital),仅使用2张标注图像进行训练 | NA | 多连接对比学习框架 | Dice系数 | 边缘计算设备,适合离线部署 |
| 1067 | 2025-10-06 |
Risk classification of thymoma based on multi-feature fusion in dynamic enhanced CT
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17968
PMID:40665531
|
研究论文 | 本研究开发了一种基于CT影像数据的多特征融合模型,用于术前区分高风险和低风险胸腺瘤 | 首次将临床语义特征、影像组学特征和基于Vision Transformer的深度学习特征融合,构建CSRT模型用于胸腺瘤风险分类 | 回顾性研究设计,样本量相对有限,仅包含三个医疗中心的数据 | 提高胸腺瘤术前高风险和低风险分类的准确性,评估其在无创诊断中的应用价值 | 经病理证实的胸腺瘤患者 | 医学影像分析 | 胸腺瘤 | CT成像(平扫CT和增强CT) | 融合模型 | 医学影像 | 360例患者(274例训练,86例外部验证) | NA | Vision Transformer | AUC, 准确率, 敏感度, 特异度 | NA |
| 1068 | 2025-10-06 |
Deep learning model for coronary artery segmentation and quantitative stenosis detection in angiographic images
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17970
PMID:40665573
|
研究论文 | 开发基于深度学习的方法用于冠状动脉自动分割和狭窄定量检测 | 结合MedSAM和VM-UNet架构的新型深度学习模型,采用动态队列方法进行狭窄检测 | NA | 提高冠状动脉疾病诊断的准确性和效率 | 冠状动脉血管 | 计算机视觉 | 心血管疾病 | 冠状动脉血管造影 | 深度学习 | 医学图像 | 混合数据集(包括ARCADE、DCA1和GH数据集) | NA | MedSAM, VM-UNet | IoU, 敏感性, 特异性, 真阳性率, 阳性预测值 | NA |
| 1069 | 2025-10-06 |
Beam field guided diffusion model for liver cancer radiotherapy dose distribution prediction
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17989
PMID:40665572
|
研究论文 | 提出一种基于束流场引导扩散模型的肝癌放疗剂量分布预测方法 | 首次将扩散模型应用于肝癌放疗剂量预测,设计了多分支混合编码器和多条件聚合模块来整合临床特征 | 输入仅包含2D切片,缺乏切片间依赖关系 | 开发精确的肝癌放疗剂量分布预测方法以提高放疗计划质量 | 肝癌患者的放疗剂量分布 | 医学影像分析 | 肝癌 | 扩散模型 | 扩散模型 | 2D医学影像切片 | 临床肝癌放疗数据集 | NA | BeamDiff, 多分支混合编码器, 多条件聚合模块, 多头注意力模块, 非对称融合模块 | Dose score, DVH score, 平均绝对误差 | NA |
| 1070 | 2025-10-06 |
Low-noise trajectory optimization of urban air mobility in the urban environment using deep reinforcement learninga)
2025-Jul-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0037186
PMID:40667977
|
研究论文 | 本研究提出了一种使用深度强化学习优化城市空中交通低噪声飞行轨迹的方法 | 将深度强化学习应用于城市空中交通的噪声优化轨迹规划,结合深度学习模型进行噪声传播估计 | 在简化的城市环境中进行验证,实际复杂环境中的应用效果需要进一步验证 | 优化城市空中交通飞行轨迹以最小化对地面观察者的噪声影响 | 城市空中交通飞行器 | 机器学习 | NA | 深度强化学习,深度学习 | DRL, DL | 飞行轨迹数据,噪声数据 | 多种飞行速度条件下的噪声数据 | NA | Soft Actor-Critic | 平均噪声水平,高噪声影响区域比例 | NA |
| 1071 | 2025-10-06 |
Deep quantum Monte Carlo approach for polaritonic chemistry
2025-Jul-21, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0272805
PMID:40662707
|
研究论文 | 提出一种深度学习变分量子蒙特卡洛方法用于求解光学腔中分子的电子和光子薛定谔方程 | 将典型电子神经网络波函数拟设扩展到描述联合费米子和玻色子系统,在量子蒙特卡洛框架中处理电子-光子系统 | 仅应用于腔中氢分子系统,尚未验证更复杂分子体系 | 解决光学腔中分子系统的量子力学计算问题 | 光学腔中捕获的氢分子 | 机器学习 | NA | 量子蒙特卡洛方法 | 神经网络 | 量子态数据 | 氢分子系统 | NA | 神经网络波函数拟设 | 能量、偶极矩、电荷密度位移、光子场状态、电子-光子纠缠度 | NA |
| 1072 | 2025-10-06 |
MS2MP: A Deep Learning Framework for Metabolic Pathway Prediction from MS/MS-Based Untargeted Metabolomics
2025-Jul-15, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c06875
PMID:40583780
|
研究论文 | 提出一种直接从MS/MS非靶向代谢组学数据预测KEGG代谢通路的深度学习框架MS2MP | 首个能够直接从MS谱图预测代谢通路的计算工具,无需先进行代谢物注释 | 仅基于33,221个实验MS谱图进行训练,可能对某些罕见代谢通路覆盖不足 | 开发直接从串联质谱数据预测代谢通路的深度学习方法 | 非靶向代谢组学中的MS/MS谱图和KEGG代谢通路 | 机器学习 | NA | 串联质谱(MS/MS),非靶向代谢组学 | 图神经网络(GNN) | 质谱数据,图数据(碎片树图) | 33,221个实验MS谱图,161个代谢物标准品 | NA | 图神经网络 | 平衡准确率,精确匹配率 | NA |
| 1073 | 2025-10-06 |
Mapping the Conformational Heterogeneity Intrinsic to the Protein Native Ensemble
2025-Jul-15, Biochemistry
IF:2.9Q3
DOI:10.1021/acs.biochem.5c00201
PMID:40615361
|
综述 | 本文探讨了在AlphaFold时代如何超越单一蛋白质结构预测,通过整合实验与计算方法揭示蛋白质天然构象集合的异质性 | 提出'序列-集合-功能'新范式,强调需要映射构象状态集合、相对种群、转换时间尺度及其对物理扰动的敏感性 | NA | 阐明理解蛋白质功能需要超越单一结构,探索构象景观的异质性 | 蛋白质构象集合和功能关系 | 计算生物学 | NA | 多探针实验,物理基础模型 | NA | 结构生物学数据 | NA | NA | NA | NA | NA |
| 1074 | 2025-10-06 |
Deep learning-based contour propagation in magnetic resonance imaging-guided radiotherapy of lung cancer patients
2025-Jul-15, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ade8d0
PMID:40570891
|
研究论文 | 本研究开发了基于深度学习的形变图像配准网络,用于磁共振引导放疗中肺部器官风险区和肿瘤靶区的轮廓传播 | 首次将混合Transformer-卷积神经网络TransMorph模型应用于多中心、不同场强MR-Linac的轮廓传播,实现了跨设备的高精度分割 | 研究样本量相对有限,且主要针对肺癌患者,未验证其他癌症类型的适用性 | 提高磁共振成像引导放疗中轮廓传播的效率和准确性 | 肺癌患者(包括I-II期、中央型肺癌和III期患者) | 医学影像分析 | 肺癌 | 磁共振成像 | 深度学习 | 医学影像 | 172例患者(140例内部数据+18例外部中央型肺癌+14例III期肺癌),共490对图像 | PyTorch | TransMorph | Dice相似系数, Hausdorff距离百分位数(50th和95th), 均方误差 | NA |
| 1075 | 2025-10-06 |
Dose-aware denoising diffusion model for low-dose CT
2025-Jul-15, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ade8cc
PMID:40570896
|
研究论文 | 提出一种新型剂量感知扩散模型用于低剂量CT图像去噪 | 引入基于物理的前向过程与连续时间步长,结合计算高效的噪声校准模块,能够泛化到未知剂量水平 | NA | 解决低剂量CT去噪中泛化性和随机采样不确定性的问题 | 低剂量CT图像 | 医学影像处理 | NA | CT成像 | 扩散模型 | 医学图像 | 梅奥诊所数据集 | NA | 剂量感知扩散模型 | 定性评估,定量评估 | NA |
| 1076 | 2025-10-06 |
MSCMLCIDTI: Drug-Target Interaction Prediction Based on Multiscale Feature Extraction and Deep Interactive Attention Fusion Mechanisms
2025-Jul-15, Journal of computational chemistry
IF:3.4Q2
DOI:10.1002/jcc.70170
PMID:40660331
|
研究论文 | 提出基于多尺度特征提取和深度交互注意力融合机制的药物-靶点相互作用预测模型 | 结合多尺度卷积块和深度交叉交互机制,增强局部特征表示和药物-靶点信息交互建模能力 | NA | 提高药物-靶点相互作用预测的准确性 | 药物化合物和氨基酸序列 | 机器学习 | NA | 深度学习 | CNN, 注意力机制 | 分子结构指纹,蛋白质序列 | 四个公开基准数据集 | NA | 多尺度卷积块,多层交叉交互网络 | 预测准确率 | NA |
| 1077 | 2025-10-06 |
Collaborative Internal Cavity Effect and Interfacial Modulation Mechanism for Boosting Deep Learning-Powered Immunochromatographic Pathogen Detection
2025-Jul-15, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c03367
PMID:40662476
|
研究论文 | 本研究开发了一种结合深度学习与纳米材料的免疫层析检测平台,用于病原体超灵敏检测 | 首次协同利用空心碳纳米球的内腔效应和界面抗体定向固定机制,结合卷积神经网络实现信号放大和智能分析 | NA | 提升免疫层析检测病原体的灵敏度和准确性 | 病原体(具体种类未明确说明) | 机器学习 | 传染病 | 免疫层析检测,光热检测,比色检测 | CNN | 图像 | 加标牛奶和生菜样本 | NA | 卷积神经网络 | 准确率 | NA |
| 1078 | 2025-10-06 |
AI-Driven Smart Sportswear for Real-Time Fitness Monitoring Using Textile Strain Sensors
2025-Jul-14, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3588051
PMID:40658556
|
研究论文 | 开发了一种集成纺织应变传感器和深度学习框架的智能运动服装系统,用于实时监测健身活动质量 | 首次将丝网印刷石墨烯应变传感器与1D ResNet-18深度学习框架结合,实现呼吸-力量协调和肌肉激活对称性的同步无创监测 | 仅针对六种运动条件进行验证,样本规模和运动类型覆盖范围有限 | 开发能够实时分类运动执行质量的智能运动服装系统 | 人体运动过程中的生理和生物力学参数 | 机器学习 | NA | 纺织应变传感器,丝网印刷石墨烯传感器 | CNN | 传感器数据 | NA | NA | 1D ResNet-18 | 分类准确率 | NA |
| 1079 | 2025-10-06 |
AI-driven smart agriculture using hybrid transformer-CNN for real time disease detection in sustainable farming
2025-Jul-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-10537-6
PMID:40659733
|
研究论文 | 提出一种结合Transformer和CNN的混合深度学习模型AttCM-Alex,用于可持续农业中的实时植物病害检测 | 通过整合卷积操作与自注意力机制,有效解决光照变化和图像噪声问题,在挑战性环境条件下实现稳健的病害检测 | 仅通过模拟农业场景进行测试,未在真实复杂农田环境中全面验证 | 提升植物病害检测的准确性和鲁棒性,支持可持续农业发展 | 植物病害图像 | 计算机视觉 | 植物病害 | 深度学习 | Transformer, CNN | 图像 | NA | NA | AttCM-Alex | 准确率 | NA |
| 1080 | 2025-10-06 |
ESE and Transfer Learning for Breast Tumor Classification
2025-Jul-14, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01608-1
PMID:40659967
|
研究论文 | 提出一种结合倒置残差网络、高效压缩激励模块和双重迁移学习的轻量级神经网络TLese-ResNet,用于乳腺癌分子亚型识别 | 提出TLese-ResNet架构,集成倒置残差网络降低参数数量,ESE模块保持通道关系收集,并创新使用双重迁移学习策略解决小数据集问题 | 数据集规模较小,仅来自江西某医院的乳腺X线影像 | 开发有效的乳腺癌分子亚型识别辅助工具 | 经诊断为浸润性乳腺癌患者的术前乳腺X线影像 | 计算机视觉 | 乳腺癌 | 乳腺X线摄影 | CNN | 图像 | 来自江西某医院的乳腺X线影像数据集(具体数量未明确说明) | NA | ResNet, TLese-ResNet(基于倒置残差网络和ESE模块) | 准确率, AUC | NA |