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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
21 | 2025-09-24 |
Machine learning methods for gene regulatory network inference
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf470
PMID:40966655
|
综述 | 本文对基于机器学习的基因调控网络推断方法进行了全面综述 | 重点探讨了前沿深度学习技术在提升GRN推断性能中的新兴作用 | NA | 支持GRN推断在基因调控研究中的应用及新机器学习方法的开发 | 基因调控网络(GRNs) | 计算生物学 | NA | 高通量测序技术 | 监督学习、无监督学习、半监督学习、对比学习、深度学习 | 大规模组学数据 | NA |
22 | 2025-09-24 |
International Validation of Echocardiographic Artificial Intelligence Amyloid Detection Algorithm
2025-Aug-25, JACC. Advances
DOI:10.1016/j.jacadv.2025.102067
PMID:40965401
|
研究论文 | 本研究通过国际多中心回顾性病例对照研究验证了基于计算机视觉的深度学习算法EchoNet-LVH在心脏淀粉样变性检测中的性能 | 开发了首个基于超声心动图视频的AI算法用于国际多中心的CA检测验证,在保持高特异性(98.8%)的同时优化了阳性预测值 | 回顾性研究设计,样本量相对有限(1553例),需要前瞻性研究进一步验证临床效用 | 验证人工智能算法在国际多中心环境中识别心脏淀粉样变性的诊断性能 | 574名CA患者和979名对照者的超声心动图研究 | 计算机视觉 | 心脏淀粉样变性 | 深度学习计算机视觉算法 | 深度学习神经网络 | 超声心动图视频(胸骨旁长轴和心尖四腔心切面) | 1553例超声心动图研究(574例CA患者,979例对照组) |
23 | 2025-09-24 |
Self-supervised physics-informed generative networks for phase retrieval from a single X-ray hologram
2025-Aug-25, Optics express
IF:3.2Q2
DOI:10.1364/OE.569216
PMID:40984363
|
研究论文 | 提出一种基于物理信息生成对抗网络的自学习方法,实现单张X射线全息图的相位恢复 | 无需配对/非配对/模拟训练数据即可实现相位和吸收信息的同步重建 | NA | 解决近场菲涅尔理论中的相位恢复逆问题 | X射线波场的相位和吸收信息 | 计算成像 | NA | X射线相位衬度成像 | 物理信息生成对抗网络 | X射线全息图 | PETRA III P05光束线实验数据集和模拟数据 |
24 | 2025-09-24 |
All-optical color image encryption using multimode fiber speckles and diffractive deep neural networks
2025-Aug-25, Optics express
IF:3.2Q2
DOI:10.1364/OE.571745
PMID:40984386
|
研究论文 | 提出一种结合轨道角动量光束、多模光纤散斑和衍射深度神经网络的全光学彩色图像加密系统 | 首次将OAM光束的空间自由度编码、MMF散斑加密与D2NN解码集成于全光学加密框架,实现无需数字计算的超高速图像传输 | 实验仅使用1米MMF在开放环境测试,未验证长距离传输性能 | 开发无需深度学习计算负担的高速安全彩色图像光学传输技术 | 彩色图像像素的灰度值和RGB通道 | 光学加密 | NA | 轨道角动量编码、多模光纤传输、衍射神经网络 | D2NN | 光学图像 | 512×512彩色图像(训练使用长期噪声干扰下采集的散斑样本) |
25 | 2025-09-24 |
Trace gas sensor based on photoacoustic spectroscopy and deep learning nested U-shaped network (U-Net++)
2025-Aug-25, Optics express
IF:3.2Q2
DOI:10.1364/OE.569183
PMID:40984421
|
研究论文 | 提出一种结合光声光谱和深度学习U-Net++网络的高灵敏度痕量气体传感器 | 首次将滚筒型谐振器光声光谱系统与嵌套U型深度学习网络(U-Net++)相结合,实现噪声抑制和长期稳定性提升 | NA | 开发高精度气体检测技术用于环境监测、工业安全和医疗诊断 | 甲烷(CH)气体 | 传感器技术 | NA | 光声光谱技术(PAS)、有限元模拟、深度学习 | U-Net++ | 光谱数据 | 不同浓度甲烷气体样本(5-30 ppm) |
26 | 2025-09-24 |
Accurate prediction approach for the center position of a future light spot under atmospheric turbulence
2025-Aug-25, Optics express
IF:3.2Q2
DOI:10.1364/OE.568684
PMID:40984412
|
研究论文 | 提出一种名为FMRP的混合方法,用于预测大气湍流下光斑中心位置 | 仅需处理实时接收的光斑图像即可实现精确位置预测,无需离线训练和大型数据集 | NA | 提高卫星对地激光通信中指向、捕获和跟踪系统的精度与稳定性 | 大气湍流环境下的光斑中心位置 | 机器学习和光学工程交叉领域 | NA | 特征匹配和递归神经网络 | RNN | 光斑图像序列 | NA |
27 | 2025-09-24 |
Statistical analysis and prediction of dynamic UAV-based entanglement distribution channel through deep learning
2025-Aug-11, Optics express
IF:3.2Q2
DOI:10.1364/OE.565103
PMID:40984598
|
研究论文 | 提出基于PatchTST深度学习模型的无人机量子纠缠分发信道动态预测框架 | 首次将PatchTST时间序列Transformer模型应用于无人机量子通信信道动态预测,突破传统静态统计模型的限制 | 基于仿真数据验证,尚未进行真实环境实验验证 | 实现无人机对地量子信道透射率的实时动态预测 | 无人机量子纠缠分发信道 | 机器学习 | NA | 深度学习 | PatchTST(基于Transformer的时间序列预测模型) | 时间序列数据 | NA |
28 | 2025-09-24 |
Deep-learning-based single-pixel telescope for simultaneous visible and near-infrared imaging with robustness to atmospheric seeing
2025-Aug-11, Optics express
IF:3.2Q2
DOI:10.1364/OE.566490
PMID:40984610
|
研究论文 | 本研究将深度学习技术集成到单像素成像系统中,开发了一种可同时进行可见光和近红外观测的单像素望远镜系统 | 结合单像素成像的多波长成像能力与深度学习噪声抑制技术,在模拟大气湍流条件下实现鲁棒成像 | 在模拟湍流条件下,TDPL网络对简单目标(如MNIST图像)的精度低于U-Net,需要进一步改进 | 开发能够抵抗大气湍流干扰的高质量多波长成像系统 | 单像素望远镜成像系统 | 计算机视觉 | NA | 单像素成像(SPI)、深度学习 | U-Net、TDPL(时间分割模式学习网络) | 图像数据 | 使用MNIST图像数据集进行性能评估 |
29 | 2025-09-23 |
Predicting response and survival of lung adenocarcinoma under anti-programmed death-1 therapy using biological deep learning
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf479
PMID:40971820
|
研究论文 | 开发基于迁移学习的半监督生物稀疏神经网络(sBiosNet),用于预测肺腺癌患者对PD-1抑制剂治疗的应答和生存情况 | 首次将Reactome通路数据库与稀疏神经网络结合,通过整合基因组突变和拷贝数变异数据提取生物学特征,并采用迁移学习和半监督学习充分利用标注/未标注数据 | 研究依赖特定数据库(Reactome)的通路信息,模型性能需在更广泛人群中进一步验证 | 提高肺腺癌患者对PD-1免疫治疗应答预测的准确性 | 接受抗PD-1治疗的肺腺癌患者 | 数字病理 | 肺癌 | 基因组突变分析、拷贝数变异分析、DeepLIFT算法 | 半监督生物稀疏神经网络(sBiosNet) | 基因组学数据 | 四个队列的肺腺癌患者数据(具体数量未明确说明) |
30 | 2025-09-23 |
Editorial - "Lung ultrasound and community-acquired pneumonia: from complementary tool to clinical game-changer"
2025-Aug-30, Respiratory medicine and research
IF:2.2Q3
DOI:10.1016/j.resmer.2025.101203
PMID:40976013
|
评论 | 本文探讨肺部超声在社区获得性肺炎诊断和管理中的变革性作用 | 提出肺部超声正从辅助工具转变为肺炎诊疗的临床变革者,特别强调其在动态监测、预后评分和人工智能辅助诊断方面的突破 | 操作者依赖性和对深部病变穿透力有限 | 评估肺部超声在社区获得性肺炎诊疗中的临床应用价值 | 社区获得性肺炎患者,特别是急诊科、ICU、儿科、老年科患者和资源有限地区的患者 | 医学影像 | 肺炎 | 肺部超声、增强超声、深度学习 | 深度学习模型 | 超声图像 | 基于多项meta分析数据(汇总诊断准确率超过90%) |
31 | 2025-09-23 |
Buzzing with Intelligence: A Systematic Review of Smart Beehive Technologies
2025-Aug-29, Sensors (Basel, Switzerland)
DOI:10.3390/s25175359
PMID:40942788
|
系统综述 | 本文系统综述了智能蜂箱技术的现状,重点关注物联网监测、传感器模式、机器学习技术在精准养蜂中的应用 | 首次按照PRISMA指南对1990-2025年间135篇文献进行系统分析,揭示了深度学习、计算机视觉和多模态传感器融合的新趋势 | 存在系统集成、数据集标准化和大规模部署方面的挑战 | 研究智能系统在蜂箱问题早期检测、状态监测和预测干预中的作用 | 智能蜂箱系统及相关技术应用 | 物联网与机器学习应用 | NA | 物联网监测、传感器技术、机器学习 | 深度学习、计算机视觉 | 环境数据、声学数据、视觉数据、结构数据 | 分析135篇同行评审出版物 |
32 | 2025-09-23 |
Resolution enhancement and target segmentation of medical images based on the frequency-domain information in deep learning
2025-Aug-20, Applied optics
IF:1.7Q3
DOI:10.1364/AO.557903
PMID:40981883
|
研究论文 | 提出基于频域信息的深度学习医学图像分辨率增强与目标分割方法 | 首次将图像映射至频域并独立处理振幅与相位信息,通过融合策略实现优于传统空间域方法的图像恢复 | 未明确说明方法在复杂病理场景下的泛化能力及计算效率 | 提升数字病理图像的分辨率以优化细胞分割性能 | 医学图像中的细胞核形态 | 数字病理 | 癌症 | 频域变换、金字塔池化模块 | 深度学习网络 | 医学图像 | NA |
33 | 2025-09-23 |
A Systematic Review of the Diagnostic Accuracy of Deep Learning Models for the Automatic Detection, Localization, and Characterization of Clinically Significant Prostate Cancer on Magnetic Resonance Imaging
2025-Aug, European urology oncology
IF:8.3Q1
DOI:10.1016/j.euo.2024.11.001
PMID:39547898
|
系统综述 | 本文系统评估深度学习模型在MRI图像上自动检测、定位和表征临床显著性前列腺癌的诊断准确性 | 首次对2020-2023年间全自动深度学习模型在前列腺癌MRI诊断中的应用进行系统性总结 | 研究设计存在显著异质性,仅三分之一研究进行外部验证,泛化能力受限 | 评估深度学习模型提升前列腺癌MRI诊断准确性的潜力 | 临床显著性前列腺癌患者 | 医学影像分析 | 前列腺癌 | 磁共振成像 | 深度学习模型 | 医学影像 | 25项符合纳入标准的研究 |
34 | 2025-09-23 |
Spatial-temporal cascaded network for dynamic [11C]acetate cardiac PET parametric images generation based on one-tissue compartment model
2025-Aug, Medical physics
IF:3.2Q1
DOI:10.1002/mp.18016
PMID:40781790
|
研究论文 | 提出一种基于深度学习的时空级联网络,用于从缩短的动态PET数据生成心脏[11C]乙酸单组织室模型动力学参数图像 | 首次将卷积模块与Transformer模块结合构建时空级联网络,并通过整合动力学模型引入时序损失函数 | K1参数图像的PSNR指标略低于对比模型Pix2pix,样本量相对有限(57例受试者) | 探索缩短动态PET数据采集时间后生成动力学参数图像的可行性 | 心脏[11C]乙酸PET/CT影像数据 | 医学影像分析 | 心血管疾病 | 动态PET成像、深度学习 | STCN(时空级联网络,包含卷积模块和Transformer模块) | 医学影像(PET动态序列图像) | 57例受试者(40例训练集/17例测试集) |
35 | 2025-09-23 |
Hybrid phantom for lung CT: Design and validation
2025-Aug, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17990
PMID:40781832
|
研究论文 | 本文设计并验证了一种用于肺部CT的混合体模,结合了基于任务的图像质量评估和人体模拟功能 | 将基于任务的体模(Mercury)与基于患者的体模(Freddie)集成在单一混合体模中,增强了可检测性指数在临床CT协议优化中的应用潜力 | 某些材料(TangoBlack+、VeroClear和HIPS)在特定束流能量下的HU值测量存在偏差 | 优化肺部CT成像协议,特别是低剂量CT在肺癌筛查中的应用 | 肺部CT混合体模的设计与验证 | 医学影像 | 肺癌 | CT成像、深度学习重建算法、自动管电流调制 | 深度学习算法 | CT图像 | 5名胸部放射科医生和8名非放射科医生的观察评估,使用两种临床胸部协议进行图像采集 |
36 | 2025-09-22 |
Graph-based deep learning for integrating single-cell and bulk transcriptomic data to identify clinical cancer subtypes
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf467
PMID:40966644
|
研究论文 | 提出一种基于图深度学习的scBGDL方法,整合单细胞和批量转录组数据以识别癌症临床亚型 | 首次构建样本特异性基因图建模基因互作,结合图注意力网络、MinCutPool和Transformer模块实现多模态数据整合与可解释生物洞察 | 方法依赖于转录组数据质量,尚未在更多癌症类型或前瞻性临床队列中验证 | 整合单细胞和批量转录组数据精准识别癌症亚型并预测临床结局 | 癌症患者转录组数据 | 生物信息学 | 癌症(多癌种) | scRNA-seq, bulk RNA-seq, 图深度学习 | Graph Attention Networks, Transformer, MinCutPool | 基因表达数据 | 16种TCGA癌症类型+3个多中心队列(肺腺癌1099例,卵巢癌762例,黑色素瘤305例) |
37 | 2025-09-22 |
AttBiomarker: unveiling preeclampsia biomarkers and molecular pathways through two-stage gene selection techniques and attention-based CNN with gene regulatory network analysis
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf473
PMID:40966654
|
研究论文 | 本研究开发了一种结合深度学习和生物信息学的方法,用于识别先兆子痫的潜在生物标志物和分子通路 | 采用两阶段基因选择技术和基于注意力的CNN模型,结合基因调控网络分析,识别出与先兆子痫密切相关的枢纽基因 | 仅基于三个微阵列数据集进行分析,样本来源和规模未明确说明 | 识别先兆子痫的生物标志物和分子机制,为早期诊断和治疗提供靶点 | 先兆子痫相关的基因表达数据 | 生物信息学 | 先兆子痫 | 微阵列分析,基因富集分析,蛋白质相互作用网络,基因调控网络分析,分子对接 | Attention-based CNN (AttCNN) | 基因表达数据 | 基于三个微阵列数据集(具体样本数未说明) |
38 | 2025-09-22 |
Artificial intelligence for comprehensive DNA methylation analysis: overview, challenges, and future directions
2025-Aug-31, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf468
PMID:40966651
|
综述 | 本文全面回顾了人工智能与DNA甲基化分析之间的协同作用,涵盖机器学习、深度学习、自然语言处理和可解释人工智能 | 强调了信号处理和基于大语言模型的模型在DNA甲基化研究中尚未充分探索的潜力 | 管理和分析大型复杂DNA甲基化数据集时面临的挑战与限制 | 探讨人工智能在DNA甲基化分析中的应用及未来研究方向 | DNA甲基化数据及其分析方法 | 自然语言处理 | NA | DNA甲基化分析 | 机器学习, 深度学习, 自然语言处理, 大语言模型 | 甲基化数据 | NA |
39 | 2025-09-22 |
Magnetic resonance imaging (MRI)-derived radiomics and deep learning models for predicting epidermal growth factor receptor status in glioma: a systematic review and meta-analysis
2025-Aug-22, Clinical radiology
IF:2.1Q2
DOI:10.1016/j.crad.2025.107049
PMID:40974758
|
系统综述与荟萃分析 | 本文系统回顾并荟萃分析了MRI影像组学和深度学习模型预测胶质瘤表皮生长因子受体(EGFR)状态的表现 | 首次对基于MRI的影像组学和深度学习模型预测胶质瘤EGFR扩增的诊断性能进行系统评价和定量汇总分析 | 纳入研究数量有限(12项系统综述,6项荟萃分析),可能存在未检测到的异质性来源 | 评估影像组学和深度学习模型在预测胶质瘤EGFR改变方面的诊断性能 | 胶质瘤患者 | 医学影像分析 | 胶质瘤 | MRI影像组学分析,深度学习 | 深度学习模型,影像组学模型 | 医学影像(MRI) | 基于12项研究的汇总数据(具体样本量未明确说明) |
40 | 2025-09-22 |
Developing inhibitors of the guanosine triphosphate hydrolysis accelerating activity of Regulator of G protein Signaling-14
2025-Aug-21, The Journal of biological chemistry
IF:4.0Q2
DOI:10.1016/j.jbc.2025.110611
PMID:40848973
|
研究论文 | 开发针对RGS14蛋白GTP水解加速活性的非共价小分子抑制剂 | 首次发现可选择性非共价抑制RGS14 GAP活性的化学型,并通过机器学习增强的分子对接指导浅表蛋白表面配体优化 | NA | 开发RGS14 GTPase加速蛋白活性的选择性抑制剂 | RGS14蛋白及其Gα结合区域 | 药物发现 | 中枢神经系统疾病和代谢性疾病 | 结构引导虚拟筛选、分子对接、深度学习评分 | 机器学习增强的分子对接模型 | 化学结构数据、生物活性数据 | 40多个二代类似物(包括Z55660043和Z55627844) |