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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1861 | 2025-10-25 |
Arthroscopy-validated diagnostic performance of sub-5-min deep learning super-resolution 3T knee MRI in children and adolescents
2025-Dec, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-04969-4
PMID:40493057
|
研究论文 | 评估5分钟内深度学习超分辨率3T膝关节MRI在儿童青少年中的诊断性能 | 首次在儿童青少年中验证结合六倍并行成像和同步多层采集的深度学习超分辨率快速MRI技术 | 回顾性研究,样本量有限(44例),年龄范围较窄(9-17岁) | 确定快速深度学习超分辨率膝关节MRI的诊断性能 | 患有膝关节疼痛的儿童和青少年患者 | 医学影像 | 膝关节疾病 | 深度学习超分辨率MRI,并行成像(PIx3),同步多层采集(SMSx2) | 深度学习 | MRI影像 | 44名儿童和青少年(24名男孩,平均年龄15±2岁) | NA | 超分辨率网络 | 灵敏度, 特异性, 准确率, AUC, 组内相关系数 | NA |
| 1862 | 2025-10-05 |
YOLOv5-aided paper-based microfluidic intelligent sensing platform for multiplex sweat biomarker analysis
2025-Dec-15, Biosensors & bioelectronics
IF:10.7Q1
DOI:10.1016/j.bios.2025.117978
PMID:40945114
|
研究论文 | 开发了一种基于YOLOv5的纸基微流体智能传感平台,用于汗液中多种生物标志物的检测 | 结合易制造的纸基微流控芯片、智能手机成像和深度学习框架,实现了99.5%的平均精度 | 未明确说明样本规模和计算资源需求 | 开发一种成本效益高、便携且可重复的汗液生物标志物检测方法 | 汗液中的铁离子、氯离子和葡萄糖 | 计算机视觉 | NA | 比色检测、微流控技术 | CNN | 图像 | NA | PyTorch | YOLOv5 | 平均精度 | NA |
| 1863 | 2025-10-05 |
Advancing CRISPR with deep learning: A comprehensive review of models and databases
2025-Dec-09, Molecular therapy. Nucleic acids
DOI:10.1016/j.omtn.2025.102691
PMID:41017815
|
综述 | 本文全面回顾了用于预测CRISPR基因编辑靶向效率的深度学习模型和相关数据库 | 系统梳理了当前CRISPR领域可用的数据库资源,并强调了机器学习/深度学习方法在预测脱靶效应中的关键作用 | 当前预测准确性受限于可用训练数据量,且需要更多序列特征整合到深度学习工具中 | 促进基因编辑疗法发展,通过预测CRISPR基因编辑实验效率来减少脱靶效应 | CRISPR基因编辑系统及其脱靶效应 | 机器学习 | NA | CRISPR基因编辑 | 深度学习 | 序列数据 | NA | NA | NA | 预测准确性 | NA |
| 1864 | 2025-10-05 |
Automatic specific absorption rate (SAR) prediction for hyperthermia treatment planning using deep learning method
2025-Dec, International journal of hyperthermia : the official journal of European Society for Hyperthermic Oncology, North American Hyperthermia Group
IF:3.0Q2
DOI:10.1080/02656736.2025.2554860
PMID:40922671
|
研究论文 | 开发一种基于深度学习的快速准确预测人脑比吸收率分布的方法,用于支持脑癌患者的实时热疗治疗计划 | 首次提出使用带有交叉注意力块的编码器-解码器神经网络从脑电特性、肿瘤3D等中心坐标和微波天线相位设置预测SAR分布 | 仅使用201个模拟数据进行训练和评估,样本量相对有限 | 开发快速准确的SAR预测方法以支持实时热疗治疗计划 | 脑癌患者的头部SAR分布 | 医学影像分析 | 脑癌 | 有限元建模,深度学习 | 编码器-解码器神经网络 | 模拟数据,3D坐标数据 | 201个模拟样本(训练181个,测试20个) | NA | 编码器-解码器网络,交叉注意力块 | 均方根误差,平均绝对误差,结构相似性指数 | NA |
| 1865 | 2025-10-05 |
Grapevine disease detection using (q,τ)-nabla calculus quantum deformation with deep learning features
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103619
PMID:41018245
|
研究论文 | 提出一种结合(q,τ)-Nabla微积分量子变形特征和深度学习特征的混合分类方法用于葡萄叶病害检测 | 首次将(q,τ)-Nabla微积分量子变形特征与深度学习特征相结合用于植物病害分类 | NA | 开发有效的葡萄叶病害检测方法以支持可持续农业和粮食安全 | 葡萄叶病害 | 计算机视觉 | 植物病害 | 计算机视觉、图像分析 | CNN | 图像 | NA | NA | 预训练卷积神经网络 | 准确率 | NA |
| 1866 | 2025-10-05 |
Towards safer environments: A YOLO and MediaPipe-based human fall detection system with alert automation
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103623
PMID:41018251
|
研究论文 | 开发了一种基于YOLOv8和MediaPipe的人体跌倒检测系统,具有实时警报功能 | 结合MediaPipe姿态估计和YOLOv8目标检测,利用位置标志点和活动识别算法提高系统在真实场景中的可扩展性和鲁棒性 | NA | 通过实时跌倒检测提升公共场所安全 | 人体跌倒行为 | 计算机视觉 | NA | 姿态估计,目标检测,异常检测 | CNN | 视频 | NA | MediaPipe, YOLOv8 | YOLOv8 | 准确率, 精确率, 召回率, F1分数 | NA |
| 1867 | 2025-10-05 |
EyeMap: A fusion-based method for eye movement-based visual attention maps as predictive markers of parkinsonism
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103607
PMID:40994894
|
研究论文 | 开发了一种名为EyeMap的融合方法,用于可视化眼动模式并作为帕金森症的预测标记 | 通过后期融合技术结合多种眼动可视化方式的预测结果,无需手动特征工程即可检测帕金森特异性凝视异常 | NA | 开发眼动视觉注意力地图作为帕金森症的预测标记 | 帕金森患者和健康对照组的眼动数据 | 计算机视觉 | 帕金森症 | 眼动追踪 | 机器学习,深度学习 | 眼动数据(扫描路径、注视热图、网格化感兴趣区域) | 包含PD患者和健康对照组的眼动追踪数据集 | NA | NA | NA | NA |
| 1868 | 2025-10-05 |
GShC-Net: Hybrid deep learning with DCTLAP feature extraction for brain tumor detection
2025-Dec, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出一种混合深度学习模型GShC-Net用于脑肿瘤检测 | 融合GoogleNet和Shepard卷积神经网络,结合DCTLAP特征提取的混合深度学习架构 | NA | 开发自动化计算机辅助诊断系统以改进脑肿瘤早期检测 | 脑肿瘤医学图像 | 计算机视觉 | 脑肿瘤 | 医学图像分析 | CNN,混合深度学习 | 图像 | NA | NA | GoogleNet,Shepard CNN,GShC-Net | 真阳性率,真阴性率,准确率 | NA |
| 1869 | 2025-10-06 |
A Transformer-based framework with generative spectral augmentation for online monitoring of hyaluronic acid fermentation
2025-Dec-01, Carbohydrate polymers
IF:10.7Q1
DOI:10.1016/j.carbpol.2025.124278
PMID:40973290
|
研究论文 | 提出结合数据增强和深度学习的在线监测框架,用于透明质酸发酵过程中分子量和浓度的实时监测 | 首次将Wasserstein GAN with gradient penalty (WGAN-GP)数据增强技术与改进的Transformer模型相结合,用于近红外光谱分析 | 未明确说明训练数据的具体规模和发酵过程的变异范围 | 开发精确实时的透明质酸发酵过程监测方法 | 透明质酸发酵过程 | 机器学习 | NA | 近红外光谱分析 | GAN, Transformer, CNN, LSTM | 光谱数据 | NA | NA | WGAN-GP, Transformer, 1D-CNN, LSTM | 预测精度, 泛化能力 | NA |
| 1870 | 2025-10-06 |
Application of Raman Spectroscopy Coupled With Chemometrics for the Detection and Quantification of Mancozeb Residues in Collard Green
2025-Dec, Analytical science advances
IF:3.0Q2
DOI:10.1002/ansa.70045
PMID:40959212
|
研究论文 | 本研究利用拉曼光谱结合化学计量学方法检测和定量羽衣甘蓝中的代森锰锌农药残留 | 首次将拉曼光谱与机器学习模型结合用于代森锰锌农药残留的检测和定量分析 | 研究仅在特定浓度范围(0.01-0.5 ppm)内验证,未涵盖所有可能的残留浓度 | 评估拉曼光谱结合数据分析技术在叶菜类蔬菜农药残留监测中的可行性 | 羽衣甘蓝中的代森锰锌农药残留 | 光谱分析 | NA | 拉曼光谱 | 支持向量机,卷积神经网络,集成学习 | 光谱数据 | NA | NA | CNN | 准确率,精确率,训练准确率,测试准确率 | NA |
| 1871 | 2025-10-06 |
Generalizable deep learning for photoplethysmography-based blood pressure estimation-A benchmarking study
2025-Dec-01, Machine Learning. Health
DOI:10.1088/3049-477X/ae01a8
PMID:40959521
|
研究论文 | 本研究通过基准测试评估深度学习模型在光电容积脉搏波血压估计中的泛化能力 | 首次系统评估深度学习模型在光电容积脉搏波血压估计中的分布外泛化性能,并提出基于样本的域适应方法 | 模型性能受不同数据集间血压分布差异的显著影响,泛化能力仍有待提升 | 研究基于光电容积脉搏波的深度学习血压估计模型的泛化能力 | 光电容积脉搏波信号和对应的血压测量值 | 机器学习 | 心血管疾病 | 光电容积脉搏波 | 深度学习 | 波形信号 | PulseDB数据集及多个外部数据集 | NA | XResNet1d101 | 平均绝对误差 | NA |
| 1872 | 2025-10-06 |
Analyzing mental disorders with a CNN-GRU deep learning model on motor activity
2025-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-025-10335-w
PMID:40964443
|
研究论文 | 使用CNN-GRU深度学习模型分析运动活动数据以识别情绪障碍 | 首次将CNN-GRU架构应用于连续运动活动数据来分析情绪障碍,相比现有方法实现了更高的准确率 | 仅使用单一数据集(Depresjon数据集)进行验证,需要更多样化的数据来验证泛化能力 | 开发基于深度学习的情感障碍自动检测方法 | 情绪障碍患者的运动活动数据 | 机器学习 | 情绪障碍 | 腕戴式活动记录技术 | CNN, GRU | 连续运动活动序列数据 | Depresjon数据集中的样本 | NA | CNN-GRU混合架构 | 准确率 | NA |
| 1873 | 2025-09-19 |
Response to letter regarding "A deep learning approach for gastroscopic manifestation recognition based on Kyoto Gastritis Score"
2025-Dec, Annals of medicine
IF:4.9Q1
DOI:10.1080/07853890.2025.2561801
PMID:40964794
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1874 | 2025-10-06 |
HCNS:A deep learning model for identifying essential proteins based on hypergraph convolution and sequence features
2025-Dec, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2025.115949
PMID:40783109
|
研究论文 | 提出一种基于超图卷积和序列特征的深度学习模型HCNS,用于准确识别必需蛋白质 | 首次将超图卷积网络与多模态序列特征提取相结合,同时考虑蛋白质相互作用网络的复杂结构关系和蛋白质氨基酸序列信息 | NA | 提高必需蛋白质识别的准确性 | 必需蛋白质 | 生物信息学 | NA | 蛋白质相互作用网络分析,蛋白质序列分析 | HGCN, CNN, Bi-LSTM, Transformer, MLP | 蛋白质相互作用网络数据,蛋白质复合物数据,蛋白质氨基酸序列数据 | NA | NA | 超图卷积网络,卷积神经网络,双向长短期记忆网络,多头自注意力机制,NAG Transformer,多层感知机 | 准确率,AUC,AUPR | NA |
| 1875 | 2025-10-06 |
Deep learning-enabled fluorescence imaging for oral cancer margin classification in preclinical models
2025-Dec, Journal of biomedical optics
IF:3.0Q2
DOI:10.1117/1.JBO.30.S3.S34109
PMID:40949530
|
研究论文 | 本研究开发了一种结合深度学习与空间频率域成像的系统,用于口腔癌手术边界的亚表面深度量化评估 | 首次将深度学习与空间频率域成像结合,实现了对荧光标记物亚表面深度的精确量化,突破了传统荧光成像无法量化亚表面结构的限制 | 研究主要基于模拟数据和体外组织验证,尚未进行临床人体试验验证 | 开发一种能够术中评估口腔癌三维手术标本边界的新方法 | 口腔癌肿瘤边界、荧光标记物 | 数字病理 | 口腔癌 | 空间频率域成像、荧光成像 | CNN | 图像 | 模拟数据集、患者来源的舌肿瘤形状模拟数据、体模数据集、离体动物组织 | NA | ResNet, U-Net | 深度预测误差、浓度预测误差 | NA |
| 1876 | 2025-10-06 |
Design of an iterative hybrid multimodal deep learning method for early skin disease detection with cross-attention and graph-based fusions
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103584
PMID:40949827
|
研究论文 | 提出一种用于早期皮肤病检测的迭代混合多模态深度学习框架,融合皮肤镜图像、传感器时序信号和临床文本数据 | 结合多头交叉注意力机制和图注意力网络,同时优化空间细节、时间动态和临床上下文的多模态特征交互 | NA | 早期皮肤病检测 | 皮肤病患者的多模态数据 | 计算机视觉,自然语言处理,机器学习 | 皮肤病 | 皮肤镜检查,传感器监测,临床记录分析 | CNN,BiLSTM,Transformer,GAT | 图像,时间序列信号,文本 | NA | NA | EfficientNet-B4,BiLSTM,ClinicalBERT,Graph Attention Network | 准确率,F1分数 | NA |
| 1877 | 2025-10-06 |
Predictive and early warning analysis of infectious gastroenteritis based on the BiLSTM-BiGRU model
2025-Dec, Infectious Disease Modelling
IF:3.0Q1
DOI:10.1016/j.idm.2025.07.016
PMID:40822277
|
研究论文 | 基于BiLSTM-BiGRU模型结合气象因素对感染性胃肠炎进行预测和预警分析 | 首次将BiLSTM-BiGRU模型与灰狼优化算法结合用于感染性胃肠炎预测,并构建移动百分位数控制图预警模型 | 研究仅针对东京地区,模型在其他地区的适用性需要进一步验证 | 提高感染性胃肠炎的预测精度和预警效率,为相关部门制定防控措施提供参考 | 日本东京地区感染性胃肠炎病例 | 机器学习 | 感染性胃肠炎 | 时间序列分析 | BiLSTM, BiGRU | 时间序列数据 | 808周数据(2008年1月至2023年6月) | NA | BiLSTM-BiGRU | R, RMSE, MAE, MAPE | NA |
| 1878 | 2025-10-06 |
VCNet: Optimized Deep Learning framework with deep feature extraction and genetic algorithm for multiclass rice crop disease detection
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103551
PMID:40822541
|
研究论文 | 提出一种名为VCNet的优化深度学习框架,用于水稻作物多类别病害检测 | 结合深度特征提取和遗传算法的浅层模型,采用VGG16层进行初始特征提取并与自定义CNN架构融合,通过两级优化过程提升模型性能 | 未明确说明模型在其他作物病害上的泛化能力,数据集规模和多样性可能有限 | 开发高效准确的水稻作物多类别病害检测方法 | 水稻作物病害图像,特别是难以检测的纹枯病等类别 | 计算机视觉 | 植物病害 | 深度学习,图像处理 | CNN | 图像 | NA | NA | VGG16, 自定义CNN | 训练准确率, 测试准确率 | NA |
| 1879 | 2025-10-06 |
Development of student intent-based educational chatbot system with adaptive and attentive DTCN on symmetric convolution approach
2025-Dec, MethodsX
IF:1.6Q2
DOI:10.1016/j.mex.2025.103542
PMID:40822546
|
研究论文 | 开发基于学生意图的教育聊天机器人系统,采用自适应注意力深度时间卷积网络和对称卷积方法 | 提出新型混合元启发式优化算法ADT-BMO进行特征加权选择和融合,并开发AA-DTCN-SC模型优化意图识别 | NA | 创建智能自动化教育聊天机器人,帮助学生快速获取学术信息 | 学生学术查询和通用聊天机器人数据集 | 自然语言处理 | NA | 深度学习,自然语言处理 | DTCN, RNN, Bi-LSTM, BERT, TransformerNet, Text CNN | 文本 | NA | NA | AA-DTCN-SC, BERT, TransformerNet, Text CNN | 分类准确率 | NA |
| 1880 | 2025-10-06 |
Deep learning-based detection of depression by fusing auditory, visual and textual clues
2025-Dec-15, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2025.119860
PMID:40675260
|
研究论文 | 提出一种融合听觉、视觉和文本线索的深度学习模型用于抑郁症自动检测 | 首次结合GPT-2.0驱动的聊天机器人进行症状访谈,并采用多头交叉注意力网络融合多模态特征 | 未进行纵向随访研究,对重度抑郁症的适用性需进一步验证 | 开发基于人工智能的抑郁症自动检测方法 | 抑郁症患者和健康对照者 | 自然语言处理,计算机视觉 | 抑郁症 | 多模态特征融合 | 多头交叉注意力网络 | 音频,视频,文本 | 内部验证集:152名抑郁症患者和118名健康对照;外部验证集:55名抑郁症患者和45名健康对照 | NA | 多头交叉注意力网络 | AUC,准确率,特异性 | NA |