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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
181 | 2025-09-10 |
Prediction of bronchopulmonary dysplasia using machine learning from chest X-rays of premature infants in the neonatal intensive care unit
2025-Sep-05, Medicine
IF:1.3Q2
DOI:10.1097/MD.0000000000044322
PMID:40922342
|
研究论文 | 本研究开发了一种基于深度学习的AI模型,利用早产儿胸部X光片预测支气管肺发育不良(BPD)及其严重程度 | 首次使用DenseNet121架构从不同时间点的胸部X光片预测BPD严重程度分级 | 样本量较小(122名患者),需要更大对照组和外部验证数据集改进准确性 | 评估AI模型预测早产儿支气管肺发育不良的准确性 | 早产儿(胎龄≤28周,体重<1250g)的胸部X光影像 | 计算机视觉 | 支气管肺发育不良 | 深度学习 | DenseNet121 | 医学影像(胸部X光片) | 122名早产儿的395张胸部X光片 |
182 | 2025-09-10 |
Multimodal self-supervised retinal vessel segmentation
2025-Sep-02, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.108011
PMID:40921125
|
研究论文 | 提出一种利用未标注多模态眼底图像进行自监督预训练的新框架,以提升视网膜血管分割精度 | 首次通过多模态特征融合和INFOMAX损失实现自监督血管分割,显著减少标注需求 | 未明确说明模型在临床环境中的泛化能力及多模态数据采集的实际可行性 | 开发减少标注依赖的视网膜血管自动分割方法 | 视网膜血管 | 计算机视觉 | 视网膜疾病 | 自监督学习,多模态特征融合 | Vision Transformer | 多模态眼底图像 | 未标注多模态图像对(具体数量未说明) |
183 | 2025-09-10 |
A generalist deep-learning volume segmentation tool for volume electron microscopy of biological samples
2025-Sep, Journal of structural biology
IF:3.0Q3
DOI:10.1016/j.jsb.2025.108214
PMID:40449855
|
研究论文 | 介绍一种用于生物样本体积电子显微镜图像分割的通用深度学习工具VST | 实现全流程自动化处理,支持轮廓图预测进行实例分割,并在多种样本类型上达到最先进性能 | NA | 开发通用体积电子显微镜图像分割工具 | 生物样本的体积电子显微镜图像数据 | 计算机视觉 | NA | 体积电子显微镜(包括透射电镜和扫描电镜) | 深度学习网络 | 体积图像堆栈数据 | 多种树脂包埋样本的电子显微镜数据集 |
184 | 2025-09-10 |
Developing a deep learning-based surgical-skill assessment model focused on instrument handling in laparoscopic colorectal surgery
2025-Sep, 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.2025.110260
PMID:40544713
|
研究论文 | 开发基于深度学习的腹腔镜结直肠手术器械操作技能自动评估模型 | 首次利用计算机视觉技术自动识别组织抓取行为,并尝试通过抓取次数实现手术技能分级评估 | 成功/失败组织抓取的自动区分效果不足,识别精度需进一步提升 | 验证基于组织抓取次数的自动化手术技能评估可行性 | 腹腔镜结直肠手术视频中的器械操作行为 | 计算机视觉 | 结直肠癌 | 深度学习 | CNN | 视频 | 高、中、低三个技能水平组的手术视频(具体数量未明确) |
185 | 2025-09-10 |
Development and interpretation of a pathomics-driven ensemble predictive model for prognosis of intrahepatic cholangiocarcinoma
2025-Sep, 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.2025.110295
PMID:40627917
|
研究论文 | 开发并解释了一种基于病理组学的集成预测模型,用于肝内胆管癌的预后评估 | 首次为肝内胆管癌预后构建了病理组学集成模型,并结合多种方法提升模型可解释性 | NA | 提升肝内胆管癌术后临床管理的个体化治疗策略 | 肝内胆管癌患者 | 数字病理学 | 肝内胆管癌 | 深度学习,K-means聚类,Grad-CAM可视化,Cellprofiler形态特征提取 | 集成预测模型 | 病理切片图像 | 252例中心患者+TCGA数据库外部验证 |
186 | 2025-09-10 |
AI Revolution in Radiology, Radiation Oncology and Nuclear Medicine: Transforming and Innovating the Radiological Sciences
2025-Sep, Journal of medical imaging and radiation oncology
IF:2.2Q2
DOI:10.1111/1754-9485.13880
PMID:40631621
|
综述 | 本文评估人工智能在放射学、核医学和放射肿瘤学中的影响,并强调医学教育中AI专业培训的必要性 | 强调将AI教育整合到住院医师培训项目中,确保未来专科医生既掌握传统技能又深入理解AI技术及临床应用 | NA | 评估AI对放射科学领域的影响并推动其临床整合 | 放射学、核医学和放射肿瘤学的诊断与治疗流程 | 医学影像分析 | NA | 深度学习、机器学习 | NA | 医学影像 | NA |
187 | 2025-09-10 |
Prediction of Early Neoadjuvant Chemotherapy Response of Breast Cancer through Deep Learning-based Pharmacokinetic Quantification of DCE MRI
2025-Sep, Radiology. Artificial intelligence
DOI:10.1148/ryai.240769
PMID:40631989
|
研究论文 | 通过基于深度学习的DCE MRI药代动力学量化预测乳腺癌新辅助化疗早期反应 | 使用深度学习模型进行回顾性药代动力学量化,提高了病理完全缓解预测的泛化能力和一致性 | 回顾性研究设计,数据来自2002-2016年,可能存在时间偏差 | 提高乳腺癌新辅助化疗后病理完全缓解预测的准确性和泛化性 | 乳腺癌患者 | 数字病理 | 乳腺癌 | 动态对比增强MRI(DCE MRI),深度学习药代动力学量化,影像组学分析 | 深度学习模型(具体类型未指明),逻辑回归 | 医学影像(MRI),临床病理变量 | 1073名女性乳腺癌患者,来自四个多中心公开数据集 |
188 | 2025-09-10 |
The Use of Deep Learning in Primary Agricultural Products Freshness Assessment: A Systematic Review
2025-Sep, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70535
PMID:40914846
|
综述 | 本文系统回顾了深度学习在初级农产品新鲜度评估中的应用,涵盖机器视觉、光谱技术和电子鼻等方法的整合 | 首次系统综述深度学习与多源传感技术(机器视觉、光谱、电子鼻)在农产品新鲜度评估中的融合应用 | 现有技术仍存在局限性,具体限制需在全文详细讨论 | 评估初级农产品新鲜度以解决腐败变质问题 | 初级农产品(包括食品加工原料和直接消费产品) | 机器视觉 | NA | 深度学习、机器视觉、高光谱成像、近红外光谱、荧光光谱、拉曼光谱、电子鼻 | 深度学习神经网络 | 图像、光谱数据、传感器数据 | NA(文献综述未指定具体样本数量) |
189 | 2025-09-10 |
The association of retinal age gap with schizophrenia: a cross-sectional analysis
2025-Sep, Schizophrenia research
IF:3.6Q1
DOI:10.1016/j.schres.2025.07.018
PMID:40712190
|
研究论文 | 本研究利用深度学习分析精神分裂症患者的视网膜年龄差距及其与高血压和糖尿病的关联 | 首次使用卷积神经网络预测视网膜年龄,并探讨其作为中枢神经系统衰老生物标志物在精神分裂症中的价值 | 横断面研究设计无法确定因果关系,样本中精神分裂症患者数量相对较少(n=214) | 研究精神分裂症与视网膜年龄差距之间的关联,探索中枢神经系统加速衰老的生物学标志 | 98,629名40岁及以上眼科就诊患者,其中214名精神分裂症患者 | 数字病理学 | 精神分裂症 | 深度学习,卷积神经网络 | CNN | 视网膜彩色图像 | 98,629名患者(214名精神分裂症患者) |
190 | 2025-09-10 |
Artificial intelligence in advancing optical coherence tomography for disease detection and cancer diagnosis: A scoping review
2025-Sep, 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.2025.110188
PMID:40839924
|
综述 | 本文探讨人工智能在光学相干断层扫描技术中提升疾病检测与癌症诊断能力的应用与前景 | 系统综述AI与OCT结合的创新临床价值,突出其在实时手术决策和肿瘤边缘检测中的突破性作用 | 存在模型有效性不确定和临床数据集不完整的问题 | 评估人工智能如何增强OCT技术在医疗领域的诊断性能与临床应用 | 眼科、心血管科、皮肤科及肿瘤科的疾病影像数据 | 数字病理 | 癌症 | 光学相干断层扫描(OCT) | CNN(卷积神经网络) | 影像 | NA |
191 | 2025-09-10 |
[Artificial intelligence-enhanced ECG interpretation: a new era for electrocardiography?]
2025-Sep, Giornale italiano di cardiologia (2006)
DOI:10.1714/4542.45427
PMID:40864481
|
综述 | 本文探讨人工智能如何革新心电图解读,将其从静态诊断工具转变为动态预测性工具 | AI-ECG能够检测亚临床心室功能障碍、分层长期风险并在临床症状出现前预测重大不良事件 | AI模型可解释性差、算法偏见、过拟合、数据治理和监管不确定性 | 评估人工智能在心电图解读中的应用潜力与挑战 | 心血管疾病患者的心电图数据 | 机器学习 | 心血管疾病 | 机器学习和深度学习架构 | 深度学习模型 | 心电图信号数据 | NA |
192 | 2025-09-10 |
Analyzing Depression in College Students Using NLP and Transformer Models: Implications for Career and Educational Counseling
2025-Sep, Brain and behavior
IF:2.6Q3
DOI:10.1002/brb3.70828
PMID:40922618
|
研究论文 | 本研究提出了一种结合RoBERTa Transformer和GRU层的NLP框架,用于通过社交媒体内容自动检测大学生抑郁症状 | 创新性地将Transformer架构与GRU序列建模结合,并引入多模态嵌入(行为、时间、上下文元数据)来增强对情感线索的解读能力 | NA | 开发自动化系统检测大学生抑郁症状,以支持学术和职业咨询 | 大学生群体 | 自然语言处理 | 精神健康疾病 | 自然语言处理(NLP) | RoBERTa Transformer + GRU | 文本(社交媒体帖子) | 来自Twitter和Reddit的真实数据集 |
193 | 2025-09-10 |
A Comparative Analysis on the Classification of Pineapple Varieties Using Thermal Imaging Coupled With Transfer Learning
2025-Sep, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70530
PMID:40923325
|
研究论文 | 本研究利用热成像和迁移学习技术,对三种菠萝品种进行快速分类 | 首次将热成像与迁移学习结合用于菠萝品种分类,并对比了多种CNN模型性能 | 模型架构创新并非主要目标,使用的是已有CNN模型 | 开发菠萝品种的非破坏性分类方法 | 菠萝(Ananas comosus)的Moris、Josapine和N36三个品种 | 计算机视觉 | NA | 热成像、迁移学习、数据增强 | CNN(ResNet、VGG16、InceptionV3) | 热成像图像 | 3240张热成像图像,来自三个菠萝品种在三种温度条件(5°C、10°C、25°C)下的样本 |
194 | 2025-09-10 |
Automated Coffee Roast Level Classification Using Machine Learning and Deep Learning Models
2025-Sep, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70532
PMID:40923385
|
研究论文 | 本研究利用机器学习和深度学习模型实现咖啡烘焙等级的自动化分类 | 首次系统比较包括Xception架构CNN在内的多种ML模型在咖啡烘焙分类中的性能,并实现100%准确率 | NA | 开发自动化咖啡烘焙等级分类系统以提升质量控制效率 | 咖啡豆烘焙等级(绿色、浅度、中度、深度) | 计算机视觉 | NA | 图像增强技术 | CNN(Xception)、AdaBoost、随机森林(RF)、支持向量机(SVM) | 图像 | 1600张高质量图像(四个烘焙等级均衡分布) |
195 | 2025-09-10 |
MEF2C controls segment-specific gene regulatory networks that direct heart tube morphogenesis
2025-Aug-29, Genes & development
IF:7.5Q1
DOI:10.1101/gad.352889.125
PMID:40883017
|
研究论文 | 本研究通过多组学分析和深度学习模型揭示了转录因子MEF2C调控心脏管形态发生的节段特异性基因调控网络 | 首次构建了流出道、心室和流入道节段的发育轨迹,并发现MEF2C缺失导致心脏后部化特征及NR2F2活性增强的机制 | 研究主要基于模式生物斑马鱼,在人类中的直接适用性需要进一步验证 | 解析早期心脏形成过程中谱系特异性基因调控网络 | 野生型和MEF2C缺失型胚胎的心脏发育过程 | 发育生物学 | 先天性心脏病 | 单核RNA测序, ATAC测序, 多组学整合分析 | 深度学习模型 | 基因组学数据, 表观遗传学数据 | 野生型和MEF2C-null胚胎的时间序列样本 |
196 | 2025-09-10 |
Using deep learning to predict internalizing problems from brain structure in youth
2025-Aug-29, Translational psychiatry
IF:5.8Q1
DOI:10.1038/s41398-025-03565-3
PMID:40883286
|
研究论文 | 使用深度学习基于青少年大脑结构预测内化问题(如焦虑和抑郁) | 首次利用深度学习从大脑结构特征中预测内化问题的横断面及纵向恶化轨迹,并在神经发育条件群体中表现出良好性能 | 纵向模型在普通人群样本中预测性能欠佳(AUC=0.66),主要依赖神经发育条件亚组的表现 | 探索内化问题的生物标志物,建立大脑结构与心理问题的预测模型 | 青少年群体,包括普通人群和神经发育条件个体 | 机器学习 | 精神健康疾病 | 深度学习 | 深度学习模型 | 脑结构数据(厚度、表面积、体积) | 横断面分析N=14,523;纵向分析N=10,540(来自ABCD、HBN、HCP-D和POND四个大型数据集) |
197 | 2025-09-10 |
An MRI Atlas of the Human Fetal Brain: Reference and Segmentation Tools for Fetal Brain MRI Analysis
2025-Aug-28, ArXiv
PMID:40900685
|
研究论文 | 介绍CRL-2025胎儿大脑MRI图谱,提供高精度时空参考和分割工具用于胎儿大脑MRI分析 | 相比CRL-2017图谱显著增强解剖细节,首次包含详细组织分割、瞬时白质分区和126个解剖区域划分,并集成基于深度学习的多类分割模型 | NA | 构建高精度胎儿大脑时空图谱以支持胎儿大脑MRI分析和神经发育研究 | 21至37孕周正常发育的胎儿大脑 | 医学影像分析 | 神经发育疾病 | MRI,扩散MRI,基于核回归的微分同胚可变形配准框架 | 深度学习多类分割模型 | MRI图像 | 160名正常大脑发育的胎儿 |
198 | 2025-09-10 |
EEG-ERnet: Emotion Recognition based on Rhythmic EEG Convolutional Neural Network Model
2025-Aug-28, Journal of integrative neuroscience
IF:2.5Q3
DOI:10.31083/JIN41547
PMID:40919632
|
研究论文 | 提出基于节律性EEG的卷积神经网络模型EEG-ERnet,用于情绪识别 | 采用深度并行CNN结构处理节律图像,有效编码通道、节律和时间特性,实现主体无关的情绪分类 | 未明确说明模型泛化能力及跨数据集性能验证 | 开发高效、主体无关的便携式情绪识别系统 | 脑电图(EEG)信号 | 脑机接口 | NA | 功率谱密度(PSD)分析,卷积神经网络 | CNN(深度并行结构) | EEG信号(转换为2D图像) | 使用DEAP数据集,采用10折交叉验证 |
199 | 2025-09-10 |
Automated segmentation of soft X-ray tomography: native cellular structure with sub-micron resolution at high throughput for whole-cell quantitative imaging in yeast
2025-Aug-28, Molecular biology of the cell
IF:3.1Q3
DOI:10.1091/mbc.E24-10-0486
PMID:40875368
|
研究论文 | 开发基于深度学习的自动分割流程,用于酵母细胞软X射线断层扫描数据的高通量三维结构分割与分析 | 首次将深度学习自动分割应用于软X射线断层扫描数据,实现数百个细胞的高通量精确分割和表型分析 | 需要手动迭代细化来提高分割精度,可能限制完全自动化程度 | 开发高通量细胞结构自动分割方法,实现全细胞定量成像和形态学分析 | 酵母细胞(野生型、VPH1-GFP突变株等)的细胞器结构 | 计算机视觉 | NA | 软X射线断层扫描(SXT),深度学习分割 | 深度学习模型(具体类型未明确说明) | 三维断层扫描图像 | 数百个细胞,涵盖三种酵母菌株 |
200 | 2025-09-10 |
Label-free classification of nanoscale drug delivery systems using hyperspectral imaging and convolutional neural networks
2025-Aug-28, International journal of pharmaceutics
IF:5.3Q1
DOI:10.1016/j.ijpharm.2025.126065
PMID:40885220
|
研究论文 | 本研究提出了一种结合高光谱成像和深度学习技术的无标记纳米药物递送系统分类方法 | 首次将3D卷积神经网络与SMOTE技术结合用于脂质体的无标记高光谱分类,实现了99.16%的分类准确率 | 研究仅针对特定类型脂质体进行验证,尚未在其他纳米载体系统上测试通用性 | 开发一种无需标记、非侵入性的纳米药物载体分类和质量控制方法 | 治疗性脂质体(对照组和多柔比星载药脂质体) | 计算机视觉 | NA | 高光谱成像(HSI)、合成少数类过采样技术(SMOTE)、主成分分析(PCA) | 3D CNN | 高光谱图像 | 未明确说明具体样本数量,但提及存在类别不平衡问题 |