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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2221 | 2025-11-29 |
Enhancing Slice-Wise Brain MRI Tasks using Self-Supervised and Auxiliary Learning
2025-Nov-27, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3637752
PMID:41308094
|
研究论文 | 本研究通过自监督学习和辅助学习方法提升脑部MRI切片任务的性能 | 提出切片级正则化(SWR)辅助学习任务,利用MRI固有结构特性防止相邻切片表征解相关,且无需额外人工标注 | NA | 解决医学图像处理中标注数据稀缺的问题,提升脑部MRI切片任务的性能 | 颅咽管瘤识别(CPGR)和下丘脑受累检测(DHI) | 医学图像处理 | 脑部疾病 | 结构脑磁共振成像(MRI) | CNN | 医学图像 | NA | NA | 2D卷积网络 | F1-score | NA |
| 2222 | 2025-11-29 |
Multiclass Brain Tumor Detection with Attention-Embedded CNN Framework: Advancing Toward Decentralized Deep Learning-Based Health Monitoring
2025-Nov-27, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3638154
PMID:41308096
|
研究论文 | 提出一种结合注意力机制和残差连接的自定义CNN模型,用于多类别脑肿瘤检测,并探索去中心化学习在医疗监测中的应用 | 提出嵌入注意力机制和残差连接的Inception模块自定义CNN架构,在联邦学习框架下实现高性能脑肿瘤分类 | 仅使用在线公开脑肿瘤数据集,未在更广泛的真实临床环境中验证 | 开发基于去中心化深度学习的计算机辅助诊断系统,提高脑肿瘤检测准确性和效率 | 脑部MR图像中的多类别脑肿瘤 | 计算机视觉 | 脑肿瘤 | 磁共振成像(MRI) | CNN | 医学图像 | 在线脑肿瘤数据集中的MR图像,分为四类:胶质瘤、脑膜瘤、垂体瘤和无肿瘤 | TensorFlow, PyTorch | 自定义CNN, Inception, 注意力机制, 残差连接 | 准确率 | NA |
| 2223 | 2025-11-29 |
Deep Tabular Representation Corrector
2025-Nov-27, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3637810
PMID:41308107
|
研究论文 | 提出一种名为TRC的深度表格表示校正器,可在不改变原始模型参数的情况下增强任何已训练深度表格模型的表示能力 | 首次提出模型无关的表格表示校正方法,通过表示重估计和空间映射两个任务解决表示偏移和冗余问题 | NA | 提升深度表格机器学习模型的表示质量 | 表格数据 | 机器学习 | NA | 深度表示学习 | Transformer, ResNet | 表格数据 | NA | NA | Transformer, ResNet | NA | NA |
| 2224 | 2025-11-29 |
RSR-MSI: Reference-Based Super-Resolution for Mass Spectrometry Imaging of Tissues and Single Cells
2025-Nov-27, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c05933
PMID:41308162
|
研究论文 | 提出基于参考图像的超分辨率质谱成像方法,利用光学显微镜图像提升质谱成像空间分辨率 | 首次将光学显微镜图像作为参考帧提取纹理信息,结合原始MS图像离子强度数据开发图像特异性超分辨率网络 | 需要配对的光学显微镜图像作为参考,可能不适用于缺乏参考图像的情况 | 开发高空间分辨率和高通量的质谱成像技术 | 生物组织和单细胞 | 计算生物学 | NA | 质谱成像,光学显微镜 | 深度学习网络 | 质谱图像,光学显微镜图像 | NA | NA | 超分辨率网络 | NA | NA |
| 2225 | 2025-11-29 |
Molecular Motif Learning as a pretraining objective for molecular property prediction
2025-Nov-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-66685-w
PMID:41309631
|
研究论文 | 提出一种名为MotiL的无监督预训练方法,用于学习保留分子整体结构和基序信息的分子表示 | 首次将分子基序学习作为预训练目标,能够直接从原生分子图中学习同时保留整体分子结构和基序级信息的表示 | NA | 改进分子性质预测的深度学习方法,使其更符合基本化学特性 | 小分子和蛋白质大分子 | 机器学习 | NA | 分子图分析 | 图神经网络 | 分子图数据 | 至少16个分子基准测试集 | NA | MotiL | 准确率 | NA |
| 2226 | 2025-11-29 |
Optimized YOLOv8s framework with deformable convolution for underwater object detection
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28989-1
PMID:41309854
|
研究论文 | 提出一种优化的YOLOv8s框架,通过可变形卷积等改进提升水下目标检测性能 | 集成四个核心改进模块:可变形卷积特征模块(C2f_DC)、深度加权双向特征金字塔(DeepBiFPN)、内容感知特征重组(CARAFE)和高效多尺度注意力(EMA) | NA | 解决水下目标检测中的小目标、遮挡目标和图像质量差等关键挑战 | 水下环境中的各类目标物体 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | LFIW和OI数据集 | PyTorch | YOLOv8s, C2f_DC, DeepBiFPN, CARAFE, EMA | AP@[0.50:0.05:0.95], AP@0.75 | NA |
| 2227 | 2025-11-29 |
A novel spatiotemporal transformer network with multivariate fusion for short-term precipitation forecasting
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29415-2
PMID:41309915
|
研究论文 | 提出一种新型时空变换器网络ST-MFTransNet,通过多变量融合实现短期降水预报 | 设计基于全维动态卷积的多变量融合模块,结合Transformer与多尺度卷积的编码器-解码器框架 | NA | 改进短期降水预报精度 | 气象数据(温度、湿度、风速等多变量) | 机器学习 | NA | 气象数据分析 | Transformer, CNN | 多变量时序数据 | 过去12小时和24小时累积气象数据 | NA | Transformer, 多尺度卷积模块 | POD, CSI | NA |
| 2228 | 2025-11-29 |
A smart assistive system for visually challenged people through efficient object detection using deep learning with tunicate swarm algorithm
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29947-7
PMID:41309919
|
研究论文 | 提出一种基于海鞘群算法优化深度学习的智能辅助系统,用于帮助视觉障碍人士进行高效物体检测 | 首次将海鞘群算法(TSA)与深度信念网络(DBN)相结合进行参数优化,并采用YOLOV8和胶囊网络(CapsNet)构建完整的物体检测框架 | 仅在室内物体检测数据集上进行验证,缺乏室外场景和实际部署测试 | 开发高精度的物体检测系统以辅助视觉障碍人士的日常生活 | 视觉障碍人士和室内环境中的各类物体 | 计算机视觉 | 视觉障碍 | 深度学习,物体检测 | YOLOV8, CapsNet, DBN | 图像 | 室内物体检测数据集(具体数量未提及) | NA | YOLOV8, CapsNet, Deep Belief Network | 准确率 | NA |
| 2229 | 2025-11-29 |
Quantitative and longitudinal monitoring of cancer cell invasion in a three-dimensional in vitro model of oral cancer using optical coherence tomography
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28471-y
PMID:41309958
|
研究论文 | 本研究利用光学相干断层扫描结合深度学习技术,在三维口腔鳞状细胞癌模型中实现癌细胞侵袭的定量和纵向监测 | 首次将光学相干断层扫描与深度学习相结合,用于三维口腔癌模型中癌细胞侵袭的定量纵向监测 | 研究仅限于体外三维模型,未涉及体内实验验证 | 开发非侵入性定量监测癌细胞侵袭的方法 | 口腔鳞状细胞癌三维器官型培养模型 | 数字病理 | 口腔癌 | 光学相干断层扫描,深度学习 | 深度学习模型 | 三维光学相干断层扫描图像 | 多种口腔鳞状细胞癌细胞系的三维培养模型 | NA | NA | 平面测量分析,体积分析,组织形态计量学相关性 | NA |
| 2230 | 2025-11-29 |
Tri branch attention enhanced 3DUNet for remote sensing based hyperspectral image classification
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29357-9
PMID:41309972
|
研究论文 | 提出一种三分支注意力增强3DUNet架构用于高光谱遥感图像分类 | 设计三分支架构分别处理光谱依赖、空间特征和联合表征,并集成专用注意力机制 | 未明确说明计算复杂度或模型参数量,依赖有限标注数据 | 提升高光谱图像分类精度 | 高光谱遥感图像 | 计算机视觉 | NA | 高光谱成像 | 3DUNet, 注意力机制 | 高光谱图像 | 三个基准数据集(Indian Pines, Pavia University, Houston-2018) | NA | 三分支3DUNet | 平均精度(AA), 总体精度(OA) | NA |
| 2231 | 2025-11-29 |
Feature centric based deep learning approach for music mood recognition with HuBERT transformer model
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29200-1
PMID:41309989
|
研究论文 | 本研究采用基于HuBERT变换器的深度学习方法来识别音乐情绪 | 首次将HuBERT变换器模型应用于音乐情绪分类,并与传统深度学习模型进行对比分析 | 仅使用单一公开数据集,样本量相对有限(每类别500个音频文件) | 探索深度学习模型在音乐情绪分类中的有效性 | 音乐音频文件 | 自然语言处理 | NA | 音频特征提取(STFT, MFCC) | Transformer, CNN, LSTM | 音频 | 2500个音频文件(5个情绪类别,每类别500个文件) | NA | HuBERT, ConvFormer, LSTM, YAMNet | 准确率 | NA |
| 2232 | 2025-11-29 |
Modifier guided resilient CNN inference enables fault-tolerant edge collaboration for IoT
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28454-z
PMID:41310049
|
研究论文 | 提出一种基于边缘设备的弹性CNN推理架构,通过轻量级修正模块实现设备故障容错 | 采用轻量级修正模块动态合成故障设备预测,通过故障模拟训练技术实现实时容错,无需模型复制或云端回退 | 仅在MNIST和CIFAR-10数据集上验证,最多测试五个同时设备故障场景 | 在资源受限的物联网环境中实现鲁棒且准确的深度学习推理 | 物联网边缘设备及其分布式CNN推理系统 | 机器学习 | NA | 故障模拟训练技术 | CNN | 图像 | MNIST和CIFAR-10数据集 | NA | 分布式卷积神经网络 | 准确率, 错误率 | 边缘设备,资源利用率约15KB每模型 |
| 2233 | 2025-11-29 |
EnCTN: an enhanced AI-enabled deep learning framework for security enhancement in blockchain transactions
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29160-6
PMID:41310051
|
研究论文 | 提出一种增强型AI深度学习框架EnCTN,用于提升区块链交易的安全性 | 结合区块链与深度学习的混合技术,通过增强卷积时序网络实现改进的数据持久性和异常检测 | NA | 提升区块链交易的安全性和异常检测能力 | 区块链交易数据 | 机器学习 | NA | 深度学习,区块链技术 | CNN, Auto Encoder | 时序数据 | NSL-KDD数据集 | Python | 增强卷积时序网络(EnCTN) | 异常分类准确率 | 以太坊环境 |
| 2234 | 2025-11-29 |
Integration of corpus linguistics and deep learning techniques for enhanced semantic-driven emotion detection on textual data
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28929-z
PMID:41310067
|
研究论文 | 提出一种结合语料库语言学和深度学习的文本情感检测方法EDTIWVR-MDNN | 融合TF-IDF、BERT和GloVe的词向量表示方法,以及基于注意力机制的时序卷积网络与双向门控循环单元的混合模型 | NA | 提升自然语言中情感理解的文本情感识别与分析 | 文本数据中的情感表达 | 自然语言处理 | NA | 语料库语言学,深度学习 | 时序卷积网络,双向门控循环单元,注意力机制 | 文本 | 基于Emotion Detection from Text数据集 | NA | AM-T-BiG(注意力机制时序卷积网络-双向门控循环单元) | 准确率 | NA |
| 2235 | 2025-11-29 |
Cognitive embodied learning for anomaly active target tracking
2025-Nov-27, Communications engineering
DOI:10.1038/s44172-025-00556-6
PMID:41310085
|
研究论文 | 提出一种受人类大脑双决策系统启发的认知具身学习方法,用于解决复杂场景中的异常主动目标跟踪问题 | 提出认知具身学习框架,通过动态切换正常跟踪和异常处理模式,并引入异常认知模块、规则推理模块和异常消除模块等专用模块 | 未明确说明方法在极端环境条件下的适应性和计算效率的详细评估 | 提升复杂物理场景中主动目标跟踪的鲁棒性和准确性 | 无人机异常主动目标跟踪 | 机器学习和计算机视觉 | NA | 强化学习、深度学习 | 端到端框架 | 模拟和真实世界场景数据 | NA | NA | 认知具身学习架构 | 成功率、任务完成效率 | NA |
| 2236 | 2025-11-29 |
Deep learning-based AI model for predicting academic success and engagement among physical higher education students
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29000-7
PMID:41310101
|
研究论文 | 本研究开发了HybridStackNet集成模型,用于联合预测体育专业高等教育学生的学业成功和参与度 | 提出结合随机森林和支持向量机作为基础学习器、逻辑回归作为元学习器的堆叠集成模型,并引入可解释性分析框架 | 仅使用500个样本的公开数据集,样本规模有限且可能缺乏多样性 | 预测体育专业高等教育学生的学业成功和参与度 | 体育专业高等教育学生 | 机器学习 | NA | SMOTE过采样技术 | 集成学习 | 学术、行为和物理属性数据 | 500个实例 | Scikit-learn | 随机森林,支持向量机,逻辑回归 | 准确率,精确率,召回率,F1分数,AUC,Jaccard系数,Kappa系数,汉明损失 | NA |
| 2237 | 2025-11-29 |
Improved multiscale attention based deep learning approach for automated sugarcane leaf disease detection using BSRI data
2025-Nov-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-28947-x
PMID:41310119
|
研究论文 | 提出一种基于多尺度注意力的深度学习方法来检测甘蔗叶片病害 | 提出新颖的多尺度注意力密集残差网络(MADRN)架构,结合密集残差学习和多尺度注意力机制 | 未明确说明模型在更广泛环境条件下的泛化能力 | 开发准确的甘蔗叶片病害自动检测方法以提高作物生产力 | 甘蔗叶片病害 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | 两个数据集:Kaggle数据集和混合数据集(Kaggle+BSRI) | NA | MADRN, CNN, VGG16, MobileNetV2, XceptionNet | 准确率, 精确率, 召回率, F1分数 | NA |
| 2238 | 2025-11-29 |
A clinically validated AI framework for kidney cancer detection and characterization
2025-Nov-27, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-025-01264-0
PMID:41310187
|
研究论文 | 开发并临床验证用于肾癌检测和表征的深度学习工具BMVision | 首个经过临床验证的商业化肾癌AI检测工具,可显著提升放射科医生的工作效率和诊断一致性 | 回顾性研究设计,样本量相对有限(200例扫描) | 开发AI工具辅助放射科医生提高肾癌诊断效率和准确性 | 肾脏CT扫描图像和放射科医生诊断流程 | 数字病理 | 肾癌 | 对比增强计算机断层扫描 | 深度学习 | 医学影像 | 200例CT扫描,6名放射科医生参与评估 | NA | NA | 诊断灵敏度、病变测量、报告效率、医生间一致性 | NA |
| 2239 | 2025-11-29 |
A deep learning-based multiscale integration of spatial omics with tumor morphology
2025-Nov-27, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-66691-y
PMID:41310346
|
研究论文 | 开发了一种基于深度学习的多尺度整合方法,能够从H&E染色组织切片预测空间转录组数据 | 首次实现了从常规H&E染色切片到空间转录组数据的深度学习预测,达到近单细胞分辨率 | NA | 整合空间组学数据与肿瘤形态学特征 | 肿瘤微环境空间组织 | 数字病理学 | 肿瘤 | 空间转录组学,H&E染色 | 深度学习 | 图像,基因表达数据 | 72个10X Genomics Visium样本 + 348个MOSAIC联盟样本 | NA | MISO | 基准测试性能比较 | NA |
| 2240 | 2025-11-29 |
Automatic multi-IMU-based deep learning evaluation of intensity during static standing balance training exercises
2025-Nov-27, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-025-01760-3
PMID:41310727
|
研究论文 | 开发基于多IMU传感器和深度学习模型的静态站立平衡训练强度自动评估系统 | 首次使用全身可穿戴传感器数据和CNN模型来估计物理治疗师感知的平衡训练强度 | 研究样本量有限(47名参与者),仅针对静态站立平衡训练进行评估 | 开发家庭平衡康复训练中的运动强度监测方法 | 平衡训练参与者和物理治疗师 | 机器学习 | 老年疾病 | 惯性测量单元(IMU)数据采集 | CNN | 运动学数据 | 47名平衡训练参与者和42名物理治疗师 | NA | 卷积神经网络 | 均方根误差(RMSE) | NA |