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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
261 | 2025-10-05 |
Rational Multi-Modal Transformers for TCR-pMHC Prediction
2025-Sep-22, ArXiv
PMID:41040809
|
研究论文 | 提出一种基于可解释性方法构建的新型编码器-解码器Transformer模型,用于预测T细胞受体与肽-MHC复合物的相互作用 | 开发了新的后验可解释性方法指导模型架构设计,优化交叉注意力策略,引入基于解释质量的早停准则 | NA | 预测TCR-pMHC相互作用,为T细胞免疫疗法开发提供支持 | T细胞受体和肽-MHC复合物 | 自然语言处理 | 免疫相关疾病 | 深度学习 | Transformer | 序列数据 | NA | NA | 编码器-解码器Transformer | 预测性能,可解释性,鲁棒性,泛化能力 | NA |
262 | 2025-10-05 |
CryoFSL: An Annotation-Efficient, Few-Shot Learning Framework for Robust Protein Particle Picking in Cryo-EM Micrographs
2025-Sep-21, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.19.677446
PMID:41000909
|
研究论文 | 提出了一种基于少样本学习的冷冻电镜蛋白质粒子识别框架CryoFSL,显著减少标注需求并提升低信噪比条件下的鲁棒性 | 基于SAM2模型设计轻量级适配器,仅需5张标注图像即可实现鲁棒粒子识别,通过分层适配器设计解决标注负担与性能之间的权衡 | 未明确说明模型在不同信噪比范围内的具体性能边界和计算效率指标 | 开发标注效率高、泛化能力强的冷冻电镜蛋白质粒子自动识别方法 | 冷冻电镜显微图像中的蛋白质粒子 | 计算机视觉 | NA | 冷冻电子显微镜 | 少样本学习 | 图像 | 少至5张标注显微图像 | NA | Segment Anything Model 2 (SAM2) | 召回率, 精确率, 3D重建分辨率 | NA |
263 | 2025-10-05 |
Will artificial intelligence solve the riddle of athlete development? A critical review of how AI is being used for athlete identification, selection, and development
2025-Sep-15, Psychology of sport and exercise
IF:3.1Q1
DOI:10.1016/j.psychsport.2025.102978
PMID:41038088
|
综述 | 批判性回顾人工智能在运动员识别、选拔和发展领域的应用现状与挑战 | 首次系统梳理AI在运动员发展三大关键领域(评估、选拔分类、训练发展)的应用模式与潜在价值 | 未涉及具体算法性能比较,主要基于文献扫描的定性分析 | 评估人工智能技术在体育科学领域运动员发展中的应用范围与效用 | 运动员识别、选拔和发展相关研究文献 | 机器学习 | NA | 文献检索与批判性分析 | NA | 文献数据 | 通过数据库、参考文献和书籍章节筛选的合格文献 | NA | NA | NA | NA |
264 | 2025-10-05 |
A Novel Convolutional Neural Network for Automated Multiple Sclerosis Brain Lesion Segmentation
2025 Sep-Oct, Journal of neuroimaging : official journal of the American Society of Neuroimaging
IF:2.3Q2
DOI:10.1111/jon.70085
PMID:40937688
|
研究论文 | 开发了一种基于深度学习的多发性硬化脑部病灶自动分割算法FLAMeS | 基于nnU-Net 3D全分辨率U-Net架构,在多个外部数据集上验证了其优于现有公开方法的性能 | 主要漏检小于10mm³的小病灶 | 开发自动化的多发性硬化脑部病灶分割算法 | 多发性硬化患者的脑部MRI图像 | 医学图像分析 | 多发性硬化 | 磁共振成像 | CNN | 医学图像 | 训练集668个FLAIR扫描,测试集三个外部数据集共75个样本 | nnU-Net | 3D full-resolution U-Net | Dice系数, 真阳性率, F1分数, 阳性预测值, 相对体积差异, 假阳性率 | NA |
265 | 2025-10-05 |
Artificial Intelligence-Based Model Exploiting Hematoxylin and Eosin Images to Predict Rare Gene Mutations in Patients With Lung Adenocarcinoma
2025-Sep, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI-25-00093
PMID:41004706
|
研究论文 | 开发基于人工智能的深度学习模型,利用H&E染色图像预测肺腺癌患者罕见基因突变 | 首次使用ResNeXt101深度学习框架从常规H&E图像中预测多种罕见基因突变状态 | 样本量相对有限,对转移性癌症数据集的预测性能有所下降 | 开发准确预测肺腺癌基因突变的AI模型以替代复杂的分子诊断方法 | 肺腺癌患者和转移性癌症患者 | 数字病理学 | 肺癌 | H&E染色 | 深度学习 | 图像 | 213名患者(队列1:144名,队列2:69名) | PyTorch | ResNeXt101 | AUC,准确率,精确率,召回率,F1分数 | NA |
266 | 2025-10-05 |
Self-contrastive weakly supervised learning framework for prognostic prediction using whole slide images
2025-Sep, PLOS digital health
DOI:10.1371/journal.pdig.0000972
PMID:41026797
|
研究论文 | 提出一种基于全切片图像的弱监督学习框架,用于膀胱癌预后预测 | 首次将对比学习与嵌套多示例学习相结合,针对预后预测中标签弱监督的特性设计三部分框架 | 研究仅作为组织病理学图像分析在治疗结果预测方面的初步探索,存在一定局限性 | 开发自动化预后预测方法以解决组织病理学图像分析中的重大挑战 | 膀胱癌患者的全切片图像 | 数字病理学 | 膀胱癌 | 全切片图像分析 | CNN | 图像 | 私有数据队列 | NA | 卷积网络,对比学习模块,嵌套多示例学习分类模块 | AUC | NA |
267 | 2025-10-05 |
Explainable ResNet-long short-term memory model for the classification of bowel sounds frequency based on multifeature fusion
2025-Sep, The Journal of international medical research
IF:1.4Q4
DOI:10.1177/03000605251376915
PMID:41027655
|
研究论文 | 开发基于多特征融合的可解释ResNet-LSTM模型用于肠鸣音频率分类 | 提出结合ResNet50 V2和LSTM的多特征融合模型,并采用可解释AI方法增强模型透明度 | NA | 肠鸣音活动水平的准确客观分类,用于胃肠动力评估 | 肠鸣音数据 | 医学音频分析 | 胃肠疾病 | 音频特征提取 | CNN, LSTM | 音频 | 多中心研究(三个医疗机构) | TensorFlow, PyTorch | ResNet50 V2, LSTM | 准确率, 马修斯相关系数, 加权科恩卡帕系数, 灵敏度, 特异性 | NA |
268 | 2025-10-05 |
Development of an embedded diagnostic tool for visual misalignment screening
2025-Sep, HardwareX
IF:2.0Q3
DOI:10.1016/j.ohx.2025.e00692
PMID:41030858
|
研究论文 | 开发了一种基于计算机视觉和深度学习的低成本嵌入式系统,用于初步斜视筛查 | 提出了一种结合NASNetLarge卷积神经网络和实时推理的嵌入式斜视筛查系统,并实现了新颖的瞳孔-刺激物距离分析机制用于治疗验证 | 验证数据集规模有限(27张专有图像),需要在更大样本上进行进一步验证 | 开发低成本便携式斜视筛查工具,特别适用于资源有限环境 | 斜视筛查和眼动追踪 | 计算机视觉 | 眼科疾病 | 深度学习,计算机视觉 | CNN | 图像 | 专有数据集27张图像,平衡数据集1000张图像 | TensorFlow Lite, PyQt5, OpenCV | NASNetLarge | 准确率, F1分数, 精确率, 召回率 | Raspberry Pi 4嵌入式系统 |
269 | 2025-10-05 |
Deep Learning on Histologic Slides Accurately Predicts Consensus Molecular Subtypes and Spatial Heterogeneity in Colon Cancer
2025-Aug-25, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2025.100877
PMID:40865918
|
研究论文 | 本研究开发了一种基于深度学习的方法,通过组织学切片预测结肠癌的共识分子亚型和空间异质性 | 首次使用常规H&E染色全切片图像通过深度学习预测结肠癌分子亚型及其瘤内异质性,无需额外分子检测 | 研究依赖于公开数据集,需要进一步前瞻性验证临床适用性 | 开发基于深度学习的结肠癌分子亚型和瘤内异质性预测方法 | 结肠癌患者组织学切片 | 数字病理学 | 结肠癌 | 苏木精-伊红±藏红染色全切片数字化成像 | 自监督学习,弱监督学习 | 全切片图像 | 1996例患者来自PETACC-8、TCGA-COAD和PRODIGE-13队列 | NA | NA | 宏平均曲线下面积 | NA |
270 | 2025-10-05 |
Multi-organ AI Endophenotypes Chart the Heterogeneity of Pan-disease in the Brain, Eye, and Heart
2025-Aug-13, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.09.25333350
PMID:40832432
|
研究论文 | 本研究通过多器官AI内表型探索脑、眼和心脏疾病的异质性和共享病因 | 首次提出'泛疾病'概念,利用弱监督深度学习模型从多器官数据中识别11个AI生物标志物 | 研究依赖于现有数据集的可用性和质量,需要进一步验证 | 研究脑、眼和心脏疾病的异质性和共享病因机制 | 129,340名参与者的多器官成像、遗传、蛋白质组和RNA-seq数据 | 数字病理学 | 阿尔茨海默病,偏头痛,心血管疾病 | 多器官成像,遗传分析,蛋白质组学,RNA-seq | GAN | 图像,遗传数据,蛋白质组数据,RNA-seq数据 | 129,340名参与者 | NA | Surreal-GAN | NA | NA |
271 | 2025-10-05 |
EDNTOM: An Ensemble Learning and Weight Mechanism-Based Nanopore Methylation Detection Tool
2025-Aug-05, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c01924
PMID:40787313
|
研究论文 | 开发了一种基于集成学习和注意力权重机制的纳米孔甲基化检测工具EDNTOM | 采用集成学习技术整合多个预训练单模型预测,并引入注意力权重机制,在提高检测准确性的同时减少计算资源消耗 | NA | 开发更强大可靠的DNA甲基化检测工具,平衡计算资源和信息处理性能 | DNA甲基化检测 | 机器学习 | NA | 纳米孔测序 | 深度学习,集成学习 | DNA测序数据 | NA | NA | NA | NA | NA |
272 | 2025-10-05 |
GGCRB: A Graph Neural Network Approach for Predicting CircRNA-RBP Interactions Using Structural and Sequence Features
2025-Aug-05, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c04524
PMID:40787315
|
研究论文 | 提出一种结合序列和结构特征的图神经网络方法GGCRB,用于预测环状RNA与RNA结合蛋白的相互作用位点 | 首次将图卷积网络和图注意力网络应用于circRNA结构特征建模,并通过多模态特征融合提升预测精度 | 未明确说明模型在独立测试集上的泛化性能及计算复杂度分析 | 开发计算模型准确预测circRNA-RBP结合位点 | 环状RNA与RNA结合蛋白的相互作用 | 生物信息学 | NA | RNA结构预测 | GCN, GAT, CNN, BiLSTM | 序列数据, 结构数据 | 16个基准数据集 | TensorFlow, PyTorch | 图卷积网络, 图注意力网络, 卷积神经网络, 双向LSTM | 准确率, 精确率, 召回率, F1分数, AUC | NA |
273 | 2025-10-05 |
A review on learning-based algorithms for tractography and human brain white matter tracts recognition
2025-Aug, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03637-7
PMID:40464927
|
综述 | 本文综述了基于学习算法的脑白质纤维束追踪与识别方法 | 扩展了先前相关综述,涵盖最新方法和网络架构细节,并通过全面比较评估基于学习方法的效率 | NA | 回顾基于学习的纤维束追踪算法及其在白质束识别中的应用 | 人脑白质纤维束 | 医学影像分析 | 神经系统疾病 | 扩散磁共振成像 | 传统机器学习,深度学习,强化学习,字典学习 | 扩散MRI数据 | NA | NA | NA | NA | NA |
274 | 2025-10-05 |
Detecting Fifth Metatarsal Fractures on Radiographs Through the Lens of Smartphones: The FIXUS AI Algorithm
2025-Aug, Cureus
DOI:10.7759/cureus.91284
PMID:41030753
|
研究论文 | 开发用于从智能手机拍摄的X光片中检测第五跖骨骨折的深度学习算法 | 首次针对智能手机拍摄的X光图像开发专用深度学习模型,解决了传统模型在移动设备图像上的性能下降问题 | 回顾性研究,样本量有限(共2464例),仅针对第五跖骨骨折 | 提高第五跖骨骨折诊断的可及性,特别是在资源有限环境中 | 第五跖骨骨折患者和对照组 | 计算机视觉 | 骨科创伤 | X射线摄影 | CNN | 图像 | 骨折组1240例,对照组1224例,总计2464例 | NA | ResNet-152V2 | AUROC | NA |
275 | 2025-10-05 |
Multicenter Histology Image Integration and Multiscale Deep Learning for Machine Learning-Enabled Pediatric Sarcoma Classification
2025-Jun-11, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.06.10.25328700
PMID:40585079
|
研究论文 | 开发基于深度学习的计算流程,利用多中心组织学图像进行儿童肉瘤亚型分类 | 采用多中心数据集和图像协调方法确保分类器泛化能力,系统评估CNN和ViT架构,并开发轻量级SAMPLER分类器 | 数据集相对有限(867张全切片图像),罕见亚型样本数量不足 | 通过数字组织病理学提高儿童肉瘤分类准确性 | 儿童肉瘤组织学切片图像 | 数字病理学 | 儿童肉瘤 | 组织学成像 | CNN, ViT | 图像 | 867张全切片图像,来自三个医疗中心和儿童肿瘤学组 | NA | UNI, CONCH, 传统Transformer编码器 | AUC | NA |
276 | 2025-10-05 |
Continuous Reaching and Grasping with a BCI Controlled Robotic Arm in Healthy and Stroke-Affected Individuals
2025-Apr-19, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.04.16.25325551
PMID:40321282
|
研究论文 | 提出一种基于运动想象的脑机接口范式,通过添加“点击”信号实现机械臂的连续抓取控制 | 受计算机鼠标机制启发,在现有2D运动BCI范式中增加“点击”信号,提高系统自由度并支持更复杂任务 | 脑电信号信噪比和空间分辨率较低,限制了系统性能 | 开发能够同时控制运动和点击的脑机接口系统,实现机械臂的连续抓取任务 | 健康受试者和中风幸存者 | 脑机接口 | 中风 | 脑电信号处理,运动想象范式 | 深度学习 | EEG信号 | 健康受试者和中风幸存者(具体数量未明确) | NA | NA | 任务完成数量(5分钟内平均移动杯子数量) | NA |
277 | 2025-10-05 |
Tomato seedling stem and leaf segmentation method based on an improved ResNet architecture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1571445
PMID:40978790
|
研究论文 | 提出一种基于改进ResNet架构的番茄幼苗茎叶点云分割方法 | 通过集成瓶颈模块和下采样技术优化传统残差块,结合曲率特征和几何特性设计专用卷积层,并采用自适应平均池化提升泛化能力 | 未明确说明模型在其他植物物种上的泛化能力及实际部署环境中的性能表现 | 开发轻量级点云分割模型以提升番茄植株表型性状分析的准确性和效率 | 番茄幼苗的茎和叶点云数据 | 计算机视觉 | NA | 3D点云技术 | CNN | 点云数据 | NA | NA | ResNet, X-ResNet | 准确率, 决定系数(R²), 均方根误差(RMSE), 绝对百分比误差(APE) | NA |
278 | 2025-10-05 |
Three-dimensional ultrastructural characterization of Drosophila melanogaster hygrosensilla across humidity conditions
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314841
PMID:41021596
|
研究论文 | 本研究通过整合湿度控制、快速冷冻保存和连续块面扫描电镜技术,对果蝇湿度感受器的三维超微结构进行了表征 | 开发了结合精确湿度控制和深度学习分割的三维超微结构分析框架,首次揭示了不同湿度条件下感受器的结构差异 | 研究仅针对果蝇特定感受器,机制推测需要进一步实验验证 | 探究昆虫感知环境湿度的结构基础与机制 | 黑腹果蝇(Drosophila melanogaster)的湿度感受器 | 生物医学成像 | NA | 连续块面扫描电镜(SBF-SEM),快速冷冻保存 | 深度学习分割模型 | 三维电子显微镜图像 | 不同湿度条件下处理的果蝇湿度感受器样本 | NA | NA | NA | NA |
279 | 2025-10-05 |
Alzheimer's disease classification using a hybrid deep learning approach with multi-layer U-net segmentation and XAI driven analysis
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0332572
PMID:41021656
|
研究论文 | 提出一种结合多层级U-Net分割和可解释AI的混合深度学习方法来分类阿尔茨海默病 | 采用多层级U-Net进行灰质分割,结合多尺度EfficientNet与SVM的混合分类方法,并集成显著性图定量分析增强模型可解释性 | 尚未在公开可用的阿尔茨海默病MRI数据集上进行评估,需要进一步整合先进的XAI技术 | 开发准确的阿尔茨海默病早期诊断分类方法 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常人群 | 医学影像分析 | 阿尔茨海默病 | MRI脑部成像 | 深度学习, SVM | 医学影像 | NA | NA | U-Net, EfficientNet | 准确率, 精确率, 召回率, F1分数 | NA |
280 | 2025-10-05 |
DiabetesXpertNet: An innovative attention-based CNN for accurate type 2 diabetes prediction
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0330454
PMID:41026707
|
研究论文 | 提出一种基于注意力机制的创新CNN模型DiabetesXpertNet,用于准确预测2型糖尿病 | 专门针对表格医疗数据设计的CNN架构,包含动态通道注意力模块和上下文感知特征增强器,能够优先处理临床重要特征并捕捉结构化数据中的复杂序列关系 | NA | 开发用于2型糖尿病早期预测的深度学习框架 | 2型糖尿病患者数据 | 机器学习 | 糖尿病 | 深度学习 | CNN | 表格医疗数据 | PID数据集和德国法兰克福医院糖尿病数据集 | NA | DiabetesXpertNet | 准确率, AUC, 精确率, 召回率, F1分数 | NA |