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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2821 | 2025-10-06 |
Comparison of the characteristics between machine learning and deep learning algorithms for ablation site classification in a novel cloud-based system
2025-Sep, Heart rhythm
IF:5.6Q1
DOI:10.1016/j.hrthm.2025.03.1955
PMID:40107403
|
研究论文 | 比较CARTONET系统R12.1和R14模型在消融部位分类中的性能特征 | 首次系统评估基于云平台的CARTONET系统R14深度学习模型在消融部位分类中的性能表现 | 仅针对心房颤动消融病例进行分析,未涉及其他类型心律失常 | 比较CARTONET系统R12.1和R14模型在消融部位分类中的性能差异 | 心房颤动消融手术病例 | 机器学习 | 心血管疾病 | CARTO系统消融分析 | 深度学习, 机器学习 | 消融点位数据 | 396例心房颤动消融病例,包含39,169个点位标签和625个节段预测 | NA | NA | 灵敏度, 阳性预测值 | 云平台系统 |
2822 | 2025-10-06 |
A Flexible Spatio-Temporal Architecture Design for Artifact Removal in EEG With Arbitrary Channel-Settings
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3555813
PMID:40153283
|
研究论文 | 提出一种灵活的时空架构ASTI-Net,用于处理任意通道设置的EEG信号伪迹去除 | 设计双分支去噪模型,通过可变形卷积和通道级时序处理,首次实现任意EEG通道设置的伪迹去除 | 仅在两个半模拟数据集上进行评估,真实场景验证尚不充分 | 开发适用于任意EEG通道设置的灵活伪迹去除方法 | 脑电图信号中的伪迹污染 | 信号处理 | NA | 脑电图信号处理 | 深度学习 | EEG时序信号 | 两个半模拟数据集和真实任务态EEG数据 | NA | 双分支网络,可变形卷积 | 定性评估 | NA |
2823 | 2025-10-06 |
Pulmonary Embolism Survival Prediction Using Multimodal Learning Based on Computed Tomography Angiography and Clinical Data
2025-Sep-01, Journal of thoracic imaging
IF:2.0Q3
DOI:10.1097/RTI.0000000000000831
PMID:40200808
|
研究论文 | 本研究利用深度学习模型结合CT肺动脉造影影像特征、临床数据和肺栓塞严重指数评分预测肺栓塞患者的生存率 | 首次将多模态学习方法应用于肺栓塞生存预测,整合影像特征、临床变量和PESI评分,开发了五种多模态模型 | 回顾性研究设计,样本来自三个机构可能存在选择偏倚 | 预测肺栓塞患者的生存结局 | 肺栓塞患者 | 医学影像分析 | 肺栓塞 | CT肺动脉造影 | 深度学习模型 | 影像数据, 临床数据 | 918名患者(中位年龄64岁,48%男性),包含3978个CTPA检查 | NA | CoxPH模型 | 一致性指数, Kaplan-Meier分析 | NA |
2824 | 2025-10-06 |
Can super resolution via deep learning improve classification accuracy in dental radiography?
2025-Sep-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twaf029
PMID:40233244
|
研究论文 | 评估深度学习驱动的超分辨率技术对牙科X光片分类准确性的影响 | 首次系统研究超分辨率增强对牙科影像分类性能的影响 | 仅使用单一开源数据集,未在更多临床数据上验证 | 评估超分辨率技术是否能提升牙科影像分类模型的性能 | 牙科X光影像 | 计算机视觉 | 牙科疾病 | 深度学习超分辨率 | 深度学习分类模型 | 医学影像 | 开源牙科影像数据集 | NA | NA | SSIM, PSNR, 准确率, 召回率, 精确率, F1分数 | NA |
2825 | 2025-10-06 |
In Vitro Diagnosis of Parkinson's Disease Based on Facial Expression and Behavioral Gait Data
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3563902
PMID:40272952
|
研究论文 | 提出一种基于面部表情和行为步态的新型帕金森病体外诊断方法 | 开发了结合面部表情和步态行为的多模态诊断方法,使用轻量级深度学习模型进行特征提取和融合,建立了最大的多模态帕金森病数据集 | NA | 提高帕金森病的早期诊断准确性和易用性 | 帕金森病患者 | 计算机视觉 | 帕金森病 | 深度学习 | 轻量级深度学习模型 | 面部表情数据,行为步态数据 | 与医院合作建立的最大多模态帕金森病数据集 | NA | NA | NA | NA |
2826 | 2025-10-06 |
How Deep is Your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3568778
PMID:40343821
|
研究论文 | 对电子健康记录时间序列插值的深度学习方法进行全面分析,探讨架构设计与数据特征的相互作用 | 挑战模型复杂度的常见假设,证明精心设计的架构比大型模型更能捕捉临床数据复杂模式,强调临床意义数据重建的重要性 | 发现当前深度插值方法与医学需求存在关键差距,预处理和实现选择导致性能差异高达20% | 分析深度学习在医疗时间序列插值中的应用,开发更可靠的医疗数据插值方法 | 电子健康记录时间序列数据 | 机器学习 | NA | 深度学习 | 深度插值器模型 | 电子健康记录时间序列数据 | NA | NA | NA | 统计准确性,临床意义数据重建 | NA |
2827 | 2025-10-06 |
Multi-Task Collaborative Assisted Training Method for Grouping Fuzzy Categories Classification of Cervical Cancer Cells
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3568846
PMID:40343820
|
研究论文 | 提出一种用于宫颈癌细胞模糊分类的多任务协同辅助训练方法 | 提出多任务协同框架,包含分组细胞对比辅助分支、多级细胞分类辅助分支、图像重建辅助分支和软标签蒸馏辅助分支 | NA | 解决宫颈癌细胞分类中类别相似性、单细胞与细胞团变异性和标注准确性问题 | 宫颈癌细胞图像 | 计算机视觉 | 宫颈癌 | 深度学习 | 多任务学习框架 | 医学图像 | HSJCC、DSCC和SIPaKMeD三个数据集 | NA | 多任务协同框架 | NA | NA |
2828 | 2025-10-06 |
A Finetuning Deep Learning Framework for Pan-Species Promoters Identification With Pseudo Time Series Analysis on Time and Frequency Space
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3568145
PMID:40343817
|
研究论文 | 提出两种深度学习模型ProTriCNN和TransPro用于跨物种启动子识别 | 将启动子视为伪时间序列进行分析,并利用物种进化树在时频空间进行跨物种微调 | NA | 开发跨物种启动子识别的高精度计算方法 | 真核生物和原核生物的启动子序列 | 生物信息学 | NA | 深度学习,伪时间序列分析,时频空间分析 | CNN, Transformer | 基因组序列数据 | NA | NA | ProTriCNN, TransPro | 准确率, Matthews相关系数 | NA |
2829 | 2025-10-06 |
Deep learning for detecting periapical bone rarefaction in panoramic radiographs: a systematic review and critical assessment
2025-Sep-01, Dento maxillo facial radiology
DOI:10.1093/dmfr/twaf044
PMID:40353850
|
系统综述 | 评估深度学习模型在全景X线片中检测根尖周骨稀疏的可行性和性能 | 首次对该主题进行批判性综合,关注表现复杂但被类似技术发展研究忽视的病变群 | 数据集小导致泛化能力有限,全景X线片中的解剖结构重叠,报告指标变异性大 | 评估基于深度学习的模型在全景X线片中检测根尖周骨稀疏的能力 | 根尖周骨稀疏病变 | 医学影像分析 | 牙科疾病 | 全景X线摄影 | 深度学习 | X线图像 | 12项符合纳入标准的研究 | NA | U-NET, YOLO | 灵敏度, 特异性 | NA |
2830 | 2025-10-06 |
An X-ray bone age assessment method for hands and wrists of adolescents in Western China based on feature fusion deep learning models
2025-Sep, International journal of legal medicine
IF:2.2Q1
DOI:10.1007/s00414-025-03497-z
PMID:40402226
|
研究论文 | 基于特征融合深度学习模型开发用于中国西部青少年手腕X射线骨龄评估的方法 | 提出结合InceptionV3、双线性池化、SE注意力和性别信息的特征融合深度学习模型,针对中国西部青少年群体优化骨龄分类 | 样本仅来自中国西部单一地区,样本量相对有限(688张图像),年龄范围11-23.99岁 | 开发深度学习模型用于青少年手腕X射线骨龄评估,并与人工评估结果进行比较 | 中国西部11.00-23.99岁青少年的手腕X射线图像 | 计算机视觉 | 生长发育评估 | X射线成像 | CNN | 医学图像 | 688张手腕X射线图像 | NA | InceptionV3, InceptionV3+SE+Sex, InceptionV3+Bilinear, InceptionV3+Bilinear+SE+Sex | 准确率 | NA |
2831 | 2025-10-06 |
Intelligent chlorophyll estimation by attention-integrated deep learning and dual-modal fusion in tencha drying using snapshot multispectral camera
2025-Sep, Journal of the science of food and agriculture
IF:3.3Q2
DOI:10.1002/jsfa.14385
PMID:40405630
|
研究论文 | 本研究开发了一种基于注意力机制深度学习与双模态融合的智能叶绿素含量估算方法,用于碾茶干燥过程监测 | 首次将快照多光谱技术与注意力机制深度学习和光谱-图像双模态融合相结合,实现碾茶干燥过程中叶绿素含量的精确监测 | NA | 开发一种快速、非侵入式的叶绿素含量监测方法,提升碾茶干燥过程的质量控制 | 碾茶干燥过程中的茶叶样本 | 计算机视觉 | NA | 快照多光谱成像技术 | CNN | 多光谱图像,灰度纹理特征 | NA | NA | SE-ResNet18 | 相关系数,相对百分偏差 | NA |
2832 | 2025-10-06 |
DenoiseMamba: An Innovative Approach for EEG Artifact Removal Leveraging Mamba and CNN
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3573042
PMID:40408214
|
研究论文 | 提出了一种结合Mamba和CNN的新型EEG去噪方法DenoiseMamba | 首次将结构化状态空间对偶机制与CNN结合用于EEG去噪,能够同时捕捉局部和全局时空特征 | 仅在三个半模拟数据集上进行验证,缺乏真实临床数据的测试 | 开发有效的EEG信号去噪方法以提升脑电应用性能 | 受污染的EEG信号及其中的眼电、肌电和心电伪迹 | 信号处理 | 神经系统疾病 | 脑电图技术 | CNN, Mamba | EEG信号数据 | 三个半模拟数据集 | NA | ConvSSD模块 | EEG重建精度 | NA |
2833 | 2025-10-06 |
SSC-SleepNet: A Siamese-Based Automatic Sleep Staging Model With Improved N1 Sleep Detection
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3572886
PMID:40408218
|
研究论文 | 提出一种基于伪连体神经网络架构的自动睡眠分期模型SSC-SleepNet,通过改进N1睡眠阶段的检测性能来解决单通道脑电图的自动睡眠分期问题 | 采用伪连体神经网络架构结合对比损失,设计自适应损失函数动态增加对N1睡眠阶段误分类的惩罚,有效解决类别不平衡问题 | NA | 提高单通道脑电图自动睡眠分期中N1睡眠阶段的检测准确率 | 睡眠脑电图数据 | 机器学习 | 睡眠障碍 | 脑电图 | CNN,LSTM,伪连体神经网络 | 单通道脑电图信号 | 四个数据集:Sleep-EDF-SC、Sleep-EDF-X、Sleep Heart Health Study、Haaglanden Medisch Centrum | NA | 挤压激励残差网络,CNN-LSTM混合架构 | 宏F1分数,N1睡眠阶段F1分数 | NA |
2834 | 2025-10-06 |
Knowledge-Driven Graph Representation Learning for Myocardial Infarction Localization
2025-Sep, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3574688
PMID:40434860
|
研究论文 | 提出一种知识驱动的图表示学习框架,用于心肌梗死定位任务 | 将医学先验知识融入深度学习模型,通过构建心肌梗死定位知识图谱来指导模型识别关键特征 | NA | 提高心肌梗死定位的准确性,特别是在罕见心肌梗死病例中的定位能力 | 心电图信号、心肌梗死患者 | 机器学习 | 心血管疾病 | 心电图分析 | 图表示学习 | 心电图信号、患者人口统计学信息 | PTB和PTBXL两个公共数据集 | NA | 基于边关系投影的知识图谱聚合方法 | F1-score | NA |
2835 | 2025-10-06 |
Using Deep Learning to Predict Cardiovascular Magnetic Resonance Findings From Echocardiographic Videos
2025-Sep, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography
IF:5.4Q1
DOI:10.1016/j.echo.2025.05.016
PMID:40451472
|
研究论文 | 本研究使用深度学习模型从超声心动图视频预测心脏磁共振的组织特征参数 | 首次尝试使用基于视频的卷积神经网络从超声心动图视频中推导CMR特有的组织特征参数 | 回顾性单中心研究,模型对LGE、T1、T2和ECV等组织特征的预测能力有限 | 评估深度学习模型从超声心动图视频检测CMR特定参数的性能 | 接受CMR和超声心动图检查的成年患者 | 计算机视觉 | 心血管疾病 | 超声心动图,心脏磁共振 | CNN | 视频 | 1,453名成年患者,2,556对配对研究 | NA | 基于视频的卷积神经网络 | AUC | NA |
2836 | 2025-10-06 |
Modeling decision-making during unprotected left turns using interpretable deep learning and uncertainty quantification
2025-Sep, Accident; analysis and prevention
DOI:10.1016/j.aap.2025.108136
PMID:40513415
|
研究论文 | 本研究通过可解释深度学习和不确定性量化方法分析驾驶员在无保护左转场景中的决策过程 | 首次从决策不确定性角度分析无保护左转决策机制,结合Transformer模型和SHAP解释方法识别关键变量 | 未明确说明实验数据的具体规模和采集环境,模型泛化能力有待进一步验证 | 探索无保护左转场景中驾驶员的决策机制及其与安全性的关系 | 驾驶员在无保护左转场景中的决策行为 | 机器学习 | NA | 深度学习,不确定性量化 | Transformer | 驾驶行为数据 | NA | NA | Transformer | Jensen-Shannon散度 | NA |
2837 | 2025-10-06 |
Recent advances in sMRI and artificial intelligence for presurgical planning in focal cortical dysplasia: A systematic review
2025-Sep, Journal of neuroradiology = Journal de neuroradiologie
DOI:10.1016/j.neurad.2025.101359
PMID:40517890
|
系统综述 | 系统回顾了结构磁共振成像和人工智能在局灶性皮质发育不良术前规划中的最新进展 | 首次系统评估AI技术在FCD检测中的应用效果,发现AI模型灵敏度可达97.1%,特异性达84.3%,匹配或超越放射科医生表现 | 模型性能因FCD类型和训练数据集而异,需要进一步的临床验证和算法优化 | 评估人工智能技术在局灶性皮质发育不良术前检测中的应用价值 | 局灶性皮质发育不良患者 | 医学影像分析 | 药物难治性癫痫 | 结构磁共振成像 | 机器学习,深度学习 | 医学影像 | 27篇符合纳入标准的全文文章 | NA | NA | 灵敏度,特异性,检测率 | NA |
2838 | 2025-10-06 |
DeepEM Playground: Bringing deep learning to electron microscopy labs
2025-Sep, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70005
PMID:40579897
|
研究论文 | 介绍了一个名为DeepEM Playground的交互式平台,旨在降低电子显微镜实验室使用深度学习的门槛 | 开发了首个专门针对电子显微镜实验室的交互式深度学习平台,无需编程经验即可训练和调整模型 | NA | 弥合深度学习研究与电子显微镜实验室实际应用之间的差距 | 电子显微镜研究人员 | 计算机视觉 | NA | 电子显微镜 | 深度学习模型 | 电子显微镜图像 | NA | NA | NA | NA | NA |
2839 | 2025-10-06 |
Deep learning for orbital fracture detection and reconstruction: A systematic review on diagnostic accuracy and surgical planning
2025-Sep, Journal of cranio-maxillo-facial surgery : official publication of the European Association for Cranio-Maxillo-Facial Surgery
DOI:10.1016/j.jcms.2025.06.008
PMID:40592670
|
系统综述 | 系统评估深度学习模型在眼眶骨折CT影像检测和重建中的诊断准确性、处理时间及手术规划作用 | 首次系统综述深度学习在眼眶骨折领域的应用,比较了U-Net、GAN和SPAK等不同架构的性能表现 | 纳入研究数量有限(仅5项),需要更多对比研究来标准化方法学和验证临床适用性 | 评估深度学习模型在眼眶骨折检测和重建中的效能 | 眼眶骨折患者的CT影像数据 | 计算机视觉 | 眼眶骨折 | CT成像 | U-Net, GAN | 医学影像 | NA | NA | U-Net, GAN, DenseNet, SPAK | 准确率, 灵敏度, 特异性, AUC, Dice系数, IoU | NA |
2840 | 2025-10-06 |
Cephalometric landmark detection using vision transformers with direct coordinate prediction
2025-Sep, Journal of cranio-maxillo-facial surgery : official publication of the European Association for Cranio-Maxillo-Facial Surgery
DOI:10.1016/j.jcms.2025.05.021
PMID:40603150
|
研究论文 | 提出使用视觉变换器直接预测坐标的头影测量标志点检测新方法 | 首次将视觉变换器与直接坐标预测相结合用于头影测量标志点检测,避免了传统热图预测方法的内存密集问题 | 未明确说明数据集的具体规模和多样性限制 | 开发更高效准确的头影测量标志点自动检测方法 | 侧位X射线图像中的头影测量标志点 | 计算机视觉 | 口腔正畸 | 深度学习 | Vision Transformer (ViT) | X射线图像 | NA | NA | Vision Transformer | 平均径向误差 | NA |