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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
281 | 2025-04-29 |
A Deep Transfer Learning-Based Visual Inspection System for Assembly Defects in Similar Types of Manual Tool Products
2025-Mar-07, Sensors (Basel, Switzerland)
DOI:10.3390/s25061645
PMID:40292690
|
研究论文 | 本研究提出了一种基于深度迁移学习的视觉检测系统,用于手动工具装配中的缺陷检测与分类 | 利用预训练的AlexNet架构进行迁移学习,显著减少了对新工具模型样本的需求并提高了检测效率 | 研究仅针对特定类型的手动工具(活动扳手)进行验证 | 开发高效的手动工具装配缺陷自动检测系统 | 活动扳手的装配缺陷 | 计算机视觉 | NA | 深度学习迁移学习 | R-CNN, AlexNet | 图像 | 三个装配站的数据(具体数量未明确说明) |
282 | 2025-04-29 |
Classification of Mycena and Marasmius Species Using Deep Learning Models: An Ecological and Taxonomic Approach
2025-Mar-07, Sensors (Basel, Switzerland)
DOI:10.3390/s25061642
PMID:40292694
|
研究论文 | 本研究开发了一种基于深度学习的框架,用于分类Mycena和Marasmius属的七种大型真菌物种,利用其独特的生态和形态特征 | 首次将SOM应用于真菌分类,并整合了CNN与KAN层以提升分类性能 | 未来工作需要优化KAN架构并扩展数据集以包含更多真菌类别 | 推进真菌分类学并增强生态理解 | Mycena和Marasmius属的七种大型真菌物种 | 计算机视觉 | NA | 深度学习 | CNN, SOM, KAN, MaxViT-S, ResNetV2-50 | 图像 | 七种大型真菌物种 |
283 | 2025-04-29 |
Deep Learning Ensemble Approach for Predicting Expected and Confidence Levels of Signal Phase and Timing Information at Actuated Traffic Signals
2025-Mar-07, Sensors (Basel, Switzerland)
DOI:10.3390/s25061664
PMID:40292747
|
研究论文 | 提出一种基于transformer编码器的深度学习集成方法,用于预测交通信号灯的信号相位与时间(SPaT)信息及其置信水平 | 结合transformer编码器与多种深度学习方法(MLP、LSTM、CNNLSTM)形成集成预测器,显著提升预测性能 | 研究仅在弗吉尼亚州Gallows Road走廊的六个交叉口进行验证,需要更多场景测试 | 提升绿灯最优速度建议(GLOSA)和生态协同自适应巡航控制(Eco-CACC)系统的性能 | 交通信号控制器的SPaT信息 | 智能交通系统 | NA | 深度学习集成方法 | Transformer encoder, MLP, LSTM, CNNLSTM | 交通信号时序数据 | 弗吉尼亚州Gallows Road走廊六个交叉口的交通信号数据 |
284 | 2025-04-29 |
Design and Implementation of ESP32-Based Edge Computing for Object Detection
2025-Mar-07, Sensors (Basel, Switzerland)
DOI:10.3390/s25061656
PMID:40292726
|
研究论文 | 本文探讨了ESP32微控制器在边缘计算中的应用,重点介绍了边缘服务器系统的设计与实现,以评估通过集成边缘和云计算所实现的性能改进 | 通过集成AI和IoT,设计和实现了基于ESP32的边缘服务器系统,显著降低了带宽使用和延迟,有效减轻了云服务器的负担 | 讨论了系统的优势和局限性,并提出了潜在的改进和未来应用方向 | 减少云计算负担和延迟,提升边缘计算效率 | ESP32微控制器、边缘服务器系统、深度学习模型 | 边缘计算、物联网 | NA | 深度学习、MQTT通信协议 | 深度学习模型(未具体说明类型) | 图像数据 | 未明确说明样本数量 |
285 | 2025-04-29 |
Three-Dimensional Point Cloud Applications, Datasets, and Compression Methodologies for Remote Sensing: A Meta-Survey
2025-Mar-07, Sensors (Basel, Switzerland)
DOI:10.3390/s25061660
PMID:40292730
|
meta-survey | 本文对3D点云在遥感中的应用、可用数据集及压缩方法进行了全面综述 | 综合了以往综述和原创研究,识别了新兴趋势、挑战和机遇 | NA | 推动点云在遥感中的应用 | 3D点云在遥感中的应用、数据集及压缩方法 | 遥感 | NA | 深度学习 | DL-based | 3D点云数据 | NA |
286 | 2025-04-29 |
Deep learning in GPCR drug discovery: benchmarking the path to accurate peptide binding
2025-Mar-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf186
PMID:40285358
|
research paper | 本文评估了深度学习在预测G蛋白偶联受体(GPCRs)与其内源性肽配体相互作用中的应用,并比较了多种深度学习工具的性能 | 通过比较多种深度学习工具在GPCR与肽配体相互作用预测中的表现,提出了一个实用的模型选择指南,并创建了一个独立的基准测试集 | 竞争性锦标赛方法虽然加速了性能,但降低了真阳性恢复率 | 评估深度学习模型在GPCR药物发现中的准确性和实用性 | G蛋白偶联受体(GPCRs)及其内源性肽配体 | machine learning | NA | 深度学习(DL) | AlphaFold 2.3 (AF2), AlphaFold 3 (AF3), Chai-1, NeuralPLexer, RoseTTAFold-AllAtom, Peptriever, ESMFold, D-SCRIPT | protein sequences and structures | 124 ligands and 1240 decoys, 67 recent complexes |
287 | 2025-04-29 |
Aminoacyl-tRNA synthetase urzymes optimized by deep learning behave as a quasispecies
2025-Mar, Structural dynamics (Melville, N.Y.)
DOI:10.1063/4.0000294
PMID:40290414
|
research paper | 利用深度学习优化氨酰-tRNA合成酶原酶,使其表现出类似准种的行为 | 使用ProteinMPNN和AlphaFold2深度学习算法重新设计优化的LeuAC原酶,显著提高了溶解度和催化能力 | 仅测试了8种变体,样本量较小 | 探索遗传编码起源的蛋白质设计 | 氨酰-tRNA合成酶原酶 | machine learning | NA | ProteinMPNN, AlphaFold2 | 深度学习 | 蛋白质序列 | 8种变体 |
288 | 2025-04-29 |
Artificial Intelligence-Driven Approaches to Endoscopic Gastric Cancer Detection: Current Progress and Future Directions
2025-Mar, Cureus
DOI:10.7759/cureus.81194
PMID:40291198
|
research paper | 本文探讨了人工智能在胃镜胃癌检测中的当前进展和未来方向 | 利用深度学习模型(如CNN)提升胃镜检测胃癌的准确性和标准化评估 | 数据质量、假阳性/假阴性、地域偏见和监管障碍等问题仍需解决 | 提高胃癌的早期检测率,优化临床工作流程 | 胃癌患者的内窥镜图像 | digital pathology | gastric cancer | deep learning | CNN | image | NA |
289 | 2025-04-29 |
The Role of Artificial Intelligence in the Prediction, Diagnosis, and Management of Cardiovascular Diseases: A Narrative Review
2025-Mar, Cureus
DOI:10.7759/cureus.81332
PMID:40291312
|
review | 本文综述了人工智能在心血管疾病预测、诊断和管理中的作用及其面临的挑战 | 探讨了AI技术(特别是机器学习和深度学习)在分析大规模数据集、提高诊断准确性和优化治疗策略方面的变革潜力 | AI实施面临监管、隐私、人群验证等障碍,以及系统互操作性和临床医生接受度的问题 | 探索AI在心血管护理中的应用、当前使用的局限性以及未来整合以改善患者预后 | 心血管疾病(CVDs) | machine learning | cardiovascular disease | machine learning, deep learning | NA | massive datasets | NA |
290 | 2025-04-29 |
Proposal for a Method for Assessing the Quality of an Updated Deep Learning-Based Automatic Segmentation Program
2025-Mar, Cureus
DOI:10.7759/cureus.81307
PMID:40291313
|
research paper | 本研究旨在验证商业深度学习自动分割(DLS)方法在更新后是否能保持轮廓几何精度,并提出一种简化验证方法以减少临床工作负担 | 提出了一种简化验证方法,用于评估更新后的深度学习自动分割程序的质量,同时减少对临床工作流程的负担 | 研究中28个轮廓中有9个器官未满足既定标准,表明某些器官的轮廓质量在更新后有所下降 | 验证商业深度学习自动分割方法在更新后的几何精度,并简化验证流程 | 头颈、胸部、腹部和盆腔区域的28个器官 | digital pathology | NA | deep learning-based automatic segmentation (DLS) | NA | CT imaging | 109名参与者 |
291 | 2025-04-29 |
Influence of early through late fusion on pancreas segmentation from imperfectly registered multimodal magnetic resonance imaging
2025-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.2.024008
PMID:40291815
|
research paper | 研究早期到晚期融合对不完美配准的多模态磁共振图像中胰腺分割的影响 | 探讨了在深度学习模型中不同融合点对不完美配准的多模态图像分割性能的影响,并发现最佳融合点因模型而异 | 在腹部图像对不完美配准的情况下,融合带来的性能提升较小,且最佳融合点依赖于具体模型 | 研究多模态融合在胰腺分割中的应用,以改善对糖尿病等疾病的研究能力 | 胰腺及周围腹部解剖结构 | digital pathology | diabetes | multimodal magnetic resonance imaging (MRI) | UNet, nnUNet | image | 353 pairs of T2-weighted and T1-weighted abdominal MR images from 163 subjects |
292 | 2025-04-29 |
Improving radiologist detection of meniscal abnormality on undersampled, deep learning reconstructed knee MRI
2025-Mar, Radiology advances
DOI:10.1093/radadv/umaf015
PMID:40291992
|
研究论文 | 评估人工智能辅助工具在放射科医生解读欠采样深度学习重建膝关节MRI中半月板异常的效果 | 使用AI辅助工具提高放射科医生在欠采样深度学习重建图像上的半月板异常检测性能 | 研究为回顾性设计,样本量有限(896名参与者) | 评估AI辅助工具对放射科医生诊断半月板异常的影响,并分析重建质量指标与异常检测性能的关系 | 膝关节MRI图像中的半月板异常 | 数字病理学 | 骨科疾病 | 深度学习重建 | 目标检测模型 | MRI图像 | 896名参与者(平均年龄44.7±15.3岁,472名女性) |
293 | 2025-04-29 |
Improved in Silico Identification of Protein-Protein Interactions Using Deep Learning Approach
2025 Jan-Dec, IET systems biology
IF:1.9Q3
DOI:10.1049/syb2.70008
PMID:40275540
|
研究论文 | 本文提出了一种名为Deep_PPI的新型深度学习模型,用于预测多种物种的蛋白质-蛋白质相互作用 | 开发了Deep_PPI模型,采用双卷积头结构和二进制轮廓编码技术,显著提升了蛋白质-蛋白质相互作用的预测性能 | 虽然模型性能优于现有方法,但仍需进一步验证其在更广泛物种和复杂相互作用中的适用性 | 提高蛋白质-蛋白质相互作用的计算机预测准确性 | 多种生物的蛋白质序列(包括人类、线虫、大肠杆菌等) | 生物信息学 | 癌症、自身免疫性疾病、恶性贫血等 | 深度学习、二进制轮廓编码 | CNN(一维卷积神经网络) | 蛋白质序列数据 | 多种物种数据集(人类、线虫、大肠杆菌等) |
294 | 2025-04-29 |
A divide-and-conquer approach based on deep learning for long RNA secondary structure prediction: Focus on pseudoknots identification
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0314837
PMID:40279361
|
research paper | 提出了一种基于深度学习的DivideFold方法,用于预测长RNA的二级结构,特别是假结 | 采用分治法递归地将长RNA序列分割成小片段,利用现有模型预测假结,解决了长RNA序列和假结预测的计算挑战和精度问题 | 未明确提及具体局限性 | 提高长RNA二级结构及假结的预测准确性 | 长RNA序列及其二级结构,特别是假结 | computational biology | NA | deep learning | DivideFold | RNA序列数据 | 未明确提及具体样本量 |
295 | 2025-04-29 |
Towards sustainable architecture: Enhancing green building energy consumption prediction with integrated variational autoencoders and self-attentive gated recurrent units from multifaceted datasets
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0317514
PMID:40279377
|
研究论文 | 提出了一种结合时间依赖变分自编码器和自适应门控自注意力GRU的深度学习框架,用于绿色建筑能耗预测 | 整合了自注意力机制和多任务学习策略,以捕捉能耗时间序列数据中的长期依赖和复杂模式,同时优化预测准确性和异常检测 | 仅在两套公开的绿色建筑能耗数据集上进行了验证,可能在其他数据集上的泛化能力有待进一步测试 | 开发有效的能源管理和节能策略,促进建筑行业的可持续发展和减排 | 绿色建筑的能耗数据 | 机器学习 | NA | 时间依赖变分自编码器(TD-VAE)、自适应门控自注意力GRU(AGSA-GRU)、多任务学习(MTL) | TD-VAE、AGSA-GRU | 时间序列数据 | 两套公开的绿色建筑能耗数据集 |
296 | 2025-04-29 |
Synthetic fibrosis distributions for data augmentation in predicting atrial fibrillation ablation outcomes: an in silico study
2025, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2025.1512356
PMID:40290188
|
研究论文 | 本研究利用去噪扩散概率模型生成合成纤维化分布,以增强深度学习预测心房颤动消融结果的数据集 | 使用去噪扩散概率模型生成合成纤维化分布,并通过生物物理模拟扩增训练数据集,以提高深度学习模型的预测性能 | 研究基于计算机模拟,尚未在真实患者数据中验证其临床适用性 | 提高深度学习模型预测心房颤动消融结果的准确性 | 心房颤动患者的纤维化分布及消融策略效果 | 数字病理学 | 心血管疾病 | LGE-MRI, 去噪扩散概率模型, 生物物理模拟 | 深度学习, 去噪扩散概率模型 | 图像, 模拟数据 | 100个真实LGE-MRI分布用于训练模型,生成1000个双心房网格用于模拟 |
297 | 2025-04-29 |
The current status and future directions of artificial intelligence in the prediction, diagnosis, and treatment of liver diseases
2025 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076251325418
PMID:40290269
|
review | 本文综述了人工智能在肝病预测、诊断和治疗中的当前应用及未来发展方向 | 强调了机器学习和深度学习算法在肝病领域的应用进展 | 指出了该领域面临的挑战,包括需要大规模数据集、鲁棒算法和临床实践中的伦理考虑 | 探讨人工智能在肝病预测、诊断和治疗中的应用及其未来发展方向 | 肝病 | machine learning | liver disease | machine learning, deep learning | NA | NA | NA |
298 | 2025-04-29 |
A deep learning-assisted automatic measurement of tear meniscus height on ocular surface images and its application in myopia control
2025, Frontiers in bioengineering and biotechnology
IF:4.3Q2
DOI:10.3389/fbioe.2025.1554432
PMID:40291564
|
research paper | 本研究开发了一种深度学习模型,用于自动测量眼表图像中的泪液半月板高度(TMH),以提高近视控制方法相关干眼症初步筛查的效率和准确性 | 首次应用深度学习模型自动测量泪液半月板高度,提高了测量效率和准确性,避免了传统手动测量的主观性和低效问题 | 研究仅使用了OCULUS Keratograph 5M采集的眼表图像,未验证在其他设备上的适用性 | 开发自动测量泪液半月板高度的深度学习模型,用于近视控制方法相关干眼症的筛查 | 眼表图像中的泪液半月板高度 | digital pathology | myopia | deep learning | CNN | image | 1,200张眼表图像(训练集840张,验证集240张,测试集120张,外加100张外部验证集) |
299 | 2025-04-29 |
Hybrid deep learning method to identify key genes in autism spectrum disorder
2025 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.12104
PMID:40292027
|
研究论文 | 本研究采用混合深度学习方法识别与自闭症谱系障碍(ASD)相关的关键基因 | 结合图卷积网络和逻辑回归的混合深度学习方法,有效识别ASD关键基因,并通过SI模型验证其感染能力 | 未提及方法在其他神经发育障碍中的普适性验证 | 识别与自闭症谱系障碍相关的关键基因 | 自闭症谱系障碍相关基因 | 机器学习 | 自闭症谱系障碍 | 图卷积网络, 逻辑回归, SI模型 | GCN, Logistic Regression | 基因互作网络数据 | NA |
300 | 2025-04-29 |
Deep learning-based classification of gallbladder lesions in patients with non-diagnostic (GB-RADS 0) ultrasound
2024-Dec, Clinical and experimental hepatology
IF:1.5Q3
DOI:10.5114/ceh.2024.145424
PMID:40290528
|
研究论文 | 本研究评估了深度学习模型在非诊断性超声图像中对胆囊病变进行分类的诊断性能 | 首次在非诊断性胆囊超声图像中应用多种深度学习模型(包括CNN、Transformer及混合模型)进行良恶性分类 | 模型性能仍需进一步提升以达到临床应用标准,测试样本量较小(26名患者) | 提高非诊断性胆囊超声(GB-RADS 0)中病变的良恶性分类准确性 | 因胆囊因素导致超声检查非诊断性的患者 | 数字病理 | 胆囊疾病 | 超声成像 | ResNet50, GBCNet, ViT, RadFormer, MedViT | 图像 | 训练集1004张图像,验证集251张图像,测试集26名患者(304张图像) |