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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
4801 | 2025-10-06 |
Detection of subclinical atherosclerosis by image-based deep learning on chest X-ray
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf033
PMID:40703133
|
研究论文 | 开发基于胸部X光片的深度学习系统用于检测亚临床动脉粥样硬化 | 首次利用常规胸部X光片通过深度学习预测冠状动脉钙化评分,为无创检测亚临床动脉粥样硬化提供新方法 | 需要在前瞻性研究中进一步验证,样本量相对有限(540例) | 开发基于深度学习的冠状动脉钙化评分预测系统 | 一级预防患者群体 | 计算机视觉 | 心血管疾病 | 胸部X光摄影,胸部计算机断层扫描 | 深度学习 | 医学影像 | 460例训练和内部验证,90例外部验证,总计540例 | NA | AI-CAC模型 | AUC, 敏感性, 阴性预测值 | NA |
4802 | 2025-10-06 |
Explainable AI for Cotton Leaf Disease Classification: A Metaheuristic-Optimized Deep Learning Approach
2025-Jul, Food science & nutrition
IF:3.5Q2
DOI:10.1002/fsn3.70658
PMID:40703612
|
研究论文 | 提出一种结合元启发式优化的可解释深度学习框架用于棉花叶部病害分类 | 结合EfficientNetB3和InceptionResNetV2的混合架构,并集成LIME和SHAP等可解释AI技术增强模型透明度 | NA | 开发可靠、可解释且适用于田间应用的棉花叶部病害诊断工具 | 棉花叶部病害图像 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | NA | NA | EfficientNetB3,InceptionResNetV2 | 准确率,精确率,召回率,F1分数,AUC-ROC | NA |
4803 | 2025-10-06 |
Multistage attention-based extraction and fusion of protein sequence and structural features for protein function prediction
2025-Jul-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf374
PMID:40569190
|
研究论文 | 提出一种基于多阶段注意力机制的蛋白质功能预测框架MAEF-GO,通过融合蛋白质序列和结构特征提升预测性能 | 创新性地整合图卷积网络和图注意力网络提取结构特征,引入频域注意力机制捕获长程依赖,并采用交叉注意力模块实现多模态交互融合 | 未明确说明模型在特定蛋白质家族或功能类别上的泛化能力限制 | 开发能够更全面描述蛋白质功能的深度学习预测模型 | 蛋白质功能预测 | 生物信息学 | NA | 蛋白质序列分析,结构特征提取 | 图卷积网络(GCN),图注意力网络(GAT),注意力机制 | 蛋白质序列数据,结构数据 | NA | PyTorch | 多阶段注意力机制,交叉注意力模块 | 准确性,精确度,召回率,F1分数,AUC | NA |
4804 | 2025-10-06 |
DeepFace: A High-Precision and Scalable Deep Learning Pipeline for Predicting Large-Scale Brain Activity from Facial Dynamics in Mice
2025-Jun-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.10.658952
PMID:40661434
|
研究论文 | 介绍DeepFace这一新一代面部分析流程,用于提升小鼠面部动态追踪和皮层活动预测能力 | 在DeepLabCut和Facemap基础上构建,解决可扩展性瓶颈并改进行为量化,提供高精度、关键点定制化以及跨多种GCaMP系列的稳健性能 | NA | 开发高精度可扩展的深度学习流程,从小鼠面部动态预测大规模脑活动 | 小鼠 | 计算机视觉 | NA | 深度学习,面部动态分析 | 深度学习模型 | 面部动态视频数据 | 大规模小鼠样本 | NA | NA | 精度,稳健性 | 高性能计算兼容,可扩展批处理 |
4805 | 2025-10-06 |
Spatial multi-omics and deep learning reveal fingerprints of immunotherapy response and resistance in hepatocellular carcinoma
2025-Jun-12, bioRxiv : the preprint server for biology
DOI:10.1101/2025.06.11.656869
PMID:40661489
|
研究论文 | 本研究通过空间多组学技术和深度学习揭示肝细胞癌免疫治疗应答与耐药的特征图谱 | 开发了可解释的多模态深度学习框架,结合空间转录组和蛋白质组数据识别免疫治疗应答的关键特征,并发现非应答者中限制性细胞外基质因子形成的界面生态位 | 研究样本量有限,需要在更大队列中验证发现的特征 | 探索肝细胞癌免疫治疗应答和耐药的分子机制 | 人类肝细胞癌组织样本(免疫治疗前后采集) | 数字病理学 | 肝细胞癌 | 空间转录组学, 空间蛋白质组学 | 图神经网络 | 空间多组学数据 | NA | NA | 图神经网络 | ROC-AUC | NA |
4806 | 2025-10-06 |
Upper Airway Volume Predicts Brain Structure and Cognition in Adolescents
2025-Jun-03, American journal of respiratory and critical care medicine
IF:19.3Q1
DOI:10.1164/rccm.202409-1748OC
PMID:40460372
|
研究论文 | 本研究通过深度学习分析MRI图像,发现上呼吸道体积可预测青少年大脑结构和认知能力 | 首次在大型儿科队列中应用深度学习进行上呼吸道分割,并建立上呼吸道体积与认知功能及脑结构的关联 | 观察性研究设计无法确定因果关系,结果主要基于相关性分析 | 评估MRI衍生的上呼吸道体积与儿童认知功能和区域皮质灰质体积的关系 | 11,875名9-10岁青少年 | 数字病理 | 睡眠呼吸障碍 | 磁共振成像 | 深度学习 | MRI图像 | 11,875名儿童,5,552,640个脑部MRI切片 | NA | NA | 均值差异, 95%置信区间, P值 | NA |
4807 | 2025-10-06 |
Genome structure mapping with high-resolution 3D genomics and deep learning
2025-May-07, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.06.650874
PMID:40654659
|
研究论文 | 本文介绍了一种结合高分辨率3D基因组学和深度学习的方法,用于预测细胞类型特异性的3D基因组结构 | 开发了基于注意力机制的深度学习模型Cleopatra,通过预训练和微调策略实现亚千碱基级别的3D基因组图谱预测 | 方法依赖于特定类型的表观基因组数据,可能无法完全覆盖所有细胞类型的复杂性 | 建立超高分辨率3D基因组图谱预测框架,研究细胞类型特异性基因调控机制 | 四种人类细胞类型的3D基因组结构 | 机器学习 | NA | 区域捕获微C技术(RCMC), 微C技术(Micro-C), 表观基因组分析 | 深度学习, 注意力机制 | 表观基因组数据, 3D基因组接触图谱 | 四种人类细胞类型 | NA | 基于注意力的深度学习架构 | 预测准确性, 分辨率 | NA |
4808 | 2025-10-06 |
High-Performance Method and Architecture for Attention Computation in DNN Inference
2025-04, IEEE transactions on biomedical circuits and systems
IF:3.8Q2
DOI:10.1109/TBCAS.2024.3436837
PMID:39088504
|
研究论文 | 提出一种基于存内计算的在线可编程注意力硬件架构,用于深度神经网络推理中的注意力计算 | 将注意力计算分解为级联组合矩阵运算降低硬件复杂度,设计在线可编程CIM架构通过动态调整权重提高计算精度 | 基于100nm CMOS工艺验证,尚未在实际医疗影像应用中测试 | 解决注意力机制在硬件部署中的高资源消耗和低精度问题 | 深度神经网络中的注意力计算硬件架构 | 机器学习 | NA | 存内计算(CIM) | DNN | NA | NA | NA | Attention | 集成密度, 能效, 延迟, 计算效率 | 100nm CMOS工艺, Spice仿真 |
4809 | 2025-10-06 |
Comparative evaluation of deep learning architectures, including UNet, TransUNet, and MIST, for left atrium segmentation in cardiac computed tomography of congenital heart diseases
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00087
PMID:40703371
|
研究论文 | 比较UNet、TransUNet和MIST三种深度学习架构在先天性心脏病心脏CT图像左心房分割中的性能 | 首次系统比较三种深度学习架构在先天性心脏病左心房分割中的表现,并深入分析MIST模型中空间注意力机制的有效性 | MIST模型计算开销较大,临床实际部署存在困难 | 评估不同深度学习模型在心脏CT图像左心房分割中的性能差异 | 先天性心脏病患者的左心房 | 计算机视觉 | 心血管疾病 | 心脏计算机断层扫描 | 深度学习 | 医学图像 | 108个公开可用的CT体积数据,其中97例用于训练验证,11例用于测试 | NA | UNet, TransUNet, MIST | Dice分数, HD95 | NA |
4810 | 2025-10-06 |
Development of automatic organ segmentation based on positron-emission tomography analysis system using Swin UNETR in breast cancer patients in Korea
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00094
PMID:40703367
|
研究论文 | 开发基于Swin UNETR的PET自动器官分割系统,用于韩国乳腺癌患者的标准化SUV评估 | 首次将Swin UNETR模型应用于乳腺癌患者PET影像的自动器官分割,实现全器官SUV分析的标准化 | 样本量有限(总样本60例),仅针对韩国人群进行研究 | 通过深度学习标准化核医学影像中的SUV评估,提高乳腺癌诊断和预后准确性 | 乳腺癌患者的关键器官(乳腺、肝脏、脾脏和骨髓) | 数字病理 | 乳腺癌 | PET(正电子发射断层扫描) | Swin UNETR | 医学影像 | 60例患者(训练集40例,验证集10例,独立测试集10例) | PyTorch | Swin UNETR | 分割准确度 | NA |
4811 | 2025-10-06 |
Cyclic dual latent discovery for improved blood glucose prediction through patient-provider interaction modeling: a prediction study
2025-Apr, Ewha medical journal
IF:0.3Q3
DOI:10.12771/emj.2025.00332
PMID:40703385
|
研究论文 | 提出一种循环双潜在发现(CDLD)深度学习框架,通过建模患者-医护人员交互来改进血糖水平预测 | 首次将患者-医护人员交互建模引入血糖预测框架,采用循环训练机制交替更新患者和医护人员的潜在表示 | 仅使用ICU患者数据,可能限制模型在普通糖尿病患者的泛化能力 | 提高血糖变异性预测准确性以改善糖尿病管理 | ICU患者及其与医护人员的交互记录 | 机器学习 | 糖尿病 | 深度学习 | 深度学习框架 | 电子健康记录,患者-医护人员交互数据 | 来自MIMIC-IV v3.0数据库的约5,014个患者-医护人员交互实例 | NA | 循环双潜在发现(CDLD) | 均方根误差(RMSE) | NA |
4812 | 2025-10-06 |
Physics-Informed Autoencoder for Prostate Tissue Microstructure Profiling with Hybrid Multidimensional MRI
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240167
PMID:39907585
|
研究论文 | 本研究评估了物理信息自编码器在利用混合多维MRI测量前列腺癌组织生物标志物方面的性能 | 将三室扩散弛豫模型与混合多维MRI整合到自监督深度学习模型中,无需大量训练数据即可预测组织特异性生物标志物 | 回顾性研究设计,样本量相对较小(21名患者) | 开发准确、非侵入性且可解释的人工智能方法用于前列腺癌检测 | 前列腺癌患者和前列腺组织 | 数字病理 | 前列腺癌 | 混合多维MRI, MR扩散加权成像 | 自编码器, 深度学习 | MRI图像 | 21名前列腺癌患者(平均年龄60岁±6.6,全部男性),71个感兴趣区域 | NA | 堆叠自编码器 | 组内相关系数, Pearson相关系数 | NA |
4813 | 2025-10-06 |
RVDLAHA: An RISC-V DLA Hardware Architecture for On-Device Real-Time Seizure Detection and Personalization in Wearable Applications
2025-02, IEEE transactions on biomedical circuits and systems
IF:3.8Q2
DOI:10.1109/TBCAS.2024.3442250
PMID:39137083
|
研究论文 | 提出一种用于可穿戴设备的实时癫痫发作检测与个性化硬件架构RVDLAHA | 开发了支持算法个性化的RISC-V深度学习加速器硬件架构和专用编译器 | 仅在实验室大鼠动物实验中验证,尚未进行人体临床试验 | 实现可穿戴设备上的实时癫痫发作检测与个性化算法 | 癫痫发作检测 | 机器学习 | 神经系统疾病 | CNN推理加速 | CNN | 生理信号数据 | 实验室大鼠实验数据 | 自定义RVDLA编译器 | CNN | 准确率 | Xilinx PYNQ-Z2 FPGA平台,工作频率1MHz,功耗0.107W |
4814 | 2025-10-06 |
Real-time intraoperative ultrasound registration for accurate surgical navigation in patients with pelvic malignancies
2025-Feb, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03299-5
PMID:39633142
|
研究论文 | 本研究开发并评估了多种实时术中超声配准方法,用于盆腔恶性肿瘤手术导航 | 开发了基于深度学习的实时术中超声骨骼和动脉分割方法,实现了快速准确的术中配准 | 术中超声存在用户依赖性,需要直观的软件支持才能达到最佳临床实施效果 | 开发准确快速的术中配准方法以改善盆腔恶性肿瘤手术导航效果 | 盆腔恶性肿瘤患者 | 医学影像分析 | 盆腔恶性肿瘤 | 术中超声,深度学习分割 | 深度学习 | 超声图像 | 30名患者 | NA | NA | Dice系数,平均表面距离,目标配准误差 | NA |
4815 | 2025-10-06 |
Active learning of enhancers and silencers in the developing neural retina
2025-Jan-15, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2024.12.004
PMID:39778579
|
研究论文 | 本研究开发了一种主动学习方法,用于训练能够区分神经视网膜发育中增强子和沉默子的深度学习模型 | 将主动学习与合成生物学相结合,通过不确定性采样生成多轮训练数据,解决了传统模型无法解释相同转录因子在不同环境中具有相反功能的问题 | 模型主要针对CRX结合位点进行研究,可能不适用于其他转录因子或调控元件 | 开发能够准确区分增强子和沉默子的深度学习模型 | 光感受器转录因子CRX的结合位点 | 机器学习 | NA | 大规模并行报告基因检测 | 深度学习 | 基因组序列 | 几乎所有基因组中结合的CRX位点 | NA | NA | NA | NA |
4816 | 2025-10-06 |
Data augmentation of time-series data in human movement biomechanics: A scoping review
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0327038
PMID:40591732
|
综述 | 对生物力学时间序列数据增强技术进行范围综述,分析当前方法并评估其有效性 | 首次系统综述生物力学领域时间序列数据增强技术的应用现状与挑战 | 仅纳入21篇相关文献,缺乏对数据增强方法的统一评估标准 | 评估生物力学时间序列数据增强技术的现状、效果和应用建议 | 2013-2024年间发表的生物力学时间序列数据增强研究 | 生物力学 | NA | 数据增强技术 | NA | 时间序列数据 | 21篇相关出版物 | NA | NA | NA | NA |
4817 | 2025-10-06 |
A deep learning software tool for automated sleep staging in rats via single channel EEG
2025, NPP - digital psychiatry and neuroscience
DOI:10.1038/s44277-025-00035-y
PMID:40656054
|
研究论文 | 开发了一种基于深度学习的软件工具,用于通过单通道脑电图对大鼠睡眠阶段进行自动分类 | 首次开发专门针对大鼠单通道脑电图数据的深度学习睡眠分期工具,提供超过700小时的专家标注睡眠数据 | 仅使用单通道脑电图数据,样本量相对较小(16只大鼠) | 开发自动化睡眠阶段分类方法以替代耗时的人工标注 | 大鼠睡眠脑电图数据 | 机器学习 | 睡眠障碍 | 脑电图 | DNN | 脑电图时间序列数据 | 16只大鼠,每只进行两次24小时记录会话 | NA | 深度神经网络 | F1分数 | NA |
4818 | 2025-10-06 |
Closed-Loop Transcranial Ultrasound Stimulation Based on Deep Learning Effectively Suppresses Epileptic Seizures in Mice
2025, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2025.3589089
PMID:40658582
|
研究论文 | 本研究开发了一种基于深度学习的闭环经颅超声刺激系统,用于实时检测并抑制小鼠癫痫发作 | 首次将深度学习与经颅超声刺激结合构建闭环系统,实现癫痫信号的实时识别与动态干预 | 研究仅使用青霉素诱导的癫痫小鼠模型,未验证其他癫痫模型的有效性 | 开发能动态响应癫痫发作的闭环神经调控系统 | 青霉素诱导的癫痫小鼠海马区 | 机器学习 | 癫痫 | 经颅超声刺激 | 深度学习网络 | 神经信号 | 未明确说明具体样本数量的小鼠实验 | NA | NA | 癫痫信号识别准确率、发作放电率、功率强度、相位-幅度耦合、样本熵 | NA |
4819 | 2025-10-06 |
Detecting early gastrointestinal polyps in histology and endoscopy images using deep learning
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1571075
PMID:40703309
|
研究论文 | 提出一种基于深度学习的三阶段方法用于早期胃肠道息肉检测 | 开发了结合编码器-解码器网络、预训练模型和SVM分类器的三阶段深度学习框架 | InceptionV3模型性能略低于其他模型,未说明具体原因 | 早期胃肠道癌变检测 | 胃肠道息肉 | 计算机视觉 | 胃肠道癌 | 深度学习 | CNN, SVM | 图像 | 5个数据集(CRC-VAL-HE-7K、CRC-VAL-HE-100K、Kvasir_v2、北京肿瘤医院数据集、弱标注数据集) | NA | 编码器-解码器网络, VGG16, VGG19, ResNet50, InceptionV3 | 准确率 | NA |
4820 | 2025-10-06 |
Integrating pathomics and deep learning for subtyping uveal melanoma: identifying high-risk immune infiltration profiles
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1585097
PMID:40703526
|
研究论文 | 本研究结合病理组学和深度学习技术对葡萄膜黑色素瘤进行亚型分型,识别高风险免疫浸润特征 | 首次将无监督学习技术与深度学习模型相结合,识别出葡萄膜黑色素瘤的高免疫浸润亚型,并基于死亡率风险改进患者分层方法 | 样本量相对有限(训练集70例,验证集68例),需要更大规模的多中心研究验证 | 利用无监督学习技术识别葡萄膜黑色素瘤的高免疫浸润亚型,基于死亡率风险改进患者分层 | 葡萄膜黑色素瘤患者 | 数字病理学 | 葡萄膜黑色素瘤 | H&E染色全玻片图像分析,基因组数据分析 | 深度学习,无监督学习 | 病理图像,基因组数据,临床数据 | 训练集70例(来自GDC数据库),验证集68例(来自华西医院) | CellProfiler | Inception-V3 | 生存预测准确性,患者分类准确性 | NA |