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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
5581 | 2024-10-17 |
Editorial: Deep learning methods and applications in brain imaging for the diagnosis of neurological and psychiatric disorders
2024, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2024.1497417
PMID:39411146
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
5582 | 2025-10-06 |
A deep learning algorithm to detect cutaneous squamous cell carcinoma on frozen sections in Mohs micrographic surgery: A retrospective assessment
2024-Jan, Experimental dermatology
IF:3.5Q1
DOI:10.1111/exd.14949
PMID:37864429
|
研究论文 | 开发并评估用于检测莫氏显微手术中皮肤鳞状细胞癌的深度学习算法 | 首次开发针对皮肤鳞状细胞癌冰冻切片的实时组织学边缘分析AI算法 | 对高分化肿瘤的独特表皮景观敏感性不足,需要进一步算法改进 | 开发用于皮肤鳞状细胞癌实时组织学边缘分析的AI算法 | 皮肤鳞状细胞癌冰冻切片样本 | 数字病理学 | 皮肤鳞状细胞癌 | 冰冻切片技术 | CNN | 病理图像 | NA | NA | 卷积神经网络工作流 | 准确率 | NA |
5583 | 2025-10-06 |
Workshop summaries from the 2024 voice AI symposium, presented by the Bridge2AI-voice consortium
2024, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2024.1484818
PMID:39540145
|
研讨会总结 | 总结了2024年语音AI研讨会中关于语音生物标志物和人工智能在医疗领域应用的最新进展 | 通过多学科研讨会探讨语音生物标志物国际标准化、AI解决方案实际部署和伦理实践等前沿议题 | 面临数据变异性、安全性和可扩展性等挑战,需要改进数据收集标准和模型鲁棒性 | 推动语音生物标志物和AI在医疗领域的开发与应用 | 语音生物标志物、AI医疗应用、语音障碍辅助技术 | 自然语言处理,机器学习 | 语音障碍 | 语音信号处理,深度学习,MLOps | 深度学习模型 | 语音数据 | NA | Whisper,ChatGPT | NA | NA | NA |
5584 | 2025-10-06 |
Deep learning, 3D ultrastructural analysis reveals quantitative differences in platelet and organelle packing in COVID-19/SARSCoV2 patient-derived platelets
2023-Dec, Platelets
IF:2.5Q2
DOI:10.1080/09537104.2023.2264978
PMID:37933490
|
研究论文 | 本研究通过深度学习辅助的3D超微结构分析,揭示了COVID-19患者血小板及其细胞器包装密度的定量差异 | 首次结合聚焦离子束扫描电镜和深度学习方法,对COVID-19患者血小板进行3D超微结构定量分析 | 样本量有限(仅3名健康对照和3名重症COVID-19患者) | 研究血小板形态及其细胞器对理解血小板过度活化和微凝血的诊断价值 | 人类血小板及其α颗粒和线粒体 | 数字病理 | COVID-19 | 聚焦离子束扫描电镜(FIB-SEM) | 深度学习 | 3D超微结构图像 | 约600个单个血小板和30000个细胞器(来自3名健康对照和3名COVID-19患者) | NA | NA | NA | NA |
5585 | 2025-10-06 |
The Overlooked Role of Specimen Preparation in Bolstering Deep Learning-Enhanced Spatial Transcriptomics Workflows
2023-Oct-09, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.10.09.23296700
PMID:37873287
|
研究论文 | 本研究探讨了改进的样本制备流程对深度学习增强空间转录组学分析性能的影响 | 提出了一种增强的样本处理工作流程,通过自动化H&E染色、高分辨率全玻片成像和多患者样本多重分析来提高空间转录组学数据的质量和一致性 | 研究队列规模较小(仅13名患者),训练深度学习模型成本较高 | 评估改进的样本制备流程在深度学习增强空间转录组学分析中的效果 | 13名pT3期结直肠癌患者的组织样本 | 数字病理学 | 结直肠癌 | 空间转录组学,H&E染色,全玻片成像 | CNN | 组织图像,基因表达数据 | 13名结直肠癌患者 | NA | Inceptionv3 | 统计精度,拓扑一致性 | NA |
5586 | 2025-10-06 |
LSOR: Longitudinally-Consistent Self-Organized Representation Learning
2023-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-031-43907-0_27
PMID:37961067
|
研究论文 | 提出一种基于纵向脑部MRI的自监督自组织映射方法,用于生成可解释的潜在表征 | 首个自监督SOM方法,通过软聚类提高训练稳定性,并生成按脑年龄分层的潜在空间 | 仅基于纵向脑部MRI数据,未使用人口统计学或认知信息 | 开发可解释的深度学习模型用于纵向脑部MRI分析 | 阿尔茨海默病神经影像倡议(ADNI)的纵向脑部MRI数据 | 医学影像分析 | 阿尔茨海默病 | 脑部MRI | 自组织映射(SOM) | 医学影像 | NA | NA | 自组织映射 | 准确率, ADAS-Cog评分 | NA |
5587 | 2025-10-06 |
Leveraging spatial transcriptomics data to recover cell locations in single-cell RNA-seq with CeLEry
2023-07-08, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-39895-3
PMID:37422469
|
研究论文 | 提出CeLEry深度学习算法,利用空间转录组学数据恢复单细胞RNA测序中细胞的空间位置信息 | 开发首个利用空间转录组学数据通过监督深度学习恢复scRNA-seq细胞空间位置的算法,并提供位置不确定性估计 | NA | 解决单细胞RNA测序中细胞空间位置信息缺失的问题 | 大脑和癌组织中的细胞 | 生物信息学 | 癌症 | 单细胞RNA测序, 空间转录组学, Visium, MERSCOPE, MERFISH, Xenium | 监督深度学习, 变分自编码器 | 基因表达数据, 空间位置数据 | 多个数据集(具体数量未说明) | NA | 变分自编码器 | NA | NA |
5588 | 2025-10-06 |
A deep learning algorithm to detect cutaneous squamous cell carcinoma on frozen sections in Mohs micrographic surgery: a retrospective assessment
2023-May-16, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.05.14.23289960
PMID:37293008
|
研究论文 | 开发并评估用于皮肤鳞状细胞癌术中冰冻切片实时切缘分析的深度学习算法 | 首次针对皮肤鳞状细胞癌的冰冻切片开发实时切缘分析AI算法,并探讨肿瘤分化状态对算法性能的影响 | 回顾性研究,需要进一步算法改进以更好区分高分化肿瘤与表皮组织,并解决炎症等混杂病理因素的影响 | 提高皮肤鳞状细胞癌Mohs显微手术中实时切缘分析的效率和准确性 | 接受Mohs显微手术的皮肤鳞状细胞癌患者 | 数字病理学 | 皮肤鳞状细胞癌 | 冰冻切片,全玻片扫描 | CNN | 图像 | 2020年1月至3月期间接受Mohs手术的cSCC患者队列 | NA | 卷积神经网络 | AUC | NA |
5589 | 2025-10-06 |
Towards Automatic Cartilage Quantification in Clinical Trials - Continuing from the 2019 IWOAI Knee Segmentation Challenge
2023-Mar, Osteoarthritis imaging
DOI:10.1016/j.ostima.2023.100087
PMID:39036792
|
研究论文 | 评估深度学习分割方法在骨关节炎临床试验中量化软骨损失的适用性 | 首次系统评估IWOAI 2019膝关节软骨分割挑战赛中六种深度学习方法的纵向临床应用价值 | 股骨亚区分割仅采用简单的后处理几何定义方法,可能影响测量灵敏度 | 验证深度学习分割方法在标准化纵向临床试验中量化软骨损失的可行性 | 骨关节炎患者的膝关节软骨 | 医学影像分析 | 骨关节炎 | MRI | 深度学习分割方法 | 膝关节MRI图像 | 556名受试者的1130次膝关节MRI扫描 | NA | NA | 标准化响应均值(SRM) | NA |
5590 | 2025-10-06 |
Imputing Brain Measurements Across Data Sets via Graph Neural Networks
2023, Predictive Intelligence in Medicine. PRIME (Workshop)
DOI:10.1007/978-3-031-46005-0_15
PMID:37946742
|
研究论文 | 提出一种基于图神经网络的脑测量数据跨数据集插补方法 | 将跨数据集插补问题重新定义为预测任务,使用图神经网络建模脑区测量值间的依赖关系,并通过并行架构处理人口统计学差异 | 仅在两个特定数据集(ABCD和NCANDA)上验证,样本量相对有限 | 解决脑结构MRI数据集中特定脑区测量值缺失的问题 | 青少年脑结构MRI数据 | 机器学习 | NA | 结构MRI,Freesurfer分析 | 图神经网络(GNN) | 脑结构测量数据,人口统计学数据 | NCANDA数据集N=540,ABCD数据集N=3760 | NA | 图神经网络,并行架构(包含图解码器和分类器) | 5折交叉验证准确率 | NA |
5591 | 2025-10-06 |
A multi-use deep learning method for CITE-seq and single-cell RNA-seq data integration with cell surface protein prediction and imputation
2022-Nov, Nature machine intelligence
IF:18.8Q1
DOI:10.1038/s42256-022-00545-w
PMID:36873621
|
研究论文 | 提出一种名为sciPENN的多功能深度学习方法,用于整合CITE-seq和单细胞RNA-seq数据,并实现细胞表面蛋白预测和插补 | 开发支持多种功能的数据整合方法,包括跨数据集整合、蛋白表达预测与插补、不确定性量化和细胞类型标签转移 | 未在摘要中明确说明 | 解决CITE-seq和单细胞RNA-seq数据整合中的计算挑战,提高数据利用效率 | CITE-seq和单细胞RNA-seq数据集 | 生物信息学 | 免疫相关疾病,流感,COVID-19 | CITE-seq,单细胞RNA-seq | 深度学习 | 单细胞多组学数据 | 多个数据集(未指定具体数量) | NA | sciPENN | NA | NA |
5592 | 2025-10-06 |
Deep learning tackles single-cell analysis-a survey of deep learning for scRNA-seq analysis
2022-01-17, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbab531
PMID:34929734
|
综述 | 本文系统综述了深度学习在单细胞RNA测序数据分析中的应用方法和算法 | 建立了变分自编码器、自编码器、生成对抗网络和监督深度学习模型的统一数学表示框架,并关联了损失函数与数据处理步骤的具体目标 | 仅涵盖25种深度学习算法,可能未完全覆盖该领域所有最新进展 | 为单细胞RNA测序数据分析提供深度学习算法的系统综述和应用指南 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | VAE, AE, GAN, 监督深度学习 | 基因表达数据 | NA | NA | 变分自编码器, 自编码器, 生成对抗网络 | NA | NA |
5593 | 2025-10-06 |
Diabetic Foot Ulcer Ischemia and Infection Classification Using EfficientNet Deep Learning Models
2022, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2022.3219725
PMID:36660100
|
研究论文 | 本研究开发了基于EfficientNet深度学习模型的糖尿病足溃疡缺血和感染分类系统 | 首次将EfficientNet模型应用于糖尿病足溃疡的缺血和感染分类,在准确率和计算效率上均显著优于现有方法 | 未提及模型在临床环境中的验证情况及对不同类型糖尿病足溃疡的泛化能力 | 开发基于图像的糖尿病足溃疡缺血和感染自动检测系统 | 糖尿病足溃疡图像 | 计算机视觉 | 糖尿病足溃疡 | 图像增强技术 | CNN | 图像 | NA | NA | EfficientNet, ResNet, Inception, Ensemble CNN | 准确率 | NA |
5594 | 2025-10-06 |
Prediction and interpretation of cancer survival using graph convolution neural networks
2021-08, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2021.01.004
PMID:33484826
|
研究论文 | 提出一种名为Surv_GCNN的图卷积神经网络方法,用于预测13种癌症类型的生存率并识别潜在基因标志物 | 首次将图卷积神经网络应用于癌症生存预测,并提出基于网络模型的基因标志物解释方法 | 仅使用TCGA数据集,未在其他独立数据集上验证 | 开发更准确的癌症生存预测模型并识别关键基因标志物 | 13种癌症类型(包括BLCA、BRCA、COAD等)的基因表达数据和临床数据 | 机器学习 | 癌症 | 基因表达分析,网络分析 | 图卷积神经网络(GCNN) | 基因表达数据,临床数据 | TCGA数据集中13种癌症类型的样本 | NA | 图卷积神经网络 | 风险评分(RS) | NA |
5595 | 2025-10-06 |
Deep Learning Segmentation of Triple-Negative Breast Cancer (TNBC) Patient Derived Tumor Xenograft (PDX) and Sensitivity of Radiomic Pipeline to Tumor Probability Boundary
2021-Jul-28, Cancers
IF:4.5Q1
DOI:10.3390/cancers13153795
PMID:34359696
|
研究论文 | 开发基于深度学习的自动化管道用于三阴性乳腺癌PDX肿瘤的MRI图像分割,并评估影像组学特征对肿瘤边界的敏感性 | 首次系统比较五种网络架构在TNBC PDX肿瘤分割中的性能,并深入分析影像组学特征对肿瘤边界扰动的敏感性 | 研究仅限于三阴性乳腺癌PDX模型,未验证其他癌症类型 | 开发自动化的肿瘤分割方法并评估影像组学特征的稳定性 | 三阴性乳腺癌患者来源的肿瘤异种移植模型 | 数字病理 | 乳腺癌 | 磁共振成像 | 深度学习 | 医学影像 | NA | NA | U-Net, Dense U-Net, Res-Net, R2UNet, D-R2UNet | F1-Score, recall, precision, AUC | NA |
5596 | 2025-10-06 |
Artificial intelligence versus expert: a comparison of rapid visual inferior vena cava collapsibility assessment between POCUS experts and a deep learning algorithm
2020-Oct, Journal of the American College of Emergency Physicians open
IF:1.6Q2
DOI:10.1002/emp2.12206
PMID:33145532
|
研究论文 | 开发深度学习算法评估危重患者下腔静脉塌陷度,并与POCUS专家进行对比 | 首次使用LSTM深度学习架构实时分析超声视频评估IVC塌陷度,为新手POCUS操作者提供辅助工具 | 样本量有限(训练集220个视频,测试集50个视频),专家与算法一致性仅为中等水平 | 创建能够评估下腔静脉塌陷度的深度学习算法,辅助新手POCUS操作者 | 危重患者的下腔静脉超声视频 | 计算机视觉 | 脓毒性休克 | 床旁超声(POCUS) | LSTM | 超声视频 | 训练集220个IVC超声视频,测试集50个新IVC超声视频 | NA | LSTM | Fleiss' κ | NA |
5597 | 2025-10-06 |
Classification of Cancer Types Using Graph Convolutional Neural Networks
2020-Jun, Frontiers in physics
IF:1.9Q2
DOI:10.3389/fphy.2020.00203
PMID:33437754
|
研究论文 | 本研究利用图卷积神经网络对33种癌症类型和正常组织进行分类 | 首次将图卷积神经网络应用于癌症分类,并设计了基于共表达网络和蛋白质相互作用网络的四种图结构模型 | 仅使用TCGA数据集,未在其他独立数据集上验证模型泛化能力 | 基于基因表达谱准确预测癌症类型 | 肿瘤样本和正常组织样本 | 机器学习 | 癌症 | 基因表达分析 | GCNN | 基因表达数据 | 10,340个癌症样本和731个正常组织样本 | NA | 图卷积神经网络 | 准确率 | NA |
5598 | 2025-10-06 |
Enhanced accuracy and stability in automated intra-pancreatic fat deposition monitoring of type 2 diabetes mellitus using Dixon MRI and deep learning
2025-Aug, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04804-3
PMID:39841227
|
研究论文 | 开发基于Dixon MRI和深度学习的自动化胰腺内脂肪沉积监测方法,用于2型糖尿病风险评估 | 结合深度语义分割特征放射组学与传统放射组学特征,构建深度学习放射组学模型,显著提升胰腺内脂肪沉积评估的准确性和稳定性 | 回顾性研究设计,前驱糖尿病患者样本量有限导致部分测试未能进行 | 开发准确自动的胰腺内脂肪沉积评估方法以监测2型糖尿病风险 | 来自两个中心的534名接受上腹部MRI检查的患者 | 医学影像分析 | 2型糖尿病 | Dixon MRI,多回波和双回波序列 | 深度学习,支持向量机 | MRI图像 | 534名患者(来自两个医疗中心) | nnU-Net | U-Net | AUC,Dice相似系数,组内相关系数 | NA |
5599 | 2025-10-06 |
Fast and Stable Neonatal Brain MR Imaging Using Integrated Learned Subspace Model and Deep Learning
2025-Aug, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3541643
PMID:40072865
|
研究论文 | 通过整合学习的新生儿特异性子空间模型和模型驱动深度学习,实现快速稳定的新生儿脑部MR成像 | 提出将新生儿特异性子空间模型与深度学习网络相结合的新方法,解决了新生儿MRI训练数据不足的问题 | 需要进一步开发以提升在新生儿成像应用中的实际效用 | 加速新生儿脑部MR成像并提高重建稳定性 | 新生儿脑部MR图像 | 医学影像处理 | 新生儿脑部疾病 | MR成像, 稀疏k空间采样 | 深度学习, 子空间模型 | MR图像, k空间数据 | dHCP数据集和来自四个独立医疗中心的测试数据 | NA | 深度神经网络 | 重建稳定性, 图像质量 | NA |
5600 | 2025-10-06 |
Establishing a Deep Learning Model That Integrates Pretreatment and Midtreatment Computed Tomography to Predict Treatment Response in Non-Small Cell Lung Cancer
2025-Aug-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2025.03.012
PMID:40089073
|
研究论文 | 本研究开发了一种整合治疗前和治疗中CT图像的深度学习模型,用于预测非小细胞肺癌患者的放疗反应 | 首次提出整合治疗前和治疗中不同时间点的CT图像,并建立变时间间隔LSTM网络来预测放疗反应 | 回顾性研究,样本量相对有限(168例患者),需要进一步前瞻性验证 | 预测非小细胞肺癌患者对放疗的治疗反应,并实现个性化剂量递增 | 非小细胞肺癌患者 | 医学影像分析 | 肺癌 | 计算机断层扫描(CT) | LSTM | 医学影像(CT图像) | 168例NSCLC患者(来自3家医院:SGH 35例,SCH 93例,LCH 40例) | NA | 变时间间隔长短期记忆网络 | AUC, 预测绝对误差 | NA |