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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
5721 | 2025-03-06 |
Virtual birefringence imaging and histological staining of amyloid deposits in label-free tissue using autofluorescence microscopy and deep learning
2024-Sep-12, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-52263-z
PMID:39266547
|
研究论文 | 本文介绍了一种利用自发荧光显微镜和深度学习技术对无标记组织进行虚拟双折射成像和虚拟刚果红染色的方法,以展示淀粉样蛋白沉积 | 创新点在于使用单一神经网络将无标记组织的自发荧光图像转换为亮场和偏振显微镜图像,匹配其组织化学染色版本,从而克服传统染色方法的局限性 | 研究主要局限于心脏组织,未涉及其他器官或组织类型 | 研究目的是开发一种无需化学染色的方法来可视化组织中的淀粉样蛋白沉积 | 研究对象为无标记的人体组织,特别是心脏组织中的淀粉样蛋白沉积 | 数字病理学 | 淀粉样变性 | 自发荧光显微镜和深度学习 | 神经网络 | 图像 | 未明确提及样本数量,但涉及心脏组织 |
5722 | 2025-03-06 |
PPG-Based Sleep Staging Using SleepPPGNet: Extension to Wearables, Improvements, Limitations
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781611
PMID:40038927
|
研究论文 | 本文探讨了基于PPG的睡眠分期方法,特别是使用SleepPPGNet模型在可穿戴设备上的应用及其改进和局限性 | 提出了SleepPPGNet模型,通过迁移学习在全新数据集上实现了82%的准确率和0.74的Cohen's kappa,并进一步将该模型应用于手腕佩戴设备收集的PPG数据,同时增加了活动计数作为额外输入,提高了准确率 | 该模型在正常心律的受试者中表现出色,但在心律失常患者中应用时准确率下降了10% | 开发更高效的睡眠分期方法,减少对传统多导睡眠图的依赖 | 成年人的PPG数据 | 机器学习 | 睡眠障碍 | PPG(光电容积描记术) | SleepPPGNet | PPG数据 | NA |
5723 | 2025-03-06 |
Unsupervised 3D Lung Segmentation by Leveraging 2D Segment Anything Model
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782129
PMID:40038928
|
研究论文 | 本研究提出了一种利用2D Segment Anything Model (SAM)进行无监督3D肺部分割的方法 | 通过利用2D SAM模型生成2D分割掩码,并将其重建为3D掩码,实现了无需标注数据的无监督3D肺部分割 | 依赖于2D SAM模型的分割质量,且未在更多数据集上进行验证 | 实现无需标注数据的3D肺部分割,以支持肺结节检测和肺癌分析 | 3D肺部CT数据 | 计算机视觉 | 肺癌 | 无监督学习 | 2D Segment Anything Model (SAM) | 3D CT图像 | LUNA16数据集 |
5724 | 2025-03-06 |
A Cross-Feature Mutual Learning Framework to Integrate Functional Connectivity and Activity for Brain Disorder Classification
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781810
PMID:40038938
|
研究论文 | 本文提出了一种跨特征互学习框架(CFML),用于整合功能连接性和活动性特征以进行脑部疾病分类 | 提出了一种端到端的混合特征学习框架,通过跨特征互学习策略实现TC和FNC特征的协同学习,从而增强脑部疾病分类性能 | NA | 提高脑部疾病分类的准确性 | 健康对照组(HC)和精神分裂症(SZ)患者 | 脑部疾病分类 | 精神分裂症 | 功能磁共振成像(fMRI) | 循环神经网络(RNN)、Transformer | 时间序列数据(TC)、功能网络连接性(FNC) | NA |
5725 | 2025-03-06 |
TransRUPNet for Improved Polyp Segmentation
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781511
PMID:40038943
|
研究论文 | 本文提出了一种基于Transformer的残差上采样网络(TransRUPNet),用于自动和实时的息肉分割,以预防结直肠癌 | TransRUPNet结合了Transformer和残差上采样技术,显著提高了息肉分割的实时性和准确性,特别是在分布外数据集上的表现优于现有方法 | 未明确提及具体局限性 | 开发一种高效的深度学习架构,用于实时息肉分割,以预防结直肠癌 | 息肉图像 | 计算机视觉 | 结直肠癌 | 深度学习 | Transformer based Residual Upsampling Network (TransRUPNet) | 图像 | 未明确提及具体样本数量,但使用了公开的PolypGen数据集 |
5726 | 2025-03-06 |
BrainFTFCN: Synergistic feature fusion of temporal dynamics and network connectivity for brain age prediction
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782250
PMID:40038971
|
研究论文 | 本文提出了一种名为BrainFTFCN的新型特征融合网络,用于通过整合时间动态和网络连接性来增强大脑年龄预测和模型的可解释性 | BrainFTFCN首次将时间注意力自编码器(TAAE)和功能连接图注意力网络(FCGAT)结合,以协同整合时间动态和网络连接性,从而提升大脑年龄预测的准确性和模型的可解释性 | NA | 通过整合神经影像数据中的时间动态和网络连接性,提高大脑年龄预测的准确性,并揭示与衰老和神经疾病相关的认知衰退机制 | 大脑年龄预测 | 机器学习 | 神经疾病 | 静息态功能磁共振成像(rs-fMRI) | Temporal Attention Autoencoder (TAAE), Functional Connectivity Graph Attention Network (FCGAT), 支持向量回归 | 神经影像数据 | Cam-CAN数据集 |
5727 | 2025-03-06 |
Selection of Dataframes Presenting Glioma from Magnetic Resonance Images: a Deep Learning Approach
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782396
PMID:40038981
|
研究论文 | 本文提出了一种基于深度学习的算法,用于从FLAIR MRI切片中自动检测胶质瘤,并通过生成PDF报告来辅助临床医生 | 该模型是首个不依赖于特征的自动化方法,用于在MRI切片级别识别胶质瘤,并且生成的PDF报告使其可直接用于临床 | NA | 开发一种自动检测胶质瘤的深度学习算法,以减少临床医生在MRI切片级别识别胶质瘤所需的时间 | FLAIR MRI切片中的胶质瘤 | 计算机视觉 | 胶质瘤 | 深度学习 | NA | 图像 | NA |
5728 | 2025-03-06 |
Interactive Image Selection and Training for Brain Tumor Segmentation Network
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781962
PMID:40038984
|
研究论文 | 本文提出了一种基于FLIM的交互式图像选择和训练方法,用于脑肿瘤分割网络 | 采用交互式方法结合专家知识进行图像选择和训练,减少了对大量标注图像的需求 | 需要专家参与,可能限制了方法的广泛应用 | 解决医学图像分割中需要大量标注图像的问题 | 脑肿瘤图像 | 计算机视觉 | 脑肿瘤 | FLIM(从图像标记中学习特征) | U-shaped网络 | 图像 | 少量图像 |
5729 | 2025-03-06 |
Detection of Peri-Pancreatic Edema using Deep Learning and Radiomics Techniques
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782032
PMID:40039000
|
研究论文 | 本研究利用深度学习和放射组学技术,开发了一种自动检测胰腺周围水肿的方法,旨在提高胰腺炎的诊断和管理 | 首次提出自动检测胰腺周围水肿的研究,结合了现代深度学习架构和放射组学技术,并为此特定问题创建了基准 | 研究中使用的数据集仅包含255名患者,样本量相对较小,可能影响模型的泛化能力 | 开发一种自动检测胰腺周围水肿的方法,以改善胰腺炎的诊断和管理 | 255名胰腺疾病患者的CT影像数据 | 计算机视觉 | 胰腺炎 | CT成像 | LinTransUNet, Swin-Tiny transformer, XGBoost | CT影像 | 255名患者 |
5730 | 2025-03-06 |
Application of TimeGAN to IMU-based Data of Upper Limb Range of Motion
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782598
PMID:40038998
|
研究论文 | 本文应用TimeGAN生成基于IMU传感器的上肢活动范围(ROM)的合成时间序列数据,以克服从大量人类受试者中收集数据的困难 | 首次将TimeGAN应用于基于IMU传感器的上肢ROM数据,特别是在残疾模拟研究的背景下 | 未提及具体的数据集大小或样本量,可能限制了结果的普适性 | 生成准确的上肢ROM合成数据,以支持深度学习模型的训练和康复评估 | 人类受试者的上肢活动范围数据 | 机器学习 | 运动障碍 | TimeGAN | GAN | 时间序列数据 | 未明确提及具体样本量 |
5731 | 2025-03-06 |
Explainable Multimodal Deep Learning for Heart Sounds and Electrocardiogram Classification
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782371
PMID:40039014
|
研究论文 | 本文介绍了一种基于梯度加权类激活映射(Grad-CAM)的方法,用于评估五种不同模型在同步心音和心电图(ECG)二元分类(正常/异常)中的性能 | 创新点在于使用Grad-CAM方法评估多模态深度学习模型,并比较了早期融合和晚期融合策略在分类性能上的差异 | 尽管ECG 2D-CNN在ROC-AUC得分上表现更好,但其F1得分较低,表明模型在某些性能指标上存在局限性 | 研究目标是评估多模态深度学习模型在心音和心电图分类中的性能,并探索不同融合策略的效果 | 研究对象为同步记录的心音和心电图数据 | 机器学习 | 心血管疾病 | Grad-CAM | 1D-CNN, 2D-CNN, 多模态模型 | 心音信号, 心电图信号 | 未提及具体样本数量 |
5732 | 2025-03-06 |
Wireless Earphone-based Real-Time Monitoring of Breathing Exercises: A Deep Learning Approach
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782159
PMID:40039017
|
研究论文 | 本文提出了一种基于无线耳机的实时呼吸监测系统,用于家庭环境中的呼吸治疗依从性监测 | 利用消费级硬件(如耳机和智能手机)实现高精度的实时呼吸监测,通过两个卷积神经网络分别进行呼吸通道和呼吸阶段的分类 | 研究未提及系统在不同环境噪声下的鲁棒性,也未讨论长期使用的可靠性 | 开发一种能够在家庭环境中实时监测呼吸治疗依从性的系统 | 需要进行呼吸治疗的患者 | 机器学习 | NA | 深度学习 | CNN | 音频信号 | NA |
5733 | 2025-03-06 |
Towards early detection of chronic kidney disease based on gait patterns: IMU-based approach using neural networks
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781594
PMID:40038997
|
研究论文 | 本研究探索了一种基于惯性测量单元(IMU)传感器分析步态特征的非临床方法,用于慢性肾病(CKD)的早期检测 | 提出了一种结合卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络的模型,用于分析步态数据以检测CKD | 样本量相对较小,且仅来自单一医院,可能限制了结果的普遍性 | 探索基于步态特征的CKD早期检测方法 | 276名不同阶段CKD患者和217名健康对照者 | 机器学习 | 慢性肾病 | IMU传感器 | CNN和BiLSTM | 步态数据 | 276名CKD患者和217名健康对照者 |
5734 | 2025-03-06 |
Facial Remote Photoplethysmography for Continuous Heart Rate Monitoring during Prolonged Cold Liquid Bolus Administration
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781709
PMID:40039011
|
研究论文 | 本研究探讨了在静脉输液治疗期间通过基于摄像头的远程光电容积描记法(PPG)进行非接触式心率监测的可行性 | 提出了一种两阶段过程动态确定感兴趣区域(ROIs),结合深度学习进行面部标志检测,并考虑了受试者的面部尺寸,同时省略了预处理步骤以最小化信号处理,仍保持了低误差率 | 实验仅涉及4名志愿者,样本量较小 | 研究在静脉输液治疗期间通过远程PPG进行心率监测的可行性 | 4名志愿者 | 计算机视觉 | NA | 远程光电容积描记法(PPG) | 深度学习 | 视频 | 4名志愿者,超过350分钟的录像 |
5735 | 2025-03-06 |
FedAssist: Federated Learning in AI-Powered Prosthetics for Sustainable and Collaborative Learning
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10781961
PMID:40039020
|
研究论文 | 本文探讨了在AI控制的假肢开发中,将联邦学习与深度学习相结合,用于表面肌电信号解码方法的研究 | 提出了FedAssist框架,通过本地和全局的预热启动策略,有效解决了表面肌电信号数据集的非独立同分布问题,提升了非独立同分布场景下的性能 | 未提及具体的数据集规模或实验细节,可能限制了结果的普适性 | 研究联邦学习在AI控制假肢中的应用,旨在提高假肢的精确度和康复效果 | 表面肌电信号数据集 | 机器学习 | NA | 联邦学习 | 深度学习 | 表面肌电信号数据 | NA |
5736 | 2025-03-06 |
Graph-based deep learning models in the prediction of early-stage Alzheimers
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782267
PMID:40039021
|
研究论文 | 本研究探讨了静息态功能磁共振成像(rs-fMRI)及其衍生的功能连接性(FC)在理解阿尔茨海默病进展中的预测潜力,并利用深度学习和基于图的模型提出了两项关键贡献 | 引入了创新的图变换器变体,结合自聚类以提高预测准确性,并进行了rs-fMRI时间点与功能网络连接性的比较分析 | rs-fMRI时间点在考虑时间信息时,对于基于变换器的模型预测阿尔茨海默病的效用有限 | 研究静息态功能磁共振成像及其功能连接性在预测阿尔茨海默病早期阶段的潜力 | 阿尔茨海默病 | 机器学习 | 老年病 | 静息态功能磁共振成像(rs-fMRI) | 图变换器 | 图像 | 830名受试者 |
5737 | 2025-03-06 |
Towards Fluorescent-Tag-Less Viral Titration: Automated Estimation of Cell-Size Distribution and Infection Level from Phase-Contrast Microscopy Using Deep Learning and Transfer Learning
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782022
PMID:40039040
|
研究论文 | 本文提出了一种基于深度学习和迁移学习的方法,通过相位对比显微镜图像自动估计细胞大小分布和感染水平,从而无需荧光标记即可进行病毒滴度测定 | 提出了一种无需荧光标记的自动化方法,利用深度学习和迁移学习从相位对比图像中检测细胞大小分布和感染水平 | 研究基于有限的数据集,可能影响模型的泛化能力 | 开发一种自动化方法,用于检测感染细胞并量化细胞大小分布,以支持重组蛋白生产和疫苗开发 | 感染和非感染的昆虫细胞 | 计算机视觉 | NA | 深度学习、迁移学习 | YOLO、Faster RCNN、HOG + SVM | 图像 | 有限的数据集 |
5738 | 2025-03-06 |
Temporal Convolutional Network for Gait Event Detection
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782082
PMID:40039054
|
研究论文 | 本研究提出了一种基于深度学习的新框架,用于在多样化和复杂的步行场景中自动检测步态事件(GED),旨在解决准确识别与运动障碍相关的生物力学标记的挑战 | 采用时间卷积网络(TCN)来处理不同步行条件和环境下的GED,并引入峰值检测算法作为后处理步骤,以提高步态事件的准确识别 | 未提及具体局限性 | 解决在日常生活活动中准确识别与运动障碍相关的生物力学标记的挑战 | 步态事件检测(GED) | 机器学习 | 运动障碍 | 时间卷积网络(TCN) | TCN | 步态数据 | 使用公开的步态数据集进行评估 |
5739 | 2025-03-06 |
Lesion Segmentation in Skin Cancer Images using Fusion Model via Deep Learning Networks
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782503
PMID:40039061
|
研究论文 | 本研究专注于使用深度学习网络融合模型进行皮肤癌图像中的病变分割 | 结合了六种不同的深度学习模型,并通过平均融合方法结合了DeepLabV3+和EfficientNetB7的预测结果,展示了在皮肤病变分割中的高准确性和有效性 | NA | 提高皮肤癌图像中病变分割的准确性 | 皮肤癌图像 | 计算机视觉 | 皮肤癌 | 深度学习 | DeepLabV3+, EfficientNetB7, VGG19, Attention-UNet, MultiRes-UNet, Transformer-UNet | 图像 | ISIC 2017数据集用于训练,PH2、ISIC 2016和ISIC 2018数据集用于测试 |
5740 | 2025-03-06 |
Projection Image Synthesis Using Adversarial Learning Based Spatial Transformer Network For Sparse Angle Sampling CT
2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC53108.2024.10782486
PMID:40039056
|
研究论文 | 本文提出了一种基于对抗学习的空间变换网络,用于稀疏角度采样CT的投影图像合成,旨在通过合理增加现有投影数据的投影图像数量来提高重建图像的质量 | 本文的创新点在于将视频帧合成技术应用于稀疏角度X射线断层扫描,提出了一种基于对抗学习的空间变换网络,用于投影图像合成,从而改善重建图像的质量 | 该方法需要大量全采样数据进行训练,这可能限制了其在数据稀缺情况下的应用 | 研究目的是通过增加投影图像数量来提高稀疏角度采样CT重建图像的质量 | 稀疏角度采样CT的投影图像 | 计算机视觉 | NA | 对抗学习 | 空间变换网络 | 图像 | NA |