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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
581 | 2025-06-15 |
Applying Conformal Prediction to a Deep Learning Model for Intracranial Hemorrhage Detection to Improve Trustworthiness
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240032
PMID:39601654
|
research paper | 该研究应用保形预测技术于深度学习模型,以提高颅内出血检测的可信度 | 使用Mondrian保形预测(MCP)增强深度学习模型,使其能够识别具有挑战性的病例 | 研究基于回顾性数据,样本量相对较小(491例CT扫描) | 提高深度学习模型在颅内出血检测中的可信度和准确性 | 非对比头部CT扫描图像 | digital pathology | intracranial hemorrhage | deep learning, Mondrian conformal prediction | CNN | CT图像 | 491例非对比头部CT扫描(来自146名患者) |
582 | 2025-06-15 |
NNFit: A Self-Supervised Deep Learning Method for Accelerated Quantification of High-Resolution Short-Echo-Time MR Spectroscopy Datasets
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.230579
PMID:39812584
|
research paper | 开发并评估了一种名为NNFit的自监督深度学习方法,用于加速高分辨率短回波时间MR光谱数据集的量化 | 提出了一种自监督深度学习方法NNFit,用于加速高分辨率短回波时间MR光谱数据集的量化,解决了传统光谱量化方法在临床工作流程中的计算瓶颈 | 研究为回顾性研究,样本量相对较小,且仅针对特定疾病(胶质母细胞瘤和重度抑郁症)进行了测试 | 开发一种快速、高效的光谱量化方法,以优化临床工作流程 | 高分辨率短回波时间MR光谱数据集 | 医学影像分析 | 胶质母细胞瘤, 重度抑郁症 | 短回波时间回波平面光谱成像(EPSI) | 自监督深度学习 | MR光谱数据 | 89次扫描(来自胶质母细胞瘤和重度抑郁症临床试验),训练数据集包含685,000个光谱(20名参与者,60次扫描),测试数据集包含260,000个光谱(12名参与者,29次扫描) |
583 | 2025-06-15 |
Post-Training Network Compression for 3D Medical Image Segmentation: Reducing Computational Efforts via Tucker Decomposition
2025-03, Radiology. Artificial intelligence
DOI:10.1148/ryai.240353
PMID:39812583
|
研究论文 | 本研究探讨了通过Tucker分解减少基于3D CT的多器官分割模型TotalSegmentator的计算量 | 首次将Tucker分解应用于医学图像分割模型的压缩,显著减少了模型参数和计算量,同时保持分割精度 | 不同GPU架构上的实际加速效果存在差异,在性能较低的硬件上加速效果更明显 | 降低医学图像分割模型的计算需求 | TotalSegmentator模型(基于nnU-Net的117个解剖结构自动分割模型) | 数字病理 | NA | Tucker分解 | nnU-Net | 3D CT图像 | 1228个分割CT扫描(训练集)+89个CT扫描(测试集) |
584 | 2025-06-15 |
A Serial MRI-based Deep Learning Model to Predict Survival in Patients with Locoregionally Advanced Nasopharyngeal Carcinoma
2025-02, Radiology. Artificial intelligence
DOI:10.1148/ryai.230544
PMID:39812582
|
research paper | 开发并评估了一种基于深度学习的预后模型,用于预测局部晚期鼻咽癌(LA-NPC)患者在诱导化疗前后的生存情况 | 使用图卷积神经网络(GCN)结合放射组学和临床因素构建预后模型,显著提高了预测疾病无进展生存期(DFS)的准确性 | 研究为回顾性多中心设计,可能存在选择偏倚,且未明确模型在其他人群中的泛化能力 | 预测局部晚期鼻咽癌患者的生存预后并指导风险适应性治疗 | 1039例局部晚期鼻咽癌患者(男779例,女260例,平均年龄44±11岁) | digital pathology | nasopharyngeal carcinoma | MRI | graph convolutional neural networks (GCN) | MRI图像及临床数据 | 1039例患者(训练/测试队列未明确拆分) |
585 | 2025-06-15 |
Advancing bioinformatics with large language models: components, applications and perspectives
2025-Jan-31, ArXiv
PMID:38259343
|
综述 | 本文全面概述了大型语言模型(LLMs)在生物信息学中的关键组成部分、应用及未来展望 | 探讨了LLMs在解决生物信息学问题上的潜力,特别是在基因组学、转录组学、蛋白质组学、药物发现和单细胞分析等领域的应用 | 未提及具体的实验验证或性能比较 | 推动生物信息学领域的发展,优化LLMs的使用并促进进一步创新 | 大型语言模型(LLMs)及其在生物信息学中的应用 | 生物信息学 | NA | 自监督学习、半监督学习 | Transformer | 文本、基因组数据、转录组数据、蛋白质组数据 | NA |
586 | 2025-06-15 |
Optimising deep learning models for ophthalmological disorder classification
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-75867-3
PMID:39856068
|
研究论文 | 本文利用深度学习模型对眼科疾病进行分类,采用基于迁移学习的CNN方法 | 使用MobileNet模型结合Adam优化器,在眼科疾病分类中取得了89.64%的测试准确率 | 仅使用了ODIR数据库中的数据进行实验,可能在其他数据集上表现不同 | 优化深度学习模型以提高眼科疾病分类的准确性 | 眼科疾病(如高血压、青光眼、糖尿病视网膜病变) | 计算机视觉 | 眼科疾病 | fundus imaging | CNN, MobileNet | image | ODIR数据库中的眼底图像(患者左右眼) |
587 | 2025-06-15 |
Detection of cervical cell based on multi-scale spatial information
2025-01-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-87165-7
PMID:39856153
|
研究论文 | 提出了一种基于多尺度空间信息的宫颈细胞检测方法,以提高宫颈癌筛查和诊断的效率 | 设计了多尺度空间信息增强模块(MSA)和通道注意力增强模块(CAE),有效捕捉和整合不同尺度的空间信息,并动态优化关键特征 | 未提及具体的数据集规模或多样性限制,也未讨论模型在其他数据集上的泛化能力 | 提高宫颈癌筛查和诊断的效率和准确性 | 宫颈细胞 | 数字病理学 | 宫颈癌 | 深度学习 | Sparse R-CNN | 图像 | NA |
588 | 2025-06-15 |
Phyla: Towards a foundation model for phylogenetic inference
2025-Jan-22, bioRxiv : the preprint server for biology
DOI:10.1101/2025.01.17.633626
PMID:39896621
|
研究论文 | 本文介绍了Phyla,一种专为系统发育推理设计的混合状态空间变换器架构,旨在通过树损失函数实现序列推理和系统发育树重建的最新性能 | Phyla采用了一种新颖的混合状态空间变换器架构和树损失函数,专注于序列间的推理能力,而非传统的单个序列学习 | NA | 开发一个用于系统发育推理的基础模型,提升计算生物学中序列分析和系统发育推理的性能 | 蛋白质序列和系统发育树 | 计算生物学 | NA | 深度学习 | 混合状态空间变换器 | 蛋白质序列数据 | NA |
589 | 2025-06-15 |
Interpretable machine learning model for outcome prediction in patients with aneurysmatic subarachnoid hemorrhage
2025-Jan-20, Critical care (London, England)
DOI:10.1186/s13054-024-05245-y
PMID:39833976
|
研究论文 | 开发了一种可解释的深度学习模型,用于预测动脉瘤性蛛网膜下腔出血患者的功能结果 | 结合SHAP方法增强模型的可解释性,并通过多中心数据验证模型的稳健性 | 研究仅基于日本五家医院的数据,可能限制了模型的泛化能力 | 优化动脉瘤性蛛网膜下腔出血患者的早期康复策略 | 718名动脉瘤性蛛网膜下腔出血患者 | 机器学习 | 脑血管疾病 | 深度学习 | 深度学习模型 | 临床数据 | 718名患者 |
590 | 2025-06-15 |
Artificial intelligence: the human response to approach the complexity of big data in biology
2025-Jan-06, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf057
PMID:40504538
|
综述 | 本文探讨了人工智能在生命科学中的应用,特别是在处理高通量组学数据时的作用 | 强调了基于组学的预测分析在系统生物学中的作用,以及创新的AI分析方法在理解复杂生物系统中的价值 | 未具体提及研究的局限性 | 探讨人工智能在生命科学中的应用及其对组学数据分析的影响 | 植物科学、动物科学和微生物学中的生物过程和生态系统动态 | 机器学习 | NA | 高通量组学数据分析 | 深度学习 | 组学数据 | NA |
591 | 2025-06-15 |
Improving lung cancer diagnosis and survival prediction with deep learning and CT imaging
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0323174
PMID:40498724
|
研究论文 | 该论文提出了一种结合深度学习和CT影像的方法,用于改善肺癌的诊断和生存预测 | 使用卷积神经网络建模肺癌风险与肺部形态之间的非线性关系,并提出了结合小批量损失和二元交叉熵的方法来预测肺癌发生和死亡风险 | 未提及具体的数据集局限性或模型泛化能力问题 | 提高肺癌的诊断准确性和生存预测效果 | 肺癌患者 | 计算机视觉 | 肺癌 | CT成像 | 3D CNN | 医学影像 | 国家肺癌筛查试验数据集 |
592 | 2025-06-15 |
An ensemble-based 3D residual network for the classification of Alzheimer's disease
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324520
PMID:40498744
|
研究论文 | 本研究提出了一种基于深度学习的集成方法,用于阿尔茨海默病的分类 | 采用加权概率的集成方法整合3D残差网络的结果,并引入CBAM注意力机制增强模型性能 | 数据量有限,需通过数据增强技术来提升准确率 | 早期诊断轻度认知障碍(MCI)以延缓阿尔茨海默病(AD)的进展 | 阿尔茨海默病(AD)及其前驱阶段轻度认知障碍(MCI)患者 | 数字病理学 | 老年病 | 深度学习 | 3D ResNet-18, 3D ResNet-34, 3D ResNet-50 | 图像 | NA |
593 | 2025-06-15 |
In-depth exploration of software defects and self-admitted technical debt through cutting-edge deep learning techniques
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324847
PMID:40498858
|
研究论文 | 提出了一种利用深度学习技术同时识别和分类自承认技术债务(SATD)及软件缺陷的创新方法 | 首次结合深度学习技术同时处理SATD和软件缺陷的识别与分类,并采用Transformer模型如GPT-3提升性能 | 未明确提及模型在小规模或特定领域软件项目中的泛化能力 | 提升软件质量评估与维护的全面性,优化技术债务与缺陷的认知及维护资源分配 | 软件注释中的自承认技术债务(SATD)及相关缺陷 | 自然语言处理 | NA | 深度学习架构(LSTM, BI-LSTM, GRU, BI-GRU)及Transformer模型(BERT, GPT-3) | LSTM, GRU, BERT, GPT-3 | 文本(软件注释) | 来自Apache、Mozilla Firefox和Eclipse等仓库的多样化项目数据,含SATD示例和缺陷实例 |
594 | 2025-06-15 |
Interpretable deep learning for gastric cancer detection: a fusion of AI architectures and explainability analysis
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1596085
PMID:40510366
|
研究论文 | 本文提出了一种结合多种深度学习架构和可解释性分析的胃癌检测方法 | 融合了VGG16、RESNET50和MobileNetV2三种深度学习架构,并采用LIME技术提高模型决策的可解释性 | 未提及具体的数据集来源和样本多样性问题 | 开发高精度且可解释的胃癌检测系统以支持临床决策 | 胃癌的医学影像检测 | 数字病理学 | 胃癌 | 深度学习融合架构、LIME可解释性分析 | VGG16、RESNET50、MobileNetV2融合模型 | 医学影像 | NA |
595 | 2025-06-15 |
Deep learning-based action recognition for analyzing drug-induced bone remodeling mechanisms
2025, Frontiers in pharmacology
IF:4.4Q1
DOI:10.3389/fphar.2025.1564157
PMID:40510423
|
research paper | 提出了一种基于深度学习的动作识别框架,用于分析药物诱导的骨重塑机制 | 结合图神经网络(GNNs)和动态信号传播模型,识别驱动骨重塑的关键分子相互作用,并集成预测药理学相互作用模型以量化药物-靶点相互作用 | 未提及具体实验样本量或数据来源的局限性 | 优化治疗干预并减少骨健康管理中的不良反应 | 药物诱导的骨重塑机制 | machine learning | geriatric disease | graph neural networks (GNNs), dynamic signal propagation model | GNN | multi-scale biological data | NA |
596 | 2025-06-15 |
Graph convolutional neural networks improved target-specific scoring functions for cGAS and kRAS in virtual screening
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.023
PMID:40510763
|
研究论文 | 本研究通过结合分子图和卷积神经网络,提高了针对cGAS和kRAS蛋白的靶向特异性评分函数在虚拟筛选中的外推能力和准确性 | 首次将图卷积神经网络应用于靶向特异性评分函数的开发,显著提升了虚拟筛选的准确性和外推性能 | 研究仅针对cGAS和kRAS两种蛋白进行验证,需要更多靶点验证其普适性 | 提高虚拟筛选中靶向特异性评分函数的准确性和外推能力 | cGAS和kRAS蛋白 | 机器学习 | NA | 分子对接、虚拟筛选 | 图卷积神经网络(GCN)、传统机器学习模型 | 分子图数据 | NA |
597 | 2025-06-15 |
Random splicing assisted deep learning for breast cancer cell line classification via Raman spectroscopy
2025, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.05.051
PMID:40510766
|
研究论文 | 本文开发了一种名为随机拼接-卷积神经网络(RS-CNN)的深度学习框架,用于通过拉曼光谱对乳腺癌细胞系进行分类 | 通过随机拼接同一细胞系的拉曼光谱,RS-CNN增强了特征光谱特征,同时扩大了数据集规模并改善了信号质量 | NA | 开发一种深度学习框架以提高拉曼光谱在癌症识别中的准确性和效率 | 六种乳腺癌细胞系 | 数字病理学 | 乳腺癌 | 拉曼光谱 | RS-CNN(随机拼接-卷积神经网络) | 光谱数据 | 每种细胞系450个光谱,数据有限条件下为100个光谱/细胞系 |
598 | 2025-06-15 |
A Deep Learning Application of Capsule Endoscopic Gastric Structure Recognition Based on a Transformer Model
2024-Oct-01, Journal of clinical gastroenterology
IF:2.8Q2
DOI:10.1097/MCG.0000000000001972
PMID:38457410
|
research paper | 本研究开发了一种基于Transformer模型的深度学习应用,用于胶囊内窥镜胃部结构识别,以提高内窥镜图像识别的临床适用性 | 首次将Transformer模型应用于胶囊内窥镜胃部结构识别,并展示了与内窥镜医师相当的高诊断准确性 | 研究仅使用了单中心数据,可能影响模型的泛化能力 | 建立胶囊内窥镜胃部结构识别模型,提高深度学习在内窥镜图像识别中的临床应用 | 胶囊内窥镜视频中的15种上消化道结构 | computer vision | gastric lesions | deep learning | Transformer | video | 3343个无线胶囊内窥镜视频用于无监督预训练,2433个用于训练,118个用于验证 |
599 | 2025-06-15 |
MRGazer: decoding eye gaze points from functional magnetic resonance imaging in individual space
2024-Aug-13, Journal of neural engineering
IF:3.7Q2
DOI:10.1088/1741-2552/ad6185
PMID:38986464
|
research paper | 提出了一种名为MRGazer的框架,用于从个体空间的功能磁共振成像(fMRI)数据中预测眼球注视点 | MRGazer跳过了fMRI共配准步骤,简化了处理流程,实现了端到端的眼球注视回归 | NA | 开发一个高效、简单且准确的深度学习框架,用于从fMRI数据预测眼球运动 | 眼球运动和功能磁共振成像(fMRI)数据 | machine learning | NA | fMRI | residual network | fMRI数据 | NA |
600 | 2025-06-15 |
Discrete Representation Learning for Multivariate Time Series
2024-Aug, Proceedings of the ... European Signal Processing Conference (EUSIPCO). EUSIPCO (Conference)
|
research paper | 本文提出了一种基于高斯过程的多元时间序列离散表示学习方法 | 使用Gumbel-softmax重参数化技巧解决离散潜在变量在深度学习模型中的不可微问题,实现联合聚类和嵌入 | NA | 开发多元时间序列的离散表示学习方法以提高可解释性 | 多元时间序列数据 | machine learning | NA | Gumbel-softmax reparameterization | Gaussian processes | multivariate time series | 合成数据和真实fMRI数据 |