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 | 2025-07-05 |
Diff-SE: A Diffusion-Augmented Contrastive Learning Framework for Super-Enhancer Prediction
2025-Jul-04, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c01005
PMID:40613852
|
研究论文 | 提出了一种结合扩散增强和对比学习的深度学习框架Diff-SE,用于超级增强子预测 | 整合扩散模型生成生物意义明确的合成正样本以平衡训练数据,并采用对比学习策略增强特征表示 | 未明确说明模型在更广泛物种间的泛化能力及计算资源消耗情况 | 开发高性能跨物种超级增强子预测方法 | 超级增强子(SEs)及其在基因表达调控中的作用 | 机器学习 | 癌症、阿尔茨海默病 | ChIP-seq、扩散模型、对比学习 | Diff-SE(基于扩散增强的对比学习框架) | 基因组序列数据 | 8个数据集(包含人类和小鼠细胞系) |
582 | 2025-07-05 |
Comparison of neural networks for classification of urinary tract dilation from renal ultrasounds: evaluation of agreement with expert categorization
2025-Jul-04, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06311-5
PMID:40613839
|
研究论文 | 本研究比较了不同深度学习模型在婴儿肾超声图像中分类尿路扩张(UTD)的性能 | 首次评估深度学习模型在婴儿肾超声图像中自动分类UTD的准确性和一致性 | 研究样本仅包含3个月以下的婴儿,可能限制了结果的普遍性 | 开发并评估深度学习模型在肾超声图像中预测UTD分类的性能 | 婴儿肾超声图像 | 数字病理学 | 尿路扩张 | 深度学习 | CNN(假设基于使用的技术) | 图像 | 492张右肾和487张左肾超声图像(来自3个月以下的婴儿) |
583 | 2025-07-05 |
Rapid identification of Litopenaeus vannamei pathogenic bacteria: a combined approach using surface-enhanced Raman spectroscopy (SERS) and deep learning
2025-Jul-04, Analytical and bioanalytical chemistry
IF:3.8Q1
DOI:10.1007/s00216-025-05974-1
PMID:40613867
|
研究论文 | 本研究提出了一种结合表面增强拉曼光谱(SERS)和深度学习的方法,用于快速识别凡纳滨对虾的病原菌 | 创新性地整合了SERS、LSGAN和Transformer技术,通过数据增强提高了病原菌分类的准确率 | 原始光谱数据量有限(仅160个光谱),可能影响模型的泛化能力 | 开发一种快速准确的水产养殖病原菌检测方法 | 凡纳滨对虾的四种常见病原菌 | 机器学习 | 水产养殖疾病 | 表面增强拉曼光谱(SERS)、LSGAN、Transformer | LSGAN、Transformer | 光谱数据 | 原始数据集160个光谱,增强后2160个光谱 |
584 | 2025-07-05 |
iACP-DPNet: a dual-pooling causal dilated convolutional network for interpretable anticancer peptide identification
2025-Jul-04, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01641-x
PMID:40613943
|
研究论文 | 提出了一种名为iACP-DPNet的双池化因果扩张卷积网络,用于可解释的抗癌肽识别 | 构建了更大更多样化的数据集,设计了双池化机制(GlobalAveragePooling和注意力池化)以增强模型特征提取能力,并采用多种方法提高模型的可解释性 | NA | 提高抗癌肽(ACPs)识别的准确性和可解释性 | 抗癌肽(ACPs) | 生物信息学 | 癌症 | ProtBert蛋白质语言模型、LightGBM、MIC特征选择、因果扩张卷积网络 | iACP-DPNet(双池化因果扩张卷积网络) | 蛋白质序列数据 | 整合现有文献和数据库构建的大规模多样化数据集 |
585 | 2025-07-05 |
Deep learning-driven abbreviated knee MRI protocols: diagnostic accuracy in clinical practice
2025-Jul-04, La Radiologia medica
DOI:10.1007/s11547-025-02038-3
PMID:40613973
|
研究论文 | 本研究评估了深度学习加速的膝关节MRI协议在不同加速因子下的诊断准确性 | 首次系统评估了深度学习加速MRI协议(DL2、DL4、DL6)在膝关节诊断中的表现,并与标准协议进行对比 | 样本量相对较小(71例患者),且DL6协议对细微病变的敏感性有所下降 | 评估深度学习加速MRI协议在膝关节诊断中的性能 | 膝关节MRI图像 | 数字病理学 | 骨科疾病 | 深度学习重建MRI | DL(深度学习模型) | 医学影像 | 71名连续患者 |
586 | 2025-07-05 |
From gas sensing to AI-gas sensing
2025-Jul-03, Chemical communications (Cambridge, England)
DOI:10.1039/d5cc01291k
PMID:40521933
|
综述 | 本文综述了从传统气体传感技术到AI气体传感技术的发展,重点介绍了AI技术在该领域的应用和进展 | AI技术的介入为气体传感领域提供了核心技术支持,包括深度学习驱动的特征提取和模式识别、漂移补偿以及在边缘设备上的部署,以及在硬件-软件融合方面的创新,如嗅觉芯片、神经形态处理器和感存算一体化系统 | NA | 探讨AI技术如何推动气体传感技术的发展,以实现超灵敏、自适应和智能化的检测平台 | 气体传感技术及其AI增强应用 | 机器学习和传感器技术 | NA | 深度学习、特征提取、模式识别、漂移补偿 | 深度学习模型 | 化学信号数据 | NA |
587 | 2025-07-05 |
Artificial Intelligence in Rhinology
2025-Jul-03, The Journal of craniofacial surgery
IF:1.0Q3
DOI:10.1097/SCS.0000000000011654
PMID:40608779
|
综述 | 本文综述了人工智能在鼻科学中的应用 | 探讨了机器学习在鼻科学中的分类应用以及深度学习在鼻窦炎诊断和鼻窦体积量化中的作用,并展望了机器人鼻窦手术的未来发展 | 许多人工智能应用需要设备完善的医疗中心和环境,限制了其在资源匮乏地区的应用 | 回顾人工智能在鼻科学领域的应用及其对医疗质量的提升 | 鼻科学中的疾病诊断和治疗 | 人工智能在医疗领域的应用 | 鼻窦炎 | 机器学习和深度学习 | 分类算法和深度学习算法 | 放射影像数据 | NA |
588 | 2025-07-05 |
Utilizing TOP2 Class for Hybrid Decision-Making to Enhance TOP1 Accuracy of Ensemble Models
2025-Jul-03, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2025.3579732
PMID:40608870
|
research paper | 提出了一种名为TOP2 HD的新算法,通过利用TOP2类别信息提升集成模型的TOP1准确率 | 首次在集成学习中引入TOP2类别信息进行模型分层和排序,突破了传统方法仅关注TOP1类别的局限 | 未明确说明算法在非图像领域的泛化能力 | 提升深度学习视觉任务中集成模型的决策精度 | 深度学习集成模型 | computer vision | NA | ensemble learning | ensemble models | image | 多种模型和数据集(未明确具体数量) |
589 | 2025-07-05 |
Graph with Residue-Based Cross-Modal Framework Enhances Cell Function-Related Protein Properties Prediction
2025-Jul-03, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00856
PMID:40609014
|
研究论文 | 提出了一种基于残基的跨模态框架,用于增强细胞功能相关蛋白质特性的预测 | 结合了Layer-Aggregated Graph Convolutional Network (LA-GCN)和Geometric Vector Perceptron-Graph Neural Network (GVP-GNN),在两种互补的残基图上进行表示学习,以捕捉蛋白质的语义特征和结构特性 | 未明确提及具体的数据集规模或实验条件的限制 | 提高蛋白质特性预测的准确性,以支持药物设计、疾病研究和生物湿实验 | 蛋白质的亚细胞定位、溶解度、金属离子结合和热稳定性等特性 | 机器学习 | NA | Protein Language Models (PLMs), Layer-Aggregated Graph Convolutional Network (LA-GCN), Geometric Vector Perceptron-Graph Neural Network (GVP-GNN) | LA-GCN, GVP-GNN | 蛋白质序列和结构数据 | NA |
590 | 2025-07-05 |
Multi-modal Classification of Retinal Disease Based On Convolutional Neural Network
2025-Jul-03, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/adeb92
PMID:40609554
|
研究论文 | 提出一种基于卷积神经网络的多模态视网膜疾病分类模型,结合OCT和OCTA图像提高诊断准确性和效率 | 采用中间融合和两步训练方法,解决了训练数据不足和类别不平衡问题,提高了分类性能 | 训练数据量相对较少,可能存在类别不平衡问题 | 提高视网膜疾病的自动诊断准确性和效率 | 视网膜疾病(如年龄相关性黄斑变性和糖尿病视网膜病变) | 计算机视觉 | 视网膜疾病 | 光学相干断层扫描(OCT)和光学相干断层扫描血管成像(OCTA) | CNN | 图像 | 未明确提及具体样本数量,但提到数据增强和宽松匹配方法用于增加数据量 |
591 | 2025-07-05 |
Recent Advances in Applying Machine Learning to Proton Radiotherapy
2025-Jul-03, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/adeb90
PMID:40609552
|
系统综述 | 本文系统综述了机器学习在质子放疗中的应用现状及潜在用途 | 首次全面覆盖机器学习在质子放疗临床流程中的当前及潜在应用,填补了文献中的空白 | 仅涵盖2019至2024年的研究,可能遗漏早期重要文献 | 探索机器学习如何提升质子放疗的精确性和个性化治疗 | 质子放疗的临床流程 | 机器学习 | 肿瘤学 | 系统文献检索 | U-Net, CNN, 深度初始网络, 深度级联卷积神经网络 | 医学影像 | 38项相关研究 |
592 | 2025-07-05 |
ModelS4Apnea: leveraging structured state space models for efficient sleep apnea detection from ECG signals
2025-Jul-03, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/adebdd
PMID:40609595
|
research paper | 提出了一种名为ModelS4Apnea的深度学习框架,用于从ECG频谱图中高效检测睡眠呼吸暂停 | 结合了结构化状态空间模型(S4)进行时间建模,相比基于LSTM的模型具有更少的可训练参数,同时保持高分类性能 | 未来工作可能探索多模态数据集成、实际部署和进一步优化以增强其临床适用性和可靠性 | 开发一种高效准确的睡眠呼吸暂停自动检测方法 | ECG信号 | digital pathology | sleep apnea | deep learning | CNN, S4 | ECG spectrograms | Apnea-ECG数据集 |
593 | 2025-07-05 |
ComptoNet: a Compton-map guided deep learning framework for multi-scatter estimation in multi-source stationary CT
2025-Jul-03, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adebd7
PMID:40609598
|
研究论文 | 提出了一种名为ComptoNet的解耦深度学习框架,用于多源静态CT中的多散射估计 | 创新性地结合了康普顿散射物理与深度学习,并引入了康普顿图来表示扫描视场外的大角度康普顿散射信号 | 实验数据基于蒙特卡洛模拟,未提及实际临床或工业应用中的验证 | 解决多源静态CT中因缺乏反散射网格部署导致的前向和交叉散射污染问题 | 多源静态CT系统 | 计算机视觉 | NA | 深度学习 | Conditional Encoder-Decoder Network (CED-Net), Frequency U-Net | CT图像数据 | 蒙特卡洛模拟数据 |
594 | 2025-07-05 |
CONSeg: Voxelwise Uncertainty Quantification for Glioma Segmentation Using Conformal Prediction
2025-Jul-03, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8914
PMID:40610235
|
研究论文 | 本研究提出了一种名为CONSeg的方法,利用共形预测(CP)在胶质瘤分割中进行体素级不确定性量化,以提高分割模型的可靠性 | 首次将共形预测应用于胶质瘤分割领域,并提出不确定性比率(UR)这一新指标来评估分割质量 | 研究仅使用了两个公开数据集,可能无法涵盖所有临床场景的变异性 | 提高胶质瘤自动分割的可靠性,并为临床决策提供不确定性量化支持 | 胶质瘤患者的MRI影像数据 | 数字病理 | 胶质瘤 | 共形预测(CP) | UNet | 医学影像 | 642例(UCSF数据集495例,UPenn数据集147例) |
595 | 2025-07-05 |
Content-based X-ray image retrieval using fusion of local neighboring patterns and deep features for lung disease detection
2025-Jul-03, Radiological physics and technology
IF:1.7Q3
DOI:10.1007/s12194-025-00932-z
PMID:40610682
|
研究论文 | 本文介绍了一种基于内容的医学图像检索系统,用于检测和检索肺部疾病病例,以辅助医生和放射科医师进行临床决策 | 结合了基于纹理的特征(LBP)和深度学习特征(VGG-16、DenseNet121、InceptionV3),以优化图像检索性能 | 未提及样本的具体来源和多样性,可能影响模型的泛化能力 | 提升肺部疾病图像检索的准确性和效率,以支持临床决策 | 肺部疾病病例的X射线图像 | 计算机视觉 | 肺部疾病 | Local Binary Patterns (LBP), CNN | VGG-16, DenseNet121, InceptionV3 | 图像 | NA |
596 | 2025-07-05 |
Integrating MobileNetV3 and SqueezeNet for Multi-class Brain Tumor Classification
2025-Jul-03, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01589-1
PMID:40610693
|
研究论文 | 本研究探讨了使用轻量级深度学习模型进行多类别脑肿瘤分类的性能,并提出了一个结合MobileNetV3和SqueezeNet的特征融合混合模型 | 提出了一个结合MobileNetV3和SqueezeNet的特征融合混合模型,在保持低参数量的同时实现了高准确率 | 研究仅使用了公开可用的MRI数据集,未涉及其他类型的数据或临床环境下的验证 | 开发高效且准确的自动化脑肿瘤分类方法 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | 深度学习 | MobileNetV3, SqueezeNet, 特征融合混合模型 | 图像 | 7023张MRI图像 |
597 | 2025-07-05 |
Developing an innovative lung cancer detection model for accurate diagnosis in AI healthcare systems
2025-Jul-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03960-2
PMID:40592932
|
研究论文 | 本研究提出了一种基于深度学习技术的集成模型(CNN-GRU),用于肺癌检测,旨在提高AI医疗系统中的诊断准确性 | 结合CNN和GRU模型,设计了一个智能模型用于肺癌检测,通过CNN提取肺部CT图像的空间特征,并通过GRU进行最终预测,实现了99.77%的准确率 | 未提及模型在多样化数据集上的泛化能力,以及在实际临床环境中的适用性 | 开发一种高准确率的肺癌检测模型,以提升AI医疗系统中的诊断效果 | 肺癌(LC)的检测 | 数字病理学 | 肺癌 | 深度学习 | CNN-GRU | 图像(肺部CT图像) | 未明确提及具体样本数量,但使用了数据增强技术(如旋转和亮度调整)来扩大数据集 |
598 | 2025-07-05 |
Hybrid attention transformer integrated YOLOV8 for fruit ripeness detection
2025-Jul-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04184-0
PMID:40592947
|
研究论文 | 提出了一种创新的水果识别模型HAT-YOLOV8,结合了混合注意力变换器(HAT)和YOLOV8深度学习算法的优势,用于水果成熟度检测 | 集成了Shuffle Attention(SA)模块以捕获复杂依赖关系,同时保持低计算复杂度;在特征融合阶段引入HAT模块增强长程依赖和细节信息恢复;使用EIoU损失函数替代CIoU以提高检测精度和加速模型收敛 | 未提及模型在极端光照条件下的表现或计算资源需求的具体数据 | 解决户外果园环境中因光照变化和果实集群阴影导致的水果成熟度识别与分类难题 | 五种水果品种,每种分为三个不同成熟度等级 | 计算机视觉 | NA | 深度学习 | HAT-YOLOV8(集成Hybrid Attention Transformer和YOLOV8) | 图像 | 包含五种水果品种的数据集,每种有三个成熟度等级(具体样本量未说明) |
599 | 2025-07-05 |
Research on fault diagnosis method for variable condition planetary gearbox based on SKN attention mechanism and deep transfer learning
2025-Jul-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04858-9
PMID:40592955
|
研究论文 | 提出了一种基于SKN注意力机制和深度迁移学习的变工况行星齿轮箱故障诊断方法 | 结合SKN注意力机制和LMMD子域适应,提升了变工况下故障特征的提取能力和诊断精度 | 仅针对8种变工况任务进行了验证,样本多样性可能不足 | 提高变工况下行星齿轮箱的故障诊断准确率 | 行星齿轮箱的故障数据 | 机器学习 | NA | 深度迁移学习,SKN注意力机制,LMMD子域适应 | 深度神经网络 | 振动信号数据 | 8种变工况任务的数据集 |
600 | 2025-07-05 |
A novel edge crop method and enhanced YOLOv5 for efficient wind turbine blade damage detection
2025-Jul-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04882-9
PMID:40592991
|
research paper | 提出了一种新颖的边缘裁剪方法和增强的YOLOv5网络,用于高效检测风力涡轮机叶片损伤 | 结合边缘裁剪方法和增强的YOLOv5网络,通过自适应调整裁剪步长和引入全局注意力机制,提高了对小尺寸和可变形状损伤的检测精度 | 方法在复杂背景下的性能未进行广泛验证,且数据集仅来自内蒙古西部地区 | 提高风力涡轮机叶片损伤检测的准确性和效率 | 风力涡轮机叶片 | computer vision | NA | 深度学习 | YOLOv5 | image | 来自内蒙古西部的风力涡轮机叶片损伤数据集 |