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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
621 | 2024-12-19 |
Recognition and Localization of Maize Leaf and Stalk Trajectories in RGB Images Based on Point-Line Net
2024, Plant phenomics (Washington, D.C.)
DOI:10.34133/plantphenomics.0199
PMID:39691278
|
研究论文 | 本文提出了一种基于Point-Line Net的深度学习方法,用于自动识别玉米田RGB图像中的叶片和茎秆数量及其生长轨迹 | 本文创新性地开发了Point-Line Net方法,基于Mask R-CNN框架,并引入了一个新的轻量级“关键点”检测分支,用于描述叶片和茎秆的位置和生长 | 本文主要在实验室环境下进行实验,尚未完全解决田间复杂背景和严重遮挡问题 | 探索深度学习技术在田间农业中获取叶片和茎秆数量及其生长轨迹的应用 | 玉米田中的叶片和茎秆数量及其生长轨迹 | 计算机视觉 | NA | 深度学习 | Point-Line Net | 图像 | 实验结果基于自定义的距离验证指数,达到了33.5的量级 |
622 | 2024-12-19 |
Artificial intelligence for chimeric antigen receptor-based therapies: a comprehensive review of current applications and future perspectives
2024, Therapeutic advances in vaccines and immunotherapy
DOI:10.1177/25151355241305856
PMID:39691280
|
综述 | 本文综述了人工智能在嵌合抗原受体(CAR)疗法中的当前应用和未来展望 | 本文探讨了人工智能在CAR疗法中的多种应用,如使用深度学习设计CAR、自然语言处理提取临床信息、计算机视觉分析CAR细胞形态、强化学习优化CAR输注剂量等 | 本文指出了使用人工智能进行CAR疗法的挑战,包括数据质量不足、模型验证需求、AI输出偏差和错误风险、伦理法律问题以及对人类在癌症免疫治疗中角色的影响 | 探讨人工智能在CAR疗法中的应用及其未来发展方向 | 人工智能在CAR疗法中的设计、生产、交付等方面的应用 | 机器学习 | NA | 深度学习、自然语言处理、计算机视觉、强化学习 | NA | 文本、图像 | NA |
623 | 2024-12-19 |
Editorial: Investigating tumor immunotherapy responses in lung cancer using deep learning
2024, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2024.1529949
PMID:39691722
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
624 | 2024-12-19 |
EEG-based action anticipation in human-robot interaction: a comparative pilot study
2024, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2024.1491721
PMID:39691819
|
研究论文 | 本研究探讨了如何利用脑电图(EEG)信号在人机交互中进行动作预测,以提高安全性和效率 | 本研究首次将EEG信号与深度学习技术结合,用于人机交互中的动作预测,展示了其在实时协作任务中的潜力 | 本研究仅进行了初步的试点实验,样本量较小,未来需要更大规模的研究来验证其有效性 | 探索如何利用EEG信号在人机交互中进行动作预测,以提高安全性和效率 | 人机交互中的动作预测 | 机器学习 | NA | 脑电图(EEG) | 深度学习分类模型 | 脑电图信号 | 一个运动想象(MI)数据集,具体样本量未明确说明 |
625 | 2024-12-19 |
Predicting High-Grade Patterns in Stage I Solid Lung Adenocarcinoma: A Study of 371 Patients Using Refined Radiomics and Deep Learning-Guided CatBoost Classifier
2024 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338241308610
PMID:39692551
|
研究论文 | 本研究开发了一种名为Refined Radiomics and Deep Learning Features-Guided CatBoost Classifier (RRDLC-Classifier)的诊断算法,用于预测临床I期实性肺腺癌中的高级别病理模式 | 本研究创新性地结合了精炼的放射组学和深度学习特征,开发了一种新的诊断算法RRDLC-Classifier,用于预测临床I期实性肺腺癌中的高级别病理模式 | 本研究为回顾性研究,样本量有限,可能存在选择偏倚 | 开发并评估一种新的诊断算法,用于预测临床I期实性肺腺癌中的高级别病理模式 | 临床I期实性肺腺癌患者的高级别病理模式 | 数字病理学 | 肺癌 | 放射组学、深度学习、CatBoost分类器 | CatBoost分类器 | 影像 | 371名临床I期实性肺腺癌患者 |
626 | 2024-12-19 |
Spatiotemporal Rhythmic Seizure Sources Can be Imaged by means of Biophysically Constrained Deep Neural Networks
2023-Dec-01, medRxiv : the preprint server for health sciences
DOI:10.1101/2023.11.30.23299218
PMID:38076950
|
研究论文 | 本文研究了一种基于深度学习的源成像框架(DeepSIF),用于从高密度脑电图(EEG)记录中成像药物难治性局灶性癫痫患者的癫痫发作活动 | 提出了一个新颖的深度学习源成像框架(DeepSIF),并展示了其在癫痫发作源成像中的优越性能 | 研究仅限于药物难治性局灶性癫痫患者,未来需要进一步验证其在其他类型癫痫中的应用 | 开发一种非侵入性方法来成像癫痫发作活动,以帮助指导临床决策和改善癫痫患者的治疗效果 | 药物难治性局灶性癫痫患者的癫痫发作活动 | 机器学习 | 癫痫 | 深度学习 | 深度神经网络 | 脑电图(EEG) | 33名药物难治性局灶性癫痫患者 |
627 | 2024-12-19 |
EEG-Based Machine Learning Models to Evaluate Haptic Delay: Should We Label Data Based on Self-Reporting or Physical Stimulation?
2023 Oct-Dec, IEEE transactions on haptics
IF:2.4Q2
DOI:10.1109/TOH.2023.3270666
PMID:37126610
|
研究论文 | 本文探讨了基于EEG数据的机器学习模型在评估触觉延迟时,使用自我报告标签与物理刺激标签的比较 | 首次系统研究了在评估触觉体验时,使用自我报告标签与物理刺激标签对机器学习模型性能的影响 | 研究结果仅适用于触觉延迟这一特定触觉体验,不能推广到其他触觉体验 | 探讨在评估触觉体验时,使用自我报告标签与物理刺激标签哪种方法更有效 | 触觉延迟的评估 | 机器学习 | NA | EEG | 机器学习模型和深度学习模型 | EEG数据 | NA |
628 | 2024-12-18 |
Whole-body low-dose computed tomography in patients with newly diagnosed multiple myeloma predicts cytogenetic risk: a deep learning radiogenomics study
2025-Feb, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-024-04733-0
PMID:38937291
|
研究论文 | 开发了一种基于全身低剂量CT(WBLDCT)的深度学习模型,用于预测多发性骨髓瘤(MM)患者的细胞遗传学异常 | 首次利用深度学习模型从全身低剂量CT扫描中预测多发性骨髓瘤患者的细胞遗传学风险 | 研究样本量相对较小,且仅限于新诊断的多发性骨髓瘤患者 | 开发和验证一种深度学习模型,用于预测多发性骨髓瘤患者的细胞遗传学异常 | 新诊断的多发性骨髓瘤患者 | 计算机视觉 | 多发性骨髓瘤 | 深度学习 | 深度学习模型 | 图像 | 151名多发性骨髓瘤患者 |
629 | 2024-12-18 |
Recent advancements and future directions in automatic swallowing analysis via videofluoroscopy: A review
2025-Feb, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2024.108505
PMID:39579458
|
综述 | 本文综述了通过视频荧光吞咽研究(VFSS)进行自动吞咽分析的最新进展和未来方向 | 利用计算机视觉、模式识别和深度学习技术,提供了新的范式来探索和提取VFSS记录中的信息 | 本文主要集中在图像处理技术在自动吞咽分析中的应用,未涵盖其他可能的技术方法 | 展示当前VFSS分析中的挑战,并提供未来开发更准确和临床可解释算法的见解 | 视频荧光吞咽研究(VFSS)记录中的解剖结构检测、食团对比分割和运动事件识别 | 计算机视觉 | NA | 计算机视觉、深度学习 | 深度学习模型 | 视频 | 46项研究 |
630 | 2024-12-18 |
Smartwatch ECG and artificial intelligence in detecting acute coronary syndrome compared to traditional 12-lead ECG
2025-Feb, International journal of cardiology. Heart & vasculature
DOI:10.1016/j.ijcha.2024.101573
PMID:39687687
|
研究论文 | 本研究评估了基于智能手表的多通道、异步心电图(ECG)与人工智能(AI)系统结合用于诊断急性冠状动脉综合征(ACS)的可行性 | 本研究首次评估了基于智能手表的ECG与AI系统结合用于诊断ACS的可行性,并展示了其与传统12导联ECG相比的高诊断性能 | 本研究的样本量较小,且仅限于ACS患者和健康对照组,未来需要更大规模的研究来验证结果 | 评估基于智能手表的ECG与AI系统结合用于诊断ACS的可行性 | 急性冠状动脉综合征(ACS)患者和健康对照组 | 机器学习 | 心血管疾病 | 深度学习 | AI-ECG工具 | 图像 | 56名ACS患者和15名健康参与者 |
631 | 2024-12-18 |
Advancing Ki67 hotspot detection in breast cancer: a comparative analysis of automated digital image analysis algorithms
2025-Jan, Histopathology
IF:3.9Q1
DOI:10.1111/his.15294
PMID:39104219
|
研究论文 | 本文比较了基于虚拟双染色(VDS)和深度学习(DL)的数字图像分析算法在乳腺癌Ki67热点检测和评分中的临床表现 | 深度学习(DL)算法在临床适用性上优于虚拟双染色(VDS)算法,因为它不依赖于幻灯片的虚拟对齐,并且与手动评分相关性更强 | NA | 提高Ki67热点检测和评分的准确性,以改善乳腺癌的临床评估 | Ki67热点检测和评分在乳腺癌中的应用 | 数字病理学 | 乳腺癌 | 数字图像分析(DIA) | 深度学习(DL) | 图像 | 135例连续的浸润性乳腺癌组织样本 |
632 | 2024-12-12 |
Application of deep learning algorithms in classification and localization of implant cutout for the postoperative hip
2025-01, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-024-04692-6
PMID:38771507
|
研究论文 | 本研究探讨了使用卷积神经网络在骨盆前后位X光片上检测和定位植入物切出的可行性 | 首次使用深度学习算法进行植入物切出的分类和定位 | 对象检测模型在假阳性预测中产生了较多错误结果 | 验证深度学习算法在骨盆X光片上检测和定位植入物切出的可行性 | 骨盆前后位X光片上的植入物切出 | 计算机视觉 | NA | 卷积神经网络 | 卷积神经网络 | 图像 | 40191张骨盆X光片 |
633 | 2024-12-18 |
Deep Learning Applied to Diffusion-weighted Imaging for Differentiating Malignant from Benign Breast Tumors without Lesion Segmentation
2025-Jan, Radiology. Artificial intelligence
DOI:10.1148/ryai.240206
PMID:39565222
|
研究论文 | 本文评估并比较了不同人工智能模型在扩散加权成像(DWI)中区分良性和恶性乳腺肿瘤的性能,并与放射科医生的评估进行了比较 | 本文的创新点在于使用深度学习模型,特别是小型二维卷积神经网络(2D CNN),在不需要手动分割病变的情况下,区分良性和恶性乳腺肿瘤 | 本文的局限性在于研究是回顾性的,且样本量相对较小 | 研究目的是评估和比较不同人工智能模型在扩散加权成像中区分良性和恶性乳腺肿瘤的性能 | 研究对象是良性和恶性乳腺肿瘤的扩散加权成像数据 | 计算机视觉 | 乳腺癌 | 扩散加权成像(DWI) | 卷积神经网络(CNN) | 图像 | 334个乳腺病变,来自293名患者 |
634 | 2024-12-18 |
Long-term, automated stool monitoring using a novel smart toilet: A feasibility study
2025-Jan, Neurogastroenterology and motility
IF:3.5Q2
DOI:10.1111/nmo.14954
PMID:39486001
|
研究论文 | 本文展示了一种新型智能马桶用于长期自动收集粪便图像数据的可行性,并评估了基于计算机视觉的分析方法来根据布里斯托粪便形式量表(BSFS)评估粪便形式 | 本文提出了一种新型智能马桶系统,能够长期自动收集粪便图像数据,并通过深度学习分割和数学定义的手工特征进行计算机视觉分析,以量化粪便的形态学属性 | 研究样本量较小,仅涉及六名健康志愿者,且研究时间相对较短 | 验证长期自动粪便形式监测的可行性和准确性 | 粪便形式的长期自动监测 | 计算机视觉 | NA | 深度学习分割 | NA | 图像 | 六名健康志愿者,共记录了474次排便图像 |
635 | 2024-12-18 |
Application of a deep learning algorithm for the diagnosis of HCC
2025-Jan, JHEP reports : innovation in hepatology
IF:9.5Q1
DOI:10.1016/j.jhepr.2024.101219
PMID:39687602
|
研究论文 | 本文开发并验证了一种深度学习算法,用于通过CT影像诊断肝细胞癌(HCC) | 本文首次应用时空3D卷积网络(ST3DCN)模型,通过薄层三相CT肝图像和相关临床信息进行HCC诊断,显著提高了诊断准确性 | 本文的局限性在于仅在特定患者群体中进行了验证,且依赖于特定的CT影像数据 | 研究目的是通过深度学习算法提高肝细胞癌的诊断准确性 | 研究对象为通过CT影像进行肝细胞癌诊断的患者 | 机器学习 | 肝癌 | 深度学习 | 时空3D卷积网络(ST3DCN) | 图像 | 2,832名患者和4,305次CT观察 |
636 | 2024-12-18 |
Deep learning model for diagnosis of venous thrombosis from lower extremity peripheral ultrasound imaging
2024-Dec-20, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2024.111318
PMID:39687013
|
研究论文 | 本研究旨在建立一个深度学习模型,用于通过下肢外周超声图像诊断深静脉血栓 | 本研究创新性地使用卷积神经网络(UNet和ResNet)进行图像分割,并开发了一个用户友好的应用程序,以便前线临床医生快速评估临床严重性并进行及时干预 | NA | 建立一个深度学习模型,用于通过超声图像诊断深静脉血栓 | 下肢外周超声图像中的深静脉血栓 | 计算机视觉 | 深静脉血栓 | 卷积神经网络 | UNet, ResNet | 图像 | 通过标准和便携式手持超声方法获得的静脉双工超声视频图像 |
637 | 2024-12-18 |
Deep learning enabled integration of tumor microenvironment microbial profiles and host gene expressions for interpretable survival subtyping in diverse types of cancers
2024-Dec-17, mSystems
IF:5.0Q1
DOI:10.1128/msystems.01395-24
PMID:39565103
|
研究论文 | 本研究开发了一种基于自编码器的半监督深度学习框架ASD-cancer,用于整合肿瘤微环境微生物组和宿主基因表达数据,识别癌症患者的生存亚型 | 首次通过深度学习框架整合肿瘤微生物组和宿主基因表达数据,成功识别出20种癌症的生存亚型,并发现了潜在的微生物-宿主基因相互作用 | 需要进一步验证数据集的支持以确认结果的普适性 | 揭示肿瘤微生物组、宿主基因表达及其对患者生存的协同影响,推动个性化治疗 | 肿瘤微环境中的微生物组和宿主基因表达数据 | 机器学习 | 多种癌症 | 深度学习 | 自编码器 | 基因组数据 | 来自The Cancer Genome Atlas数据库的组织样本 |
638 | 2024-12-18 |
A Deep Learning Based Framework to Identify Undocumented Orphaned Oil and Gas Wells from Historical Maps: A Case Study for California and Oklahoma
2024-Dec-17, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.4c04413
PMID:39629830
|
研究论文 | 本文开发了一种基于深度学习的框架,用于从历史地图中识别未记录的孤立油气井,并在加利福尼亚州和俄克拉荷马州的四个县进行了案例研究 | 本文创新性地利用了最先进的计算机视觉神经网络模型U-Net,通过检测地理参考历史地形图中的油气井符号来识别潜在的未记录孤立油气井 | 本文的局限性在于仅在加利福尼亚州和俄克拉荷马州的四个县进行了验证,未来需要进一步扩展到全美范围 | 本文的研究目的是开发一种方法来识别未记录的孤立油气井,以减少其对环境和公共健康的潜在危害 | 本文的研究对象是未记录的孤立油气井及其在历史地图中的位置 | 计算机视觉 | NA | 计算机视觉神经网络模型 | U-Net | 地图 | 在加利福尼亚州和俄克拉荷马州的四个县中,发现了1301个潜在的未记录孤立油气井,覆盖面积超过40,000平方公里 |
639 | 2024-12-18 |
Bimodal PET/MRI generative reconstruction based on VAE architectures
2024-Dec-17, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ad9133
PMID:39527911
|
研究论文 | 本研究探索了在深度学习框架下基于变分自编码器(VAE)架构的正电子发射断层扫描(PET)/磁共振成像(MRI)联合重建方法 | 提出了基于VAE约束与交替方向乘子法(ADMM)优化技术的新方法,并探索了三种VAE架构以确定两种模态的最佳潜在表示 | 未提及具体限制 | 开发一种新的PET/MRI联合重建方法,以提高重建质量,特别是在短采集时间下的表现 | 脑部PET/MRI数据 | 计算机视觉 | NA | 变分自编码器(VAE),交替方向乘子法(ADMM) | VAE | 图像 | 脑部PET/MRI数据集 |
640 | 2024-12-18 |
Correction: Deep Learning to Estimate Cardiovascular Risk From Chest Radiographs
2024-Dec-17, Annals of internal medicine
IF:19.6Q1
DOI:10.7326/ANNALS-24-03386
PMID:39680924
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |