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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
61 | 2025-06-22 |
Machine learning based radiomic models outperform clinical biomarkers in predicting outcomes after immunotherapy for hepatocellular carcinoma
2025-Apr-17, Journal of hepatology
IF:26.8Q1
DOI:10.1016/j.jhep.2025.04.017
PMID:40246150
|
research paper | 该研究利用机器学习和深度学习技术,结合放射组学和临床数据,预测肝细胞癌患者免疫治疗后的生存结果和治疗反应 | 开发了集成放射组学和临床数据的机器学习模型,显著优于传统临床生物标志物在预测免疫治疗结果方面的表现 | 研究样本量相对较小(152例患者),且为回顾性研究 | 预测肝细胞癌患者接受atezolizumab联合bevacizumab免疫治疗后的生存结果和治疗反应 | 不可切除肝细胞癌患者 | digital pathology | hepatocellular carcinoma | deep learning, machine learning | seven machine learning models combined with 13 feature selection techniques | CT images and clinical data | 152 patients from two international centers |
62 | 2025-06-22 |
Diagnostic performance of the ultrasound -based artificial intelligence diagnostic system in predicting cervical lymph node metastasis in patients with thyroid cancer: A systematic review and meta-analysis
2025 Apr-Jun, Science progress
IF:2.6Q2
DOI:10.1177/00368504251346906
PMID:40462622
|
meta-analysis | 本文通过系统回顾和荟萃分析评估了基于超声的人工智能系统在预测甲状腺癌患者颈部淋巴结转移中的诊断性能 | 首次系统评估了基于超声的AI系统在预测甲状腺癌颈部淋巴结转移中的诊断性能,并比较了不同设计(如深度学习与经典机器学习、多中心与单中心)的效果差异 | 需要前瞻性验证以确认临床适用性,且中国研究的特异性较低 | 评估基于超声的AI系统在预测甲状腺癌颈部淋巴结转移中的诊断性能 | 甲状腺癌患者及其颈部淋巴结转移情况 | digital pathology | thyroid cancer | ultrasound, AI | deep learning, classic machine learning | image | 19项研究 |
63 | 2025-06-22 |
Machine learning models for predicting postoperative peritoneal metastasis after hepatocellular carcinoma rupture: a multicenter cohort study in China
2025-Jan-17, The oncologist
DOI:10.1093/oncolo/oyae341
PMID:39832130
|
研究论文 | 本研究利用机器学习模型预测肝细胞癌破裂后腹膜转移的风险 | 首次比较了五种机器学习模型在预测肝细胞癌破裂后腹膜转移中的表现,并发现深度学习模型表现最佳 | 研究样本仅来自中国的7个医疗中心,可能存在地域局限性 | 开发预测肝细胞癌破裂手术后腹膜转移的最佳机器学习模型 | 522例接受手术的肝细胞癌破裂患者 | 机器学习 | 肝细胞癌 | 机器学习模型比较 | 逻辑回归、支持向量机、分类树、随机森林、深度学习(DL) | 临床数据 | 522例患者(来自7个医疗中心) |
64 | 2025-06-22 |
Energy metric prediction for double insertion mutants via the RoseNet deep learning framework
2025, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbae198
PMID:40463404
|
研究论文 | 利用RoseNet深度学习框架预测双插入突变体的能量指标 | 扩展了先前的工作,评估了三种额外蛋白质,并分析了影响RoseNet预测能力的域特征,如插入二级结构和残基的溶剂可及表面积(SASA)分数 | 研究仅基于有限的蛋白质数据集,可能无法推广到所有类型的蛋白质突变 | 研究蛋白质双氨基酸插入或删除(InDels)的结构和功能影响 | 蛋白质的双插入突变体 | 生物信息学 | NA | 深度学习 | RoseNet | 蛋白质序列和结构数据 | 三个蛋白质的详尽双InDel突变数据集和另外三个蛋白质的约145k随机突变体 |
65 | 2025-06-22 |
Artificial intelligence in cancer pathology: Applications, challenges, and future directions
2025, CytoJournal
IF:2.5Q2
DOI:10.25259/Cytojournal_272_2024
PMID:40469709
|
综述 | 本文综述了人工智能在癌症病理学中的应用、挑战及未来方向 | 探讨了AI在多种癌症类型中的应用,包括组织分类、突变检测和预后预测,并提出了未来发展方向如实时诊断和可解释AI | 面临数据隐私、模型可解释性和监管标准等挑战 | 提升癌症病理诊断的准确性、优化工作流程并支持精准肿瘤学 | 乳腺癌、肺癌、前列腺癌和结直肠癌等多种癌症类型 | 数字病理学 | 多种癌症 | 机器学习、深度学习和计算机视觉 | NA | 组织病理学图像和多模态数据 | NA |
66 | 2025-06-22 |
Generative AI - Assisted Adaptive Cancer Therapy
2025 Jan-Dec, Cancer control : journal of the Moffitt Cancer Center
IF:2.5Q3
DOI:10.1177/10732748251349919
PMID:40532181
|
review | 本文探讨了利用生成式AI(GenAI)提升适应性癌症治疗的预测和推荐能力 | 结合非线性系统控制理论和深度学习,提出了一个适应性癌症控制框架,利用GenAI增强治疗响应预测和治疗方案推荐 | 临床数据获取困难、深度学习模型的不透明性以及临床验证是主要挑战 | 研究如何利用GenAI提升适应性癌症治疗的准确性和可靠性 | 适应性癌症治疗及其动态调整策略 | machine learning | cancer | deep learning | GenAI | multimodal data | NA |
67 | 2025-06-22 |
H-DSAE: a hybrid technique to recognize heart disease
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1563199
PMID:40538756
|
研究论文 | 本文提出了一种混合技术H-DSAE,用于识别心脏病,结合了深度信念网络、支持向量机和堆叠自编码器来提高诊断准确性 | 采用混合深度学习方法H-DSAE,结合多种分类器,显著提高了心脏病诊断的准确率至99.2% | 下一步需要开发更先进的分类和特征算法以进一步提升系统效率 | 提高心脏病诊断的准确性和效率 | 心脏病患者的心脏图像数据 | 机器学习 | 心血管疾病 | 机器学习、深度学习 | DBN, SVM, SAE | 图像 | NA |
68 | 2025-06-22 |
Combination of ultrasound-based radiomics and deep learning with clinical data to predict response in breast cancer patients treated with neoadjuvant chemotherapy
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1525285
PMID:40538839
|
研究论文 | 本研究结合超声影像、深度学习特征和临床数据,构建了一个预测乳腺癌患者新辅助化疗后病理完全缓解的融合模型 | 首次将超声影像的放射组学特征、深度学习特征与临床数据相结合,构建了一个预测性能优越的融合模型 | 研究为回顾性设计,样本来自两个医疗中心,可能存在选择偏倚 | 预测乳腺癌患者新辅助化疗后的病理完全缓解(pCR) | 643名经病理确诊的乳腺癌患者 | 数字病理 | 乳腺癌 | 超声成像、机器学习算法 | 融合模型(结合临床模型、放射组学模型和深度学习模型) | 超声图像、临床数据 | 643例患者(中心1:372例;中心2:271例) |
69 | 2025-06-22 |
A dual-branch deep learning model based on fNIRS for assessing 3D visual fatigue
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1589152
PMID:40538859
|
研究论文 | 本文提出了一种基于fNIRS的双分支深度学习模型,用于评估3D视觉疲劳 | 首次构建了基于fNIRS的深度学习模型,用于评估3D视觉疲劳,实现了端到端的自动特征提取和分类 | 未来工作可以探索模型在其他类型疲劳评估中的适用性,并进一步优化其在真实场景中的性能 | 提升用户体验并优化立体3D技术的性能 | 20名正常受试者(平均年龄:24.6±0.88岁;范围:23-26岁;13名男性) | 机器学习 | NA | fNIRS | 双分支卷积网络与transformer模块结合 | 时间序列fNIRS数据 | 20名正常受试者 |
70 | 2025-06-22 |
IRGL-RRI: interpretable graph representation learning for plant RNA-RNA interaction discovery
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1617495
PMID:40538878
|
研究论文 | 提出了一种可解释的图表示学习模型IRGL-RRI,用于准确预测植物RNA-RNA相互作用 | 结合Kolmogorov-Arnold Networks (KAN)和多尺度融合的RRI建模方法,提高了模型的可解释性和预测准确性 | 未提及模型在计算资源消耗或特定植物种类上的局限性 | 提高植物RNA-RNA相互作用预测的准确性和可解释性 | 植物RNA分子及其相互作用 | 机器学习 | NA | 图表示学习、KAN网络 | IRGL-RRI(基于图表示学习的模型) | RNA序列数据 | 公开数据集(具体数量未提及) |
71 | 2025-06-22 |
Class imbalance in multi-resident activity recognition: an evaluative study on explainability of deep learning approaches
2025, Universal access in the information society
IF:2.1Q3
DOI:10.1007/s10209-024-01123-0
PMID:40538921
|
research paper | 该研究探讨了在多居民活动识别中类别不平衡问题,并评估了深度学习方法的可解释性 | 研究针对多居民场景中的类别不平衡问题,探索了LSTM和双向LSTM网络的有效性,并提高了深度学习模型的透明度和可靠性 | 研究仅基于三个高度不平衡的智能家居数据集进行评估,可能无法涵盖所有实际应用场景 | 提高多居民活动识别系统的可信度和性能 | 多居民家庭中的活动识别 | machine learning | NA | 深度学习 | LSTM, Bidirectional LSTM | 传感器数据 | 三个高度不平衡的智能家居数据集 |
72 | 2025-06-22 |
Expression of Concern: Real-time recognition of spraying area for UAV sprayers using a deep learning approach
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0326610
PMID:40540481
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
73 | 2025-06-22 |
Real-world application of a 3D deep learning model for detecting and localizing cerebral microbleeds
2024-09-26, Acta neurochirurgica
IF:1.9Q2
DOI:10.1007/s00701-024-06267-9
PMID:39325068
|
研究论文 | 本研究验证了一种3D深度学习模型在真实世界环境中检测和定位脑微出血(CMBs)的性能 | 该模型不仅能检测CMBs,还能识别其解剖位置,且在真实世界环境中验证了其性能 | 需要更大规模和更多样化的人群研究以确立其临床实用性 | 验证3D深度学习模型在检测和定位脑微出血(CMBs)中的性能 | 脑微出血(CMBs)患者 | 数字病理学 | 脑血管疾病 | 3D深度学习 | 3D深度学习模型 | 医学影像 | 33名患者(21名有CMBs,12名无CMBs),共116个CMBs |
74 | 2025-06-22 |
Deep Learning-Based Image Analysis of Liver Steatosis in Mouse Models
2023-08, The American journal of pathology
DOI:10.1016/j.ajpath.2023.04.014
PMID:37236505
|
research paper | 本研究开发了一种基于深度神经网络的模型,用于量化肝组织切片中的微泡和大泡脂肪变性 | 使用深度学习模型自动识别和量化肝脂肪变性,与病理学家评估和EchoMRI测量结果高度一致 | 研究仅基于小鼠模型,未在人类样本中验证 | 开发一种高效量化非酒精性脂肪肝病的方法,用于临床前药物效果分析 | 野生型小鼠和两种基因修饰小鼠模型的肝组织 | digital pathology | nonalcoholic fatty liver disease | hematoxylin-eosin staining, whole slide imaging | deep neural network | image | 101张全切片图像 |
75 | 2025-06-22 |
Crossing the 'Cookie Theft' Corpus Chasm: Applying what BERT Learns from Outside Data to the ADReSS Challenge Dementia Detection Task
2021-Apr, Frontiers in computer science
IF:2.4Q3
DOI:10.3389/fcomp.2021.642517
PMID:40535703
|
research paper | 该研究探讨了如何利用外部数据(如威斯康星纵向研究中的转录数据)来增强深度学习模型在阿尔茨海默病检测任务中的性能 | 通过引入威斯康星纵向研究(WLS)中的额外转录数据,显著增加了训练数据的规模,并探索了利用推断的认知状态来选择规范性数据的方法 | WLS转录数据缺乏痴呆症诊断的元数据,仅能通过认知测试结果推断认知状态 | 提高深度学习模型在阿尔茨海默病检测任务中的性能 | 阿尔茨海默病患者和健康对照者的自发语音样本 | natural language processing | geriatric disease | BERT模型 | BERT | text | DementiaBank数据加上1366份来自WLS的Cookie Theft Task转录数据 |
76 | 2025-06-21 |
Computational models for prediction of m6A sites using deep learning
2025-Aug, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2025.04.011
PMID:40268153
|
研究论文 | 本文综述并验证了多种深度学习方法在预测m6A位点上的应用,展示了深度学习模型在此领域的潜力 | 验证了多种深度学习方法在m6A位点预测上的效果,包括之前在此领域未充分利用的方法和专为生物序列设计的预训练模型 | 未提及具体的数据集大小或模型性能的详细比较 | 提高m6A修饰位点的准确识别,以更好地理解其功能和机制 | m6A修饰位点 | 机器学习 | NA | 深度学习 | 预训练模型及其他基础深度学习方法 | 生物序列数据 | 基准数据集(具体数量未提及) |
77 | 2025-06-21 |
Accuracy and time efficiency of deep learning-based three-dimensional crown segmentation on intraoral scanning: a systematic review and meta-analysis
2025-Aug, Journal of dentistry
IF:4.8Q1
DOI:10.1016/j.jdent.2025.105842
PMID:40414275
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了基于深度学习的口腔内扫描三维牙冠分割的准确性和时间效率 | 首次系统评估深度学习在口腔内扫描牙冠分割中的性能,并比较其与人工方法的时间效率 | 纳入研究存在数据选择和指标测试的异质性,且目前算法尚不能实现精确的牙龈边界分割 | 评估深度学习在口腔内扫描牙冠分割中的准确性和时间效益 | 口腔内扫描图像中的牙冠结构 | 数字病理 | 口腔疾病 | 深度学习图像分割 | 深度学习模型(未指定具体架构) | 三维口腔内扫描图像 | 44项符合纳入标准的研究(来自1220篇初筛文献) |
78 | 2025-06-21 |
Feasibility/clinical utility of half-Fourier single-shot turbo spin echo imaging combined with deep learning reconstruction in gynecologic magnetic resonance imaging
2025-Jul, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04739-1
PMID:39692759
|
research paper | 本研究探讨了结合深度学习重建和可变翻转角进化的HASTE(iHASTE)在妇科MRI中的临床效用 | 首次将深度学习重建技术应用于HASTE序列,提高了图像质量和抗伪影能力 | 样本量较小(79例),且iHASTE在病灶边缘显示方面评分低于BLADE和TSE | 评估iHASTE在妇科MRI中的临床应用价值 | 接受妇科MRI检查的患者 | 医学影像 | 妇科疾病 | MRI(HASTE、BLADE、TSE序列) | 深度学习重建 | 医学影像 | 79例患者(无抗痉挛药组)和79例匹配对照(有抗痉挛药组) |
79 | 2025-06-21 |
A novel artificial intelligence segmentation model for early diagnosis of bladder tumors
2025-Jul, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04715-9
PMID:39738572
|
research paper | 开发了一种基于深度学习的智能诊断系统BTS-Net,用于早期膀胱癌的准确诊断 | 提出了基于transformer的新型膀胱肿瘤分割网络BTS-Net,能够实时处理手术视频并准确分割潜在卫星病灶 | 研究仅在中南医院收集的数据上进行验证,需要进一步的外部验证 | 提高早期膀胱肿瘤的识别率,减少漏诊 | 膀胱癌患者的手术视频数据 | digital pathology | bladder cancer | deep learning | transformer-based BTS-Net | video | 273名膀胱癌患者的TURBT手术视频数据 |
80 | 2025-06-21 |
Preoperative discrimination of absence or presence of myometrial invasion in endometrial cancer with an MRI-based multimodal deep learning radiomics model
2025-Jul, Abdominal radiology (New York)
DOI:10.1007/s00261-024-04766-y
PMID:39747670
|
research paper | 本研究开发并验证了一种基于MRI的多模态深度学习放射组学(MDLR)模型,用于提高子宫内膜癌术前肌层浸润(MI)的判别准确性 | 结合临床特征和深度学习特征(DLS)构建MDLR模型,显著提高了术前MI判别的准确性 | 研究为回顾性设计,可能存在选择偏倚,且模型性能需在前瞻性研究中进一步验证 | 提升子宫内膜癌术前肌层浸润状态的判别准确性以辅助治疗决策 | 1139例子宫内膜癌患者 | digital pathology | endometrial cancer | MRI, deep learning radiomics | ResNet18, Integrated Sparse Bayesian Extreme Learning Machine | MRI图像 | 1139例来自五个独立中心的患者(年龄24-89岁) |