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(使用关键词“['deep learning']”过滤),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19.9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 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 781 | 2026-01-30 |
A predicted structural interactome reveals binding interference from intrinsically disordered regions
2025-Nov-20, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.15.670535
PMID:40894573
|
研究论文 | 本研究利用AlphaFold2多聚体模型预测并分析了蛋白质-蛋白质相互作用,特别关注了内在无序区域在相互作用中的重要性 | 首次结合物理和功能数据集,系统性地预测了非哺乳动物物种的蛋白质相互作用网络,并揭示了内在无序区域在结合干扰中的关键作用 | 研究主要基于计算预测,缺乏实验验证;且专注于特定非哺乳动物物种,可能限制了结果的普适性 | 预测和分析蛋白质-蛋白质相互作用的结构网络,特别关注内在无序区域的功能 | 非哺乳动物物种的蛋白质 | 机器学习 | NA | 深度学习,结构预测 | AlphaFold2 | 蛋白质序列和结构数据 | NA | AlphaFold2 | AlphaFold2多聚体模型 | 高置信度预测 | NA |
| 782 | 2026-01-30 |
Identification of Camellia Oil Adulteration With Excitation-Emission Matrix Fluorescence Spectra and Deep Learning
2025-Oct, Journal of fluorescence
IF:2.6Q3
DOI:10.1007/s10895-025-04229-7
PMID:40063235
|
研究论文 | 本研究提出了一种结合激发-发射矩阵荧光光谱与深度学习模型ResTransformer的快速、无损方法,用于识别山茶油的掺假类型和浓度 | 首次提出结合残差模块与Transformer架构的ResTransformer模型,从局部和全局视角同时进行掺假类型的定性检测和掺假浓度的定量检测 | 研究仅模拟了代表性的掺假场景,未涵盖所有可能的真实掺假情况;模型性能在更广泛的实际样本中需进一步验证 | 开发一种准确、无损的山茶油掺假检测方法,以保障公众健康和市场秩序 | 山茶油及其掺假样品 | 机器学习 | NA | 激发-发射矩阵荧光光谱,平行因子分析 | Transformer, 残差网络 | 光谱数据 | NA | NA | ResTransformer | 准确率, 验证集决定系数, 验证集均方根误差, 性能偏差比 | NA |
| 783 | 2026-01-30 |
Species habitat modeling based on image semantic segmentation
2025-Sep-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-09035-6
PMID:41028132
|
研究论文 | 本研究提出了一种结合核密度分析和语义分割方法(Segformer)的物种栖息地建模框架,以整合周围环境条件,并应用于台湾鹬科和燕科鸟类的栖息地制图 | 提出了一个整合周围环境条件的栖息地建模新框架,使用核密度分析将仅存在数据扩展为存在-缺失数据,并首次将深度学习语义分割方法(Segformer)应用于栖息地建模,在鹬科案例中性能优于传统MaxEnt模型 | 在燕科案例研究中显示了所提方法的局限性,表明方法可能不适用于所有物种或环境 | 开发更全面的物种栖息地建模方法,以支持生物多样性评估和保护规划 | 台湾的鹬科鸟类和燕科鸟类 | 计算机视觉 | NA | 核密度分析,语义分割 | Segformer | 图像,地理空间数据 | NA | NA | Segformer | AUC | NA |
| 784 | 2026-01-30 |
Sparse Learning Enabled by Constraints on Connectivity and Function
2025-Aug-22, Physical review letters
IF:8.1Q1
DOI:10.1103/918k-x6np
PMID:40929306
|
研究论文 | 本文通过可解模型研究稀疏连接对网络性能的影响,并探索了实现稀疏性的优化方法 | 利用可解关联学习模型评估多种稀疏诱导约束,发现消除弱连接可达到与ℓ0范数约束相近的稀疏效率,并实现在线稀疏化方法 | 基于理论模型研究,未在真实生物神经网络或复杂深度学习任务中验证 | 探索在不损害网络性能的前提下实现稀疏连接的方法 | 人工神经网络与生物神经网络的稀疏连接特性 | 机器学习 | NA | 关联学习模型 | 人工神经网络 | 理论模型数据 | NA | NA | 可解关联学习模型 | 稀疏效率,网络性能 | NA |
| 785 | 2026-01-30 |
Automated Deep Learning Pipeline for Callosal Angle Quantification
2025-Aug-21, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.08.18.25333901
PMID:40894175
|
研究论文 | 本文开发了一个全自动深度学习框架,用于从原始T1 MPRAGE和非MPRAGE MRI扫描中量化胼胝体角,以辅助正常压力脑积水的诊断 | 提出了一种结合BrainSignsNET模型进行关键解剖标志点检测和基于UNet的分割网络进行侧脑室分割的全自动框架,实现了胼胝体角的鲁棒量化,性能优于报告的人工观察者间变异性 | 外部验证仅使用了来自单一医院的216个临床MRI扫描,样本来源可能有限;未明确讨论模型在不同MRI扫描仪或协议下的泛化能力 | 开发一个全自动、可靠的深度学习框架,用于从MRI扫描中量化胼胝体角,以改善正常压力脑积水的诊断 | 正常压力脑积水患者的MRI扫描图像 | 数字病理学 | 正常压力脑积水 | T1 MPRAGE MRI, 非MPRAGE MRI | 深度学习 | 3D MRI图像 | 使用巴尔的摩纵向衰老研究和BIOCARD数据集进行训练和内部验证,外部验证使用约翰霍普金斯湾景医院的216个临床MRI扫描 | NA | BrainSignsNET, UNet with EfficientNetB0 encoder | 相关系数(r), p值, 平均绝对误差(MAE), 标准差(SD) | NA |
| 786 | 2026-01-30 |
StructVPR++: Distill Structural and Semantic Knowledge With Weighting Samples for Visual Place Recognition
2025-Aug, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2025.3556859
PMID:40168193
|
研究论文 | 本文提出了一种名为StructVPR++的视觉地点识别框架,通过分割引导的蒸馏方法将结构和语义知识嵌入到RGB全局表示中,以在准确性和效率之间取得良好平衡 | 主要创新点在于从全局描述符中解耦标签特定特征,实现图像对之间的显式语义对齐,而无需在部署时进行分割;并引入了样本加权蒸馏策略,优先处理可靠训练对并抑制噪声对 | 未在摘要中明确说明 | 解决自动驾驶和机器人技术中的视觉地点识别挑战,旨在缩小全局检索与重排序之间的差距 | 视觉地点识别任务 | 计算机视觉 | NA | 分割引导的蒸馏方法 | 深度学习模型 | RGB图像 | 在四个基准数据集上进行实验 | NA | StructVPR++ | Recall@1 | NA |
| 787 | 2026-01-30 |
BrainView: A cloud-based deep learning system for brain image segmentation, tumor detection and visualization
2025-May-21, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2025.100871
PMID:40409506
|
研究论文 | 本研究介绍了一个名为BrainView的云端深度学习系统,用于脑部MRI图像的肿瘤检测、分割和可视化 | 提出了基于EfficientNetB7的DeepBrainNet分类模型和EffB7-UNet分割模型,并构建了云端应用平台 | 未提及模型在多样化数据集上的泛化能力或临床验证结果 | 开发一个用于脑肿瘤早期检测和分类的云端深度学习系统 | 脑部磁共振成像(MRI)图像 | 计算机视觉 | 脑肿瘤 | 磁共振成像(MRI) | CNN | 图像 | NA | Flask, Flutter | EfficientNetB7, U-Net | 准确率 | 云端平台 |
| 788 | 2026-01-30 |
The information bottleneck as a principle underlying multi-area cortical representations during decision-making
2025-Feb-15, bioRxiv : the preprint server for biology
DOI:10.1101/2023.07.12.548742
PMID:37502862
|
研究论文 | 本文通过记录猴子在感知决策任务中DLPFC和PMd的神经元活动,结合多区域循环神经网络模型,揭示了大脑如何通过多区域计算形成最小充分表示,以优化决策过程 | 发现大脑在决策过程中,DLPFC和PMd分别形成任务相关输入和最小充分选择表示,并通过多区域RNN模型模拟了这一机制,揭示了相关信息在区域间优先传播的神经计算原理 | 研究仅基于猴子的DLPFC和PMd区域,可能不适用于其他脑区或物种;RNN模型为简化模拟,可能未完全捕捉大脑复杂性 | 探究大脑在决策过程中如何通过多区域分布式计算形成最优表示 | 猴子的背外侧前额叶皮层(DLPFC)和背侧前运动皮层(PMd)的单个神经元和多单元活动 | 机器学习 | NA | 单神经元和多单元电生理记录,循环神经网络(RNN)训练 | RNN | 神经电生理数据 | NA | NA | 多区域循环神经网络 | NA | NA |
| 789 | 2026-01-30 |
SpaCE: a spatial counterfactual explainable deep learning model for predicting out-of-hospital cardiac arrest survival outcome
2025-Jan-28, International journal of geographical information science : IJGIS
IF:4.3Q1
DOI:10.1080/13658816.2024.2443757
PMID:40881155
|
研究论文 | 本文提出了一种名为SpaCE的空间反事实可解释深度学习模型,用于预测院外心脏骤停患者的生存结局 | 开发了首个结合空间显式健康结果预测器和原型引导反事实解释的统一模型,能够生成最小改变但结果相反的假设案例,以评估不同空间背景下各变量的影响 | 模型仅在心脏骤停案例中进行评估,其在不同疾病场景中的普适性需要进一步验证 | 开发能够整合健康变量和空间信息以预测健康结果的可解释深度学习模型 | 院外心脏骤停患者的生存结局 | 机器学习 | 心血管疾病 | 深度学习 | 深度学习模型 | 空间数据, 健康变量数据 | NA | NA | SpaCE (Spatial Counterfactual Explainable Deep Learning model) | AUCROC | NA |
| 790 | 2026-01-30 |
Machine and Deep Learning Methods for Predicting 3D Genome Organization
2025, Methods in molecular biology (Clifton, N.J.)
DOI:10.1007/978-1-0716-4136-1_22
PMID:39283464
|
综述 | 本文综述了机器学习和深度学习方法在预测三维基因组组织(如增强子-启动子相互作用、染色质相互作用和拓扑关联域边界)中的应用 | 系统性地比较和分析了现有计算工具在预测三维基因组相互作用方面的优缺点,并指出了当前面临的障碍和未来研究方向 | 当前三维结构目录仍不完整且不可靠,受技术、工具和数据分辨率差异的限制 | 探讨利用机器学习和深度学习方法预测三维基因组组织,以补充或提高现有数据的完整性和分辨率 | 三维染色质相互作用,包括增强子-启动子相互作用、染色质环、拓扑关联域和A/B区室 | 机器学习 | NA | 染色质构象捕获技术、ChIP-seq、DNAse-seq | NA | 基因组注释数据、DNA序列信息、其他基因组特性 | NA | NA | NA | NA | NA |
| 791 | 2026-01-30 |
Measurement-guided therapeutic-dose prediction using multi-level gated modality-fusion model for volumetric-modulated arc radiotherapy
2025, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2025.1468232
PMID:40177241
|
研究论文 | 本研究开发了一种用于头颈癌放疗中测量引导治疗剂量预测的新型深度学习模型 | 提出了一种多级门控模态融合模型,显式整合CT和剂量图像的多尺度特征,充分利用不同模态间的相互促进作用,并考虑了有用的空间剂量信息 | 预测剂量值在皮肤或热塑性面罩压痕边界附近区域可能存在差异,剂量差异图中所有体素的预测剂量值在6 Gy以内 | 开发用于头颈癌放疗中测量引导治疗剂量预测的深度学习模型,以提高治疗前患者特异性质量保证的效率和准确性 | 接受容积旋转调强放疗的头颈癌患者 | 医学影像分析 | 头颈癌 | 容积旋转调强放疗 | 深度学习模型 | CT图像, 剂量图像 | 310例患者(训练集186例,验证集62例,测试集62例) | NA | 多级门控模态融合模型 | 平均绝对误差, 均方根误差, 峰值信噪比, 结构相似性, 通用质量指数 | NA |
| 792 | 2026-01-30 |
Thoracic Aortic Three-Dimensional Geometry
2025 Jan-Dec, Pulse (Basel, Switzerland)
DOI:10.1159/000543613
PMID:40330437
|
研究论文 | 本研究开发了一种基于深度学习的全自动方法,用于量化胸主动脉的三维几何参数,并在大规模人群中进行应用 | 首次在大规模人群(如UK Biobank和Penn Medicine Biobank)中全面表征胸主动脉的三维几何结构,并提取多种主动脉几何表型 | 未在摘要中明确提及具体限制,可能包括数据集的代表性或方法在特定病理条件下的适用性 | 量化胸主动脉的三维结构参数,以研究主动脉结构与心血管健康的关系 | 来自UK Biobank的54,241名参与者和Penn Medicine Biobank的8,456名参与者的影像扫描数据 | 数字病理学 | 心血管疾病 | 深度学习分割和形态学图像处理 | 深度学习架构 | 影像扫描 | 总计62,697名参与者(UK Biobank: 54,241, Penn Medicine Biobank: 8,456) | NA | NA | NA | NA |
| 793 | 2026-01-30 |
Deep learning neural networks-based traffic predictors for V2X communication networks
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1701951
PMID:41480282
|
研究论文 | 本研究探讨了基于循环神经网络和卷积神经网络的深度学习模型在V2X通信网络中的交通预测应用 | 通过比较GRU、LSTM和BiLSTM等模型,发现GRU模型在MSE损失函数和Adam优化器下在准确性和计算效率上表现最优,同时CNN模型在ReLU激活函数和Adam优化器下在RMSE和计算复杂度方面表现优异 | 未明确提及具体的数据集规模或外部验证,可能限制了模型的泛化能力评估 | 提高V2X通信网络中的交通信息共享效率,以改善交通管理、缓解拥堵、增强网络安全性和可靠性,并提升能源效率 | V2X通信网络中的交通模式 | 机器学习 | NA | 深度学习 | RNN, CNN, GRU, LSTM, BiLSTM | 交通数据 | NA | NA | GRU, LSTM, BiLSTM, CNN | MSE, RMSE, 准确性, 计算效率 | NA |
| 794 | 2026-01-30 |
FSFT6mA: a feature-synthesis fine-tuning framework for DNA 6mA site prediction
2025, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2025.1750223
PMID:41589300
|
研究论文 | 本研究提出了一种名为FSFT6mA的特征合成微调框架,用于提升DNA 6mA位点预测的准确性 | 首次将生成对抗网络(GAN)用于合成DNA序列的中间层特征,并通过这些合成特征微调预训练的卷积神经网络模型,从而显著提升预测性能 | NA | 开发一种深度学习框架,以更准确地预测DNA N6-甲基腺嘌呤(6mA)位点 | DNA N6-甲基腺嘌呤(6mA)位点 | 机器学习 | NA | DNA序列分析 | CNN, GAN | DNA序列数据 | NA | NA | 深度卷积神经网络, 生成对抗网络 | MCC, AUC | NA |
| 795 | 2026-01-30 |
Recent trends in machine learning and deep learning-based prediction of G-protein coupled receptor-ligand binding affinities
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1712577
PMID:41601476
|
综述 | 本文回顾了基于机器学习和深度学习的G蛋白偶联受体-配体结合亲和力预测模型的最新趋势 | 整合了基于序列的一维、基于图的二维和基于结构的三维框架,并探讨了注意力机制、自监督学习及混合方法在提高预测成功率和可解释性方面的应用 | 未具体讨论模型在特定GPCR亚型或药物类别中的泛化能力及计算资源需求 | 提高药物发现过程中GPCR-配体结合亲和力预测的准确性和效率 | G蛋白偶联受体及其配体 | 机器学习 | NA | NA | 卷积神经网络, 图神经网络 | 序列数据, 图数据, 结构数据 | NA | NA | NA | NA | NA |
| 796 | 2026-01-30 |
FODSeg: a deep learning framework for tract-specific white matter segmentation from full angular distributions
2025, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2025.1734498
PMID:41601529
|
研究论文 | 本文介绍了一种名为FODSeg的深度学习方法,用于从全角度分布进行特定白质束的体素级分割 | 利用完整的纤维取向分布函数(fODF)表示每个体素,捕获白质取向的全角度结构,并将束分割重新定义为单类别问题,每个束训练一个模型以减少多类别方法中的标签冲突 | 未明确说明方法在临床数据上的泛化能力或计算效率限制 | 提高白质束分割的准确性、特异性和解剖一致性 | 人脑白质束 | 医学图像分析 | NA | 扩散磁共振成像(dMRI) | 深度学习 | 扩散磁共振图像 | 使用人类连接组计划(HCP)数据集,具体样本数量未在摘要中明确 | 未明确指定 | 未明确指定 | Dice系数, 体积过度值, 特异性 | 未明确指定 |
| 797 | 2026-01-30 |
The top 100 cited articles on artificial intelligence in Alzheimer's disease and mild cognitive impairment: a bibliometric analysis
2025, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2025.1605231
PMID:41601600
|
文献计量分析 | 对阿尔茨海默病和轻度认知障碍领域人工智能应用被引次数最高的100篇文章进行文献计量分析 | 首次系统梳理了AD和MCI领域人工智能应用的高被引文献,揭示了研究趋势、关键作者、机构及常用方法 | 分析基于被引次数,可能忽略近期重要但引用尚少的研究;数据来源仅限于Web of Science数据库 | 通过文献计量分析揭示人工智能在阿尔茨海默病和轻度认知障碍领域的研究现状、热点及趋势 | Web of Science数据库中人工智能应用于AD和MCI的100篇高被引学术文章 | 机器学习 | 阿尔茨海默病 | 文献计量分析 | SVM, CNN | MRI数据 | 100篇文章(85篇临床研究,13篇综述,2篇基础研究) | NA | NA | NA | NA |
| 798 | 2026-01-30 |
Hybrid deep learning and feature optimization approach for early detection of multiple sclerosis
2025, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2025.1685580
PMID:41601605
|
研究论文 | 本研究提出了一种结合深度学习特征提取、元启发式特征选择和机器学习分类器的混合框架,用于从MRI图像中准确分类多发性硬化症 | 提出了一种混合框架,将预训练的VGG16 CNN用于特征提取,结合鲸鱼优化算法进行特征选择,并集成人工神经网络分类器,实现了高达98%的分类准确率 | 未提及外部验证数据集、模型泛化能力评估或临床部署的可行性分析 | 开发一种可靠、高效且自动化的多发性硬化症早期检测系统,以减少诊断延迟和资源负担 | 多发性硬化症患者的MRI图像 | 计算机视觉 | 多发性硬化症 | MRI成像 | CNN, ANN, SVM | 图像 | NA | NA | VGG16 | 准确率 | NA |
| 799 | 2026-01-30 |
Deep learning-based optic nerve diameter sheath characterization and structure quantification on transorbital ultrasound images
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1705459
PMID:41601796
|
研究论文 | 本研究提出了一种基于深度学习的神经网络,用于在经眼眶超声图像上进行视神经鞘直径特征化和结构量化 | 结合了共享和特定特征提取分支的优势,并采用不确定性感知损失函数,使模型能学习到更稳健的对象结构 | 未明确提及具体限制,但暗示图像质量可能影响分割精度 | 实现视神经结构的自动精确分割和视神经鞘直径量化,以作为颅内压升高等神经眼科疾病的生物标志物 | 经眼眶超声图像中的视神经结构 | 计算机视觉 | 神经眼科疾病 | 超声成像 | 深度神经网络 | 图像 | 基于多中心公开数据集,具体样本数量未明确说明 | NA | NA | Dice系数, AUROC | NA |
| 800 | 2026-01-30 |
PneuNet: a lightweight convolutional neural network with multiscale feature fusion for automated pneumonia detection from chest X-rays
2025, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2025.1713587
PMID:41601813
|
研究论文 | 本文提出了一种名为PneuNet的轻量级卷积神经网络,通过多尺度特征融合实现胸部X光片中肺炎的自动检测 | 设计了四项创新:深度可分离卷积提高计算效率,SE模块强调信息通道,ASPP模块捕获多尺度上下文,以及可学习的池化层(1×1卷积+sigmoid)替代固定全局平均池化,使模型能动态聚焦于肺炎相关区域 | 模型性能仍有提升空间,可通过数据增强、超参数调优、架构搜索和迁移学习进一步优化,且增加数据量有助于提升泛化能力 | 开发自动化肺炎筛查工具,辅助医疗诊断 | 胸部X光片 | 计算机视觉 | 肺炎 | 深度学习 | CNN | 图像 | Kaggle胸部X光肺炎数据集,共5856张图像(训练集4646张,验证集586张,测试集624张) | NA | PneuNet(包含深度可分离卷积、SE模块、ASPP模块和可学习池化层) | 准确率 | NA |