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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
9041 | 2025-03-19 |
Deep Learning Initialized Compressed Sensing (Deli-CS) in Volumetric Spatio-Temporal Subspace Reconstruction
2023-Mar-28, bioRxiv : the preprint server for biology
DOI:10.1101/2023.03.28.534431
PMID:37034586
|
研究论文 | 本文提出了一种名为Deli-CS的深度学习方法,用于加速时空MRI数据的重建,同时减少深度学习引起的幻觉风险 | 提出了Deli-CS框架,通过深度学习生成的起点来“启动”迭代重建,从而减少重建时间 | 需要大量训练数据,且在不强制数据一致性的情况下可能产生与采集数据不匹配的结果 | 减少时空MRI数据的重建时间,同时限制深度学习引起的幻觉风险 | 全脑多参数映射的时空MRI数据 | 医学影像处理 | NA | 深度学习,压缩感知 | 深度学习模型 | 时空MRI数据 | NA |
9042 | 2025-03-19 |
Control of hybrid electromagnetic bearing and elastic foil gas bearing under deep learning
2020, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0243107
PMID:33264358
|
研究论文 | 本研究基于径向基函数(RBF)神经网络探索了混合电磁和弹性箔气体轴承的控制,以提高其工作稳定性 | 提出了基于RBF神经网络的CIPD轴承控制方法,具有最短响应时间和最佳控制效果 | 研究主要基于仿真平台,未涉及实际应用验证 | 提高混合电磁和弹性箔气体轴承的工作稳定性 | 混合电磁和弹性箔气体轴承系统 | 机器学习 | NA | 径向基函数(RBF)神经网络 | RBF神经网络 | 仿真数据 | NA |
9043 | 2025-03-18 |
Physics-based generative adversarial network for real-time acoustic holography
2025-May, Ultrasonics
IF:3.8Q1
DOI:10.1016/j.ultras.2025.107583
PMID:39893755
|
研究论文 | 本文提出了一种基于物理模型的生成对抗网络(GAN),用于实时声学全息成像 | 提出了一种结合物理模型(ASM)的深度学习算法,用于学习从目标场到源相位全息图的逆物理映射,并开发了具有两个解码器分支的Y-Net结构,以解决神经网络在高频特征上的固有局限性 | 神经网络在高频特征上的固有局限性 | 提高相位全息图计算的高保真度和实时性能 | 声学全息成像中的相位全息图 | 计算机视觉 | NA | 生成对抗网络(GAN) | GAN, Y-Net | 声学全息图 | NA |
9044 | 2025-03-18 |
Prior Knowledge-Guided U-Net for Automatic Clinical Target Volume Segmentation in Postmastectomy Radiation Therapy of Breast Cancer
2025-Apr-01, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2024.11.104
PMID:39667584
|
研究论文 | 本研究旨在设计和评估一种基于先验知识引导的U-Net(PK-UNet)模型,用于乳腺癌术后放疗中的临床靶区(CTV)自动分割 | 首次将先验医学知识整合到深度学习框架中,用于乳腺癌术后放疗的CTV分割 | 研究样本量相对较小,仅包含102例CT扫描 | 提高乳腺癌术后放疗中CTV分割的准确性和临床工作效率 | 乳腺癌术后患者的CT扫描图像 | 计算机视觉 | 乳腺癌 | CT扫描 | U-Net | 图像 | 102例乳腺癌术后患者的CT扫描 |
9045 | 2025-03-18 |
Explainable attention-enhanced heuristic paradigm for multi-view prognostic risk score development in hepatocellular carcinoma
2025-Mar-16, Hepatology international
IF:5.9Q1
DOI:10.1007/s12072-025-10793-8
PMID:40089963
|
研究论文 | 本研究提出了一种新颖的深度学习辅助范式,通过生成可解释的多视角风险评分来分层肝细胞癌(HCC)患者的预后风险 | 引入了一种新的深度学习辅助范式,结合注意力机制(ATAT)启发式识别高风险组织,并开发了混合深度评分(HDS),提供了从微观到宏观的多视角风险评分系统 | 依赖于内部和外部数据集,可能限制了模型的泛化能力 | 开发一种可解释的多视角风险评分系统,以分层HCC患者的预后风险 | 肝细胞癌(HCC)患者 | 数字病理学 | 肝细胞癌 | 深度学习 | 神经网络 | 图像 | 内部数据集(SYSUCC)510名HCC患者,外部测试队列(TCGA-LIHC)341名HCC患者 |
9046 | 2025-03-18 |
Contrastive Learning with Transformer to Predict the Chronicity of Children with Immune Thrombocytopenia
2025-Mar-14, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3551365
PMID:40085458
|
研究论文 | 本文提出了一种结合对比学习和Transformer的新方法,用于预测儿童免疫性血小板减少症(ITP)的慢性化 | 本文的创新点在于将对比学习与Transformer结合,处理小样本和不平衡数据问题,并通过随机掩码和过采样技术增强数据 | 由于ITP的自限性和儿童患者数据的稀缺性,数据存在小样本和不平衡问题,这可能影响模型的泛化能力 | 研究目的是通过深度学习模型准确预测儿童ITP的慢性化,以帮助临床医生制定个性化治疗计划 | 研究对象为患有免疫性血小板减少症(ITP)的儿童 | 机器学习 | 免疫性血小板减少症 | 对比学习,Transformer | FT-Transformer | 表格数据 | 真实世界的ITP儿童数据 |
9047 | 2025-03-18 |
DenseFormer-MoE: A Dense Transformer Foundation Model with Mixture of Experts for Multi-Task Brain Image Analysis
2025-Mar-14, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3551514
PMID:40085471
|
研究论文 | 本文提出了一种结合密集卷积网络、视觉Transformer和专家混合(MoE)的Dense Transformer基础模型(DenseFormer-MoE),用于多任务脑图像分析 | 该模型通过结合密集卷积网络、视觉Transformer和MoE,逐步学习和整合T1加权磁共振图像(sMRI)的局部和全局特征,以应对多任务学习中的优化冲突 | 模型主要针对T1加权磁共振图像,未涉及其他类型的脑图像数据 | 开发一个适用于多种脑图像分析任务的基础模型 | T1加权磁共振图像(sMRI) | 计算机视觉 | 脑部疾病 | Masked Autoencoder, 自监督学习 | DenseFormer-MoE, Vision Transformer, Densenet | 图像 | 多个知名脑成像数据集,包括UK Biobank (UKB), Alzheimer's Disease Neuroimaging Initiative (ADNI), 和 Parkinson's Progression Markers Initiative (PPMI) |
9048 | 2025-03-18 |
Deep Learning-Based Contrast Boosting in Low-Contrast Media Pre-TAVR CT Imaging
2025-Mar-12, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371251322054
PMID:40071690
|
研究论文 | 本研究探讨了基于深度学习的对比增强(DL-CB)在低对比剂(low-CM)CT中对图像质量和测量可靠性的影响,用于经导管主动脉瓣置换术(TAVR)前的评估 | 首次在低对比剂CT中应用深度学习技术进行对比增强,显著提高了图像质量和测量可靠性 | 研究为回顾性研究,样本量较小(n=68),且仅限于肾功能不全患者 | 评估深度学习对比增强技术在低对比剂CT中的效果,用于TAVR前的图像评估 | 肾功能不全的TAVR候选者 | 医学影像 | 心血管疾病 | 深度学习对比增强(DL-CB) | 深度学习 | CT图像 | 68名肾功能不全的TAVR候选者 |
9049 | 2025-03-18 |
Leveraging functional annotations to map rare variants associated with Alzheimer's disease with gruyere
2025-Mar-04, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.12.06.24318577
PMID:39677477
|
研究论文 | 本文提出了一种名为gruyere的贝叶斯概率模型,用于利用功能注释改进罕见变异的优先排序,并应用于阿尔茨海默病的全基因组测序数据 | gruyere模型通过全局、特定性状的功能注释权重学习,改进了现有方法,特别是在结合细胞类型特异性信息方面 | 现有方法在结合细胞类型特异性信息方面缺乏足够的能力,gruyere模型试图填补这一空白 | 研究目的是通过改进的罕见变异关联测试方法,识别与阿尔茨海默病相关的基因和功能注释 | 研究对象为阿尔茨海默病测序项目中的7,966例病例和13,412例对照的全基因组测序数据 | 基因组学 | 阿尔茨海默病 | 全基因组测序(WGS) | 贝叶斯概率模型(gruyere) | 基因组数据 | 7,966例病例和13,412例对照 |
9050 | 2025-03-18 |
Metric-Guided Conformal Bounds for Probabilistic Image Reconstruction
2025-Mar-04, ArXiv
PMID:38711427
|
研究论文 | 本文提出了一种框架,用于计算从概率黑箱图像重建算法得出的预测边界,以提供关于受试者真实状态的可证明有效的统计声明 | 该框架通过使用临床相关指标表示重建扫描,并利用共形预测(CP)校准真实指标的边界,提供了比传统基于像素的边界方法更好的语义解释 | 需要先前的校准数据集来校准边界,可能限制了其在新数据集上的应用 | 提供关于受试者真实状态的可证明有效的统计声明 | 稀疏视图计算机断层扫描(CT)图像 | 计算机视觉 | NA | 共形预测(CP) | 概率黑箱图像重建算法 | 图像 | NA |
9051 | 2025-03-18 |
Automatic rating of incomplete hippocampal inversions evaluated across multiple cohorts
2025-Jan-20, ArXiv
PMID:39148932
|
研究论文 | 本文提出了一种自动评估不完全海马反转(IHI)的方法,通过预测四个解剖学标准并汇总形成IHI评分,进行了广泛的机器学习方法和训练策略的实验研究 | 首次提出自动评估IHI的方法,并展示了深度学习模型在多个队列中的泛化能力 | 研究基于特定队列,可能缺乏对其他人群的普适性 | 开发自动评估不完全海马反转(IHI)的方法,以理解其与神经和精神疾病的潜在关系 | 不完全海马反转(IHI) | 数字病理 | 癫痫, 精神分裂症 | 深度学习 | conv5-FC3, ResNet, SECNN, 岭回归 | T1加权MR图像 | IMAGEN研究的2,008名参与者,QTIM研究的993名参与者,QTAB研究的403名参与者,以及UKBiobank的985名受试者 |
9052 | 2025-03-18 |
A Learnable Prior Improves Inverse Tumor Growth Modeling
2024-Nov-06, ArXiv
PMID:38495563
|
研究论文 | 本文提出了一种结合深度学习和进化策略的新框架,用于从磁共振图像中估计脑肿瘤细胞浓度 | 提出了一种结合深度学习和进化策略的协同框架,显著提高了逆问题求解的效率和精度 | 未明确提及具体局限性 | 提高从磁共振图像中估计脑肿瘤细胞浓度的效率和精度 | 脑肿瘤细胞浓度 | 计算机视觉 | 脑肿瘤 | 深度学习算法与高精度进化策略 | 深度学习集成模型 | 磁共振图像 | 未明确提及样本数量 |
9053 | 2025-03-18 |
Biophysical neural adaptation mechanisms enable artificial neural networks to capture dynamic retinal computation
2024-Jul-16, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-50114-5
PMID:39009568
|
研究论文 | 本文开发了一种新的深度学习模型,该模型在传统卷积神经网络(CNN)前端结合了光感受器适应的生物物理学,以改进对动态输入条件下视网膜神经节细胞(RGC)响应的预测 | 在传统CNN模型中嵌入神经适应机制,特别是光感受器适应层,以提高对动态自然刺激下RGC响应的预测能力 | NA | 探索在人工神经网络(ANN)中嵌入神经适应机制是否能提高其在动态输入条件下预测神经输出的能力 | 灵长类和鼠类的视网膜神经节细胞(RGC) | 计算机视觉 | NA | 深度学习 | 卷积神经网络(CNN) | 自然刺激数据 | NA |
9054 | 2025-03-18 |
Automated detection of incidental abdominal aortic aneurysms on computed tomography
2024-02, Abdominal radiology (New York)
DOI:10.1007/s00261-023-04119-1
PMID:38091064
|
研究论文 | 本文开发了一种全自动深度学习软件,用于在无症状成年患者群体中检测和评估CT扫描中的腹主动脉瘤 | 使用全自动深度学习模型进行腹主动脉瘤的检测和评估,并在大规模无症状患者群体中进行了外部验证 | 研究仅基于CT结肠造影扫描数据,未涉及其他类型的CT扫描 | 开发并验证一种全自动深度学习软件,用于检测和评估腹主动脉瘤 | 无症状成年患者群体 | 数字病理学 | 心血管疾病 | 深度学习 | 深度学习模型 | CT扫描图像 | 9172名无症状门诊患者 |
9055 | 2025-03-18 |
An improved beluga whale optimizer-Derived Adaptive multi-channel DeepLabv3+ for semantic segmentation of aerial images
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0290624
PMID:37903154
|
研究论文 | 本文提出了一种改进的白鲸鲸优化算法驱动的自适应多通道DeepLabv3+模型,用于航空图像的语义分割 | 采用改进的白鲸鲸优化算法(IBWO)优化多通道DeepLabv3+的超参数,显著提高了分割精度和计算效率 | 未提及具体的数据集规模或多样性限制 | 提高航空图像语义分割的准确性和效率 | 航空图像 | 计算机视觉 | NA | 深度学习 | AMC-Deeplabv3+, IBWO | 图像 | 未提及具体样本数量 |
9056 | 2025-03-17 |
Spatiotemporal estimates of anthropogenic NOx emissions across China during 2015-2022 using a deep learning model
2025-Apr-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.137308
PMID:39847932
|
研究论文 | 本文开发了一种新的深度学习模型,用于模拟GEOS-Chem模型的逆过程,以改进2015-2019年期间的人为NOx排放强度估计,并预测2020-2022年的排放强度 | 使用深度学习模型模拟GEOS-Chem模型的逆过程,提高了NOx排放强度的估计精度 | 模型依赖于高分辨率NO浓度数据集,可能受数据质量和可用性的限制 | 改进人为NOx排放强度的估计,并预测未来几年的排放趋势 | 中国2015-2022年的人为NOx排放 | 机器学习 | NA | 深度学习 | 深度学习模型 | 高分辨率NO浓度数据 | 2015-2022年的NOx排放数据 |
9057 | 2025-03-17 |
Diagnostic accuracy of an automated classifier for the detection of pleural effusions in patients undergoing lung ultrasound
2025-Apr, The American journal of emergency medicine
DOI:10.1016/j.ajem.2025.01.041
PMID:39874677
|
研究论文 | 本文开发并验证了一种深度学习模型,用于在肺部超声图像中检测胸腔积液,并针对特定临床场景调整性能特征 | 开发了一种结合帧级卷积神经网络和片段级预测算法的深度学习模型,能够有效检测不同大小和复杂性的胸腔积液,并在不同临床环境中表现出色 | 当前模型在多样化临床环境中诊断胸腔积液的能力仍有不足 | 开发并验证一种深度学习模型,用于在肺部超声图像中检测胸腔积液 | 肺部超声图像中的胸腔积液 | 计算机视觉 | 胸腔积液 | 深度学习 | 卷积神经网络 (CNN) | 图像 | 103个肺部超声片段来自46名胸腔积液患者,136个片段来自83名无积液患者 |
9058 | 2025-03-17 |
A deep learning framework for multiplet splitting classification in 1H NMR
2025-Apr, Journal of magnetic resonance (San Diego, Calif. : 1997)
DOI:10.1016/j.jmr.2025.107851
PMID:39978294
|
研究论文 | 本文提出了一种名为MuSe Net的深度学习框架,用于一维核磁共振(NMR)光谱中的多重峰分裂分类 | MuSe Net是一种新颖的监督概率深度学习框架,能够模拟专家光谱学家在注释小分子生成的一维NMR光谱时的任务,并利用不确定性量化生成置信度评分 | NA | 开发一种自动化方法,以简化化学化合物的表征,并确保科学界结果的一致性 | 小分子生成的一维NMR光谱 | 机器学习 | NA | NMR | 深度学习 | 光谱数据 | 48个实验性H NMR光谱 |
9059 | 2025-03-17 |
Automated liver magnetic resonance elastography quality control and liver stiffness measurement using deep learning
2025-Mar-15, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04883-2
PMID:40088296
|
研究论文 | 本研究旨在通过深度学习技术实现肝脏磁共振弹性成像(MRE)质量控制和肝脏硬度测量(LSM)的全自动化 | 首次提出使用深度学习模型(SqueezeNet和2D U-Net)自动化处理MRE图像的质量控制和肝脏硬度测量,显著提高了效率和准确性 | 研究为单中心回顾性研究,样本量相对较小(69名患者),可能影响结果的普适性 | 通过深度学习技术解决MRE质量控制和肝脏硬度测量中的挑战,提升临床应用的效率和准确性 | 69名患者的897个MRE图像切片 | 医学影像分析 | 肝纤维化 | 磁共振弹性成像(MRE) | SqueezeNet, 2D U-Net | 图像 | 69名患者的897个MRE图像切片 |
9060 | 2025-03-17 |
AI-Based 3D Liver Segmentation and Volumetric Analysis in Living Donor Data
2025-Mar-14, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01468-9
PMID:40087225
|
研究论文 | 本研究探讨了深度学习在活体肝移植中的3D肝脏分割和体积分析的应用 | 使用多种U-Net变体模型进行术前和术后的肝脏分割,并评估其性能,同时进行体积分析以测量肝脏切除和再生率 | 样本量较小,仅包含55名捐赠者的数据 | 评估深度学习模型在活体肝移植中的肝脏分割和体积分析的准确性和临床应用性 | 活体肝移植捐赠者的腹部CT数据 | 计算机视觉 | 肝病 | 深度学习 | 3D U-Net, RU-Net, DU-Net, RDU-Net | 3D CT图像 | 55名捐赠者的腹部CT数据 |