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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
81 | 2025-06-21 |
Multiparametric MRI for Assessment of the Biological Invasiveness and Prognosis of Pancreatic Ductal Adenocarcinoma in the Era of Artificial Intelligence
2025-Jul, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29708
PMID:39781607
|
研究论文 | 本文探讨了多参数磁共振成像(mpMRI)结合人工智能(AI)在评估胰腺导管腺癌(PDAC)生物学侵袭性和预后中的应用 | 结合AI的mpMRI能够提供形态和功能信息,量化肿瘤内特征,预测PDAC的生物学特性和预后 | 当前基于AI的PDAC模型主要基于单一模态,样本量较小,技术可重复性和生物学解释存在挑战 | 评估PDAC的生物学侵袭性和预后,推动个性化医疗 | 胰腺导管腺癌(PDAC) | 数字病理 | 胰腺癌 | 多参数磁共振成像(mpMRI) | 深度学习 | 图像 | 相对较小的样本量 |
82 | 2025-06-21 |
Visualizing Preosteoarthritis: Updates on UTE-Based Compositional MRI and Deep Learning Algorithms
2025-Jul, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29710
PMID:39792443
|
综述 | 本文综述了基于超短回波时间的MRI技术和深度学习算法在骨关节炎早期检测中的应用 | 结合超短回波时间MRI和深度学习算法,革新了MRI分析方式,实现了对短T2组织的直接可视化和定量评估 | 证据等级为5级,技术效能处于第2阶段,表明研究尚处于早期阶段 | 探索骨关节炎早期检测和管理的先进成像技术和分析方法 | 骨关节炎相关的短T2组织,如软骨、半月板/唇、韧带和肌腱 | 数字病理学 | 骨关节炎 | 超短回波时间MRI (UTE-MRI) | 深度学习 (DL) | MRI图像 | NA |
83 | 2025-06-21 |
Identifying Primary Sites of Spinal Metastases: Expert-Derived Features vs. ResNet50 Model Using Nonenhanced MRI
2025-Jul, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.29720
PMID:39868626
|
研究论文 | 本研究开发并验证了使用非增强MRI识别脊柱转移瘤原发灶的人工智能模型,以提高诊断效率 | 比较了专家衍生特征模型和ResNet50深度学习模型在非增强MRI上识别脊柱转移瘤原发灶的性能,并发现专家模型在常见部位表现更优 | 研究为回顾性设计,样本量相对有限(514例患者) | 提高脊柱转移瘤原发灶的诊断效率 | 514例经病理证实的脊柱转移瘤患者 | 数字病理 | 癌症转移 | 非增强MRI(T1加权、T2加权和脂肪抑制T2序列) | ResNet50 | MRI图像 | 514例患者(开发集360例,测试集154例) |
84 | 2025-06-21 |
AI-Driven Detection and Measurement of Keratinized Gingiva in Dental Photographs: Validation Using Reference Retainers
2025-Jul, Journal of clinical periodontology
IF:5.8Q1
DOI:10.1111/jcpe.14164
PMID:40195567
|
研究论文 | 本文评估了一种深度学习模型在牙科照片中检测角化牙龈的能力,并使用参考保持器验证其临床适用性 | 首次提出能够可靠识别全口角化牙龈的AI模型,并通过参考保持器进行了全面验证 | 对后牙区域的预测需要进一步改进 | 评估深度学习模型在牙科照片中检测角化牙龈的准确性及其临床应用价值 | 角化牙龈的检测与测量 | 数字病理 | 牙科疾病 | 深度学习 | DeepLabv3 with ResNet50 backbone | 图像 | 32名受试者的576张六分照片 |
85 | 2025-06-21 |
Development and application of deep learning-based diagnostics for pathologic diagnosis of gastric endoscopic submucosal dissection specimens
2025-Jul, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association
IF:6.0Q1
DOI:10.1007/s10120-025-01612-y
PMID:40232558
|
研究论文 | 开发并评估了一种用于诊断胃内镜黏膜下剥离术(ESD)标本的深度学习模型 | 首次将深度学习模型应用于ESD标本的肿瘤和黏膜下浸润检测,显著提高了诊断效率和准确性 | 研究仅基于366个ESD标本,样本量相对有限 | 开发一种能够准确诊断胃ESD标本的深度学习模型 | 胃ESD标本中的腺癌组织 | 数字病理学 | 胃癌 | 深度学习 | CNN | 图像 | 366个ESD标本,包含2257个标注区域和83,839个图像块 |
86 | 2025-06-21 |
Deep learning-assisted detection of meniscus and anterior cruciate ligament combined tears in adult knee magnetic resonance imaging: a crossover study with arthroscopy correlation
2025-Jul, International orthopaedics
IF:2.0Q2
DOI:10.1007/s00264-025-06531-2
PMID:40293511
|
研究论文 | 本研究比较了医生在使用和不使用深度学习模型辅助下,对膝关节MRI中半月板和前交叉韧带撕裂的诊断性能 | 使用深度学习模型辅助医生提高对膝关节MRI中半月板和前交叉韧带撕裂的诊断准确性 | 样本量相对较小(186例MRI检查),且仅评估了Keros®算法 | 比较医生在使用和不使用深度学习模型辅助下对膝关节MRI中半月板和前交叉韧带撕裂的诊断性能 | 膝关节MRI图像 | 数字病理 | 膝关节损伤 | MRI | 深度学习模型(Keros®算法) | 图像 | 186例MRI检查(88例来自患者,98例来自公开数据库) |
87 | 2025-06-21 |
Deep learning-based EEG source imaging is robust under varying electrode configurations
2025-Jul, Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology
IF:3.7Q2
DOI:10.1016/j.clinph.2025.04.009
PMID:40318257
|
研究论文 | 本研究探讨了基于深度学习的EEG源成像方法DeepSIF在不同电极配置下的性能表现 | DeepSIF方法在不同电极数量和噪声水平下均能提供准确的源定位和范围估计,优于传统方法 | 研究主要基于计算机模拟和27名耐药性癫痫患者的临床数据,样本量相对较小 | 评估基于深度学习的EEG源成像方法在低密度EEG下的性能 | EEG源成像方法在不同电极配置下的性能比较 | 机器学习 | 癫痫 | EEG源成像 | DeepSIF | EEG信号 | 27名耐药性癫痫患者 |
88 | 2025-05-10 |
Deep learning model to identify and validate hypotension endotypes in surgical and critically ill patients. Comment on Br J Anaesth 2025; 134: 308-16
2025-Jul, British journal of anaesthesia
IF:9.1Q1
DOI:10.1016/j.bja.2025.03.025
PMID:40340157
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
89 | 2025-06-21 |
Radiomics for lung cancer diagnosis, management, and future prospects
2025-Jul, Clinical radiology
IF:2.1Q2
DOI:10.1016/j.crad.2025.106926
PMID:40344812
|
综述 | 本文综述了放射组学在肺癌诊断和管理中的作用,探讨了从手工放射组学到深度学习技术的多种方法及其在肺癌护理各阶段的关键应用 | 强调了放射组学在提高诊断准确性、预测治疗反应和个性化患者护理方面的潜力,并探讨了未来整合大型语言模型、可解释AI和超分辨率成像技术的发展方向 | NA | 探讨放射组学在肺癌诊断和管理中的应用及其未来发展前景 | 肺癌 | 数字病理学 | 肺癌 | 放射组学、深度学习 | AI模型 | 医学影像 | NA |
90 | 2025-06-21 |
Breast tumour classification in DCE-MRI via cross-attention and discriminant correlation analysis enhanced feature fusion
2025-Jul, Clinical radiology
IF:2.1Q2
DOI:10.1016/j.crad.2025.106941
PMID:40403340
|
研究论文 | 本文提出了一种基于动态对比增强磁共振成像(DCE-MRI)的乳腺肿瘤分类方法,通过融合深度特征和交叉注意力编码的放射组学特征,利用判别相关分析(DCA)提高分类准确性 | 提出了一种新颖的特征融合方法eFF-DCA,结合了深度特征和交叉注意力编码的放射组学特征,利用DCA优化特征相关性,提高了乳腺肿瘤分类的准确性 | 非端到端的设计限制了多模态特征的融合效果 | 开发并验证一种基于DCE-MRI的乳腺肿瘤分类方法,以提高良性和恶性肿瘤的鉴别诊断准确性 | 乳腺肿瘤 | 数字病理学 | 乳腺癌 | DCE-MRI | eFF-DCA | 医学影像 | 261名个体,包括137个良性肿瘤和163个恶性肿瘤 |
91 | 2025-06-21 |
Multicycle Dosimetric Behavior and Dose-Effect Relationships in [177Lu]Lu-DOTATATE Peptide Receptor Radionuclide Therapy
2025-Jun-02, Journal of nuclear medicine : official publication, Society of Nuclear Medicine
IF:9.1Q1
DOI:10.2967/jnumed.124.269389
PMID:40274371
|
研究论文 | 研究[177Lu]Lu-DOTATATE肽受体放射性核素治疗(PRRT)在转移性神经内分泌肿瘤(NETs)中的药代动力学、剂量学模式及吸收剂量(AD)-效应关系,以制定未来个性化剂量引导治疗的策略 | 揭示了不同治疗周期和不同NET亚组的剂量学行为,并建立了eGFR与AD之间的关系模型,可用于早期预测肾功能 | 样本量较小(30例患者),且未观察到高于2级的肾毒性 | 优化PRRT个性化治疗方案 | 转移性神经内分泌肿瘤患者 | 放射治疗学 | 神经内分泌肿瘤 | SPECT/CT成像、蒙特卡洛剂量率图生成 | 深度学习算法(用于肾脏分割) | 医学影像(CT/SPECT/MRI) | 30例患者(22例完成所有周期SPECT/CT成像) |
92 | 2025-06-21 |
Simple controls exceed best deep learning algorithms and reveal foundation model effectiveness for predicting genetic perturbations
2025-Jun-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf317
PMID:40407144
|
research paper | 本文介绍了一种简单的基线方法,在预测基因扰动后的转录组反应方面优于现有的深度学习方法,并阐明了基础模型在此任务中的实用性 | 提出了一种简单但性能优于现有深度学习方法的新基线方法,并提供了修正后的流行数据集版本 | 未提及具体样本量或数据规模,可能影响结果的可推广性 | 评估和改进基因扰动后转录组反应的预测方法 | 基因扰动后的转录组反应预测 | machine learning | NA | transformer-based foundation model | transformer | transcriptomic data | NA |
93 | 2025-06-21 |
Deep-Learning-based Automated Identification of Ventriculoperitoneal-Shunt Valve Models from Skull X-rays
2025-Jun, Clinical neuroradiology
IF:2.4Q2
DOI:10.1007/s00062-024-01490-4
PMID:39809871
|
research paper | 该研究探讨了深度学习在颅骨X光片中自动识别脑室腹腔分流阀(VPS)模型的可行性 | 首次使用深度学习技术自动识别颅骨X光片中的VPS阀模型,实现了高准确率的分类 | 研究仅包含四种VPS阀模型,样本分布不均,且未在更广泛的数据集上进行验证 | 研究目的是探索人工智能(特别是深度学习)在颅骨X光片中自动识别VPS阀模型的能力 | 研究对象是颅骨X光片中的VPS阀模型 | computer vision | hydrocephalus | deep learning | CNN | image | 959张颅骨X光片,包含四种VPS阀模型(Codman Hakim 774张,Codman Certas Plus 117张,Sophysa Sophy Mini SM8 35张,proGAV 2.0 33张) |
94 | 2025-06-21 |
Predictors and Implications of Myocardial Injury in Intracerebral Hemorrhage
2025-Jun, Clinical neuroradiology
IF:2.4Q2
DOI:10.1007/s00062-025-01498-4
PMID:39884976
|
研究论文 | 本研究评估了脑出血(ICH)患者心肌损伤的频率、预测因素及其影响 | 首次在脑出血患者中系统研究心肌损伤的发生率及其与预后的关系,并应用深度学习算法进行定量分析 | 回顾性研究设计可能影响结果的可靠性,样本量相对有限 | 评估脑出血患者心肌损伤的发生频率、预测因素及其临床意义 | 322名脑出血患者 | 数字病理学 | 心血管疾病 | 高敏感性心肌肌钙蛋白T(hs-cTnT)检测、深度学习算法、基于体素的病变症状映射(VLSM) | 深度学习算法 | 医学影像数据、临床检测数据 | 322名脑出血患者 |
95 | 2025-06-21 |
Artificial Intelligence-Assisted Detection of Breast Cancer Lymph Node Metastases in the Post-Neoadjuvant Treatment Setting
2025-Jun, Laboratory investigation; a journal of technical methods and pathology
DOI:10.1016/j.labinv.2025.104121
PMID:40020876
|
研究论文 | 本研究开发了一种可解释的深度学习流程,用于辅助检测接受新辅助系统治疗(NAT)的乳腺癌患者的淋巴结转移 | 首次专门评估了深度学习算法在接受NAT的乳腺癌患者淋巴结转移检测中的泛化能力,并创建了包含1027张切片的大型数据集 | 研究仅针对接受NAT的乳腺癌患者,未评估在其他癌症类型或未接受NAT患者中的表现 | 开发并评估一种人工智能辅助系统,用于检测乳腺癌患者在接受新辅助治疗后的淋巴结转移 | 接受新辅助系统治疗的乳腺癌患者的淋巴结切片 | 数字病理学 | 乳腺癌 | 深度学习 | CNN | 病理切片图像 | 1027张病理切片 |
96 | 2025-06-21 |
Explainable Deep Multilevel Attention Learning for Predicting Protein Carbonylation Sites
2025-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202500581
PMID:40145846
|
research paper | 提出了一种名为SCANS的新型深度学习框架,用于预测蛋白质羰基化位点 | SCANS采用多层次注意力策略捕捉局部和全局特征,使用定制损失函数惩罚交叉预测,并应用迁移学习提升网络特异性 | NA | 准确预测蛋白质羰基化位点以理解其机制和相关疾病发病机理 | 蛋白质羰基化位点 | machine learning | NA | deep learning | multilevel attention network | protein sequence data | NA |
97 | 2025-06-21 |
Unveiling Multi-Scale Architectural Features in Single-Cell Hi-C Data Using scCAFE
2025-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202416432
PMID:40270467
|
research paper | 本文介绍了一种名为scCAFE的深度学习模型,用于在单细胞水平上检测多尺度的染色质结构特征 | scCAFE提供了一个统一框架来注释单个细胞中的染色质环、TAD样结构域(TLDs)和区室,优于以往的scHi-C环检测方法,并能准确预测TLDs和区室 | NA | 开发一个深度学习模型,用于分析单细胞Hi-C数据中的多尺度染色质结构特征 | 单细胞Hi-C数据中的染色质结构特征 | computational biology | NA | single-cell Hi-C (scHi-C) | deep learning | genomic data | NA |
98 | 2025-06-21 |
Artificial intelligence in predicting EGFR mutations from whole slide images in lung Cancer: A systematic review and Meta-Analysis
2025-Jun, Lung cancer (Amsterdam, Netherlands)
DOI:10.1016/j.lungcan.2025.108577
PMID:40339270
|
meta-analysis | 本文通过系统综述和荟萃分析评估了人工智能模型在预测肺癌患者全切片图像中EGFR突变状态的诊断准确性 | 首次系统评估AI模型在预测肺癌EGFR突变中的表现,并进行了荟萃分析 | 当前模型的准确性和精确度仍需进一步提高,且纳入分析的研究数量有限 | 评估AI模型在预测肺癌EGFR突变中的诊断准确性 | 肺癌患者的全切片图像 | digital pathology | lung cancer | machine learning, deep learning | ResNet | image | 16项研究(其中4项符合荟萃分析条件) |
99 | 2025-06-21 |
MRI-based multimodal AI model enables prediction of recurrence risk and adjuvant therapy in breast cancer
2025-Jun, Pharmacological research
IF:9.1Q1
DOI:10.1016/j.phrs.2025.107765
PMID:40345352
|
研究论文 | 本研究开发了一种基于MRI和多模态AI的3D深度学习模型(3D-MMR模型),用于预测非转移性乳腺癌患者的复发风险和辅助治疗效果 | 结合多模态MRI数据和AI技术,开发了3D-MMR模型,用于预测乳腺癌复发风险,并通过RNA-seq分析探讨肿瘤微环境与复发风险的关系 | 研究样本仅来自中国的四个机构,可能限制了模型的普遍适用性 | 预测非转移性乳腺癌患者的复发风险和辅助治疗效果 | 非转移性乳腺癌患者 | 数字病理 | 乳腺癌 | MRI、RNA-seq | 3D-UNet、DenseNet121 | MRI图像、临床数据 | 1199名非转移性乳腺癌患者 |
100 | 2025-06-21 |
Disturbance-Aware On-Chip Training with Mitigation Schemes for Massively Parallel Computing in Analog Deep Learning Accelerator
2025-Jun, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202417635
PMID:40390534
|
research paper | 该研究提出了一种在模拟内存计算中进行片上训练的方法,解决了并行权重更新中的非均匀编程和干扰问题 | 精确识别并量化了6T1C突触器件中的干扰效应,并提出了三种简单的操作方案来减轻这些效应 | 干扰效应在器件缩放时会加剧,可能影响大规模阵列中的学习可行性 | 研究模拟内存计算中片上训练的干扰效应及其缓解方案 | 6T1C突触器件和卷积神经网络 | machine learning | NA | 模拟内存计算(AIMC) | CNN | image | CIFAR-10数据集 |