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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1141 | 2025-10-05 |
Sentiment analysis of classical Chinese literature: An unsupervised deep learning model with BERT and graph attention networks
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0330919
PMID:40986623
|
研究论文 | 提出一种结合BERT、情感词典和图注意力网络的无监督深度学习框架,用于古典中文文学的情感分析 | 首次将BERT嵌入、情感词典增强和图注意力网络结合用于古典中文文本的无监督情感分析,有效处理复杂语言结构和文化细微差别 | 主要针对古典中文文学,在其它类型文本上的适用性需要进一步验证 | 开发适用于古典中文文学的无监督情感分析方法 | 古典中文文学文本 | 自然语言处理 | NA | 情感分析,无监督学习 | BERT, GAT, K-Means | 文本 | NA | NA | BERT, 图注意力网络 | 准确率, 精确率, 召回率, F1分数 | NA |
1142 | 2025-10-05 |
Generation of synthetic TSPO PET maps from structural MRI images
2025, Frontiers in neuroinformatics
IF:2.5Q3
DOI:10.3389/fninf.2025.1633273
PMID:40988654
|
研究论文 | 本研究开发了一种从结构MRI图像生成合成TSPO PET图像的深度学习模型 | 首次使用3D U-Net模型从常规T1加权MRI合成TSPO PET图像,实现了低成本、无创的神经炎症成像 | 样本量相对有限(204次扫描),且仅使用了单一类型的结构MRI数据 | 开发从结构MRI数据生成TSPO PET图像的深度学习模型,以降低神经炎症成像的成本和辐射暴露 | 人类受试者,包括膝骨关节炎患者、背痛患者和健康对照者 | 医学影像分析 | 神经炎症相关疾病 | TSPO PET成像,结构MRI成像 | CNN | 3D医学图像 | 204次扫描(膝骨关节炎患者44次,背痛患者86次,健康对照28次) | NA | 3D U-Net | 均方误差,对比噪声比 | NA |
1143 | 2025-10-05 |
Predicting antibiotic resistance genes and bacterial phenotypes based on protein language models
2025, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2025.1628952
PMID:40988849
|
研究论文 | 基于蛋白质语言模型开发深度学习模型预测抗生素耐药基因和细菌表型 | 整合两种蛋白质语言模型(ProtBert-BFD和ESM-1b)并采用数据增强技术和LSTM网络提升特征提取和分类性能 | 未提及具体样本量数据和研究局限性 | 精确预测细菌抗生素耐药基因和表型以理解耐药机制并指导临床抗生素使用 | 细菌抗生素耐药基因和细菌耐药表型 | 自然语言处理 | 传染病 | 高通量DNA测序 | LSTM | 蛋白质序列 | NA | NA | ProtBert-BFD,ESM-1b,LSTM | 准确率,精确率,召回率,F1分数 | NA |
1144 | 2025-10-05 |
Dynamic graph neural networks for UAV-based group activity recognition in structured team sports
2025, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2025.1631998
PMID:40988991
|
研究论文 | 开发基于动态图神经网络和Bi-LSTM的无人机群体活动识别系统,用于结构化团队运动中的多人行为识别 | 整合多种特征(外观、骨骼、运动)并采用动态图神经网络建模时空关系,在无人机视角下实现高效的群体活动识别 | NA | 解决动态交互、遮挡和多视角变化等挑战,实现复杂体育场景中的群体活动识别 | 团队运动中的多人群体活动 | 计算机视觉 | NA | HOG, LBP, SIFT, MediaPipe, MOCON | DGNN, Bi-LSTM | 视频 | 三个数据集:排球数据集、SoccerTrack无人机足球数据集、NBA篮球数据集 | YOLOv11, SORT | Dynamic Graph Neural Network, Bi-LSTM | 准确率, mAP, MPCA, 推理时间 | NA |
1145 | 2025-10-05 |
Quantitative prediction of intracellular dynamics and synaptic currents in a small neural circuit
2025, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2025.1515194
PMID:40989108
|
研究论文 | 本文使用循环机制模型预测小型神经回路中的细胞内动态和突触电流 | 将深度学习工具应用于数据驱动模型,能够从未用于训练的数据中预测突触电流,并推导出数据驱动的频率依赖性电导 | 模型训练仍具有挑战性,需要满足关键收缩条件才能保证训练方法的适用性 | 估计神经回路动态,建模、训练和解释数据驱动模型 | 半中心振荡器(HCO)神经回路,由两个胃神经节神经元互连构成 | 机器学习 | NA | 动态钳实验协议 | 循环机制模型 | 细胞内实验数据 | NA | NA | NA | 速度,性能 | NA |
1146 | 2025-10-05 |
Arabic hate speech detection using deep learning: a state-of-the-art survey of advances, challenges, and future directions (2020-2024)
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3133
PMID:40989294
|
综述 | 本文系统综述了2020-2024年间深度学习在阿拉伯语仇恨言论检测领域的最新进展、挑战与未来方向 | 首次系统梳理了阿拉伯语仇恨言论检测在方言多样性、形态复杂性和社会政治因素等独特挑战下的深度学习技术发展脉络 | 仅涵盖2020-2024年间的研究成果,且阿拉伯语标注数据集的稀缺性限制了部分分析的深度 | 评估深度学习技术在阿拉伯语仇恨言论检测中的应用效果与发展趋势 | 阿拉伯语社交媒体内容中的仇恨言论 | 自然语言处理 | NA | 深度学习 | CNN, RNN, Transformer | 文本 | NA | NA | BERT, AraBERT, 混合架构 | NA | NA |
1147 | 2025-10-05 |
Deep context-attentive transformer transfer learning for financial forecasting
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2983
PMID:40989285
|
研究论文 | 提出一种名为2CAT的深度学习模型,用于金融时间序列预测 | 结合信号分解、卷积层和基于相关性的注意力机制,并采用迁移学习框架增强跨市场泛化能力 | NA | 开发稳健的金融时间序列预测框架 | 六个股票指数:道琼斯工业平均指数、日经225指数、恒生指数、上海证券交易所指数、孟买证券交易所指数和泰国证券交易所指数 | 机器学习 | NA | 深度学习 | CNN, Transformer | 时间序列数据 | 六个股票指数数据集 | NA | 2CAT (CNN-Correlation-based Attention Transformer) | MSE, MAE, R, Wilcoxon符号秩检验 | NA |
1148 | 2025-10-05 |
Optimizing a 3D convolutional neural network to detect Alzheimer's disease based on MRI
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3129
PMID:40989289
|
研究论文 | 本研究开发了一种基于3D卷积神经网络的阿尔茨海默病检测方法,通过处理完整3D MRI扫描提高分类准确率 | 采用完整3D MRI扫描处理而非传统2D方法,保留空间信息并避免降维过程中的信息损失 | NA | 优化3D卷积神经网络以提升阿尔茨海默病的早期检测准确率 | 阿尔茨海默病患者的大脑MRI影像数据 | 计算机视觉 | 阿尔茨海默病 | 磁共振成像 | 3D-CNN | 3D MRI影像 | 来自OASIS-3数据库的样本 | NA | 3D卷积神经网络 | 准确率 | NA |
1149 | 2025-10-05 |
Forecasting temperature and rainfall using deep learning for the challenging climates of Northern India
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3012
PMID:40989301
|
研究论文 | 本研究开发了一种针对北印度查谟、克什米尔和拉达克地区独特气候条件的深度学习框架,用于精确预测温度和降雨量 | 针对北印度复杂气候区域开发了优化的深度学习框架,在MIMO配置下RNN模型在捕捉复杂时间依赖关系方面优于LSTM模型 | 研究仅基于印度气象部门三个站点的数据,可能无法完全代表整个北印度地区的所有气候变异性 | 开发能够捕捉局部时间序列天气数据中复杂时间依赖关系的精确温度和降雨量预测模型 | 北印度查谟、克什米尔和拉达克地区的温度和降雨量数据 | 机器学习 | NA | 时间序列分析 | RNN, LSTM | 时间序列数据 | 印度气象部门2000年1月1日至2023年12月31日期间查谟、斯利那加和拉达克三个站点的天气数据 | NA | 循环神经网络, 长短期记忆网络 | 平均绝对误差, 均方根误差, 均方误差 | NA |
1150 | 2025-10-05 |
Leveraging PSO-MLP for intelligent assessment of student learning in remote environments: a multimodal approach
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3121
PMID:40989305
|
研究论文 | 提出一种基于多模态数据的PSO-MLP智能评估方法,用于远程教育中学生学习状态的识别 | 结合粒子群优化算法与多层感知器,利用课前心理状态调查和健康大数据构建多模态输入,优化远程教育学生状态识别性能 | NA | 开发智能评估方法以提升远程教育中学生学习状态识别的准确性和效率 | 远程教育环境中的学生和教师 | 机器学习 | NA | 多模态数据分析 | MLP, PSO | 调查问卷数据,健康大数据 | NA | NA | 多层感知器 | 准确率 | NA |
1151 | 2025-10-05 |
Assessing BERT-based models for Arabic and low-resource languages in crime text classification
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3017
PMID:40989302
|
研究论文 | 评估基于BERT的模型在阿拉伯语和低资源语言犯罪文本分类中的表现 | 首次系统评估BERT模型在阿拉伯语和低资源语言犯罪文本分类领域的适用性与性能 | 阿拉伯语相关研究数量有限,需扩展至其他低资源语言进行分析 | 分析基于BERT的模型在阿拉伯语和低资源语言犯罪文本分类中的性能表现 | 阿拉伯语及其他低资源语言的犯罪领域文本数据 | 自然语言处理 | NA | 文本分类 | BERT, Transformer | 文本 | NA | NA | BERT, Transformer | NA | NA |
1152 | 2025-10-05 |
Enhancing human activity recognition with machine learning: insights from smartphone accelerometer and magnetometer data
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3137
PMID:40989299
|
研究论文 | 通过智能手机加速度计和磁力计数据,利用多种机器学习模型提升人类活动识别性能 | 使用非标准化数据并整合磁力计信号提升性能,采用轻量级模型实现可实时部署的移动端解决方案 | NA | 改进现有的人类活动识别方法,提升识别准确率和实时性能 | 智能手机传感器采集的人类活动数据 | 机器学习 | NA | 智能手机传感器数据采集 | 神经网络,随机森林,支持向量机,CN2规则归纳器,朴素贝叶斯,AdaBoost | 传感器数据(加速度计和磁力计) | NA | NA | NA | AUC,准确率,F1分数,精确率,召回率 | 移动设备实时部署 |
1153 | 2025-10-05 |
Deep learning based cardiac disorder classification and user authentication for smart healthcare system using ECG signals
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3082
PMID:40989306
|
研究论文 | 提出一种基于深度学习的智能医疗系统,使用ECG信号进行心脏疾病分类和用户身份认证 | 结合CNN和LSTM模型处理ECG信号,同时实现心脏疾病分类和用户身份认证双重功能 | 未提及具体数据集规模和多样性限制 | 开发智能远程医疗系统,实现心脏疾病的早期检测和系统安全保护 | 心电图信号和医疗系统用户 | 机器学习 | 心血管疾病 | 心电图信号分析 | CNN, LSTM | ECG信号 | NA | NA | CNN, LSTM | 准确率 | NA |
1154 | 2025-10-05 |
Enhanced information cross-attention fusion for drug-target binding affinity prediction
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3117
PMID:40989310
|
研究论文 | 提出一种基于信息增强和交叉注意力融合的药物-靶点结合亲和力预测新模型CAFIE-DTA | 首次将蛋白质3D曲率和静电势信息融入DTA预测,采用Delaunay三角剖分近似蛋白质表面曲率,通过APBS软件计算总静电势,并利用交叉多头注意力机制融合蛋白质的物理化学和序列信息 | NA | 提高药物-靶点结合亲和力预测的准确性和效率 | 药物化合物和蛋白质靶点 | 机器学习 | NA | Delaunay三角剖分,Adaptive Poisson-Boltzmann Solver (APBS) | 深度学习,注意力机制 | 蛋白质序列,3D结构,物理化学性质,化合物图结构 | Davis和KIBA基准数据集 | NA | 交叉多头注意力融合架构 | MSE, CI, R2 | NA |
1155 | 2025-10-05 |
Research on license plate recognition based on graphically supervised signal-assisted training
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2989
PMID:40989311
|
研究论文 | 提出一种基于图形监督信号辅助训练的改进车牌识别算法 | 在LPRNet基础上引入图形监督信号进行辅助训练,通过辅助训练分支引导模型学习更好的图像特征 | NA | 在计算资源受限的嵌入式设备上实现轻量级且高精度的车牌识别 | 车牌图像 | 计算机视觉 | NA | NA | CNN | 图像 | 中国城市停车数据集(CCPD) | NA | LPRNet | 准确率, 字符精确率, 召回率 | 嵌入式设备 |
1156 | 2025-10-05 |
A dual-phase deep learning framework for advanced phishing detection using the novel OptSHQCNN approach
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3014
PMID:40989319
|
研究论文 | 提出了一种基于OptSHQCNN的双阶段深度学习框架用于高级钓鱼检测 | 结合了量子-经典混合卷积神经网络、注意力机制和多种优化算法,创新性地提出了双阶段检测框架 | 未明确说明数据集的具体规模和来源,缺乏与其他最新方法的详细对比分析 | 开发更精确有效的钓鱼网站检测方法以增强网络安全 | 钓鱼网站和合法网站的URL及网页特征 | 网络安全 | NA | 深度学习,量子计算 | SHQCNN, OptBERT | 网页代码,链接,URL | NA | NA | Shallow hybrid quantum-classical convolutional neural network, Bidirectional Encoder Representations from Transformers, convolutional block attention module | 准确率,精确率,召回率,F1分数 | NA |
1157 | 2025-10-05 |
Gated attention based generative adversarial networks for imbalanced credit card fraud detection
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2972
PMID:40989315
|
研究论文 | 提出一种基于门控注意力机制的生成对抗网络(GA-GAN)用于解决信用卡欺诈检测中的类别不平衡问题 | 首次将门控注意力机制与生成对抗网络结合,生成高质量合成数据以模拟真实欺诈行为 | NA | 解决信用卡交易数据中的类别不平衡问题,提高欺诈检测性能 | 信用卡交易数据 | 机器学习 | NA | 深度学习 | GAN | 结构化数据 | 两个公开信用卡数据集 | NA | GA-GAN | NA | NA |
1158 | 2025-10-05 |
Sales forecasting for retail stores using hybrid neural networks and sales-affecting variables
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3058
PMID:40989322
|
研究论文 | 本研究提出了一种混合CNN-LSTM神经网络模型,结合环境与人口统计变量进行零售商店销售预测 | 提出结合CNN空间模式捕捉与LSTM时间依赖建模的混合架构,并整合节假日、发薪日、抗议活动和天气条件等关键外部变量 | 未明确说明数据集的具体规模和来源限制 | 提高零售业销售预测准确性以优化供需平衡和盈利能力 | 零售商店销售数据 | 机器学习 | NA | 深度学习 | CNN, LSTM | 时间序列数据,环境变量,人口统计变量 | NA | NA | CNN-LSTM混合架构 | 平均绝对百分比误差(MAPE) | NA |
1159 | 2025-10-05 |
DLProv: a suite of provenance services for deep learning workflow analyses
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.2985
PMID:40989321
|
研究论文 | 提出DLProv工具套件,为深度学习工作流提供端到端的溯源服务 | 首个支持全深度学习工作流溯源、框架无关且符合PROV标准的解决方案 | 执行时间存在最高1.4%的开销 | 解决深度学习工作流中的可追溯性、可重现性和透明度问题 | 深度学习工作流中的数据准备、模型训练和评估过程 | 机器学习 | NA | 深度学习工作流分析 | NA | 图像数据 | MNIST和CIFAR-100数据集 | Keras, 物理信息神经网络 | NA | 执行时间开销 | NA |
1160 | 2025-10-05 |
DDoS attack detection in Edge-IIoT digital twin environment using deep learning approach
2025, PeerJ. Computer science
DOI:10.7717/peerj-cs.3052
PMID:40989316
|
研究论文 | 提出一种在边缘工业物联网数字孪生环境中使用深度学习方法检测DDoS攻击的新方法 | 能够保留已学习知识并以连续方式轻松适应新模型,无需重新训练深度学习模型 | NA | 检测边缘工业物联网数字孪生环境中的DDoS攻击 | 边缘工业物联网数字孪生环境 | 机器学习 | NA | 深度学习 | 深度学习模型 | 网络流量数据 | 157,600个样本 | NA | M1, M2, M3 | 准确率, 精确率, 召回率, F1分数 | NA |