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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
101 | 2025-07-25 |
InterpolAI: deep learning-based optical flow interpolation and restoration of biomedical images for improved 3D tissue mapping
2025-Jul, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02712-4
PMID:40437217
|
研究论文 | 提出了一种基于深度学习的生物医学图像光流插值和修复方法InterpolAI,用于改善3D组织映射 | InterpolAI在大型图像运动中利用光流AI模型进行插值,优于线性插值和现有光流方法XVFI,能保留微解剖特征和细胞计数,修复组织损伤并减少拼接伪影 | NA | 提高生物医学图像数据集的分辨率、通量和质量,以实现更好的3D成像 | 生物医学图像 | 数字病理 | NA | 光流插值 | AI模型 | 图像 | 多种成像模态、物种、染色技术和像素分辨率的数据集 |
102 | 2025-07-25 |
Predicting NSCLC surgical outcomes using deep learning on histopathological images: development and multi-omics validation of Sr-PPS model
2025-07-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000002526
PMID:40440686
|
研究论文 | 开发并验证了一种基于深度学习的Sr-PPS模型,用于预测非小细胞肺癌(NSCLC)患者术后结果 | 利用先进的Res2Net深度学习架构开发了新型手术预后预测评分(Sr-PPS)系统,并通过多组学验证揭示了其与肿瘤免疫微环境和关键致癌基因突变的关联 | 研究样本量相对有限,且验证队列来自公开数据库TCGA,可能存在选择偏倚 | 开发可靠的预测工具以准确预测NSCLC患者术后结果 | 非小细胞肺癌(NSCLC)患者 | 数字病理学 | 肺癌 | 深度学习 | Res2Net | 组织病理学图像和临床数据 | 337例局部NSCLC患者用于模型开发,554例TCGA数据库NSCLC患者用于验证 |
103 | 2025-07-25 |
Memory kernel minimization-based neural networks for discovering slow collective variables of biomolecular dynamics
2025-Jul, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00815-8
PMID:40495006
|
research paper | 介绍了一种基于记忆核最小化的神经网络(MEMnets),用于发现生物分子动力学的慢集体变量 | MEMnets通过最小化时间积分记忆核的上界来识别最优集体变量,并采用并行编码器网络处理非马尔可夫动力学 | NA | 准确捕捉蛋白质构象变化的最慢时间尺度的集体变量 | 生物分子动力学 | machine learning | NA | deep learning | neural networks | biomolecular dynamics data | NA |
104 | 2025-07-25 |
Predicting adverse drug reactions for combination pharmacotherapy with cross-scale associative learning via attention modules
2025-Jul, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00816-7
PMID:40588546
|
research paper | 提出了一种名为OrganADR的模型,用于预测组合药物治疗在器官水平上的不良反应 | 通过多解释性模块整合器官水平的ADR信息、分子水平的药物信息和基于网络的生物医学知识,实现了跨尺度的生物医学信息整合 | 未提及具体的数据集大小或模型在更广泛器官上的泛化能力 | 开发一种能够预测组合药物治疗在器官水平上不良反应的计算方法 | 组合药物治疗的不良反应 | machine learning | NA | associative learning, attention modules | OrganADR | biomedical knowledge, drug information, ADR information | 评估涉及15个器官 |
105 | 2025-07-25 |
Deep learning-based quantification of tumor-infiltrating lymphocytes as a prognostic indicator in nasopharyngeal carcinoma: multicohort findings
2025-Jul, ESMO open
IF:7.1Q1
DOI:10.1016/j.esmoop.2025.105494
PMID:40614660
|
研究论文 | 本研究开发了一种基于深度学习的模型(TILDL),用于量化鼻咽癌(NPC)中肿瘤浸润淋巴细胞(TILs)的比例,并探讨其与患者预后及免疫检查点阻断(ICB)治疗反应的关系 | 首次使用深度学习模型从H&E染色的全切片图像(WSIs)中自动量化TILs,并验证其作为预后指标的潜力 | 研究为回顾性分析,需要前瞻性研究进一步验证模型的临床适用性 | 评估深度学习模型在量化TILs及预测鼻咽癌患者预后中的有效性 | 鼻咽癌患者 | 数字病理学 | 鼻咽癌 | 深度学习,免疫组织化学(IHC) | 深度学习模型(具体未说明,推测为CNN类) | 图像(H&E染色的全切片图像) | 共498例患者(非转移性NPC患者435例,分为训练队列220例和验证队列215例;接受ICB治疗的转移性NPC患者63例) |
106 | 2025-07-25 |
Deep learning based time-dependent reliability analysis of an underactuated lower-limb robot exoskeleton for gait rehabilitation
2025-Jul, Proceedings of the Institution of Mechanical Engineers. Part H, Journal of engineering in medicine
DOI:10.1177/09544119251349362
PMID:40621669
|
研究论文 | 本研究评估了一种用于步态康复的欠驱动可穿戴下肢外骨骼的可靠性,并利用深度学习框架结合LSTM进行时间依赖性可靠性分析 | 采用LSTM增强的深度神经网络算法预测关节位移和末端执行器轨迹的时间依赖性可靠性,并结合条件概率方法完成系统可靠性评估 | 研究中仅进行了仿真运行,未涉及实际患者测试 | 评估下肢机器人外骨骼在步态康复中的时间依赖性可靠性 | 欠驱动可穿戴下肢外骨骼 | 机器学习 | 康复医学 | LSTM, 计算机辅助设计(CAD) | LSTM, 深度神经网络 | 仿真数据 | 超过200次仿真运行 |
107 | 2025-07-14 |
Advancing neural decoding with deep learning
2025-Jul, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-025-00837-2
PMID:40646317
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
108 | 2025-07-25 |
ICD lead and primary metal artifact detection and inpainting in cardiac CT images
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17947
PMID:40660812
|
研究论文 | 开发了一种自动检测心脏CT扫描中ICD导线及周围金属伪影并修复受影响区域的方法 | 提出了结合2D U-Net和3D图像修复深度学习模型的新方法,用于自动检测和修复心脏CT中的金属伪影 | 方法主要针对已重建的CT图像,且样本量相对较小(12例患者) | 提高心脏CT图像中金属伪影区域的解剖结构恢复精度 | 心脏CT图像中的ICD导线及其产生的金属伪影 | 数字病理 | 心血管疾病 | 深度学习 | 2D U-Net和3D图像修复模型 | CT图像 | 12例患者(8例训练,2例验证,2例测试)和148例无伪影患者数据用于合成数据集 |
109 | 2025-07-25 |
Fast and Accurate Classification of Corn Varieties Using Deep Learning With Edge Detection Techniques
2025-Jul, Journal of food science
IF:3.2Q2
DOI:10.1111/1750-3841.70439
PMID:40702919
|
研究论文 | 本研究利用深度学习和边缘检测技术对玉米品种进行快速准确分类 | 结合边缘检测算法(CEDA和SEDA)与深度学习模型(ResCNN、DAG-Net和ResNet-18)提高玉米品种分类速度和准确率 | 仅针对三种玉米品种进行分类,样本量相对较小(1050张图像) | 开发快速准确的玉米品种分类方法以提高农业产品质量和可持续性 | 三种玉米品种(Chulpi Cancha、Indurata和Rugosa) | 计算机视觉 | NA | Canny边缘检测算法(CEDA)、Sobel边缘检测算法(SEDA) | ResCNN、DAG-Net、ResNet-18 | 图像 | 1050张玉米图像 |
110 | 2025-07-25 |
A deep learning phenome wide association study of the electrocardiogram
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf047
PMID:40703109
|
研究论文 | 本研究利用深度学习技术,通过心电图(ECG)波形检测多种心脏和非心脏疾病,并探索了ECG特征对疾病分类的贡献 | 发现了ECG可以检测的新疾病,如呼吸衰竭、中性粒细胞减少症和月经紊乱,并揭示了这些疾病对ECG的相似影响 | 研究中使用的数据集仅来自两个医疗中心,可能限制了结果的普遍性 | 确定ECG可检测的全部心脏和非心脏疾病,并理解哪些ECG特征有助于疾病分类 | 心电图(ECG)波形和连接的电子健康记录 | 机器学习 | 心血管疾病 | 深度学习 | PheWASNet(多任务深度学习模型) | ECG波形数据 | 来自两个独立医疗中心的大型ECG和电子健康记录数据集 |
111 | 2025-07-25 |
Novel artificial intelligence model using electrocardiogram for detecting acute myocardial infarction needing revascularization
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf049
PMID:40703113
|
研究论文 | 本研究开发了一种基于心电图(ECG)的人工智能(AI)模型,用于检测需要血运重建的急性心肌梗死(AMI)患者 | 采用基于transformer的深度学习模型,并通过自监督学习在大量未标记ECG数据上进行预训练,显著提高了AMI检测的性能 | 研究数据来自单一中心的回顾性数据,可能影响模型的泛化能力 | 开发AI模型以提高需要血运重建的AMI患者的及时诊断 | 急性心肌梗死(AMI)患者 | 机器学习 | 心血管疾病 | ECG | transformer-based深度学习模型 | ECG数据 | 训练集:300 627名患者的723 389份ECG;外部验证集:259 454名患者的261 429份ECG |
112 | 2025-07-25 |
Development and multinational validation of an ensemble deep learning algorithm for detecting and predicting structural heart disease using noisy single-lead electrocardiograms
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf034
PMID:40703117
|
研究论文 | 开发并验证了一种基于单导联心电图的噪声鲁棒性深度学习算法,用于检测和预测结构性心脏病 | 提出了一种噪声鲁棒的深度学习算法ADAPT-HEART,能够通过便携式/可穿戴设备获取的单导联心电图检测和预测结构性心脏病 | 研究主要基于医院数据,社区筛查的广泛适用性尚需进一步验证 | 开发一种适用于社区筛查的结构性心脏病检测和预测工具 | 结构性心脏病患者及高风险人群 | 机器学习 | 心血管疾病 | 深度学习 | ADAPT-HEART | 心电图数据 | 266740份心电图数据,来自99205名患者 |
113 | 2025-07-25 |
A deep foundation model for electrocardiogram interpretation: enabling rare disease detection through transfer learning
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf051
PMID:40703125
|
研究论文 | 本研究利用160万份心电图数据预训练了一个卷积深度神经网络,用于预测68种常见心电图诊断,并展示了其在罕见疾病检测中的迁移学习能力 | 开发了一个全面的心电图深度神经网络模型,通过迁移学习在小数据集上有效检测三种新的心电图诊断 | 研究依赖于历史临床数据,可能存在数据偏差,且新诊断的样本量相对较小 | 提高心电图诊断的准确性和效率,特别是在数据有限的情况下检测罕见疾病 | 心电图数据和相关的心脏疾病诊断 | 医疗人工智能 | 心血管疾病 | 深度学习,迁移学习 | CNN | 心电图信号 | 160万份心电图数据 |
114 | 2025-07-25 |
Detection of subclinical atherosclerosis by image-based deep learning on chest X-ray
2025-Jul, European heart journal. Digital health
DOI:10.1093/ehjdh/ztaf033
PMID:40703133
|
research paper | 开发了一种基于深度学习的系统,用于在普通正面胸部X光片上识别亚临床动脉粥样硬化 | 首次利用深度学习算法从胸部X光片预测冠状动脉钙化(CAC)评分,并验证其在心血管疾病风险分层中的潜在应用 | 需要在更大规模的前瞻性研究中进一步验证AI-CAC模型的临床适用性 | 开发并验证一种基于胸部X光片的深度学习模型,用于检测亚临床动脉粥样硬化 | 接受胸部X光和CT检查的原发性预防患者 | digital pathology | cardiovascular disease | deep learning | AI-CAC model | image | 550例患者(460例训练/验证,90例外部验证) |
115 | 2025-07-25 |
Explainable AI for Cotton Leaf Disease Classification: A Metaheuristic-Optimized Deep Learning Approach
2025-Jul, Food science & nutrition
IF:3.5Q2
DOI:10.1002/fsn3.70658
PMID:40703612
|
研究论文 | 提出一种基于元启发式优化的深度学习框架,用于棉花叶部疾病的准确分类 | 结合EfficientNetB3和InceptionResNetV2的混合架构,并引入可解释AI技术(LIME和SHAP)增强模型透明度 | 未提及具体数据集规模或跨地域验证的局限性 | 开发可靠、可解释且适用于精准农业的实时诊断工具 | 棉花叶部疾病(如细菌性枯萎病和靶斑病) | 计算机视觉 | 植物病害 | 深度学习(DL)、可解释AI(XAI) | EfficientNetB3与InceptionResNetV2混合架构 | 图像 | NA |
116 | 2025-07-25 |
From Presence-Only to Abundance Species Distribution Models Using Transfer Learning
2025-Jul, Ecology letters
IF:7.6Q1
DOI:10.1111/ele.70177
PMID:40704696
|
research paper | 本研究探讨了如何通过迁移学习将基于卷积神经网络的物种分布模型(CNN-SDMs)从仅存在数据扩展到丰度数据,以提高预测性能 | 结合大型仅存在物种数据集和迁移学习,显著提升了基于丰度的CNN-SDMs的性能,特别是在稀有物种和广泛分布物种局部稀有的情况下 | 研究依赖于可用的物种丰度数据集,这些数据集通常规模较小,可能限制模型的泛化能力 | 提高物种丰度分布模型的预测性能 | 地中海沿岸鱼类 | machine learning | NA | transfer learning | CNN | species distribution and abundance data | NA |
117 | 2025-07-25 |
LncRNA Subcellular Localization Across Diverse Cell Lines: An Exploration Using Deep Learning with Inexact q-mers
2025-Jun-25, Non-coding RNA
IF:3.6Q2
DOI:10.3390/ncrna11040049
PMID:40700092
|
研究论文 | 本文利用深度学习和不精确q-mers技术探索了长链非编码RNA(lncRNA)在不同细胞系中的亚细胞定位 | 采用不精确q-mers改进传统精确q-mers方法,提高了lncRNA定位预测性能,并发现了一种在细胞系间切换定位的lncRNA类别 | lncRNA定位预测仍面临重大挑战,特别是那些在细胞系间切换定位的lncRNA增加了预测难度 | 研究lncRNA亚细胞定位预测及其细胞类型特异性 | 15种细胞系中的lncRNA | 生物信息学 | NA | 深度学习和不精确q-mers技术 | 深度学习 | 基因组序列数据 | 15种细胞系的lncRNA数据 |
118 | 2025-07-25 |
Integrating Artificial Intelligence in Next-Generation Sequencing: Advances, Challenges, and Future Directions
2025-Jun-19, Current issues in molecular biology
IF:2.8Q3
DOI:10.3390/cimb47060470
PMID:40699869
|
综述 | 本文探讨了人工智能(AI)与下一代测序(NGS)的协同关系及其在基因组研究和临床应用中的变革性影响 | AI驱动的工具(如机器学习和深度学习)优化了NGS工作流程的各个环节,并在变异检测、表观基因组分析等领域超越了传统方法 | 面临数据异质性、模型可解释性及伦理问题等挑战 | 探索AI与NGS整合的进展、挑战及未来方向,以推动精准医学的发展 | 基因组数据及AI模型在NGS中的应用 | 机器学习 | 癌症 | NGS, TGS | CNN, RNN, 混合架构 | 基因组数据 | NA |
119 | 2025-07-25 |
Deep Learning-Based Classification of Peptide Analytes from Single-Channel Nanopore Translocation Events
2025-May-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.04.652126
PMID:40654724
|
research paper | 该研究提出了一种基于深度学习的纳米孔易位事件肽分类数据处理流程 | 采用了一种新颖的分支输入网络结构,结合时间卷积网络和密集网络处理易位事件电导状态序列及全局动力学特征 | 在混合样本分类中性能较为一般(准确率0.68),部分肽的相似动力学参数给事件级预测带来挑战 | 开发快速准确的肽生物标志物检测方法用于疾病诊断 | 七种肽的模拟多态易位数据 | machine learning | NA | nanopore biosensors | CNN, RNN, TCN | simulated current recordings | seven peptides |
120 | 2025-07-25 |
Improving RNA Secondary Structure Prediction Through Expanded Training Data
2025-May-03, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.03.652028
PMID:40654677
|
研究论文 | 本文通过扩展训练数据来提高RNA二级结构预测的准确性 | 开发了一个大型多样的RNA序列及其二级结构配对的训练数据集,并验证了其对深度学习模型性能的提升 | MXfold2模型在大型RNASSTR数据集上重新训练的计算成本过高,且测试集性能不佳 | 提高RNA二级结构预测的准确性 | RNA二级结构 | 生物信息学 | NA | 深度学习 | SincFold, MXfold2 | RNA序列及其二级结构配对数据 | 大型多样的RNASSTR数据集 |