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 | 2025-06-20 |
Enhanced RNA secondary structure prediction through integrative deep learning and structural context analysis
2025-Jun-06, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf533
PMID:40530692
|
研究论文 | 该论文介绍了一种结合深度学习和结构上下文分析的RNA二级结构预测方法 | 采用分阶段学习策略整合RNA序列和结构上下文信息,并利用配对约束训练模型,有效解决了局部和长程核苷酸相互作用的问题 | 数据稀缺和过拟合问题仍然存在 | 提高RNA二级结构预测的准确性和鲁棒性 | RNA二级结构 | 生物信息学 | NA | 深度学习 | DSRNAFold | RNA序列和结构数据 | 多个基准数据集 |
102 | 2025-06-20 |
AI-echocardiography: Current status and future direction
2025-Jun, Journal of cardiology
IF:2.5Q2
DOI:10.1016/j.jjcc.2025.02.005
PMID:40023671
|
综述 | 本文回顾了AI在超声心动图领域的当前应用和未来发展方向 | 讨论了深度学习和大规模计算在超声心动图参数自动获取和疾病预测中的应用,以及大规模语言模型带来的零样本预测和自动报告生成的潜力 | NA | 探讨AI增强超声心动图在临床实践中的应用潜力 | 超声心动图数据及其在心脏疾病评估中的应用 | 数字病理学 | 心血管疾病 | 深度学习, 大规模语言模型 | 深度学习模型 | 超声心动图图像 | NA |
103 | 2025-06-20 |
Epistasis regulates genetic control of cardiac hypertrophy
2025-Jun, Nature cardiovascular research
IF:9.4Q1
DOI:10.1038/s44161-025-00656-8
PMID:40473955
|
研究论文 | 本研究开发了一种低信号符号迭代随机森林方法,用于揭示心脏肥大的复杂遗传结构,并发现了CCDC141、IGF1R、TTN和TNKS附近的表观遗传变异 | 使用深度学习衍生的左心室质量估计和新型微流控单细胞形态分析技术,首次揭示了CCDC141、TTN和IGF1R之间的非加性相互作用对心肌细胞肥大的调控 | 研究样本主要来自UK Biobank,可能无法完全代表其他人群的遗传多样性 | 探索心脏肥大的复杂遗传结构及其表观遗传调控机制 | 29,661份UK Biobank心脏磁共振图像和313个人类心脏的转录组数据 | 遗传学 | 心血管疾病 | 深度学习、微流控单细胞形态分析、RNA沉默 | 随机森林 | 图像、转录组数据 | 29,661份心脏磁共振图像和313个人类心脏样本 |
104 | 2025-06-20 |
An Indian UAV and leaf image dataset for integrated crop health assessment of soybean crop
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111517
PMID:40534711
|
research paper | 该研究创建了一个包含大豆作物受病虫害影响的图像数据集,用于训练和测试机器学习和深度学习模型 | 提出了一个综合的大豆作物病虫害图像数据集,结合了空中和地面两种数据采集方法 | 数据集仅涵盖印度马哈拉施特拉邦地区的大豆作物,可能无法代表其他地区的病虫害情况 | 开发准确和鲁棒的机器学习和深度学习模型,用于大豆作物的病虫害检测和分类 | 大豆作物及其病虫害 | digital pathology | NA | artificial intelligence, computer vision | machine learning, deep learning | image | 覆盖印度马哈拉施特拉邦地区两个季节的大豆作物图像,包含4种疾病和1种害虫攻击 |
105 | 2025-06-20 |
The mechanomyographic dataset of hand gestures harvested using an accelerometer and gyroscope
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111558
PMID:40534716
|
research paper | 本文介绍了一个用于人机交互研究的机械肌电图(MMG)信号数据集,该数据集通过加速度计和陀螺仪收集了43名参与者的11种手势数据 | 数据集采用新型可穿戴系统收集,结合了加速度计和陀螺仪的数据,提供了丰富的手势信号,适用于多种应用领域 | 数据集仅包含11种手势,且参与者年龄和性别分布可能不足以代表所有人群 | 开发基于MMG的手势控制系统,并验证人工智能模型在手势识别中的应用 | 43名年龄在18至69岁之间的参与者,男女比例为60%比40% | human-computer interaction | NA | accelerometer and gyroscope | deep learning or machine learning | sensor data (accelerometer and gyroscope) | 43名参与者,每人每种手势重复50次,共550个样本/人 |
106 | 2025-06-20 |
Cauliflower leaf diseases: A computer vision dataset for smart agriculture
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111594
PMID:40534720
|
research paper | 本文介绍了一个用于智能农业的计算机视觉数据集,包含花椰菜叶子的图像,旨在促进疾病监测、诊断和预防技术的发展 | 提供了一个包含2661张花椰菜叶子图像的数据集,涵盖健康、虫洞和黑腐病三种类别,并在不同天气条件和设备下采集,经过预处理以提高数据质量 | 数据集仅包含在孟加拉国特定时间段内采集的图像,可能无法涵盖所有地理和气候条件下的花椰菜疾病 | 开发高精度的机器学习模型,用于早期检测花椰菜叶子疾病,支持精准农业中的自动化监测和智能决策 | 花椰菜叶子的图像数据 | computer vision | 植物疾病 | 图像处理 | deep learning | image | 2661张花椰菜叶子图像 |
107 | 2025-06-20 |
Opportunities and challenges in lung cancer care in the era of large language models and vision language models
2025-May-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-24-801
PMID:40535072
|
综述 | 本文综述了人工智能在肺癌护理中的应用,特别是大型语言模型和视觉语言模型带来的机遇与挑战 | 重点探讨了大型语言模型(LLMs)和视觉语言模型(VLMs)在肺癌护理中的前沿应用及其潜在影响 | 存在数据隐私风险、模型偏见可能加剧医疗不平等、模型幻觉、伦理问题、实施成本高以及缺乏标准化评估指标等挑战 | 总结人工智能在肺癌护理中的应用,并探讨LLMs和VLMs带来的新机遇与挑战 | 肺癌护理中的人工智能方法,特别是机器学习和深度学习技术 | 自然语言处理, 计算机视觉, 机器学习 | 肺癌 | 大型语言模型(LLMs), 视觉语言模型(VLMs), 多模态整合 | LLMs, VLMs | 医疗图像, 文本, 多模态数据 | NA |
108 | 2025-06-20 |
A Bayesian deep learning model with consolidation-to-tumor ratio (CTR) prior revolutionizes the prediction of spread through air spaces (STAS) in stage IA lung adenocarcinoma: a large-scale diagnostic study
2025-May-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-24-890
PMID:40535077
|
research paper | 本研究开发了一种基于CTR先验的贝叶斯深度学习模型,用于预测IA期肺腺癌患者的STAS | 首次将CTR先验知识整合到贝叶斯深度学习框架中,用于STAS预测 | 研究仅针对IA期肺腺癌患者,未验证在其他分期或其他类型肺癌中的适用性 | 开发预测肺腺癌患者STAS的深度学习模型,以指导手术方案选择 | IA期肺腺癌患者 | digital pathology | lung cancer | Bayesian deep learning | DL model with variational Bayesian inference framework | medical imaging data | 1,374例患者(训练组961例,验证组275例,测试组138例) |
109 | 2025-06-20 |
Deep learning in histopathology images for prediction of oncogenic driver molecular alterations in lung cancer: a systematic review and meta-analysis
2025-May-30, Translational lung cancer research
IF:4.0Q1
DOI:10.21037/tlcr-2024-1196
PMID:40535093
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了深度学习模型在预测非小细胞肺癌致癌驱动分子改变方面的诊断准确性 | 利用深度学习模型从H&E染色全切片图像中预测致癌驱动分子改变,为非侵入性精准肿瘤学提供了新方法 | 需要在多样化人群和临床结果中验证这些预测模型 | 评估深度学习模型在预测非小细胞肺癌致癌驱动分子改变方面的诊断准确性 | 非小细胞肺癌患者的H&E染色全切片图像 | 数字病理学 | 肺癌 | 深度学习 | CNN | 图像 | NA |
110 | 2025-06-20 |
FLAMeS: A Robust Deep Learning Model for Automated Multiple Sclerosis Lesion Segmentation
2025-May-23, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.05.19.25327707
PMID:40475145
|
research paper | 开发了一种名为FLAMeS的深度学习模型,用于自动分割多发性硬化症(MS)的脑部病变 | FLAMeS基于nnU-Net 3D全分辨率U-Net,并在668个FLAIR MRI扫描上训练,其性能优于现有的公开方法 | FLAMeS在小于10 mm3的病变上表现不佳 | 开发一种自动化的多发性硬化症(MS)病变分割算法 | 多发性硬化症(MS)患者的脑部MRI扫描 | digital pathology | multiple sclerosis | MRI, FLAIR | nnU-Net 3D full-resolution U-Net | image | 668 FLAIR MRI scans from persons with MS, evaluated on three external datasets (MSSEG-2 n=14, MSLesSeg n=51, clinical cohort n=10) |
111 | 2025-06-20 |
Multiobjective learning and design of bacteriophage specificity
2025-May-19, bioRxiv : the preprint server for biology
DOI:10.1101/2025.05.19.654895
PMID:40475446
|
research paper | 该研究应用深度学习理解和设计T7噬菌体受体结合蛋白的多功能宿主靶向景观,以实现增强感染性、预定义特异性和对未见菌株的高毒力普遍性 | 通过多目标机器学习设计复杂特异性,成功率达到可进行低通量验证预测命中的水平 | 未明确提及具体局限性 | 理解和设计蛋白质的多功能景观,特别是噬菌体的宿主靶向能力 | T7噬菌体受体结合蛋白 | machine learning | NA | deep learning | NA | protein sequence and function data | 针对26种不同任务优化的噬菌体 |
112 | 2025-06-20 |
RadField3D: a data generator and data format for deep learning in radiation-protection dosimetry for medical applications
2025-05-16, Journal of radiological protection : official journal of the Society for Radiological Protection
IF:1.4Q3
DOI:10.1088/1361-6498/add53d
PMID:40334671
|
研究论文 | 介绍了一个基于Geant4的开源蒙特卡洛模拟应用RadField3D,用于生成三维辐射场数据集,并提出了一个快速、机器可解释的数据格式RadFiled3D,便于神经网络研究集成 | 开发了RadField3D模拟应用和RadFiled3D数据格式,支持深度学习在辐射防护剂量学中的研究 | 未提及具体的数据生成规模或应用场景的限制 | 研究使用深度学习的替代辐射模拟方法 | 三维辐射场数据集 | 机器学习 | NA | 蒙特卡洛模拟 | NA | 三维辐射场数据 | NA |
113 | 2025-06-20 |
The Advances in Deep Learning Modeling of Polyadenylation Codes
2025 May-Jun, Wiley interdisciplinary reviews. RNA
DOI:10.1002/wrna.70017
PMID:40468587
|
综述 | 本文总结了深度学习模型在研究多聚腺苷酸化调控方面的进展及其应用 | 深度学习模型能够解决序列复杂性,捕捉顺式调控基序之间的复杂位置相互作用,并预测切割概率和位点强度 | NA | 探讨深度学习模型在多聚腺苷酸化调控研究中的应用 | 多聚腺苷酸化位点的形成及其调控 | 自然语言处理 | NA | 深度学习 | 深度学习模型 | 序列数据 | NA |
114 | 2025-06-20 |
Generative prediction of real-world prevalent SARS-CoV-2 mutation with in silico virus evolution
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf276
PMID:40532108
|
research paper | 开发了一种名为ViralForesight的深度学习生成框架,用于预测现实世界中流行的SARS-CoV-2突变 | 结合蛋白质语言模型和计算机模拟病毒进化,开发了能够提前预测SARS-CoV-2流行突变的生成式深度学习框架 | 未提及具体样本量或实验验证的详细范围 | 预测新兴病毒在现实世界中的突变流行趋势,以提前更新疫苗或药物 | SARS-CoV-2病毒及其突变 | machine learning | COVID-19 | 深度学习生成框架、蛋白质语言模型、计算机模拟病毒进化 | generative deep learning | 病毒序列数据 | NA |
115 | 2025-06-20 |
Solving physics-based initial value problems with unsupervised machine learning
2025-May, Physical review. E
DOI:10.1103/PhysRevE.111.055302
PMID:40533973
|
研究论文 | 本文提出了一种利用无监督机器学习解决基于物理的初值问题的方法 | 提出了一个深度学习框架,通过神经网络建模多种机械系统的动力学,能够解决非线性、耦合和混沌动力系统 | 需要概率激活函数来严格学习初值问题的解,这可能增加模型的复杂性 | 解决基于物理的初值问题 | 多种机械系统,包括自由粒子、重力场中的粒子、经典摆和Hénon-Heiles系统 | 机器学习 | NA | 无监督机器学习 | 深度神经网络 | 物理系统的动力学数据 | 多个物理系统案例,包括自由粒子、重力场中的粒子、经典摆和Hénon-Heiles系统 |
116 | 2025-06-20 |
Longitudinal Risk Prediction for Pediatric Glioma with Temporal Deep Learning
2025-May, NEJM AI
DOI:10.1056/aioa2400703
PMID:40535328
|
研究论文 | 本研究开发了一种自监督的时序深度学习模型,用于分析儿科胶质瘤患者的连续MRI扫描,以提高复发预测的准确性 | 提出了一种自监督的时序深度学习方法,专门用于纵向医学影像分析,通过训练模型正确分类时间序列作为前置任务,再微调以预测复发风险 | 研究受限于数据可用性和当前机器学习方法的局限性 | 提高儿科胶质瘤复发预测的个体化准确性 | 儿科低级别和高级别胶质瘤患者 | 数字病理学 | 儿科胶质瘤 | MRI | 自监督时序深度学习模型 | 医学影像 | 715名患者的3994次扫描 |
117 | 2025-06-20 |
Retraction notice to "The analysis of teaching quality evaluation for the college sports dance by convolutional neural network model and deep learning" [Heliyon 10 (2024) e36067]
2025-Apr, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43315
PMID:40535237
|
retraction | 该文章是对先前发表的关于使用卷积神经网络模型和深度学习分析大学体育舞蹈教学质量的论文的撤稿通知 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
118 | 2025-06-20 |
Corrigendum to "Sentiment analysis in multilingual context: Comparative analysis of machine learning and hybrid deep learning models" [Heliyon Volume 9, Issue 9, September 2023, Article e20281]
2025-Apr, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43243
PMID:40535278
|
correction | 本文是对先前发表文章的一则更正声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
119 | 2025-06-20 |
Artificial intelligence accelerates the identification of nature-derived potent LOXL2 inhibitors
2025-Mar-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95530-9
PMID:40148559
|
研究论文 | 结合深度学习和传统计算机辅助药物设计方法,筛选LOXL2选择性抑制剂,并验证其抗癌效果 | 首次采用深度学习与传统计算机辅助药物设计相结合的方法,筛选出天然产物Forsythoside A作为强效LOXL2抑制剂 | 研究仅针对CT26细胞进行验证,未涉及其他癌细胞或体内实验 | 开发针对LOXL2的选择性天然抑制剂,为癌症治疗提供新方法 | LOXL2蛋白及CT26癌细胞 | 计算机辅助药物设计 | 癌症 | 深度学习、分子对接、虚拟筛选 | 深度学习模型 | 分子结构数据、生物活性数据 | 未明确说明样本数量,仅提及CT26细胞 |
120 | 2025-06-20 |
Deep learning and digital pathology powers prediction of HCC development in steatotic liver disease
2025-Mar-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000000904
PMID:38768142
|
研究论文 | 本研究利用深度学习和数字病理学技术,基于肝活检全切片图像预测脂肪肝病患者发展为肝细胞癌(HCC)的风险 | 开发了一种深度学习模型,能够捕捉纤维化阶段以外的细微病理特征,预测HCC的发展,并在轻度纤维化患者中也能检测出HCC发展病例 | 样本量相对较小,HCC类患者仅46例,且研究为回顾性设计 | 预测脂肪肝病患者发展为HCC的风险 | 脂肪肝病患者 | 数字病理学 | 肝细胞癌 | 深度学习 | CNN | 图像 | 639名未发展为HCC的患者和46名发展为HCC的患者 |