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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
12081 | 2025-10-07 |
Mechanical Evolution of Metastatic Cancer Cells in 3D Microenvironment
2025-May, Small (Weinheim an der Bergstrasse, Germany)
DOI:10.1002/smll.202403242
PMID:40116569
|
研究论文 | 本研究利用光学布里渊显微镜在3D微环境中追踪癌细胞的机械特性演化,并开发深度学习模型用于癌症分类 | 首次在3D生理环境中纵向获取癌细胞机械特性,并证明机械特征可作为癌症分类的新生物标志物 | 研究仅限于体外3D模型,未在体内环境中验证 | 探究癌细胞在3D微环境中的机械特性演化及其在癌症分类中的应用 | 癌性球状体和正常球状体 | 生物医学工程 | 癌症 | 光学布里渊显微镜 | 深度学习 | 机械图像 | 8天生长周期的癌细胞球状体 | NA | NA | 分类准确率 | NA |
12082 | 2025-10-07 |
Graph-based prototype inverse-projection for identifying cortical sulcal pattern abnormalities in congenital heart disease
2025-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103538
PMID:40121807
|
研究论文 | 本研究开发了一种基于深度学习的脑沟模式分析方法,用于识别先天性心脏病患者的皮质脑沟模式异常 | 提出原型反投影方法增强模型可解释性,将原型反向映射到个体节点表示以计算反投影权重,实现原型可视化和选择性区域关注 | NA | 开发敏感的脑沟模式分析工具以检测神经发育差异 | 健康对照组和先天性心脏病患者的脑沟模式 | 医学图像分析 | 先天性心脏病 | 脑沟模式分析 | 图神经网络 | 脑沟图结构数据 | 健康对照组174人(年龄15.4±1.9岁),先天性心脏病患者345人(年龄15.8±4.7岁),来自四个队列研究和公共数据集 | NA | 基于原型的图神经网络 | 分类准确率 | NA |
12083 | 2025-10-07 |
Artificial Intelligence for the Detection of Patient-Ventilator Asynchrony
2025-May, Respiratory care
IF:2.4Q2
DOI:10.1089/respcare.12540
PMID:40178919
|
综述 | 本文综述了人工智能技术在患者-呼吸机异步性检测与量化中的应用现状 | 首次系统综述了AI在PVA检测领域的研究全景,涵盖多种机器学习方法和深度学习技术 | 纳入研究数量有限(仅13篇),患者群体和临床环境多样性不足 | 评估人工智能在患者-呼吸机异步性检测与量化中的应用效果 | 接受有创机械通气的患者 | 机器学习 | 呼吸系统疾病 | 有创机械通气监测 | 机器学习,深度学习 | 呼吸波形数据 | 332名参与者,分析超过580万次呼吸 | NA | NA | 灵敏度,特异性,准确度 | NA |
12084 | 2025-10-07 |
Evaluation of minor labial salivary gland focus score in Sjögren's disease using deep learning: a tool for more efficient diagnosis and future tissue biomarker discovery
2025-May, Journal of autoimmunity
IF:7.9Q1
DOI:10.1016/j.jaut.2025.103418
PMID:40262321
|
研究论文 | 本研究开发了一种基于注意力机制深度学习模型,用于评估干燥综合征患者小唇唾液腺活检中的焦点评分 | 首次将注意力机制深度学习模型应用于小唇唾液腺活检焦点评分评估,性能优于先前研究 | 样本量相对有限(271个样本),仅使用H&E染色切片 | 开发更可靠的干燥综合征诊断工具并促进组织生物标志物发现 | 小唇唾液腺活检组织切片 | 数字病理学 | 干燥综合征 | H&E染色,全玻片数字化扫描 | 深度学习,注意力机制 | 病理图像 | 271个小唇唾液腺活检样本(153个FS<1,118个FS≥1) | NA | 注意力机制分类模型 | AUC, 灵敏度, 特异性, 准确率 | NA |
12085 | 2025-10-07 |
Phytophagous, blood-suckers or predators? Automated identification of Chagas disease vectors and similar bugs using convolutional neural network algorithms
2025-May, Acta tropica
IF:2.1Q2
|
研究论文 | 本研究使用卷积神经网络算法自动识别恰加斯病媒介昆虫及其他类似昆虫 | 首次应用CNN算法根据摄食习性对昆虫进行分类,并比较三种不同网络架构的性能 | 数据集规模有限(仅707张图像),且仅使用背部视角图片 | 开发自动化的昆虫识别工具以改善恰加斯病监测和控制 | 按摄食习性分类的昆虫:吸血昆虫、植食性昆虫和捕食性昆虫 | 计算机视觉 | 恰加斯病 | 深度学习,迁移学习 | CNN | 图像 | 707张背部视角昆虫图片 | NA | AlexNet, MobileNetV2, ResNet-50 | 准确率, 灵敏度, 特异性, ROC, AUC | NA |
12086 | 2025-10-07 |
Deep Learning Model of Primary Tumor and Metastatic Cervical Lymph Nodes From CT for Outcome Predictions in Oropharyngeal Cancer
2025-May-01, JAMA network open
IF:10.5Q1
|
研究论文 | 开发并验证基于CT的深度学习模型,整合原发肿瘤和转移性颈部淋巴结特征预测p16+口咽癌预后 | 首次结合原发肿瘤和转移性颈部淋巴结的影像特征构建多区域成像风险评分,用于p16+口咽癌预后预测 | 回顾性研究设计,样本主要来自男性患者(84.2%) | 预测p16+口咽癌患者的生存结局并识别可能从化疗中获益的I期患者 | p16阳性口咽鳞状细胞癌患者 | 医学影像分析 | 口咽癌 | CT影像分析 | 深度学习 | CT影像 | 811例p16+口咽癌患者,来自3个独立队列 | NA | Swin Transformer | 风险比, 对数秩检验, 一致性指数, 净获益 | NA |
12087 | 2025-10-07 |
Machine learning in prediction of epidermal growth factor receptor status in non-small cell lung cancer brain metastases: a systematic review and meta-analysis
2025-May-01, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-14221-w
PMID:40312289
|
系统评价与荟萃分析 | 评估机器学习模型在预测非小细胞肺癌脑转移患者EGFR突变状态中的预测性能 | 首次系统评估机器学习模型在NSCLC脑转移患者EGFR状态预测中的应用表现 | 纳入研究数量有限(20项研究),存在异质性 | 评估机器学习模型在预测非小细胞肺癌脑转移患者EGFR突变状态中的预测性能 | 非小细胞肺癌脑转移患者 | 机器学习 | 肺癌 | NA | 机器学习,深度学习 | NA | 3517名患者,6205个NSCLC脑转移病灶 | NA | NA | AUC,准确率,敏感性,特异性,诊断比值比 | NA |
12088 | 2025-10-07 |
Ge-SAND: an explainable deep learning-driven framework for disease risk prediction by uncovering complex genetic interactions in parallel
2025-May-01, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-025-11588-9
PMID:40312319
|
研究论文 | 开发了一种可解释的深度学习框架Ge-SAND,用于通过揭示复杂遗传相互作用进行疾病风险预测 | 能够并行揭示超过10^6规模的复杂遗传相互作用,整合基因型和基因组位置信息识别染色体内和染色体间相互作用 | 处理大规模遗传组合时可能面临维度灾难问题,特别是在样本量有限的情况下 | 开发准确预测疾病风险并理解复杂疾病机制的计算框架 | 克罗恩病、精神分裂症、阿尔茨海默病 | 机器学习 | 复杂疾病 | 基因型分析 | 深度学习,自注意力机制 | 基因型数据,基因组位置信息 | UK Biobank队列数据 | 深度学习框架 | 自注意力网络,神经动态解码器 | AUC-ROC | NA |
12089 | 2025-10-07 |
A hybrid approach for binary and multi-class classification of voice disorders using a pre-trained model and ensemble classifiers
2025-May-01, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-02978-w
PMID:40312383
|
研究论文 | 提出一种结合预训练模型和集成分类器的混合方法,用于声音障碍的二元和多分类任务 | 采用两阶段混合框架,将VGGish预训练模型提取的深度特征与多种传统分类器相结合,在多分类任务中达到先进准确率 | 仅在Saarbruecken语音数据库的子集上进行实验,需要进一步验证 | 提高声音障碍分类性能,特别是多分类任务的准确率 | 声音障碍患者的声音数据 | 语音处理 | 声音障碍 | 声音信号处理 | CNN, SVM, LR, MLP, Ensemble | 音频频谱图 | Saarbruecken语音数据库子集(男性、女性和混合说话者) | NA | VGGish | 准确率 | NA |
12090 | 2025-10-07 |
RaGeoSense for smart home gesture recognition using sparse millimeter wave radar point clouds
2025-May-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00065-8
PMID:40312411
|
研究论文 | 提出了一种基于稀疏毫米波点云的智能家居手势识别系统RaGeoSense | 结合K均值聚类直通滤波、帧差滤波和中值滤波三种方法降低数据噪声,并采用集成模型架构结合GBDT和XGBoost提取非线性特征 | NA | 开发用于智能家居场景的接触式人机交互手势识别系统 | 单臂手势动作 | 计算机视觉 | NA | 毫米波雷达 | GBDT, XGBoost, LSTM | 点云数据 | 8种不同单臂手势 | NA | 集成模型架构 | 平均识别率 | NA |
12091 | 2025-10-07 |
A human pose estimation network based on YOLOv8 framework with efficient multi-scale receptive field and expanded feature pyramid network
2025-May-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00259-0
PMID:40312474
|
研究论文 | 提出基于YOLOv8框架的EE-YOLOv8人体姿态估计网络,通过集成高效多尺度感受野和扩展特征金字塔网络提升性能 | 集成Efficient Multi-scale Receptive Field模块增强特征表示能力,采用Expanded Feature Pyramid Network优化跨层级信息交换,并使用Wise-IoU替代传统IoU提高检测精度 | NA | 解决传统多人姿态估计方法在部分遮挡和人体部位重叠情况下的挑战 | 图像或视频中的人体姿态 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | MS COCO 2017数据集 | PyTorch | YOLOv8, EMRF, EFPN | AP@0.5, AP@0.5-0.95 | NA |
12092 | 2025-10-07 |
Deep learning HRNet FCN for blood vessel identification in laparoscopic pancreatic surgery
2025-May-01, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-01663-6
PMID:40312536
|
研究论文 | 本研究评估HRNet-FCN模型在腹腔镜胰腺手术中识别血管轮廓的能力 | 首次将HRNet-FCN模型应用于腹腔镜胰腺手术中的血管识别,并验证了其在不同手术类型间的泛化能力 | NA | 提高腹腔镜胰腺手术中血管识别的准确性和手术安全性 | 腹腔镜胰腺手术中的血管结构(如肠系膜上静脉-门静脉轴和脾静脉) | 计算机视觉 | 胰腺疾病 | 深度学习 | CNN | 图像 | 126例腹腔镜远端胰腺切除术视频的12,694张图像和138例Whipple手术视频的35,986张图像 | NA | HRNet, FCN | Dice系数, 召回率, 精确率 | NA |
12093 | 2025-10-07 |
Assessing english Language teachers' pedagogical effectiveness using convolutional neural networks optimized by modified virus colony search algorithm
2025-May-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98033-9
PMID:40312557
|
研究论文 | 提出一种结合深度学习和元启发式算法的新方法,用于评估英语作为外语教学的课堂质量 | 首次将改进的病毒群体搜索算法与卷积神经网络相结合,用于教师教学效果评估 | 仅针对英语作为外语的教学场景,未涉及其他学科领域 | 开发可靠高效的教师评估框架,提升英语教学质量 | 英语作为外语的课堂教学 | 自然语言处理 | NA | 音频视频分析 | CNN | 音频,视频 | NA | NA | 卷积神经网络 | 准确率,鲁棒性,灵活性,效率 | NA |
12094 | 2025-10-07 |
Artifact estimation network for MR images: effectiveness of batch normalization and dropout layers
2025-May-01, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01663-8
PMID:40312665
|
研究论文 | 本研究开发了基于U-Net的回归网络用于去除MRI运动伪影,并探讨了批归一化和dropout层组合策略的有效性 | 首次系统研究在U-Net网络中结合批归一化和dropout层对MRI运动伪影去除效果的影响 | 研究仅限于体模图像,未在真实临床图像上验证 | 提高磁共振图像中运动伪影的去除效果 | 磁共振图像中的运动伪影 | 医学图像处理 | NA | 磁共振成像 | U-Net, Transformer | 图像 | 1200张图像(包含有/无运动伪影的配对图像) | NA | U-Net, Transformer | 峰值信噪比, 结构相似性指数 | NA |
12095 | 2025-10-07 |
A deep learning algorithm for automated adrenal gland segmentation on non-contrast CT images
2025-May-01, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01682-5
PMID:40312690
|
研究论文 | 开发用于非对比CT图像上肾上腺自动分割的深度学习模型,并进行年龄相关肾上腺体积变化的大规模研究 | 首个针对非对比CT图像的肾上腺自动分割深度学习模型,实现了与放射科医生相当的分割精度 | 仅使用非对比CT图像,未验证在对比增强CT上的性能 | 开发肾上腺自动分割模型并研究正常肾上腺随年龄的体积变化规律 | 人类肾上腺 | 数字病理 | NA | CT成像 | 深度学习 | CT图像 | 开发数据集1301例CT检查,大规模数据集2000例CT检查 | nnU-Net | U-Net | Dice相似系数 | NA |
12096 | 2025-05-03 |
Correction to: DOMSCNet: a deep learning model for the classification of stomach cancer using multi-layer omics data
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf218
PMID:40314061
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
12097 | 2025-10-07 |
DeepRNA-Twist: language-model-guided RNA torsion angle prediction with attention-inception network
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf199
PMID:40315431
|
研究论文 | 提出DeepRNA-Twist深度学习框架,通过语言模型引导和注意力-初始网络预测RNA扭转角和伪扭转角 | 结合RNA语言模型嵌入和新型2A3IDC模块(注意力增强的初始网络内嵌扩张CNN),同时捕获局部和全局序列特征 | 未明确说明模型对RNA极端结构或罕见序列的预测能力 | 从RNA序列直接预测扭转角和伪扭转角以解析三维结构 | RNA分子 | 生物信息学 | NA | 深度学习,语言模型 | CNN, 注意力机制 | RNA序列 | 基准数据集(RNA-Puzzles、CASP-RNA、SPOT-RNA-1D) | NA | 注意力-初始网络,扩张CNN,多头注意力机制 | 准确率 | NA |
12098 | 2025-10-07 |
Deep scSTAR: leveraging deep learning for the extraction and enhancement of phenotype-associated features from single-cell RNA sequencing and spatial transcriptomics data
2025-May-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf160
PMID:40315434
|
研究论文 | 提出基于深度学习的Deep scSTAR工具,用于从单细胞RNA测序和空间转录组数据中提取和增强表型相关特征 | 开发首个专门针对表型相关特征提取和增强的深度学习工具,能够识别与免疫功能障碍和免疫治疗耐药相关的细胞亚群 | 未明确说明数据预处理要求和对计算资源的具体需求 | 解决单细胞测序数据中噪声、批次效应和无关生物信号干扰的问题,提取有意义的表型相关特征 | 非小细胞肺癌、肾细胞癌和肝细胞癌中的免疫细胞和肿瘤微环境 | 生物信息学 | 肺癌, 肾癌, 肝癌 | 单细胞RNA测序, 空间转录组学 | 深度学习 | 单细胞RNA测序数据, 空间转录组数据 | NA | NA | NA | NA | NA |
12099 | 2025-10-07 |
Deep learning model for predicting the RAS oncogene status in colorectal cancer liver metastases
2025-May-01, Journal of cancer research and therapeutics
IF:1.4Q4
DOI:10.4103/jcrt.jcrt_1910_24
PMID:40317140
|
研究论文 | 开发基于对比增强CT的深度学习放射组学模型,用于预测结直肠癌肝转移中RAS癌基因状态和治疗反应 | 首次结合多期相CT影像(动脉期和静脉期)开发深度学习模型预测CRLM的RAS基因状态,并构建预后列线图 | 回顾性多中心研究,样本量有限(185例患者),需要前瞻性验证 | 评估结直肠癌肝转移中RAS癌基因状态并预测靶向治疗反应 | 结直肠癌肝转移患者 | 数字病理 | 结直肠癌 | 对比增强计算机断层扫描 | 深度学习 | 医学影像 | 185例患者(训练集88例,内部测试集39例,外部测试集58例) | NA | 多期相深度学习模型(DL-AP, DL-VP, AP+VP-DL) | AUROC, DeLong检验, 生存分析 | NA |
12100 | 2025-10-07 |
AMPCliff: Quantitative definition and benchmarking of activity cliffs in antimicrobial peptides
2025-May-01, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.04.046
PMID:40318764
|
研究论文 | 本研究提出了抗菌肽活性悬崖的定量定义和基准测试框架AMPCliff | 首次为含标准氨基酸的抗菌肽建立了活性悬崖的定量定义和系统评估框架 | 当前深度学习表示模型在预测性能上仍有局限,ESM2模型在回归任务中仅达到0.4669的斯皮尔曼相关系数 | 定量定义和基准测试抗菌肽中的活性悬崖现象 | 金黄色葡萄球菌中的成对抗菌肽 | 机器学习 | 细菌感染 | 机器学习、深度学习、语言模型 | 机器学习算法、深度学习算法、掩码语言模型、生成语言模型 | 肽序列数据 | 来自公开AMP数据集GRAMPA的成对抗菌肽对 | NA | ESM2 | 斯皮尔曼相关系数 | NA |