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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
12641 | 2025-10-07 |
Artificial intelligence based vision transformer application for grading histopathological images of oral epithelial dysplasia: a step towards AI-driven diagnosis
2025-Apr-25, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-14193-x
PMID:40281456
|
研究论文 | 本研究使用Vision Transformer深度学习算法对口腔上皮异型增生组织病理图像进行分级分类 | 首次将Vision Transformer应用于口腔上皮异型增生组织病理图像分级,并与传统CNN模型进行性能比较 | 样本量相对有限(218张组织病理切片图像),仅包含单一医疗中心的样本 | 开发基于人工智能的口腔上皮异型增生自动分级诊断系统 | 口腔上皮组织病理图像,包括正常组织和不同分级的上皮异型增生组织 | 数字病理 | 口腔癌前病变 | 组织病理学图像分析 | Vision Transformer, CNN | 图像 | 218张组织病理切片图像,处理后生成7,542个组织块(2,545个低风险,2,054个高风险,726个轻度,831个中度,449个重度,937个正常组织) | NA | Vision Transformer, VGG16, ConvNet | 准确率 | NA |
12642 | 2025-04-29 |
Utilizing deep learning for accurate assessment of aortic valve stenosis: case series for clinical applications
2025-Apr-25, Journal of cardiovascular imaging
DOI:10.1186/s44348-025-00047-4
PMID:40281567
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
12643 | 2025-10-07 |
DM_CorrMatch: a semi-supervised semantic segmentation framework for rapeseed flower coverage estimation using UAV imagery
2025-Apr-25, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01373-w
PMID:40281599
|
研究论文 | 提出一种基于半监督学习的油菜花语义分割框架DM_CorrMatch,用于无人机影像中的油菜花覆盖度估算 | 结合去噪扩散概率模型生成样本,提出Mamba-Deeplabv3+网络架构融合全局和局部特征提取能力,并采用自动更新策略减少人工标注错误 | NA | 开发高精度油菜花分割方法以支持作物生长监测和产量估算 | 油菜花(甘蓝型油菜)花序 | 计算机视觉 | NA | 无人机影像技术 | 半监督学习,CNN,Mamba | 图像 | 720张无人机图像(来自中国农科院油料所阳逻实验站) | NA | Mamba-Deeplabv3+ | IoU,Precision,Recall | NA |
12644 | 2025-10-07 |
Functional impact of splicing variants in the elaboration of complex traits in cattle
2025-Apr-24, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-58970-5
PMID:40274775
|
研究论文 | 本研究通过整合GWAS、高通量报告实验和深度学习算法,系统分析了牛基因组中影响RNA剪接的变异及其对复杂性状的影响 | 首次在牛基因组中系统鉴定剪接破坏变异,并评估人类剪接预测工具在牛基因组中的适用性 | 仅鉴定出38个剪接破坏变异,其中仅3个被确认为因果变异,样本规模有限 | 识别与牛复杂性状相关的功能性遗传变异,提高基因组预测准确性 | 牛基因组中的剪接破坏变异 | 生物信息学 | NA | GWAS, 高通量报告实验, RNA测序 | 深度学习 | 基因组序列数据, 基因表达数据 | NA | NA | NA | NA | NA |
12645 | 2025-10-07 |
Chemical imaging delineates Aβ plaque polymorphism across the Alzheimer's disease spectrum
2025-Apr-24, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59085-7
PMID:40274785
|
研究论文 | 本研究结合深度学习增强的功能淀粉样蛋白显微镜与质谱成像技术,描绘了阿尔茨海默病谱系中Aβ斑块的多态性 | 首次将深度学习增强的显微镜与质谱成像相结合,揭示了不同类型Aβ斑块的生化组成差异,并发现了一种新的致密核心斑块亚型——粗颗粒斑块 | 样本量较小(散发性AD n=12,家族性AD n=6,非痴呆淀粉样蛋白阳性个体 n=5),需要更大规模研究验证 | 研究Aβ斑块多态性与阿尔茨海默病发病机制和进展的关联 | 阿尔茨海默病患者脑组织中的Aβ斑块 | 数字病理学 | 阿尔茨海默病 | 功能淀粉样蛋白显微镜,质谱成像,深度学习 | 深度学习 | 显微镜图像,质谱数据 | 散发性AD患者12例,家族性AD患者6例,非痴呆淀粉样蛋白阳性个体5例 | NA | NA | NA | NA |
12646 | 2025-10-07 |
Comparative analysis of automated foul detection in football using deep learning architectures
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-96945-0
PMID:40274843
|
研究论文 | 本研究对八种深度学习架构在足球比赛中自动犯规检测任务上的性能进行了全面比较评估 | 首次系统比较八种先进深度学习架构在足球犯规检测中的性能,并强调模型可解释性通过GradCAM++技术 | 测试集完美平衡受类别分布限制,数据集规模相对有限 | 评估深度学习架构在足球自动犯规检测中的性能 | 足球比赛中的犯规事件 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 7000张图像(4900训练,1400验证,700测试) | NA | EfficientNetV2, ResNet50, VGG16, Xception, InceptionV3, MobileNetV2, InceptionResNetV2, DenseNet121 | 准确率, 精确率, 召回率, F1分数, AUC | NA |
12647 | 2025-04-26 |
Author Correction: From the diagnosis of infectious keratitis to discriminating fungal subtypes; a deep learning-based study
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95224-2
PMID:40274847
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
12648 | 2025-10-07 |
Multimodal representations of transfer learning with snake optimization algorithm on bone marrow cell classification using biomedical histopathological images
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89529-5
PMID:40274862
|
研究论文 | 提出一种基于多模态迁移学习和蛇优化算法的骨髓细胞分类方法 | 结合多模态特征提取(InceptionV3、Deep SqueezeNet和SE-DenseNet)与蛇优化算法优化混合核极限学习机参数 | 仅使用单一骨髓细胞分类数据集进行验证,未说明跨数据集泛化能力 | 开发自动化的骨髓细胞识别和分类系统以提高血液学诊断效率 | 骨髓细胞 | 数字病理学 | 血液疾病 | 生物医学组织病理学成像 | 深度学习, 机器学习 | 生物医学组织病理学图像 | 骨髓细胞分类数据集(具体数量未说明) | NA | InceptionV3, Deep SqueezeNet, SE-DenseNet | 准确率 | NA |
12649 | 2025-10-07 |
A multi-filter deep transfer learning framework for image-based autism spectrum disorder detection
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97708-7
PMID:40274878
|
研究论文 | 提出一种基于多滤波深度迁移学习的图像自闭症谱系障碍检测框架 | 集成数据增强、多滤波处理、直方图均衡化和两阶段降维过程,在预训练冻结网络上实现特征表示增强 | 未明确说明具体数据集规模和多样性限制 | 开发自动化自闭症谱系障碍检测方法以辅助早期诊断 | 自闭症和非自闭症个体的面部图像数据 | 计算机视觉 | 自闭症谱系障碍 | 图像处理、深度学习 | CNN, Transformer | 面部图像 | NA | NA | ResNet-50, ViTSwin | 准确率 | NA |
12650 | 2025-10-07 |
Combined dynamical-deep learning ENSO forecasts
2025-Apr-24, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-59173-8
PMID:40274886
|
研究论文 | 本研究通过结合动力学模型与深度学习模型,开发了两种混合预测方法以提升厄尔尼诺-南方涛动(ENSO)的预测能力 | 首次提出将深度学习预测与动力学模型预测相结合的混合预报方法,显著超越单一模型的预测性能 | 未详细说明混合方法在不同气候条件下的泛化能力 | 提高厄尔尼诺-南方涛动(ENSO)的预测技能 | 厄尔尼诺-南方涛动(ENSO)气候现象 | 机器学习 | NA | 气候预测 | CNN, 3D-Geoformer | 气候数据 | NA | NA | 卷积神经网络, 3D-Geoformer | 预测技能 | NA |
12651 | 2025-10-07 |
Ambulance route optimization in a mobile ambulance dispatch system using deep neural network (DNN)
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95048-0
PMID:40274919
|
研究论文 | 提出一种基于机器学习的救护车调度系统,通过需求预测、资源分配和实时路线优化提高急救服务效率 | 结合决策树、支持向量机和卷积神经网络构建完整的救护车调度优化系统,实现99.15%的路线优化准确率 | 未具体说明系统在不同城市规模或极端天气条件下的适应性 | 优化救护车调度系统以减少响应时间并提高急救效率 | 救护车调度系统和急救医疗服务 | 机器学习 | NA | 深度学习,机器学习 | 决策树,支持向量机,CNN | 历史数据,实时交通数据,患者数据 | NA | NA | 卷积神经网络 | 准确率 | NA |
12652 | 2025-10-07 |
An enhanced CNN with ResNet50 and LSTM deep learning forecasting model for climate change decision making
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97401-9
PMID:40274930
|
研究论文 | 提出一种结合CNN、ResNet50和LSTM的混合深度学习模型,用于气候变化决策中的温度和风能预测 | 首次将CNN、ResNet50和LSTM三种深度学习架构集成到单一混合模型中,用于气候变化的多元预测 | 模型在更长期气候预测和不同地理区域的泛化能力需要进一步验证 | 开发高精度的气候变化预测模型,支持风能系统的稳定运行和电力系统规划 | 温度、风能等气候变化因素 | 机器学习 | NA | 深度学习预测 | CNN, ResNet50, LSTM | 时间序列气候数据 | 三个公开数据集:风力涡轮机Scada数据集、沙特阿拉伯天气历史数据集、四个地点风能发电数据集 | NA | CNN-ResNet50-LSTM混合架构 | 决定系数(R²), 均方误差(MSE), 平均绝对误差(MAE), 中位数绝对误差(MedAE), 均方根误差(RMSE) | NA |
12653 | 2025-10-07 |
Variational mode directed deep learning framework for breast lesion classification using ultrasound imaging
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99009-5
PMID:40274985
|
研究论文 | 提出一种基于变分模态分解和深度学习的乳腺癌超声图像分类框架 | 首次将二维变分模态分解与混合池化和注意力机制的卷积神经网络结合,提供可解释性特征且无需病灶分割 | 未明确说明模型在更大规模数据集上的泛化能力 | 开发无需分割的乳腺癌超声图像自动分类方法 | 乳腺超声图像中的良恶性病灶 | 计算机视觉 | 乳腺癌 | 超声成像, 二维变分模态分解 | CNN | 超声图像 | 两个公共乳腺超声数据集和一个内部数据集 | NA | 具有混合池化和注意力机制的卷积神经网络 | 准确率, 敏感性, 特异性, AUC, 精确率-召回率曲线下面积 | NA |
12654 | 2025-10-07 |
Attack resilient IoT security framework using multi head attention based representation learning with improved white shark optimization algorithm
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98180-z
PMID:40274990
|
研究论文 | 提出一种基于多头注意力和改进白鲨优化算法的物联网入侵检测方法 | 结合多头注意力机制与改进白鲨优化算法进行网络安全检测,采用沙猫群优化进行特征选择 | NA | 提升物联网网络安全检测和迁移模型的性能 | 物联网网络中的网络攻击和异常检测 | 机器学习 | NA | 机器学习,深度学习 | BiGRU, 多头注意力机制 | 网络数据 | Edge-IIoT数据集 | NA | 双向门控循环单元与多头注意力机制(BiGRU-MHA) | 准确率 | NA |
12655 | 2025-10-07 |
Leveraging TME features and multi-omics data with an advanced deep learning framework for improved Cancer survival prediction
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98565-0
PMID:40275021
|
研究论文 | 本研究通过整合单细胞测序和多组学数据,开发了一种基于自归一化网络的深度学习框架,用于改进胶质瘤患者的生存预测 | 首次结合EcoTyper框架识别55种细胞状态,并构建scRNA-seq增强的自归一化网络模型,通过梯度归因分析提升模型可解释性 | 研究样本量相对有限(620个样本),需要在更大规模队列中进一步验证 | 改进胶质瘤预后预测并识别治疗靶点 | 胶质母细胞瘤(GBM)和低级别胶质瘤(LGG)患者 | 数字病理学 | 胶质瘤 | 单细胞RNA测序(scRNA-seq), 多组学数据整合 | 自归一化网络(SNN) | 转录组数据, 拷贝数变异(CNV), 体细胞突变(MUT), 微生物数据(MIC), EcoTyper结果数据 | 620个胶质瘤样本 | NA | 自归一化网络 | C-index, AUC | NA |
12656 | 2025-10-07 |
TCAINet an RGB T salient object detection model with cross modal fusion and adaptive decoding
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98423-z
PMID:40275036
|
研究论文 | 提出一种融合通道注意力机制和自适应解码的RGB-T显著目标检测模型TCAINet | 集成通道注意力机制(CA)、增强型跨模态融合模块(CAF)和自适应解码器(AAD),通过多样化噪声增强提升模型鲁棒性 | 未明确说明模型在极端噪声环境下的性能表现和计算效率 | 提升复杂场景下RGB-T显著目标检测的准确性和鲁棒性 | RGB和热成像(T)双模态数据中的显著目标 | 计算机视觉 | NA | 深度学习 | CNN | RGB图像,热成像图像 | NA | NA | TCAINet | Sm, Em, Fm, MAE | NA |
12657 | 2025-10-07 |
A novel approach for music genre identification using ZFNet, ELM, and modified electric eel foraging optimizer
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98766-7
PMID:40275047
|
研究论文 | 提出一种结合深度学习和元启发式算法的音乐流派识别新方法 | 首次将ZFNet、极限学习机(ELM)和改进的电鳗觅食优化算法(MEEFO)相结合用于音乐流派识别 | NA | 自动将音乐作品分类到预定义的流派中 | 音频信号 | 机器学习 | NA | 音频信号处理 | CNN, ELM, 元启发式算法 | 音频 | GTZAN和Ballroom两个基准数据集 | NA | ZFNet, ELM, MEEFO | 准确率, 精确率, 召回率 | NA |
12658 | 2025-10-07 |
A novel temporal classification prototype network for few-shot bearing fault detection
2025-Apr-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98963-4
PMID:40275051
|
研究论文 | 提出一种新型时序分类原型网络用于小样本轴承故障检测 | 提出结合傅里叶变换、增强时序卷积网络和对比相似度分类器的创新小样本学习方法 | 仅在小样本场景下验证,未测试在大规模数据下的性能表现 | 解决工业故障检测中数据稀缺条件下的深度学习模型训练问题 | 轴承故障信号 | 机器学习 | NA | 傅里叶变换 | 时序卷积网络, 原型网络 | 时序信号数据 | 四个标准轴承数据集的小样本实验 | NA | Enhanced Temporal Convolutional Network (ETCN), ContractSim Classifier (CSC) | k-shot实验性能 | NA |
12659 | 2025-10-07 |
Prediction of significant congenital heart disease in infants and children using continuous wavelet transform and deep convolutional neural network with 12-lead electrocardiogram
2025-Apr-24, BMC pediatrics
IF:2.0Q2
DOI:10.1186/s12887-025-05628-2
PMID:40275174
|
研究论文 | 开发基于连续小波变换和深度卷积神经网络的人工智能模型,用于婴幼儿先天性心脏病的早期检测 | 首次针对5岁以下婴幼儿开发基于真实世界ECG数据的AI模型,采用连续小波变换进行信号预处理,并比较多种预训练深度学习模型在CHD检测中的表现 | 单中心回顾性研究,样本量有限(1035例),未包含所有CHD亚型,需要多中心验证 | 开发人工智能辅助的ECG分析方法,用于婴幼儿血流动力学显著先天性心脏病的早期筛查 | 5岁以下婴幼儿的12导联心电图数据 | 数字病理 | 心血管疾病 | 连续小波变换,心电图分析 | CNN | 心电图信号 | 1035名5岁以下患者 | TensorFlow, PyTorch, Keras | ResNet-18, InceptionResNet-V2, NasNetMobile | 准确率, 灵敏度, 特异性, F1分数, AUC | NA |
12660 | 2025-10-07 |
Exploring the potential and limitations of deep learning and explainable AI for longitudinal life course analysis
2025-Apr-24, BMC public health
IF:3.5Q1
DOI:10.1186/s12889-025-22705-4
PMID:40275204
|
研究论文 | 本研究通过模拟实验评估深度学习和可解释AI在纵向生命历程数据分析中的潜力与局限 | 首次系统比较深度学习与传统方法在稀疏纵向生命历程数据中的表现,并深入分析SHAP值与因果关系的对应问题 | 基于模拟数据而非真实临床数据,SHAP解释与因果关系存在偏差 | 评估深度学习和可解释AI在生命历程暴露与疾病风险关系分析中的适用性 | 模拟的纵向生命历程数据,包含童年不良经历和环境因素等暴露变量 | 机器学习 | NA | 深度学习,可解释人工智能 | CNN, RNN, XGBoost, 逻辑回归 | 纵向时序数据 | NA | NA | 基于注意力的RNN, CNN | SHAP值, 预测性能, 校准性能 | NA |