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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1301 | 2025-06-01 |
Personalized prediction of gait freezing using dynamic mode decomposition
2025-May-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88110-4
PMID:40437121
|
research paper | 本文探讨了一种基于动态模式分解(DMD)的方法,用于预测帕金森病患者步态冻结(FoG)的发生 | 引入基于DMD的三重指标来预测和分类FoG,实现了86.5%的分类准确率和81.97%的早期预测率 | 方法的实时性可能受数据处理需求的影响,且DMD的‘黑箱’特性使得特征和分类边界的解释存在困难 | 提高帕金森病患者步态冻结(FoG)的早期预测能力,以改善患者生活质量 | 晚期帕金森病患者的步态冻结(FoG)现象 | machine learning | Parkinson's disease | dynamic mode decomposition (DMD) | NA | acceleration signals | NA |
1302 | 2025-06-01 |
An interpretable deep learning framework using FCT-SMOTE and BO-TabNet algorithms for reservoir water sensitivity damage prediction
2025-May-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-99659-5
PMID:40437186
|
研究论文 | 提出了一种可解释的深度学习框架,结合FCT-SMOTE和BO-TabNet算法,用于预测储层水敏损害 | 结合贝叶斯优化与TabNet建模复杂油田表格数据,整合FCT和SMOTE技术解决数据缺失和不平衡问题,实现了从传统定性分析到定量因子分析的进步 | 仅基于15个不同油田的270条数据进行验证,样本量和多样性可能有限 | 解决油气钻完井操作中高维和不可预测的挑战,提高储层水敏损害预测的准确性 | 天然岩心样本中的储层水敏损害 | 机器学习 | NA | FCT-SMOTE, BO-TabNet | TabNet, Tab Transformer, Hopular, TabDDPM | 表格数据 | 15个不同油田的270条数据 |
1303 | 2025-06-01 |
Integrating SEResNet101 and SE-VGG19 for advanced cervical lesion detection: a step forward in precision oncology
2025-May-28, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-14353-z
PMID:40437403
|
研究论文 | 该研究比较了SEResNet101和SE-VGG19两种深度学习模型在宫颈病变分类中的性能,发现SEResNet101在所有评估指标上均表现更优 | 整合SEResNet101和SE-VGG19两种先进深度学习模型用于宫颈病变检测,显著提高了诊断精确度 | 需要多中心试验验证研究结果并促进临床广泛应用 | 提高宫颈癌筛查的准确性和精确度 | 宫颈病变(低级别鳞状上皮内病变LSIL和高级别鳞状上皮内病变HSIL) | 数字病理学 | 宫颈癌 | 深度学习 | SEResNet101, SE-VGG19 | 图像 | 3,305张高质量的阴道镜图像 |
1304 | 2025-06-01 |
Real-time segmentation and detection of ponticulus posticus in lateral cephalometric radiographs using YOLOv8: a step towards enhanced clinical evaluation
2025-May-28, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06196-8
PMID:40437474
|
研究论文 | 本研究开发了一种基于YOLOv8-seg模型的深度学习方法,用于在侧位头影测量X光片中实时分割和检测Ponticulus posticus(PP) | 首次将YOLOv8-seg模型应用于PP的检测,提高了检测的准确性和效率 | 研究仅使用了1000张X光片,样本量相对较小,且模型在PP边界不清晰时的性能未完全评估 | 开发一种自动检测PP的方法,以辅助正畸诊断和临床决策 | 侧位头影测量X光片中的Ponticulus posticus(PP) | 数字病理 | 颅椎病理 | YOLOv8-seg模型 | YOLOv8 | 图像 | 1000张侧位头影测量X光片 |
1305 | 2025-06-01 |
NeuroScale: evolutional scale-based protein language models enable prediction of neuropeptides
2025-May-28, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-025-02243-6
PMID:40437538
|
研究论文 | 本文介绍了NeuroScale,一种基于进化尺度建模的多通道神经网络模型,用于精确预测神经肽 | NeuroScale通过整合GoogLeNet框架,有效捕捉多尺度神经肽特征,实现了稳健且准确的分类 | NA | 开发更有效的计算方法以准确识别神经肽 | 神经肽(NPs) | 自然语言处理 | NA | 进化尺度建模(ESM) | 多通道神经网络模型,GoogLeNet | 蛋白质序列 | NA |
1306 | 2025-06-01 |
A highly scalable deep learning language model for common risks prediction among psychiatric inpatients
2025-May-28, BMC medicine
IF:7.0Q1
DOI:10.1186/s12916-025-04150-7
PMID:40437564
|
研究论文 | 开发了一种基于Transformer的可扩展深度学习语言模型,用于精神病住院患者的常见风险预测 | 首次探索基于Transformer的语言模型在精神病住院患者常见风险评估中的性能,并开发了多任务半结构化Transformer语言模型(SSTL) | 研究仅限于三种精神病诊断(精神分裂症、双相情感障碍和抑郁症),且外部验证队列样本量相对较小 | 开发并验证一种可扩展的风险评估模型,用于精神病住院患者的常见风险预测 | 精神病住院患者,特别是首次住院的精神分裂症、双相情感障碍和抑郁症患者 | 自然语言处理 | 精神疾病 | 深度学习语言模型 | Transformer, SSTL | 文本(首次医疗记录、实验室检查、医嘱、心理量表) | 7451名患者(训练队列)和1180名患者(外部验证队列) |
1307 | 2025-06-01 |
Deep learning radiomics fusion model to predict visceral pleural invasion of clinical stage IA lung adenocarcinoma: a multicenter study
2025-May-28, Journal of cardiothoracic surgery
IF:1.5Q3
DOI:10.1186/s13019-025-03488-6
PMID:40437608
|
研究论文 | 本研究通过深度学习和放射组学融合模型预测临床IA期肺腺癌的内脏胸膜侵犯,并在多中心研究中验证其性能 | 提出了一种决策级(晚期融合)模型,显著降低了过拟合风险,并在多中心外部验证中表现出优异的鲁棒性 | 研究样本量相对有限(449例患者),且仅针对临床IA期肺腺癌 | 评估放射组学、深度学习和融合模型在预测肺腺癌内脏胸膜侵犯中的性能及其辅助诊断效用 | 临床IA期肺腺癌患者 | 数字病理 | 肺癌 | 深度学习和放射组学 | 融合模型(早期融合和晚期融合) | 医学影像数据 | 449例患者(训练队列289例,外部测试队列160例) |
1308 | 2025-06-01 |
Leveraging computer vision systems for monitoring hutch-housed dairy calves
2025-May-28, Journal of dairy science
IF:3.7Q2
DOI:10.3168/jds.2025-26267
PMID:40447089
|
研究论文 | 本文开发了一种计算机视觉系统(CVS),用于监测户外圈养奶犊牛的位置和姿势,并比较了两种深度学习算法在边缘计算系统中的预测性能 | 首次将计算机视觉系统应用于户外圈养奶犊牛的行为监测,并比较了大型和小型深度学习模型在边缘计算中的适用性 | 研究仅针对12头断奶前母犊牛进行了20天的监测,样本量相对较小 | 开发自动化监测系统以评估奶犊牛的健康和福利状况 | 户外圈养的断奶前奶犊牛 | 计算机视觉 | NA | 计算机视觉系统(CVS) | YOLOv3, YOLOv3-tiny | 图像 | 12头断奶前母犊牛,收集了27,704张图像 |
1309 | 2025-06-01 |
Letter to the Editor on "Deep Learning Algorithms to Predict Differential Renal Function <40% in Unilateral Hydronephrosis Based on Key Parameters of Urinary Tract Ultrasound"
2025-May-28, Urology
IF:2.1Q2
DOI:10.1016/j.urology.2025.05.044
PMID:40447158
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1310 | 2025-06-01 |
Deep Learning Differentiates Papilledema, NAION, and Healthy Eyes with Unsegmented 3D OCT Volumes
2025-May-28, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.05.036
PMID:40447246
|
研究论文 | 本研究利用深度学习技术,通过未分割的3D OCT体积数据,区分视乳头水肿、非动脉炎性前部缺血性视神经病变(NAION)和健康眼睛 | 首次使用完整的3D OCT体积数据进行深度学习,以区分NAION、视乳头水肿和健康眼睛,展示了视乳头周围视网膜(PPR)和视神经头(ONH)在诊断中的重要性 | 研究为回顾性分析,可能存在选择偏差,且外部验证集的样本量相对较小 | 开发一种可靠的自动化诊断工具,用于区分视乳头水肿、NAION和健康眼睛 | 视乳头水肿、非动脉炎性前部缺血性视神经病变(NAION)和健康眼睛的OCT扫描数据 | 数字病理学 | 视神经疾病 | 光学相干断层扫描(OCT) | ResNet 3D-18 | 3D OCT体积数据 | 4619份原始光谱域ONH体积扫描(来自1539只眼睛),外部验证集包含1663份扫描(来自742只眼睛) |
1311 | 2025-06-01 |
Multiple-Basin Go̅-Martini for Investigating Conformational Transitions and Environmental Interactions of Proteins
2025-May-27, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c00256
PMID:40359486
|
research paper | 提出了一种名为Multiple-basin Go̅-Martini的新方法,用于研究蛋白质在显式环境中的构象转变及其与环境相互作用 | 结合了Go̅-Martini模型与指数混合方案,能够在显式环境中模拟蛋白质的自发构象转变 | 未提及具体的时间尺度或计算成本节省的具体数据 | 研究蛋白质构象转变及其与环境相互作用 | 蛋白质(GlnBP、Arc、Hinge、SemiSWEET和TRAAK) | 生物物理学 | NA | 分子动力学模拟(MD)、Multiple-basin Go̅-Martini方法 | Go̅-Martini模型 | 模拟数据 | 五个案例研究(GlnBP、Arc、Hinge、SemiSWEET和TRAAK) |
1312 | 2025-06-01 |
Reliable protein-protein docking with AlphaFold, Rosetta, and replica exchange
2025-May-27, eLife
IF:6.4Q1
DOI:10.7554/eLife.94029
PMID:40424178
|
research paper | 该研究结合AlphaFold作为结构模板生成器与基于物理的副本交换对接算法,以提高蛋白质复合物结构预测的准确性 | 提出AlphaRED(AlphaFold-initiated Replica Exchange Docking)方法,结合深度学习和物理增强采样技术,显著提高了蛋白质对接的成功率 | 研究仅针对254个蛋白质靶标进行了测试,样本量有限,且未涵盖所有可能的蛋白质相互作用类型 | 提高蛋白质复合物结构预测的准确性,特别是在存在显著构象变化的情况下 | 蛋白质复合物,特别是那些在结合过程中发生显著构象变化的蛋白质 | computational biology | NA | AlphaFold, Rosetta, replica exchange docking | AlphaFold, ReplicaDock 2.0 | protein structure data | 254个蛋白质靶标,包括未结合和结合结构 |
1313 | 2025-06-01 |
Comparison of lower limb kinematic and kinetic estimation during athlete jumping between markerless and marker-based motion capture systems
2025-May-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02739-9
PMID:40425708
|
研究论文 | 比较无标记和有标记运动捕捉系统在运动员跳跃时对下肢运动学和动力学参数的估计 | 首次在从事高强度跳跃运动的运动员中验证无标记运动捕捉系统对下肢关节运动学和动力学参数的准确性 | 髋关节运动学测量在矢状面的准确性需要进一步验证 | 比较无标记和有标记运动捕捉系统在跳跃测试中对下肢运动学和动力学参数的估计 | 14名男性大学一级运动员 | 生物力学 | NA | 深度学习算法 | NA | 运动数据 | 14名男性大学一级运动员,每人至少完成三次蹲跳、下落跳和反向跳跃 |
1314 | 2025-06-01 |
Deep learning-based CAD system for Alzheimer's diagnosis using deep downsized KPLS
2025-May-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03010-x
PMID:40425715
|
研究论文 | 本文提出了一种基于深度学习的计算机辅助设计(CAD)系统,用于阿尔茨海默病的诊断,采用深度降维KPLS技术 | 提出了一种新的特征降维技术Deep Downsized Kernel Partial Least Squares (DDKPLS),并结合ELM分类器构建了DDKPLS-ELM系统 | NA | 开发一种非侵入性的早期诊断阿尔茨海默病的CAD系统 | 阿尔茨海默病患者的大脑MRI图像 | 数字病理学 | 阿尔茨海默病 | 深度学习,特征降维 | DDKPLS, ELM | MRI图像 | Kaggle MRI数据集 |
1315 | 2025-06-01 |
Deep learning network enhances imaging quality of low-b-value diffusion-weighted imaging and improves lesion detection in prostate cancer
2025-May-27, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-14354-y
PMID:40426115
|
research paper | 本研究利用深度学习网络NAFNet从800 b值的扩散加权成像(DWI)生成模拟1500 b值的图像,以提升前列腺癌病灶检测的准确性 | 首次使用NAFNet深度学习网络从低b值DWI生成高b值图像,显著提升了前列腺癌病灶的检测率,尤其是对初级放射科医生 | 研究样本主要来自单一医疗中心,外部验证集的样本量较小(36例),可能影响结果的普遍性 | 提升低b值DWI图像质量以改善前列腺癌病灶检测 | 前列腺癌患者 | digital pathology | prostate cancer | 扩散加权成像(DWI) | NAFNet | image | 303例前列腺癌患者用于训练和验证,36例独立样本用于测试 |
1316 | 2025-06-01 |
Machine learning decision support model construction for craniotomy approach of pineal region tumors based on MRI images
2025-May-27, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01712-2
PMID:40426149
|
研究论文 | 本研究结合机器学习和深度学习算法与术前MRI图像,构建了用于松果体区肿瘤手术入路推荐的模型 | 首次将深度学习方法应用于松果体区肿瘤手术入路推荐,并展示了深度学习模型的高预测性能 | 研究为回顾性研究,样本量相对较小(173例患者) | 为松果体区肿瘤手术入路选择提供决策支持工具 | 松果体区肿瘤患者 | 数字病理 | 脑肿瘤 | MRI成像 | ResNet-50, EfficientNetV2-m, ViT | MRI图像 | 173例被放射学诊断为松果体区肿瘤的患者 |
1317 | 2025-06-01 |
Network-based analyses of multiomics data in biomedicine
2025-May-27, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-025-00452-x
PMID:40426270
|
综述 | 本文综述了基于网络表示和分析的多组学数据在生物医学中的应用 | 探讨了网络表示在整合多层次组学数据中的优势及其在深度学习与机器学习框架下的应用 | 未提及具体实验验证或实际应用案例的局限性 | 分析网络表示在生物医学大数据任务中的应用及其优缺点 | 多组学数据(如基因组学、转录组学、蛋白质组学) | 生物医学信息学 | NA | 网络分析、深度学习、机器学习 | 监督与非监督学习模型 | 多组学数据 | NA |
1318 | 2025-06-01 |
GlycanInsight: an open platform for carbohydrate-binding pocket prediction and characterization
2025-May-27, Chemical science
IF:7.6Q1
DOI:10.1039/d5sc02262b
PMID:40438170
|
research paper | 介绍了一个名为GlycanInsight的深度学习开放平台,用于预测和表征蛋白质结构上的碳水化合物结合口袋 | 开发了一个深度学习平台GlycanInsight,能够高精度预测碳水化合物结合口袋,并在AlphaFold2预测的结构上保持稳健性能 | 未提及具体局限性 | 开发一个计算工具,用于预测和表征蛋白质结构上的碳水化合物结合口袋,以促进糖类靶向治疗的研究和设计 | 蛋白质结构上的碳水化合物结合口袋 | 生物信息学 | NA | 深度学习 | NA | 蛋白质结构数据 | 基准数据集中的实验结构 |
1319 | 2025-06-01 |
Advances in Diagnostic Approaches for Alzheimer's Disease: From Biomarkers to Deep Learning Technology
2025-May-27, CNS & neurological disorders drug targets
|
review | 本文综述了阿尔茨海默病(AD)的诊断方法,从生物标志物到深度学习技术的进展 | 结合生物标志物和深度学习技术(如CNN)提高AD诊断的准确性 | 这些技术旨在辅助而非替代临床医生的专业评估 | 探讨阿尔茨海默病的诊断方法及其技术进展 | 阿尔茨海默病(AD)患者 | digital pathology | geriatric disease | MRI, 深度学习技术 | CNN | image | NA |
1320 | 2025-06-01 |
Evolutionary Dynamics and Functional Differences in Clinically Relevant Pen β-Lactamases from Burkholderia spp
2025-May-26, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c00271
PMID:40314617
|
研究论文 | 研究通过机器学习和分子动力学模拟探讨了四种Pen β-内酰胺酶的动态差异及其功能影响 | 结合机器学习、增强采样分子动力学模拟和卷积变分自编码器深度学习技术,揭示了Pen β-内酰胺酶的动态特征和进化适应性 | 研究仅针对四种Pen β-内酰胺酶,可能无法涵盖所有相关酶的多样性 | 探讨Pen β-内酰胺酶的动态差异及其对抗生素耐药性的影响 | 四种Pen β-内酰胺酶(PenA, PenI, PenL和PenP) | 生物信息学与计算生物学 | 细菌感染 | 机器学习驱动的增强采样分子动力学模拟、Markov状态模型(MSMs)、卷积变分自编码器深度学习(CVAE)、BindSiteS-CNN模型 | CNN, CVAE | 分子动力学模拟数据 | 四种Pen β-内酰胺酶 |