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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
13661 | 2024-08-07 |
Using deep learning for a diffusion-based segmentation of the dentate nucleus and its benefits over atlas-based methods
2019-Oct, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.6.4.044007
PMID:31824980
|
研究论文 | 本文介绍了一种使用深度学习技术自动分割齿状核的方法,并比较了其与基于图谱方法的优势 | 提出的深度学习方法在自动分割齿状核时,与手动标签的吻合度高于传统的基于图谱的分割方法 | NA | 开发一种能够更准确地自动分割齿状核的方法 | 齿状核的自动分割 | 计算机视觉 | NA | 深度学习 | NA | 医学影像 | NA |
13662 | 2024-08-07 |
Cross-domain AU Detection: Domains, Learning Approaches, and Measures
2019-May, Proceedings of the ... International Conference on Automatic Face and Gesture Recognition. IEEE International Conference on Automatic Face & Gesture Recognition
DOI:10.1109/FG.2019.8756543
PMID:31749665
|
研究论文 | 本文研究了面部动作单元(AU)检测器在未训练过的新领域中的迁移能力,并通过实验评估了深度学习(CNN)和浅层学习(SVM)方法在不同数据库中的表现。 | 本文通过实验评估了AU检测器在不同领域间的迁移能力,并比较了深度学习和浅层学习方法的效果。 | 实验结果显示,AU检测器在不同领域间的迁移能力有限,尤其是在浅层学习方法中表现更差。 | 探讨AU检测器在未训练过的新领域中的表现及其迁移能力。 | 面部动作单元(AU)检测器在不同领域中的表现。 | 计算机视觉 | NA | CNN, SVM | CNN, SVM | 视频 | 两个大型公开数据库:Expanded BP4D+ 和 GFT |
13663 | 2024-08-07 |
Deep learning-based stenosis quantification from coronary CT Angiography
2019-Feb, Proceedings of SPIE--the International Society for Optical Engineering
DOI:10.1117/12.2512168
PMID:31762536
|
研究论文 | 本文评估了利用深度学习从冠状动脉CT血管造影(CTA)中量化冠状动脉疾病的可行性 | 提出了一种基于深度学习的方法,能够准确地从CTA中量化冠状动脉疾病段,可能增强临床报告 | 研究样本仅包括156名患者,且深度学习方法在直径狭窄度(DS)的测量上与专家读者的测量存在显著差异 | 评估深度学习在冠状动脉CTA中量化狭窄的可行性 | 冠状动脉疾病患者的CTA图像 | 计算机视觉 | 心血管疾病 | 深度学习 | 卷积神经网络 | 图像 | 156名患者,共716个病变段 |
13664 | 2024-08-07 |
Application of convolutional neural networks to breast biopsies to delineate tissue correlates of mammographic breast density
2019, NPJ breast cancer
IF:6.5Q1
DOI:10.1038/s41523-019-0134-6
PMID:31754628
|
研究论文 | 本文利用深度学习方法,通过分析放射引导下的乳腺活检数字化图像,探索乳腺密度与组织学特征之间的关系,并区分高密度和低密度女性的癌症风险 | 首次使用卷积神经网络分析乳腺活检图像,提取37个特征描述组织数量和形态结构,并训练随机森林模型预测纤维腺体体积和癌症诊断 | 研究样本量有限,且仅使用了放射引导下的乳腺活检图像,未来研究需扩大样本量并验证模型的泛化能力 | 探索乳腺密度与组织学特征之间的关系,并区分高密度和低密度女性的癌症风险 | 乳腺活检的数字化图像,包括852名患者的H&E染色图像 | 数字病理学 | 乳腺癌 | 卷积神经网络 | 随机森林 | 图像 | 852名患者 |
13665 | 2024-08-07 |
Prediction in Autism by Deep Learning Short-Time Spontaneous Hemodynamic Fluctuations
2019, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2019.01120
PMID:31780879
|
研究论文 | 本研究旨在探索使用多层人工神经网络基于短时自发血流动力学波动对自闭症谱系障碍(ASD)儿童和典型发育(TD)儿童进行分类的可能性 | 采用结合卷积神经网络(CNN)和门控循环单元(GRU)的CGRNN网络,有效提取特征并避免过拟合问题 | 样本量较小,仅包括25名ASD儿童和22名TD儿童 | 探索使用深度学习技术基于短时自发血流动力学波动对ASD和TD儿童进行分类 | 自闭症谱系障碍(ASD)儿童和典型发育(TD)儿童 | 机器学习 | 自闭症谱系障碍 | 功能近红外光谱技术(fNIRS) | CGRNN(结合CNN和GRU的多层神经网络) | 时间序列 | 25名ASD儿童和22名TD儿童 |
13666 | 2024-08-07 |
Deepprune: Learning Efficient and Interpretable Convolutional Networks Through Weight Pruning for Predicting DNA-Protein Binding
2019, Frontiers in genetics
IF:2.8Q2
DOI:10.3389/fgene.2019.01145
PMID:31824562
|
研究论文 | 本文介绍了一种名为Deepprune的新型深度学习框架,通过权重剪枝和迭代微调,训练具有有限卷积核数量的CNN模型,以提高DNA-蛋白质结合位点的预测性能并增强模型的可解释性 | Deepprune通过权重剪枝和迭代微调,实现了在有限卷积核数量下提高模型性能和可解释性 | NA | 旨在通过减少卷积核数量,提高基于CNN的模型在DNA-蛋白质结合位点预测中的性能和可解释性 | DNA-蛋白质结合位点的预测 | 机器学习 | NA | 权重剪枝 | CNN | ChIP-seq数据 | 模拟数据集和ChIP-seq数据 |
13667 | 2024-08-07 |
Adaptive template generation for amyloid PET using a deep learning approach
2018-09, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.24210
PMID:29752765
|
研究论文 | 本研究利用深度神经网络生成个体化的PET模板,以实现无需配准解剖磁共振成像的阿尔茨海默病评估中的淀粉样PET图像的精确空间归一化 | 提出了一种无需使用匹配的3D MRI图像,通过深度学习方法生成个体化PET模板的新技术,显著提高了MRI-less淀粉样PET评估的定量准确性 | NA | 开发一种新的方法,用于在无需3D MRI的情况下,对淀粉样PET图像进行空间归一化,以提高临床实践和研究中的分析效率 | 淀粉样PET图像的空间归一化 | 机器学习 | 阿尔茨海默病 | 深度神经网络 | 卷积自编码器(CAE)和生成对抗网络(GAN) | 图像 | 使用了681对同时获取的C-PIB PET和T1加权3D MRI扫描数据,以及通过旋转527个随机选择的数据显示生成的685,100个增强数据进行训练,并用154个数据集进行验证 |
13668 | 2024-08-07 |
Extracting psychiatric stressors for suicide from social media using deep learning
2018-07-23, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-018-0632-8
PMID:30066665
|
研究论文 | 本研究旨在利用深度学习方法从社交媒体Twitter中提取与自杀相关的心理压力源 | 首次尝试使用深度学习方法从Twitter数据中提取心理压力源,并通过转移学习策略利用现有临床文本注释数据集 | NA | 探索识别Twitter上与自杀相关的心理压力源的技术 | Twitter上的自杀相关推文 | 机器学习 | NA | 深度学习 | 卷积神经网络(CNN)和循环神经网络(RNN) | 文本 | 包含自杀相关推文的Twitter数据集 |
13669 | 2024-08-07 |
Latent source mining in FMRI via restricted Boltzmann machine
2018-06, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.24005
PMID:29457314
|
研究论文 | 本文提出了一种基于受限玻尔兹曼机(RBM)的盲源分离(BSS)方法,用于功能性磁共振成像(fMRI)时间序列分析,以提高脑网络识别的准确性 | 该方法通过将RBM应用于fMRI时间序列而非体积,显著降低了模型复杂性并提高了训练集规模,从而提升了训练效率 | NA | 探索RBM在大型fMRI数据中挖掘复杂结构的能力,并评估其在fMRI数据分析中作为深层模型构建块的潜力 | fMRI数据中的脑网络识别 | 机器学习 | NA | 受限玻尔兹曼机(RBM) | RBM | 时间序列 | 基于Human Connectome Project(HCP)数据集 |
13670 | 2024-08-07 |
Deep learning with convolutional neural networks for EEG decoding and visualization
2017-11, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.23730
PMID:28782865
|
研究论文 | 本文研究了使用卷积神经网络(ConvNets)进行脑电图(EEG)解码和可视化的深度学习方法 | 提出了使用批量归一化和指数线性单元等机器学习领域的最新进展,以及裁剪训练策略,提高了深度ConvNets的解码性能 | 需要进一步理解如何设计和训练ConvNets以进行端到端的EEG解码,并可视化ConvNets学习到的信息性EEG特征 | 探索如何设计和训练ConvNets以从原始EEG中解码任务相关信息,并展示深度ConvNets结合先进可视化技术在基于EEG的脑映射中的潜力 | 研究了不同架构的深度ConvNets,用于从原始EEG解码想象或执行的任务 | 机器学习 | NA | 卷积神经网络(ConvNets) | CNN | 脑电图(EEG) | 未具体说明样本数量 |
13671 | 2024-08-05 |
Investigating the effects of artificial intelligence on the personalization of breast cancer management: a systematic study
2024-Jul-18, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-024-12575-1
PMID:39026174
|
研究论文 | 该文章探讨了人工智能在乳腺癌管理个性化中的应用效果 | 研究展示了多种深度学习和机器学习方法在乳腺癌管理中的有效性,并揭示了复杂的组学和遗传数据中的潜在模式 | 未详细说明限制因素 | 研究人工智能如何与精准肿瘤学结合,优化乳腺癌的个性化治疗 | 聚焦于使用人工智能模型进行个性化乳腺癌管理的研究 | 机器学习 | 乳腺癌 | 深度学习, 机器学习 | NB, SVM, RF, XGBoost, 强化学习 | 组学数据 | 共涉及46项研究 |
13672 | 2024-08-05 |
Classification of the quality of canine and feline ventrodorsal and dorsoventral thoracic radiographs through machine learning
2024-Jul, Veterinary radiology & ultrasound : the official journal of the American College of Veterinary Radiology and the International Veterinary Radiology Association
IF:1.3Q2
DOI:10.1111/vru.13373
PMID:38668682
|
研究论文 | 本研究提出了一种基于机器学习的犬猫胸部X光片质量分类模型 | 采用深度学习和机器学习的方法对胸部X光片的质量进行了分类,分析了裁剪、定位和曝光等方面 | 未提到模型在真实临床环境中的长期应用效果 | 提高犬猫胸部X光片的质量控制以改善诊断结果 | 分析899幅犬猫胸部X光片的质量 | 机器学习 | 心血管疾病 | 深度学习和机器学习 | NA | 影像 | 899幅犬猫胸部X光片 |
13673 | 2024-08-05 |
Deep learning-based prediction of one-year mortality in Finland is an accurate but unfair aging marker
2024-Jul, Nature aging
IF:17.0Q1
DOI:10.1038/s43587-024-00657-5
PMID:38914859
|
研究论文 | 本文开发了一个深度学习模型,以预测芬兰的一年死亡率,展示了其准确性和不公平性作为老龄化标记 | 提出了一种针对短期死亡率的新型老龄化时钟,并评估了其算法公平性 | 在不同人群中模型性能不均,特别是在劣势群体中面临公平性挑战 | 研究短期死亡风险作为老龄化标记的预测能力 | 芬兰全国人口的纵向数据 | 机器学习 | NA | 深度学习 | 深度学习模型 | 数据 | 540万 |
13674 | 2024-08-05 |
Atomic-Scale 3D Structure of a Supported Pd Nanoparticle Revealed by Electron Tomography with Convolution Neural Network-Based Image Inpainting
2024-Jul, Small methods
IF:10.7Q1
DOI:10.1002/smtd.202301163
PMID:38044263
|
研究论文 | 该研究利用电子断层成像和深度学习方法分析了支持金属纳米颗粒的三维原子结构 | 提出了一种基于深度学习的图像修复方法,有效分离并重建了支持的Pd纳米颗粒的三维结构 | 研究中未提及具体的样本选择标准和实验重复性问题 | 分析金属纳米颗粒的原子级三维结构并理解其催化性质 | 支持的Pd纳米颗粒及其与支持材料的界面 | 数字病理学 | NA | 电子断层成像,深度学习图像修复 | NA | 图像 | 观察到一个11 nm的Pd纳米颗粒 |
13675 | 2024-08-05 |
Independent Associations of Aortic Calcification with Cirrhosis and Liver Related Mortality in Veterans with Chronic Liver Disease
2024-Jul, Digestive diseases and sciences
IF:2.5Q2
DOI:10.1007/s10620-024-08450-5
PMID:38653948
|
研究论文 | 这篇文章评估了腹部主动脉钙化与慢性肝病患者肝脏相关死亡的独立关联。 | 研究发现腹部主动脉钙化(MAC)与肝硬化、肝功能失代偿和肝脏相关死亡之间存在显著独立关联,这在非酒精性脂肪性肝病(NAFLD)患者中表现得更为明显。 | 本研究数据来自于特定的地区人群,可能不适用于所有慢性肝病患者。 | 研究腹部主动脉钙化与慢性肝病患者的病情严重程度和临床结局之间的关系。 | 研究对象为一组患有慢性肝病的退伍军人,包括NAFLD、丙型肝炎(HCV)和与酒精相关的疾病。 | 数字病理学 | 肝病 | 深度学习 | Cox比例风险模型 | 影像 | 3604个腹部CT扫描样本 |
13676 | 2024-08-05 |
Learning the intrinsic dynamics of spatio-temporal processes through Latent Dynamics Networks
2024-Feb-28, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-024-45323-x
PMID:38418469
|
研究论文 | 本文介绍了一种新架构,名为潜在动力学网络,能够揭示潜在非马尔可夫系统中的低维内在动力学 | 提出了一种轻量级的潜在动力学网络,可以在无需高维空间操作的情况下自动发现低维流形,并在时间外推场景中进行分布的预测 | 未明确提出研究的特定限制因素 | 研究复杂空间时间过程在外部刺激下的进化预测 | 针对潜在的非马尔可夫系统进行探索性研究 | 机器学习 | NA | 深度学习算法 | 潜在动力学网络 | 低维空间数据 | NA |
13677 | 2024-08-05 |
Feature extraction method of EEG based on wavelet packet reconstruction and deep learning model of VR motion sickness feature classification and prediction
2024, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0305733
PMID:39028732
|
研究论文 | 提出了基于小波包重构的EEG特征提取方法,并利用深度学习模型对虚拟现实运动病特征进行分类和预测 | 采用增强的GRU网络分析EEG数据,开发了一种高效的深度学习模型,实现了84.9%的运动病分类和预测准确率 | 尚未提及特定的局限性 | 研究旨在改善虚拟现实体验和推动虚拟现实技术的发展 | 研究对象为虚拟现实环境下的用户EEG数据和反馈信息 | 机器学习 | NA | EEG | GRU | NA | NA |
13678 | 2024-08-05 |
Deep Clustering of Electronic Health Records Tabular Data for Clinical Interpretation
2023-Dec, ... IEEE International Conference on Telecommunications and Photonics. IEEE International Conference on Telecommunications and Photonics
DOI:10.1109/ictp60248.2023.10490723
PMID:39027675
|
研究论文 | 本研究提出了一种基于临床变量的患者分层策略,并评估了聚类性能。 | 创新点在于提出了一种基于临床变量进行患者分层的新策略,并采用深度学习方法改善了聚类效果。 | 本研究局限于使用传统聚类算法进行比较,未涉及其他复杂模型的应用。 | 本研究旨在提高对患者数据的理解和分析,特别是在没有明确诊断标签的情况下。 | 研究对象为高血压患者群体,通过聚类分析识别了不同患者簇。 | 机器学习 | NA | 深度学习 | NA | 表格数据 | NA |
13679 | 2024-08-05 |
Generative adversarial network constrained multiple loss autoencoder: A deep learning-based individual atrophy detection for Alzheimer's disease and mild cognitive impairment
2023-02-15, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.26146
PMID:36394351
|
研究论文 | 本文提出了一种生成对抗网络约束的多损失自编码器框架用于阿尔茨海默病和轻度认知障碍的个体萎缩检测 | 提出了一种新颖的GANCMLAE模型,能够精确描述个体大脑萎缩模式并具有良好的临床应用潜力 | 尚缺乏对其他人群或更广泛样本的验证,以评估模型的通用性 | 研究个体大脑萎缩模式,以提高阿尔茨海默病和轻度认知障碍的精准医学 | 正常对照组与阿尔茨海默病和轻度认知障碍患者 | 数字病理学 | 阿尔茨海默病 | 生成对抗网络 | 自编码器 | 图像 | 来自阿尔茨海默病神经影像学倡议队列的正常对照组和Xuanwu队列的数据 |
13680 | 2024-08-07 |
CNN-MGP: Convolutional Neural Networks for Metagenomics Gene Prediction
2019-Dec, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-018-0313-4
PMID:30588558
|
研究论文 | 本文介绍了一种基于卷积神经网络的元基因组基因预测程序CNN-MGP,该程序能够直接从原始DNA序列中预测元基因组片段中的基因,无需手动特征提取和特征选择阶段 | CNN-MGP利用深度学习技术,能够学习编码和非编码区域的特征,并区分编码和非编码开放阅读框(ORFs),其准确性高于或相当于使用预定义特征的最先进的基因预测程序 | NA | 开发一种新的基因预测方法,以提高元基因组片段中基因预测的准确性 | 元基因组片段中的基因预测 | 机器学习 | NA | 卷积神经网络(CNN) | CNN | DNA序列 | 10个CNN模型基于预定义的GC含量范围训练于10个互斥数据集 |