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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
121 | 2025-06-20 |
Upfront surgery for intrahepatic cholangiocarcinoma: Prediction of futility using artificial intelligence
2025-03, Surgery
IF:3.2Q1
DOI:10.1016/j.surg.2024.06.059
PMID:39322483
|
研究论文 | 使用基于人工智能的模型预测肝内胆管癌患者手术无效的风险 | 开发了一个集成多层感知器和梯度提升分类器的人工智能模型,用于术前预测手术无效的风险 | 模型在测试队列中的准确性略低于训练队列,且敏感性为64.5%,存在一定的误判可能 | 识别肝内胆管癌患者手术无效的风险,避免不必要的手术 | 肝内胆管癌患者 | 数字病理 | 肝内胆管癌 | 机器学习和深度学习技术 | 多层感知器和梯度提升分类器的集成模型 | 临床数据 | 827名肝内胆管癌患者 |
122 | 2025-02-19 |
Deep learning: Cracking the metabolic code
2025-Mar-01, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001220
PMID:39960202
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
123 | 2025-06-20 |
scFTAT: a novel cell annotation method integrating FFT and transformer
2025-Feb-25, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-025-06061-z
PMID:39994539
|
研究论文 | 提出了一种名为scFTAT的新型细胞注释方法,整合了FFT和Transformer技术,用于单细胞RNA数据的自动注释 | 整合了FFT和增强型Transformer,通过LDA减少数据稀疏性,并引入核近似、位置编码增强和注意力增强模块以提高训练性能 | 未提及具体的数据集规模限制或计算资源需求 | 解决单细胞RNA数据注释中的数据稀疏性和大规模数据手动注释的挑战 | 单细胞RNA测序数据 | 生物信息学 | NA | 单细胞RNA测序(scRNA-seq) | Transformer | 基因表达数据 | 六个典型数据集(包括人类和小鼠组织) |
124 | 2025-06-20 |
Deep Learning and Habitat Radiomics for the Prediction of Glioma Pathology Using Multiparametric MRI: A Multicenter Study
2025-Feb, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2024.09.021
PMID:39322536
|
研究论文 | 本研究结合深度学习和栖息地放射组学,利用多参数MRI预测胶质瘤病理结果 | 首次将栖息地分析与深度学习相结合,以提高胶质瘤病理预测的准确性 | 样本量相对有限,且来自不同中心的患者群体可能存在异质性 | 提高胶质瘤病理预测的准确性 | 387例原发性胶质瘤患者 | 数字病理 | 胶质瘤 | 多参数MRI | LightGBM, DenseNet161, ResNet50, SVM, Inception_v3, MLP | MRI图像 | 387例原发性胶质瘤患者(264例训练集,82例测试集,41例验证集) |
125 | 2025-06-20 |
Major advances in protein function assignment by remote homolog detection with protein language models - A review
2025-Feb, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.102984
PMID:39864241
|
review | 本文综述了基于蛋白质语言模型(pLM)的远程同源检测方法在蛋白质功能注释中的主要进展 | 介绍了利用transformer架构的蛋白质语言模型在低序列相似度情况下识别蛋白质同源物的创新方法 | NA | 提高蛋白质同源物识别的准确性和效率,以更好地理解蛋白质功能和进化关系 | 蛋白质同源物 | natural language processing | NA | 蛋白质语言模型(pLM) | transformer | 蛋白质序列 | NA |
126 | 2025-06-20 |
CoReSi: a GPU-based software for Compton camera reconstruction and simulation in collimator-free SPECT
2025-Jan-31, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adaacc
PMID:39813793
|
research paper | 介绍了一种基于GPU的Compton相机重建和模拟软件CoReSi,用于无准直器的SPECT成像 | CoReSi是首个开源的Compton相机重建软件,采用PyTorch实现,便于与深度学习和图像处理算法对接 | 虽然支持多种数学模型,但未提及在真实医疗场景中的验证结果 | 开发一个灵活高效的Compton相机重建和模拟工具 | Compton相机的图像重建算法 | medical imaging | NA | Compton相机成像技术 | PyTorch实现的多种数学模型 | 3D图像数据 | 未提及具体样本量 |
127 | 2025-06-20 |
Predicting alveolar nerve injury and the difficulty level of extraction impacted third molars: a systematic review of deep learning approaches
2025, Frontiers in dental medicine
IF:1.5Q3
DOI:10.3389/fdmed.2025.1534406
PMID:40463825
|
系统综述 | 本文系统评估了深度学习模型在预测第三磨牙拔除难度和下牙槽神经损伤风险方面的准确性和可靠性 | 首次系统综述深度学习在口腔全景X光片(PR)图像上预测第三磨牙拔除难度和神经损伤风险的应用 | 研究地理分布局限(主要来自韩国),人口统计学数据报告不足,缺乏长期随访数据 | 评估深度学习模型在第三磨牙拔除术前评估中的预测性能 | 第三磨牙拔除手术和下牙槽神经损伤风险 | 数字病理 | 口腔疾病 | 深度学习 | DL模型(未指定具体架构) | 全景X光图像(PR图像) | 6项研究共12,419张PR图像 |
128 | 2025-06-20 |
Transformer for Multitemporal Hyperspectral Image Unmixing
2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2025.3577394
PMID:40504726
|
research paper | 提出了一种名为MUFormer的端到端无监督深度学习模型,用于多时相高光谱图像解混 | 引入了全局感知模块(GAM)和变化增强模块(CEM),有效捕捉多时相语义信息 | NA | 提高多时相高光谱图像解混的性能 | 多时相高光谱图像 | computer vision | NA | 深度学习 | Transformer | hyperspectral image | 一个真实数据集和两个合成数据集 |
129 | 2025-06-20 |
Research on learning achievement classification based on machine learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325713
PMID:40531811
|
研究论文 | 本研究基于机器学习技术对学生学业成绩进行分类,以提高预测的准确性和鲁棒性 | 采用基于高斯分布的数据增强技术(GDO)结合多种深度学习和机器学习模型,提出新的教育数据分析方法和视角 | 未明确说明样本的具体规模和代表性,可能影响模型的泛化能力 | 提高学生学业成绩分类的准确性和鲁棒性,为教育政策制定提供数据支持 | 学生的个人信息、学业表现、出勤率、家庭背景和课外活动等多维特征 | 机器学习 | NA | Gaussian Distribution based Data Augmentation (GDO), Deep Learning (DL), Machine Learning (ML) | RBFN, 多种DL和ML模型 | 结构化数据(学生特征数据) | NA |
130 | 2025-06-20 |
DeepRice6mA: A convolutional neural network approach for 6mA site prediction in the rice Genome
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325216
PMID:40531834
|
研究论文 | 本文提出了一种名为DeepRice6mA的卷积神经网络方法,用于预测水稻基因组中的6mA位点 | 结合了一热编码和3-kmer特征嵌入的集成策略,达到了当前最先进的预测效果 | NA | 提高水稻基因组中6mA位点预测的准确性和计算效率 | 水稻基因组中的6mA位点 | 机器学习 | NA | 深度学习 | CNN | 基因组数据 | NA |
131 | 2025-06-20 |
Study on the quantitative analysis of Tilianin based on Raman spectroscopy combined with deep learning
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0325530
PMID:40531836
|
研究论文 | 本文提出了一种基于拉曼光谱和深度学习的残差自注意力机制模型,用于定量分析6种不同浓度的田蓟素 | 结合拉曼光谱与深度学习,提出残差自注意力机制模型(RSAQN),用于田蓟素的非破坏性定量分析 | 仅针对田蓟素-甲醇溶液的6种浓度进行分析,样本量较小(120个光谱样本) | 开发一种非破坏性方法以改进田蓟素的定量分析,助力药品质量控制和临床应用 | 田蓟素(Tilianin)的甲醇溶液 | 机器学习 | 肝癌、肺癌、胃癌 | 拉曼光谱 | 残差自注意力机制模型(RSAQN)、CNN、VAE、随机森林、KNN、人工神经网络 | 光谱数据 | 120个田蓟素-甲醇溶液的光谱样本 |
132 | 2025-06-20 |
Advancing breast cancer prediction: Comparative analysis of ML models and deep learning-based multi-model ensembles on original and synthetic datasets
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0326221
PMID:40531928
|
研究论文 | 本研究通过比较多种机器学习和深度学习模型在原始和合成数据集上的表现,旨在提升乳腺癌诊断的准确性和效率 | 结合传统机器学习模型、AutoML和深度学习技术,并利用合成数据生成方法(如Gaussian Copula和TVAE)来提高预测性能 | 未提及具体的数据集规模或样本多样性,可能影响模型的泛化能力 | 提升乳腺癌诊断的准确性和效率 | 乳腺癌诊断 | 机器学习 | 乳腺癌 | KNN, SVM, ANN, RF, XGBoost, AutoML, 深度学习 | KNN, SVM, ANN, RF, XGBoost, AutoML, 深度学习模型 | 原始数据和合成数据 | NA |
133 | 2025-06-20 |
Generative AI - Assisted Adaptive Cancer Therapy
2025 Jan-Dec, Cancer control : journal of the Moffitt Cancer Center
IF:2.5Q3
DOI:10.1177/10732748251349919
PMID:40532181
|
综述 | 本文探讨了利用生成式AI(GenAI)提升适应性癌症治疗的预测和治疗推荐能力 | 整合非线性系统识别、控制理论和深度学习,提出GenAI增强的适应性癌症治疗框架 | 临床数据获取困难、深度学习模型的不透明性以及临床验证是主要挑战 | 提高适应性联合治疗的预测准确性和可靠性,并开发临床可行的治疗模型 | 癌症适应性治疗 | 机器学习 | 癌症 | 深度学习 | GenAI | 多模态数据 | NA |
134 | 2025-06-20 |
An Enhanced Hybrid Model Combining CNN, BiLSTM, and Attention Mechanism for ECG Segment Classification
2025, Biomedical engineering and computational biology
IF:2.3Q3
DOI:10.1177/11795972251341051
PMID:40534643
|
research paper | 提出了一种结合CNN、BiLSTM和注意力机制的增强混合模型,用于ECG信号分类 | 整合了CNN、CBAM和BiLSTM层,自动提取特征并分类ECG信号,同时使用SMOTE处理类别不平衡问题 | 未提及模型在真实临床环境中的泛化能力 | 提高ECG信号分类的准确性,减轻临床医生的工作负担 | ECG信号 | digital pathology | cardiovascular disease | SMOTE | CNN, BiLSTM, Attention Mechanism | ECG信号数据 | MIT-BIH心律失常数据库 |
135 | 2025-06-20 |
AI improves consistency in regional brain volumes measured in ultra-low-field MRI and 3T MRI
2025, Frontiers in neuroimaging
DOI:10.3389/fnimg.2025.1588487
PMID:40534653
|
research paper | 本研究比较了使用不同磁共振成像(MRI)模态和深度学习模型(特别是3T MRI、64mT超低场(ULF)MRI以及使用SynthSR和HiLoResGAN增强的ULF MRI)测量大脑各区域体积的一致性 | 利用深度学习模型SynthSR和LoHiResGAN减少超低场MRI与3T MRI在脑体积测量上的系统性差异 | 未提及样本的具体数量或多样性,可能影响结果的普遍性 | 评估不同场强MRI及AI增强后MRI在脑体积测量上的一致性和偏差 | 大脑各区域的体积测量 | 医学影像分析 | NA | MRI, 深度学习 | SynthSR, HiLoResGAN | MRI图像 | NA |
136 | 2025-06-20 |
Development of deep learning models for high-resolution exposome mapping and health impact assessment
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1565471
PMID:40535428
|
research paper | 开发深度学习模型用于高分辨率暴露组图谱绘制和健康影响评估 | 提出了自适应多尺度暴露网络(AMSEN)和自适应暴露优化策略(AEOS),通过多模态数据融合和不确定性量化,提高了暴露组研究的精度和效率 | 未提及具体样本量或数据来源的局限性 | 解决传统暴露组图谱绘制方法在时空分辨率、多模态数据整合和暴露量化不确定性处理方面的不足 | 环境暴露与人类健康之间的复杂相互作用 | machine learning | NA | 深度学习、卫星影像、可穿戴传感器、地理空间分析 | AMSEN(自适应多尺度暴露网络) | 多模态数据(卫星影像、传感器数据、地理空间数据) | NA |
137 | 2025-06-20 |
A hybrid Bi-LSTM model for data-driven maintenance planning
2025, Autonomous intelligent systems
DOI:10.1007/s43684-025-00099-9
PMID:40535477
|
研究论文 | 本文开发了一种混合Bi-LSTM模型,用于数据驱动的维护规划,通过蒙特卡洛dropout生成剩余使用寿命预测,并用于优化选择性维护问题 | 提出了一种结合蒙特卡洛dropout的混合DL模型,用于生成RUL预测并构建经验系统可靠性函数,优化选择性维护问题,适用于大规模复杂场景 | 研究中使用的系统配置较为简单,模型的可扩展性有待验证 | 开发一种数据驱动的维护规划方法,优化选择性维护问题 | 面向任务的串联k-out-of-n:G系统 | 机器学习 | NA | 深度学习,蒙特卡洛dropout | Bi-LSTM | 传感器数据 | NA |
138 | 2025-06-20 |
The multikinetic fusion feature of PPG was combined with MCNN_vision_transformer for diabetes detection
2025, American journal of translational research
IF:1.7Q4
DOI:10.62347/ZRMW1346
PMID:40535639
|
研究论文 | 提出了一种基于PPG信号多动力学融合特征和MCNN_Vision Transformer的糖尿病自动检测模型 | 结合了PPG信号的动态融合特征提取和Vision Transformer模型,用于捕捉全局上下文语义特征,显著提高了糖尿病检测性能 | 研究为回顾性病例对照研究,可能存在样本选择偏差 | 利用深度学习算法进行糖尿病的早期预防和筛查 | 血糖正常人群、糖尿病控制不佳人群和糖尿病控制良好人群 | 机器学习 | 糖尿病 | SGR空间编码算法、MCNN、Vision Transformer | MCNN、Vision Transformer (ViT) | PPG信号 | 自收集的医疗数据集,包含三组人群 |
139 | 2025-06-20 |
Pretreatment Multi-sequence Contrast-Enhanced MRI to Predict Response to Immunotherapy in Unresectable Hepatocellular Carcinoma Using Transformer: A Multicenter Study
2025, Journal of Cancer
IF:3.3Q2
DOI:10.7150/jca.111026
PMID:40535816
|
研究论文 | 本研究开发了一个基于Transformer的放射组学模型,用于预测不可切除肝细胞癌患者对联合免疫治疗的客观反应 | 结合ResNet50和Transformer的深度学习框架,首次用于预测不可切除肝细胞癌患者对靶向联合免疫治疗的疗效 | 研究为回顾性多中心研究,可能存在选择偏倚 | 预测不可切除肝细胞癌患者对靶向联合免疫治疗的客观反应 | 264名接受免疫治疗前进行增强MRI扫描的不可切除肝细胞癌患者 | 数字病理 | 肝癌 | 对比增强MRI | Transformer, ResNet50 | MRI图像 | 264名患者(训练组180名,验证组84名) |
140 | 2025-06-20 |
Deep learning-based text generation for plant phenotyping and precision agriculture
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1564394
PMID:40535926
|
research paper | 本文提出了一种结合深度学习文本生成与领域特定知识的计算框架,用于植物表型分析 | 提出了一种混合生成模型、生物约束优化策略和环境感知模块的新型框架,提高了预测准确性和可解释性 | 未明确提及具体局限性 | 提升植物表型分析的准确性和可解释性,以支持精准农业 | 植物表型数据 | machine learning | NA | deep learning-based text generation | hybrid generative model | imaging data | NA |