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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1581 | 2025-09-12 |
Machine learning driven semi-automated framework for yeast sporulation efficiency quantification using ilastik segmentation and Fiji nuclear enumeration
2025-Sep, Fungal genetics and biology : FG & B
IF:2.4Q3
DOI:10.1016/j.fgb.2025.104024
PMID:40876769
|
研究论文 | 提出一种基于机器学习的半自动化框架,用于酵母孢子形成效率的量化分析 | 结合ilastik纹理特征优化分割与Fiji核计数,实现多形态孢子的稳健量化,支持批量自动分类且兼容标准显微镜 | 需手动质量检查点,未完全实现全自动化 | 开发高效、客观的酵母孢子形成效率量化方法以替代人工计数 | 酵母孢子(包括二孢、三孢和四孢形态) | 数字病理学 | NA | 图像分割与处理 | 机器学习(非指定深度学习模型) | 显微镜图像 | 验证中包括Hsp82磷酸化突变体等多遗传背景样本,未明确总数 |
1582 | 2025-09-12 |
Application of deep learning for detecting implants in computed tomography scout images with multi-institution and multi-vendor for personal identification
2025-Sep, Science & justice : journal of the Forensic Science Society
IF:1.9Q3
DOI:10.1016/j.scijus.2025.101315
PMID:40930679
|
研究论文 | 本研究提出基于深度学习的CT定位像金属植入物自动检测方法,用于法医身份识别 | 采用多机构、多厂商数据集训练目标检测模型,提升跨成像条件的泛化能力 | NA | 开发自动检测CT定位像中金属植入物的方法以辅助法医身份识别 | CT定位像中的金属植入物 | 计算机视觉 | NA | 计算机断层扫描(CT) | RetinaNet, Faster R-CNN | 图像 | 多机构、多厂商数据集 |
1583 | 2025-09-12 |
A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on whole-body diffusion-weighted MRI (WB-DWI)
2025-Aug-28, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.109043
PMID:40929938
|
研究论文 | 提出一种弱监督深度学习模型,用于在全身扩散加权MRI上快速定位和勾画骨骼、内部器官及椎管 | 使用基于图谱方法生成的“软标签”训练3D残差U-Net,实现快速且可重复的概率图生成,速度比传统方法快12倍 | 模型在肋骨区域的骨骼勾画性能相对较低(Dice评分0.67),且仅在晚期前列腺癌和多发性骨髓瘤患者中验证 | 开发自动化算法以支持癌症成像生物标志物(ADC和TDV)的量化测量 | 晚期前列腺癌(APC)和多发性骨髓瘤(MM)患者的全身扩散加权MRI扫描 | 数字病理 | 前列腺癌 | WB-DWI(全身扩散加权磁共振成像) | 3D Residual U-Net | image | 532例患者扫描用于训练和验证,45例患者用于测试 |
1584 | 2025-09-12 |
Sparse Learning Enabled by Constraints on Connectivity and Function
2025-Aug-22, Physical review letters
IF:8.1Q1
DOI:10.1103/918k-x6np
PMID:40929306
|
研究论文 | 本文通过可解析的联想学习模型,评估了不同稀疏性约束对连接和功能的影响,并提出了在线实现稀疏性的方法 | 发现ℓ₀范数约束可实现最优稀疏水平,且通过消除弱连接可获得近乎相同的效率,并支持在线实施 | NA | 研究如何在保持网络性能的前提下实现稀疏连接,以促进神经科学、深度学习和神经形态计算应用 | 人工神经网络和大脑的稀疏连接特性 | 机器学习 | NA | ℓ₀范数约束、稀疏性诱导约束 | 可解析的联想学习模型 | NA | NA |
1585 | 2025-09-12 |
MCA-GAN: A lightweight Multi-scale Context-Aware Generative Adversarial Network for MRI reconstruction
2025-Aug-06, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2025.110465
PMID:40780320
|
研究论文 | 提出一种轻量级多尺度上下文感知生成对抗网络MCA-GAN,用于加速MRI重建并提升图像质量 | 通过双域生成器协同优化k空间和图像域表示,并集成多个轻量化模块(DWLA、AGRB、MSCMB、CSMS)实现高效多尺度特征融合与全局上下文建模 | 未明确提及模型在极端采样条件下的性能边界或临床验证的局限性 | 解决MRI高倍欠采样重建中的计算复杂度高和长程依赖捕获难题 | MRI图像重建 | medical imaging | NA | 深度学习,压缩感知 | GAN(生成对抗网络) | MRI图像数据 | 基于IXI、MICCAI 2013和MRNet膝关节数据集进行实验 |
1586 | 2025-09-12 |
Deep learning for retinal vessel segmentation: a systematic review of techniques and applications
2025-Aug, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03324-y
PMID:39964659
|
系统综述 | 本文系统回顾了2020至2024年间基于深度学习的视网膜血管分割技术与应用 | 全面分析并比较了U-Net和Transformer等先进架构在视网膜血管分割中的性能与趋势,并提出未来混合模型的研究方向 | 仅涵盖特定时间段(2020-2024)和四个数据库的研究,可能未完全覆盖所有相关文献 | 系统评估深度学习技术在视网膜血管分割领域的进展、方法及应用效果 | 视网膜血管图像 | 计算机视觉 | 眼科疾病 | 深度学习 | U-Net, Transformer, GAN | 图像 | 79项研究 |
1587 | 2025-09-12 |
Paradigms and methods of noninvasive brain-computer interfaces in motor or communication assistance and rehabilitation: a systematic review
2025-Aug, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-025-03340-y
PMID:40059266
|
综述 | 本文系统回顾了非侵入式脑机接口在运动或沟通辅助与康复中的范式、方法及应用进展 | 聚焦2016年以来223篇研究,强调EEG因低成本便携性获更多关注,并探讨深度学习与源成像等解码方法的发展 | 仍面临电极设计便捷性、解码精度与效率提升、患者适用系统优化等挑战,技术尚未完全成熟至临床受益阶段 | 系统评估非侵入式脑机接口在运动或沟通功能辅助与康复领域的范式与方法 | 脑机接口技术及其在患者运动或沟通功能康复中的应用 | 脑机接口 | 运动或沟通功能障碍 | EEG, fNIRS, SSVEP, P300, MI | 深度学习 | 神经生理信号 | 223篇研究论文(自2016年起) |
1588 | 2025-09-12 |
Diagnostic performance of deep learning-assisted [18F]FDG PET imaging for Alzheimer's disease: a systematic review and meta-analysis
2025-Aug, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07228-9
PMID:40159544
|
系统综述与荟萃分析 | 本研究通过系统综述和荟萃分析评估深度学习辅助[18F]FDG PET成像在阿尔茨海默病诊断中的性能 | 首次对深度学习辅助[18F]FDG PET在AD诊断中的性能进行系统性量化评估,并揭示了方法异质性对结果的影响 | 研究间存在显著异质性,部分源于深度学习方法与成像模式的差异,且缺乏外部验证和大样本支持 | 评估深度学习辅助[18F]FDG PET成像对阿尔茨海默病的诊断效能 | 阿尔茨海默病(AD)、轻度认知障碍(MCI)患者及正常对照(NC)人群 | 医学影像分析 | 阿尔茨海默病 | [18F]FDG PET成像 | 深度学习 | PET影像数据 | 基于36项符合条件的研究(包含AD vs NC:35项,AD vs MCI:13项,MCI vs NC:19项) |
1589 | 2025-09-12 |
Deep Learning in Echocardiography for Enhanced Detection of Left Ventricular Function and Wall Motion Abnormalities
2025-08, Ultrasound in medicine & biology
|
系统综述 | 本文系统回顾了深度学习技术在超声心动图中用于检测心血管异常的应用 | 聚焦深度卷积神经网络在提升超声心动图诊断精度中的创新作用 | 面临数据多样性不足、图像质量问题以及深度学习模型计算需求大等挑战 | 评估深度学习技术增强超声心动图诊断能力的效果 | 心血管异常,特别是左心室功能和室壁运动异常 | 医学影像分析 | 心血管疾病 | 深度学习 | DCNN(深度卷积神经网络) | 超声心动图像 | 基于29项研究的综合分析 |
1590 | 2025-09-12 |
Single-cell image-based screens identify host regulators of Ebola virus infection dynamics
2025-Aug, Nature microbiology
IF:20.5Q1
DOI:10.1038/s41564-025-02034-3
PMID:40707832
|
研究论文 | 通过基于图像的全基因组CRISPR筛选识别埃博拉病毒感染的宿主调控因子 | 首次应用基于图像的CRISPR全基因组筛选结合深度学习模型,系统关联宿主因子与病毒复制步骤 | 研究主要基于体外细胞实验,尚未进行体内验证 | 识别埃博拉病毒感染的宿主调控因子并探索潜在治疗靶点 | 人类细胞系中的埃博拉病毒感染过程 | 计算生物学 | 病毒感染 | CRISPR筛选、深度学习、随机森林模型 | 深度学习、随机森林 | 单细胞图像数据 | 39,085,093个细胞 |
1591 | 2025-09-12 |
A novel ligand-based convolutional neural network for identification of P-glycoprotein ligands in drug discovery
2025-Jul-25, Molecular diversity
IF:3.9Q2
DOI:10.1007/s11030-025-11301-8
PMID:40715638
|
研究论文 | 提出一种新型配体卷积神经网络NLCNN,用于药物发现中P-糖蛋白配体的高精度识别 | 整合分子对接和配体深度学习,在更大数据集上实现比传统CNN和SVM高19-24%的精确率和召回率 | 模型训练仅基于197个P-gp底物数据集,样本规模有限 | 开发高精度计算工具以预测P-糖蛋白与药物的相互作用,助力药物研发和个性化医疗 | P-糖蛋白(P-gp)的配体(底物和抑制剂) | 计算药理学 | 癌症 | 分子对接、同源建模 | CNN(卷积神经网络) | 分子结构数据 | 197个P-gp底物 |
1592 | 2025-09-12 |
Multimodal Deep Learning for Predicting Postoperative Vault and Selecting ICL Sizes Using AS-OCT and UBM Images
2025-Jul-25, Journal of cataract and refractive surgery
IF:2.6Q1
DOI:10.1097/j.jcrs.0000000000001747
PMID:40929576
|
研究论文 | 开发并验证一种多模态深度学习模型,用于预测术后拱高并选择ICL尺寸,结合AS-OCT和UBM图像及临床特征 | 首次整合AS-OCT和UBM多模态图像与临床数据,通过深度学习提升ICL尺寸选择的准确性,性能接近资深医生水平 | 样本量有限(209只眼),需扩大样本并进行多中心验证以增强泛化能力 | 提高ICL植入术后拱高预测和晶体尺寸选择的精确度 | 接受ICL V4c植入术的患者眼部数据 | 计算机视觉 | 眼科疾病 | AS-OCT, UBM, 深度学习 | ResNet50, LightGBM, XGBoost, Random Forest | 图像(AS-OCT、UBM)、临床数据 | 105名患者的209只眼,共626张AS-OCT图像和1309张UBM图像 |
1593 | 2025-09-12 |
Learning Universal Representations of Intermolecular Interactions with ATOMICA
2025-Jul-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.02.646906
PMID:40291688
|
研究论文 | 提出ATOMICA几何深度学习模型,学习跨五种分子模态的原子尺度分子间相互作用表示 | 首个能够统一表示蛋白质、小分子、金属离子、脂质和核酸五种分子模态相互作用界面的模型,支持通过嵌入组合生成新相互作用的表示 | NA | 开发通用分子相互作用表示模型以理解和注释分子功能 | 分子间相互作用界面,包括蛋白质、小分子、金属离子、脂质和核酸 | 机器学习 | NA | 几何深度学习,自监督去噪和掩码训练 | 几何深度学习模型 | 分子结构数据 | 2,037,972个相互作用复合物 |
1594 | 2025-09-12 |
The use of machine learning in transarterial chemoembolisation/transarterial embolisation for patients with intermediate-stage hepatocellular carcinoma: a systematic review
2025-Jul, La Radiologia medica
DOI:10.1007/s11547-025-02013-y
PMID:40317437
|
系统综述 | 本文系统评估了机器学习在中期肝细胞癌患者经动脉化疗栓塞术/经动脉栓塞术中的应用效果 | 首次系统评价机器学习模型在提升TACE/TAE治疗精度和疗效方面的潜力,并汇总了高达0.90的AUC预测准确率 | 研究存在异质性限制了结果比较,且所有研究均来自单一国家(中国),需要更多标准化协议和多中心试验验证 | 评估机器学习模型在改善中期肝细胞癌患者TACE和TAE治疗精准性与疗效方面的有效性 | 中期肝细胞癌患者 | 机器学习 | 肝细胞癌 | 深度学习、影像组学 | 深度学习模型 | 医学影像数据 | 7项研究,共4017名患者 |
1595 | 2025-02-25 |
Ectopic, intra-thyroid parathyroid adenoma better visualized by deep learning enhanced choline PET/CT
2025-Jun-01, QJM : monthly journal of the Association of Physicians
DOI:10.1093/qjmed/hcaf057
PMID:39992255
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1596 | 2025-05-08 |
Retraction: "Diagnostic Classification and Prognostic Prediction Using Common Genetic Variants in Autism Spectrum Disorder: Genotype-Based Deep Learning"
2025-05-06, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/76833
PMID:40331761
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1597 | 2025-09-12 |
The Application Status of Radiomics-Based Machine Learning in Intrahepatic Cholangiocarcinoma: Systematic Review and Meta-Analysis
2025-May-05, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/69906
PMID:40323647
|
系统综述与荟萃分析 | 本文系统评估了基于影像组学的机器学习在肝内胆管癌中的应用现状与价值 | 首次通过荟萃分析量化影像组学模型在肝内胆管癌多任务中的诊断性能,并比较了不同模型类型的表现差异 | 针对特定任务(如神经周围侵犯诊断)的研究数量有限,深度学习研究不足阻碍了进一步分析,数据异质性和可解释性存在挑战 | 评估影像组学在肝内胆管癌领域的应用现状并提供循证支持 | 肝内胆管癌患者 | 医学影像分析 | 肝内胆管癌 | 影像组学 | 机器学习(含深度学习) | 医学影像 | 58项研究,包含12,903名患者 |
1598 | 2025-05-01 |
Predicting Mortality with Deep Learning: Are Metrics Alone Enough?
2025-05, Radiology. Artificial intelligence
DOI:10.1148/ryai.250224
PMID:40304577
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1599 | 2025-09-12 |
IBDome: An integrated molecular, histopathological, and clinical atlas of inflammatory bowel diseases
2025-Apr-10, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.26.645544
PMID:40291692
|
研究论文 | 本研究构建了一个整合分子、组织病理学和临床数据的IBD综合图谱,通过多组学和多模态分析揭示炎症性肠病的分子特征和诊断工具 | 开发了基于炎症蛋白严重性特征的血清生物标志物,并利用基础模型深度学习从H&E染色图像预测组织学疾病活动评分 | NA | 通过多组学和多模态数据分析提升对炎症性肠病的理解、改进诊断并实现个性化治疗策略 | 1002名经临床注释的IBD患者和非IBD对照个体 | 数字病理学 | 炎症性肠病 | 全外显子组测序、RNA测序、血清蛋白质组学、组织病理学评估 | 基础模型深度学习 | 基因组数据、转录组数据、蛋白质组数据、组织图像数据 | 1002名患者和对照个体(包括正常和炎症肠道组织样本) |
1600 | 2025-09-12 |
Characterization of binding kinetics and intracellular signaling of new psychoactive substances targeting cannabinoid receptor using transition-based reweighting method
2025-Apr-08, bioRxiv : the preprint server for biology
DOI:10.1101/2023.09.29.560261
PMID:37873328
|
研究论文 | 本研究通过分子动力学模拟和深度学习方法,分析新型精神活性物质与经典大麻素在CB1受体结合动力学和下游信号传导的差异 | 结合过渡态重加权方法和神经关系推理(NRI)深度学习模型,首次揭示NPS通过变构调控增强β-arrestin信号通路的分子机制 | 研究主要基于计算模拟,需要实验验证;仅针对两种特定配体进行分析 | 阐明新型精神活性物质与经典大麻素在CB1受体信号传导差异的结构基础 | MDMB-Fubinaca(NPS)和HU-210(经典大麻素)与CB1受体的相互作用 | 计算生物学 | 药物滥用 | 分子动力学模拟(MD), 多系综模拟, 过渡态重加权方法, 神经关系推理(NRI) | 变分自编码器(VAE), 神经关系推理模型 | 分子模拟数据 | 两种配体(MDMB-Fubinaca和HU-210)与CB1受体的相互作用体系 |