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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
16121 | 2025-10-07 |
Protein language models for predicting drug-target interactions: Novel approaches, emerging methods, and future directions
2025-Feb-21, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.103017
PMID:39985946
|
综述 | 本文综述了蛋白质语言模型在药物-靶点相互作用预测中的应用、方法和未来发展方向 | 系统探讨了蛋白质语言模型在DTI预测中的新兴方法,包括端到端学习模型和预训练基础pLMs的应用,以及异质数据整合策略 | DTI准确识别仍面临数据相关限制和算法约束的挑战 | 加速药物开发过程中的候选药物识别 | 小分子和蛋白质类治疗药物的靶点相互作用 | 自然语言处理, 机器学习 | NA | 蛋白质语言模型(pLMs), 深度学习 | NA | 蛋白质结构, 知识图谱, 异质数据 | NA | NA | NA | NA | NA |
16122 | 2025-10-07 |
Deep learning-based surrogates for multi-objective optimization of the groundwater abstraction schemes to manage seawater intrusion into coastal aquifers
2025-Feb-21, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.124592
PMID:39986155
|
研究论文 | 本研究开发并比较了六种基于深度学习的代理模型,用于优化沿海含水层的地下水抽取方案以控制海水入侵 | 首次系统比较六种深度学习架构作为地下水模拟的代理模型,并集成多目标优化算法解决海水入侵管理问题 | 研究结果基于特定监测点的数据验证,在不同地质条件下可能需要重新校准 | 通过深度学习代理模型优化地下水抽取方案,管理沿海含水层的海水入侵问题 | 沿海含水层的地下水系统 | 机器学习 | NA | 地下水数值模拟 | FFNN, RNN, LSTM, Bi-LSTM, pro-LSTM, GRU | 地下水监测数据 | NA | NA | 前馈神经网络, 循环神经网络, 长短期记忆网络, 双向LSTM, 投影层LSTM, 门控循环单元 | 相对误差百分比 | NA |
16123 | 2025-10-07 |
Combinatorial mapping of E3 ubiquitin ligases to their target substrates
2025-Feb-20, Molecular cell
IF:14.5Q1
DOI:10.1016/j.molcel.2025.01.016
PMID:39919746
|
研究论文 | 开发了COMET框架用于大规模鉴定E3泛素连接酶与底物蛋白的降解关系 | 首次提出组合映射E3靶标(COMET)框架,可在单次实验中同时测试多个E3对多个候选底物的降解作用 | 深度学习模型预测E3-底物相互作用的结构基础存在局限性 | 系统鉴定E3泛素连接酶与其靶标底物的特异性降解关系 | 人类E3泛素连接酶及其底物蛋白 | 计算生物学 | NA | 高通量筛选, 深度学习 | 深度学习模型 | 蛋白质相互作用数据, 结构预测数据 | 6,716个F-box-ORF组合和26,028个E3-TF组合 | NA | NA | NA | NA |
16124 | 2025-10-07 |
Design and developing a robot-assisted cell batch microinjection system for zebrafish embryo
2025-Feb-20, Microsystems & nanoengineering
IF:7.3Q1
DOI:10.1038/s41378-024-00809-y
PMID:39979250
|
研究论文 | 开发了一种用于斑马鱼胚胎细胞批量微注射的机器人辅助自动化系统 | 首次提出具有微力感知的微注射器并集成在封闭式微流控芯片中,结合深度学习模型精确定位注射位置 | NA | 提高斑马鱼胚胎细胞微注射的效率和精度 | 斑马鱼胚胎细胞 | 生物医学工程 | NA | 微流控技术,微注射技术 | 深度学习 | 图像 | NA | NA | NA | 注射效率,穿刺成功率,细胞存活率 | NA |
16125 | 2025-10-07 |
High throughput analysis of rare nanoparticles with deep-enhanced sensitivity via unsupervised denoising
2025-Feb-20, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56812-y
PMID:39979247
|
研究论文 | 开发了一种结合无监督深度学习去噪方法和纳米颗粒检测光流控装置的高通量纳米颗粒分析技术 | 提出了名为“深度纳米测量”(DNM)的新方法,通过无监督深度学习去噪与专用光流控装置结合,同时实现高可扩展性、高通量和高灵敏度 | NA | 开发能够同时实现高可扩展性、高通量和高灵敏度的纳米颗粒分析技术 | 纳米颗粒,包括聚苯乙烯微珠和细胞外囊泡(EVs) | 机器学习 | 结直肠癌 | 光流控技术,无监督深度学习去噪 | 深度学习 | 纳米颗粒检测信号 | 1,214,392个总颗粒,稀有目标细胞外囊泡占比最低0.002% | NA | NA | 检测限(30nm),通量(超过100,000事件/秒),稀有颗粒检测能力 | NA |
16126 | 2025-10-07 |
FaultSeg: A Dataset for Train Wheel Defect Detection
2025-Feb-20, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04557-0
PMID:39979297
|
研究论文 | 本文提出了用于火车车轮缺陷检测的FaultSeg数据集,并评估了YOLOv9实例分割算法在该数据集上的性能 | 开发了首个专门用于火车车轮缺陷检测的标注数据集,包含三种缺陷类型的人工标注 | 数据集规模相对较小(仅829张图像),模型准确率有待进一步提升 | 开发自动化的火车车轮缺陷检测系统,确保铁路运输安全 | 火车车轮的缺陷检测 | 计算机视觉 | NA | 路旁数据采集系统 | YOLO | 图像 | 829张人工标注的缺陷车轮图像 | NA | YOLOv9 | 准确率 | NA |
16127 | 2025-10-07 |
Application of deep learning for fruit defect recognition in Psidium guajava L
2025-Feb-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88936-y
PMID:39979339
|
研究论文 | 本研究应用深度学习技术对番石榴果实的外观缺陷进行识别检测 | 首次将YOLO v4模型应用于番石榴果实缺陷识别,实现了对13种不同缺陷类型的高精度检测 | 样本数量相对有限(189个果实,1701张图像),可能影响模型的泛化能力 | 开发基于深度学习的番石榴果实外观缺陷自动检测系统 | 番石榴果实及其外观缺陷(包括病虫害和人为损伤) | 计算机视觉 | 植物病害 | 深度学习,图像识别 | CNN | 图像 | 189个番石榴果实,1701张图像 | NA | YOLO v4 | 假阳性率,假阴性率,准确率,FPS | NA |
16128 | 2025-10-07 |
Design of tomato picking robot detection and localization system based on deep learning neural networks algorithm of Yolov5
2025-Feb-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90080-6
PMID:39979369
|
研究论文 | 提出了一种基于YOLOv5深度学习算法和SGBM算法的番茄检测与定位系统,用于复杂环境下的番茄识别和三维定位 | 将YOLOv5深度学习算法与SGBM立体匹配算法相结合,实现了番茄的检测与三维定位一体化 | 仅在温室环境下测试,样本量相对较小(640张图像) | 提高现代农业中番茄采摘的检测精度和定位准确性 | 温室环境中的番茄果实 | 计算机视觉 | NA | 深度学习,立体视觉 | YOLOv5 | 图像 | 640张番茄图像,分为无遮挡、叶片遮挡和枝条遮挡三类 | NA | YOLOv5 | 检测准确率,距离测量误差 | NA |
16129 | 2025-10-07 |
IoT-driven smart assistive communication system for the hearing impaired with hybrid deep learning models for sign language recognition
2025-Feb-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89975-1
PMID:39979401
|
研究论文 | 提出一种基于物联网和混合深度学习的手语识别智能辅助通信系统,用于帮助听力受损人群 | 结合改进的MobileNetV3特征提取、CNN-BiGRU-A分类器和AROA超参数优化算法构建混合深度学习框架 | 仅在印度手语数据集上进行验证,未测试其他地区手语变体 | 开发智能手语识别系统以改善听力受损人群的沟通能力 | 听力受损人群的手语交流 | 计算机视觉,自然语言处理 | 听力障碍 | 图像处理,深度学习 | CNN,BiGRU,注意力机制 | 图像 | 印度手语数据集 | NA | 改进的MobileNetV3,CNN-BiGRU-A | 准确率 | NA |
16130 | 2025-10-07 |
Advanced predictive machine and deep learning models for round-ended CFST column
2025-Feb-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90648-2
PMID:39979519
|
研究论文 | 本研究开发了机器学习和深度学习模型来预测圆端CFST柱的轴向承载能力 | 首次系统比较多种机器学习和深度学习模型在CFST柱承载力预测中的性能,并开发了用户友好的Python界面 | 仅基于200个CFST短柱试验数据,数据规模有限;LSTM模型表现明显不佳 | 开发准确的数据驱动方法来预测圆端CFST柱的轴向承载力 | 圆端混凝土填充钢管柱 | 机器学习 | NA | NA | LightGBM, XGBoost, CatBoost, DNN, CNN, LSTM | 结构工程试验数据 | 200个CFST短柱试验 | Python | 深度神经网络, 卷积神经网络, 长短期记忆网络 | RMSE, R | NA |
16131 | 2025-02-22 |
Author Correction: Cough2COVID-19 detection using an enhanced multi layer ensemble deep learning framework and CoughFeatureRanker
2025-Feb-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-90514-1
PMID:39979555
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
16132 | 2025-10-07 |
Pathology-based deep learning features for predicting basal and luminal subtypes in bladder cancer
2025-Feb-20, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-13688-x
PMID:39979837
|
研究论文 | 本研究开发了基于H&E染色全切片图像的深度学习特征来预测膀胱癌基底和管腔亚型的机器学习模型 | 首次使用基于RetCCL模型从肿瘤斑块中提取的深度学习特征,结合传统机器学习方法预测膀胱癌分子亚型 | 外部验证集性能存在差异(AUC从0.64到0.81),模型在部分数据集上表现有待提升 | 开发基于病理图像的机器学习模型来预测膀胱癌分子亚型 | 膀胱癌患者的H&E染色全切片图像和分子亚型数据 | 数字病理 | 膀胱癌 | RNA测序,H&E染色,全切片图像分析 | CNN,SVM,RF,LR | 图像,临床数据 | 来自TCGA、GEO数据集、IMvigor210C队列、上海第十人民医院、广东第二人民医院的多个膀胱癌数据集 | NA | ResNet50,RetCCL | AUC,准确率,敏感性,特异性 | NA |
16133 | 2025-10-07 |
stDyer enables spatial domain clustering with dynamic graph embedding
2025-Feb-20, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-025-03503-y
PMID:39980033
|
研究论文 | 提出了一种名为stDyer的端到端深度学习框架,用于空间转录组数据的空间域聚类 | 结合高斯混合变分自编码器与图注意力网络,通过动态图自适应连接单元,改进了聚类效果并产生更平滑的域边界 | NA | 开发有效的空间转录组数据空间域聚类方法 | 空间转录组数据 | 机器学习 | NA | 空间转录组技术 | 变分自编码器,图注意力网络 | 空间转录组数据 | NA | PyTorch,TensorFlow | 高斯混合变分自编码器,图注意力网络 | 聚类性能,多切片分析能力,大规模数据集处理能力 | 多GPU支持 |
16134 | 2025-10-07 |
Plantar Thermogram Analysis Using Deep Learning for Diabetic Foot Risk Classification
2025-Feb-20, Journal of diabetes science and technology
IF:4.1Q2
DOI:10.1177/19322968251316563
PMID:39980256
|
研究论文 | 本研究利用热成像技术和深度学习对糖尿病患者进行足部溃疡风险分层 | 首次将热成像技术与深度学习相结合用于糖尿病足风险分类 | 样本量较小(153张热图像),模型特异性相对较低(64.0%) | 开发基于热成像和深度学习的糖尿病足溃疡风险筛查方法 | 接受糖尿病足筛查的成年糖尿病患者 | 计算机视觉 | 糖尿病足 | 热成像技术 | 深度学习 | 热图像 | 153张足底热图像(训练集98张,测试集55张) | NA | 神经网络 | 准确率, 灵敏度, 特异性, Matthews相关系数 | NA |
16135 | 2025-02-24 |
Increasing angular sampling for dedicated cardiac SPECT scanner: Implementation with Deep Learning and Validation with human data
2025-Feb-20, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology
IF:3.0Q2
DOI:10.1016/j.nuclcard.2025.102168
PMID:39986346
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
16136 | 2025-10-07 |
UAS-based MT-YOLO model for detecting missed tassels in hybrid maize detasseling
2025-Feb-19, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01341-4
PMID:39972352
|
研究论文 | 本研究提出基于无人机系统和深度学习的MT-YOLO模型,用于杂交玉米去雄过程中遗漏雄穗的精准检测 | 针对早期雄穗被叶片部分包裹的检测难点构建专用数据集,开发了在检测精度和速度上均优于现有主流模型的MT-YOLO模型 | 未明确说明模型在不同环境条件下的泛化能力及长期稳定性 | 提升杂交玉米种子生产中去雄作业的效率和纯度 | 杂交玉米去雄过程中遗漏的雄穗 | 计算机视觉 | NA | 无人机航拍,深度学习 | YOLO | 图像 | 包含不同光照条件、种植密度和生长阶段的多样化雄穗图像数据集 | NA | MT-YOLO, YOLO v5s, Faster R-CNN, SSD | 平均精度,精确率,召回率,F1分数,漏检率,检测速度 | NA |
16137 | 2025-10-07 |
A deep learning approach: physics-informed neural networks for solving a nonlinear telegraph equation with different boundary conditions
2025-Feb-19, BMC research notes
IF:1.6Q2
DOI:10.1186/s13104-025-07142-1
PMID:39972356
|
研究论文 | 提出一种基于物理信息神经网络的深度学习方法求解具有不同边界条件的非线性电报方程 | 使用物理信息神经网络解决具有Dirichlet、Neumann和周期性边界条件的双曲非线性电报方程 | 需要大量超参数调优来选择最佳模型配置 | 开发有效的计算方法解决具有不同边界条件的非线性物理问题 | 非线性电报方程 | 机器学习 | NA | 物理信息神经网络 | 前馈深度神经网络 | 数值模拟数据 | 三个计算示例 | Python | 密集连接神经网络 | 相对误差分析, 统计性能度量分析 | NA |
16138 | 2025-10-07 |
A novel generative model for brain tumor detection using magnetic resonance imaging
2025-Feb-19, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出一种结合YOLOv8框架、智能计算单元和大语言模型的脑肿瘤检测与分割新方法 | 结合智能计算单元进行精细分割,采用数据融合技术整合多个数据集,并引入大语言模型生成预诊断 | NA | 开发基于人工智能的脑肿瘤计算机辅助诊断方法 | 脑部磁共振成像图像 | 计算机视觉 | 脑肿瘤 | 磁共振成像 | CNN, LLM | 图像 | NA | YOLOv8 | YOLOv8 | 准确率, 分割时间 | NA |
16139 | 2025-10-07 |
Electrocardiographic-Driven artificial intelligence Model: A new approach to predicting One-Year mortality in heart failure with reduced ejection fraction patients
2025-Feb-19, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2025.105843
PMID:39986123
|
研究论文 | 开发并验证一种基于心电图数据的深度学习人工智能模型,用于预测射血分数降低型心力衰竭患者的一年死亡率 | 首次利用大规模心电图数据开发深度学习AI模型预测HFrEF患者一年死亡率 | 研究仅基于两家医院的数据,需要外部验证 | 开发人工智能模型预测心力衰竭患者死亡率 | 射血分数降低型心力衰竭患者 | 医疗人工智能 | 心血管疾病 | 心电图分析 | 深度学习 | 心电图数据 | 3,894名HFrEF患者,包含16,228份独立心电图 | NA | NA | AUROC, 敏感性, 阳性预测值, 阴性预测值, 风险比 | NA |
16140 | 2025-10-07 |
Structure-Based Deep Learning Framework for Modeling Human-Gut Bacterial Protein Interactions
2025-Feb-17, Proteomes
IF:4.0Q2
DOI:10.3390/proteomes13010010
PMID:39982320
|
研究论文 | 提出基于结构的深度学习框架预测人类与肠道细菌蛋白质相互作用 | 结合图结构蛋白质表示与变分自编码器,采用双向交叉注意力模块进行特征融合,并利用焦点损失解决类别不平衡问题 | 实验数据稀疏,蛋白质相互作用数据有限 | 预测人类与肠道细菌蛋白质相互作用网络 | 人类宿主蛋白质与肠道细菌蛋白质 | 机器学习 | 肠道微生物相关疾病 | 蛋白质结构分析 | VAE, 深度学习 | 蛋白质结构数据 | NA | NA | 变分自编码器, 双向交叉注意力模块 | 精确率, 召回率 | NA |