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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
161 | 2025-10-05 |
GenoGraph: an Interpretable Graph Contrastive Learning Approach for Identifying Breast Cancer Risk Variants
2025-Oct-02, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3617088
PMID:41037551
|
研究论文 | 提出一种基于图对比学习的可解释框架GenoGraph,用于识别乳腺癌风险基因变异 | 开发了在低样本量场景下建模高维遗传数据的图对比学习框架,解决了传统GWAS方法忽略遗传互作和机器学习方法过拟合的问题 | 基于芬兰人群数据,在其他人群中的泛化能力需要进一步验证 | 改进乳腺癌风险基因变异的识别方法,探索遗传相互作用 | 乳腺癌相关的基因变异 | 机器学习 | 乳腺癌 | GWAS | 图对比学习 | 基因型数据 | 东芬兰生物银行数据集 | NA | GenoGraph | 准确率 | NA |
162 | 2025-10-05 |
Heterogeneous Network With Multiview Path Aggregation: Drug-Target Interaction Prediction Study Design
2025-Oct-02, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/74974
PMID:41037779
|
研究论文 | 提出一种基于多视图路径聚合的异质网络模型用于药物-靶点相互作用预测 | 结合分子注意力转换器提取药物3D构象特征和Prot-T5蛋白质语言模型探索蛋白质序列特征,构建异质图模型并引入元路径聚合机制动态整合特征视图和生物网络关系视图 | 未明确说明模型在更大规模数据集上的泛化能力和计算效率 | 预测药物与靶点之间的相互作用关系 | 药物、蛋白质、疾病和副作用等生物实体 | 生物信息学 | NA | 分子注意力转换器, Prot-T5蛋白质语言模型 | 图神经网络, 异质网络模型 | 化学结构, 蛋白质序列, 多源异质数据 | KCNH2靶点的53个候选药物案例研究 | NA | 分子注意力转换器, Prot-T5, 元路径聚合机制 | AUPR, AUROC | NA |
163 | 2025-10-05 |
TDMAR-Net: A Frequency-Aware Tri-Domain Diffusion Network for CT Metal Artifact Reduction
2025-Oct-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae0efc
PMID:41038229
|
研究论文 | 提出一种基于扩散模型的三域神经网络TDMAR-Net,用于减少CT金属伪影并提升图像质量 | 首次将扩散模型应用于三域(投影域、图像域、傅里叶域)金属伪影消除,采用两阶段训练策略结合高通滤波模块 | 未明确说明模型在极端金属植入物情况下的性能表现 | 开发有效的CT金属伪影消除方法以改善临床诊断 | 含金属植入物的CT图像 | 计算机视觉 | NA | CT成像 | 扩散模型 | CT图像 | 合成数据集和临床数据集 | NA | TDMAR-Net | NA | NA |
164 | 2025-10-05 |
Fast water/fat T2 and PDFF mapping via multiple overlapping‑echo detachment acquisition and deep learning reconstruction
2025-Oct-02, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae0efa
PMID:41038241
|
研究论文 | 开发了一种结合化学位移编码与多重重叠回波分离序列的深度学习重建方法,用于快速水/脂肪T2和PDFF成像 | 提出了CSE-MOLED新型水脂分离框架,首次实现每层162毫秒的超快速同步水脂分离和T2定量 | 样本量较小(仅5名健康志愿者和2名患者),脂肪T2的R²值相对较低(0.733) | 开发超快速同步水脂分离和T2定量方法,用于神经肌肉疾病的诊断和监测 | 肌肉组织,包括健康志愿者、肌肉萎缩患者和肌肉损伤患者 | 医学影像分析 | 神经肌肉疾病 | 磁共振成像,化学位移编码,多重重叠回波分离序列 | 深度学习 | 磁共振图像 | 5名健康志愿者,1名肌肉萎缩患者,1名肌肉损伤患者 | NA | NA | R²,变异系数 | NA |
165 | 2025-10-05 |
Bioinspired high-order in-sensor spatiotemporal enhancement in van der Waals optoelectronic neuromorphic electronics
2025-Oct-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-63873-6
PMID:41038807
|
研究论文 | 提出一种基于范德华光电晶体管的视觉传感器,利用三重脉冲时序依赖可塑性实现生物启发的高阶时空关联学习,提升动态目标跟踪性能 | 采用三重脉冲时序依赖可塑性替代传统配对脉冲时序依赖可塑性架构,通过界面缺陷主导的持续光电导现象实现可调光-电协同竞争效应 | 仅在6×6范德华光电晶体管阵列上进行硬件验证,规模有限 | 开发高性能动态目标跟踪系统以推进先进机器视觉技术 | 动态目标跟踪与混淆物体分类任务 | 机器视觉 | NA | 范德华光电晶体管技术 | 脉冲神经网络 | 动态视觉信息 | 6×6范德华光电晶体管阵列 | NA | 基于三重脉冲时序依赖可塑性的脉冲神经网络 | 跟踪准确率(90.44%) | 范德华光电晶体管硬件阵列 |
166 | 2025-10-05 |
Clinical validation of a deep learning tool for characterizing spinopelvic mobility in total hip arthroplasty
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16824-6
PMID:41038863
|
研究论文 | 开发并临床验证了一种用于全髋关节置换术中脊柱骨盆活动度测量的深度学习工具 | 首次将深度学习技术应用于脊柱骨盆活动度的自动化测量,相比传统手动方法更高效准确 | 研究主要基于单一国际关节登记处的数据,可能需要更多外部验证 | 开发自动化工具来改善全髋关节置换术中的脊柱骨盆活动度测量 | 全髋关节置换术患者的脊柱骨盆活动度 | 计算机视觉 | 骨科疾病 | 深度学习 | 深度学习管道 | X射线图像 | 分类任务52,772张图像,目标检测9,875张图像,关键点检测25,249张图像 | NA | 集成图像分类、椎体检测和关键点检测的深度学习管道 | AUC, F1分数, 平均绝对误差, 精确度, 召回率 | NA |
167 | 2025-10-05 |
A lightweight YOLOv11-based framework for small steel defect detection with a newly enhanced feature fusion module
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16619-9
PMID:41038869
|
研究论文 | 提出一种基于改进YOLOv11的轻量级钢表面缺陷检测模型PSF-YOLO,用于解决终端设备上小目标检测效率低和部署困难的问题 | 采用低参数Ghost卷积大幅减少计算资源需求,用多维融合颈部结构替代传统特征金字塔网络,并引入虚拟融合头和注意力拼接模块增强小目标特征提取 | 仅在GC10-DET+数据集上验证,未在其他工业缺陷数据集上测试泛化能力 | 开发适用于计算能力有限终端设备的轻量级钢表面缺陷检测模型 | 钢表面缺陷 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | GC10-DET+数据集 | NA | YOLOv11n, GhostConv, MDF-Neck | mAP, mAP50 | 有限计算能力的终端设备 |
168 | 2025-10-05 |
Spine endoscopic atlas: an open-source dataset for surgical instrument segmentation
2025-Oct-02, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-05897-7
PMID:41038904
|
研究论文 | 本文创建了一个用于脊柱内窥镜手术器械分割的开源数据集 | 创建了首个专门针对脊柱内窥镜手术的综合性标注数据集,包含大量真实手术图像和器械分割标注 | NA | 开发人工智能系统以提高脊柱内窥镜手术的精确性和安全性 | 脊柱内窥镜手术中使用的各种手术器械 | 计算机视觉 | 脊柱疾病 | 内窥镜成像 | 深度学习模型 | 图像 | 48,510张图像,包含10,662个器械分割标注 | NA | NA | 分割准确率 | NA |
169 | 2025-10-05 |
Interpretable deep learning model diagnoses gastrointestinal stromal tumors and lesion characteristics with microprobe endoscopic ultrasonography
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17018-w
PMID:41038910
|
研究论文 | 开发可解释深度学习模型ECMAI-ME,通过微探头超声内镜图像诊断胃肠道间质瘤及病变特征 | 将病变特征整合到MEUS图像中,使AI推理与临床诊断流程对齐,开发了七个深度学习模型 | NA | 提高微探头超声内镜对胃肠道间质瘤的诊断能力 | 胃肠道间质瘤的微探头超声内镜图像 | 计算机视觉 | 胃肠道间质瘤 | 微探头超声内镜 | 深度学习 | 图像 | 来自5家中国医院873个SEL的9,229张MEUS图像 | NA | ECMAI-ME | AUC, 准确率, 特异性, 敏感性 | NA |
170 | 2025-10-05 |
A lightweight deep learning method for medicinal leaf image classification using feature fusion
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17436-w
PMID:41038908
|
研究论文 | 提出一种基于联邦学习的特征融合深度学习模型,用于药用植物叶片图像的自动分类 | 采用NCA-CNN框架结合手工特征(LBP、HOG)与深度特征进行特征融合,通过典型相关分析增强关键特征并降低噪声 | NA | 开发自动化计算机视觉系统以准确高效识别药用植物叶片 | 药用植物叶片图像 | 计算机视觉 | NA | 图像分析 | CNN | RGB图像 | 来自Mendeley数据集(https://data.mendeley.com/datasets/nnytj2v3n5/1)的药用植物叶片图像 | NA | NCA-CNN | 准确率 | NA |
171 | 2025-10-05 |
Fault classification in the architecture of virtual machine using deep learning
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17109-8
PMID:41038942
|
研究论文 | 提出一种结合特征选择、注意力变换器和特征变换器的深度学习模型,用于虚拟机架构中的故障分类 | 首次将注意力变换器与特征变换器结合用于虚拟机故障分类,处理表格数据并实现高精度故障预测 | 仅在Telstra集群网络数据集上进行验证,未在其他网络环境中测试 | 预测虚拟机中的故障发生,检测和分类集群网络故障 | 虚拟机架构和集群网络 | 机器学习 | NA | 深度学习 | Transformer,神经网络 | 表格数据 | 来自Telstra集群网络的表格数据集 | NA | 注意力变换器,特征变换器 | 准确率,精确率,召回率,F1分数 | NA |
172 | 2025-10-05 |
Advanced deep learning approach for the fault severity classification of rolling-element bearings
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-16895-5
PMID:41038933
|
研究论文 | 提出一种结合参数优化变分模态分解和深度学习算法的滚动轴承故障严重程度分类方法 | 采用参数优化VMD进行数据预处理,并比较七种不同深度学习算法在轴承故障分类中的性能 | NA | 开发滚动轴承故障严重程度的智能分类方法 | 滚动轴承的振动数据 | 机器学习 | NA | 参数优化变分模态分解(VMD), 粒子群优化 | 1D-CNN, WaveNet, GRU, 深度学习算法 | 振动数据 | 凯斯西储大学标准数据集和人工生成数据集 | NA | 1D-CNN, WaveNet, GRU | 准确率 | NA |
173 | 2025-10-05 |
VARNet-6G with FIERO model for anomaly detection and enhancing network stability in future-ready communication systems
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17268-8
PMID:41038953
|
研究论文 | 提出VARNet-6G和FIERO两种新技术,用于6G通信系统中的异常检测和丢包率估计 | 将深度学习与自然启发优化相结合的混合方法,为6G网络提供更准确、可扩展和自适应的安全解决方案 | NA | 解决6G通信系统中异常检测和网络稳定性增强的挑战 | 6G通信网络系统 | 机器学习 | NA | NA | 变分自编码器,循环变换器网络 | 序列数据,动态网络数据 | NA | NA | VARNet-6G,FIERO | 异常检测准确率,丢包率估计准确率 | NA |
174 | 2025-10-05 |
Multimodal based Amharic fake news detection using CNN and attention-based BiLSTM
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17579-w
PMID:41038987
|
研究论文 | 开发基于多模态的阿姆哈拉语假新闻检测系统,结合CNN和注意力机制的双向LSTM模型 | 首次研究阿姆哈拉语多模态假新闻检测方法,提出CNN与注意力机制BiLSTM的混合模型 | 仅针对阿姆哈拉语这一低资源语言,模型在其他语言上的泛化能力未验证 | 开发有效的阿姆哈拉语假新闻检测系统 | 阿姆哈拉语新闻内容(文本和图像) | 自然语言处理 | NA | 文本清洗、分词、归一化、图像去噪等预处理技术 | CNN, BiLSTM | 文本、图像 | 23,856条新闻故事 | NA | CNN, BiLSTM, CNN-BiLSTM, 注意力机制BiLSTM | 准确率 | NA |
175 | 2025-10-05 |
Advanced deep learning framework for soil texture classification
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17384-5
PMID:41039032
|
研究论文 | 提出一种用于土壤纹理分类的先进深度学习框架ATFEM,结合手工特征与深度表示学习 | 提出三流架构融合纹理、语义和光谱空间特征,开发新型手工描述符F-HOG,并采用增强混合元启发式特征选择方法EWJFO | 使用自建数据集(4000张图像),未在更大规模公共数据集上验证 | 开发高精度且可解释的土壤纹理分类方法 | 土壤纹理图像 | 计算机视觉 | NA | 图像分析 | CNN, Transformer | 图像 | 4000张标注图像,涵盖5种纹理类别 | NA | VGG-RTPNet, ResNet-DANet, Swin-FANet | 准确率, F1分数, Cohen's kappa, AUC | NA |
176 | 2025-10-05 |
Cross-modal deep learning enhanced mixed reality accelerates construction skill transfer from experts to students
2025-Oct-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17656-0
PMID:41039046
|
研究论文 | 开发了一种基于跨模态深度学习的混合现实系统,用于将建筑专家的隐性知识有效传递给学员 | 首次将跨模态深度学习与混合现实技术结合,将专家隐性知识形式化为可学习的表征 | 复杂交互过程中存在计算延迟挑战,长时间训练存在硬件人体工程学限制 | 解决建筑行业传统培训中难以有效捕捉和传递专家隐性知识的问题 | 建筑专家与建筑专业学生 | 计算机视觉,自然语言处理,机器学习 | NA | 跨模态深度学习,混合现实技术 | 深度学习 | 多模态数据 | 80名参与者 | NA | NA | 技能获取速度,任务准确率,知识保留率 | NA |
177 | 2025-10-05 |
AI-identified CD133-targeting natural compounds demonstrate differential anti-tumor effects and mechanisms in pan-cancer models
2025-Oct-02, EMBO molecular medicine
IF:9.0Q1
DOI:10.1038/s44321-025-00308-1
PMID:41039172
|
研究论文 | 本研究利用深度学习从天然产物库中筛选出靶向CD133的抗肿瘤化合物,并通过多模型验证其疗效和机制 | 结合AI驱动的化合物筛选与生物验证,发现结构相似但作用机制不同的CD133靶向天然产物 | 仅依赖分子结构的虚拟筛选无法完全阐明作用机制,需要活体模型评估 | 开发靶向CD133的泛癌治疗药物 | 癌细胞系、肿瘤患者来源类器官、动物模型 | 机器学习 | 泛癌 | 深度学习,TransformerCPI | Transformer | 蛋白质序列,分子结构 | 多种癌细胞系、患者来源类器官和动物模型 | NA | TransformerCPI | 结合亲和力,抗肿瘤疗效,安全性 | NA |
178 | 2025-10-05 |
A deep learning approach based on YOLO v11 for automatic detection of jaw cysts
2025-Oct-02, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06767-9
PMID:41039467
|
研究论文 | 基于YOLO v11深度学习模型开发颌骨囊肿自动检测与分类系统 | 首次将YOLO v11模型应用于颌骨囊肿的自动检测与分类,支持多类别(含牙囊肿、牙源性角化囊肿、根尖囊肿)和单类别检测模式 | 数据集规模有限且类别不平衡,需要更大规模平衡数据集验证泛化能力 | 开发基于人工智能的颌骨囊肿检测与分类系统 | 颌骨囊肿的全景放射影像 | 计算机视觉 | 颌骨囊肿 | 全景放射成像 | CNN | 图像 | 311张全景图像(211张囊肿图像,100张正常图像) | YOLO | YOLO v11 Small | 精确率,召回率,F1分数,平均精度均值(mAP) | NA |
179 | 2025-10-04 |
Interpretable deep learning model and nomogram for predicting pathological grading of PNETs based on endoscopic ultrasound
2025-Oct-02, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-025-03193-3
PMID:41039509
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
180 | 2025-10-05 |
Evaluating large language models using national endodontic specialty examination questions: are they ready for real-world dentistry?
2025-Oct-02, BMC medical education
IF:2.7Q1
DOI:10.1186/s12909-025-07896-z
PMID:41039560
|
研究论文 | 评估多种大语言模型在牙髓病学专业考试题目中的表现 | 首次系统比较多种LLMs在牙髓病学标准选择题和组合型选择题上的表现差异 | 仅使用土耳其的牙科专业考试题目,模型表现可能受语言和文化因素影响 | 评估大语言模型在牙髓病学专业考试中的准确性和可靠性 | 8种大语言模型(ChatGPT-4o、ChatGPT-4、Gemini 1.5 Flash、Gemini 1.5 Pro、Gemini 2.0 Flash、Copilot、Deepseek-V3、Qwen2.5-Max) | 自然语言处理 | 牙科疾病 | 大语言模型评估 | LLM | 文本 | 151道牙髓病学题目 | NA | NA | 准确率 | NA |