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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1801 | 2025-04-17 |
Can Super Resolution via Deep Learning Improve Classification Accuracy in Dental
2025-Apr-15, Dento maxillo facial radiology
DOI:10.1093/dmfr/twaf029
PMID:40233244
|
研究论文 | 本研究探讨了深度学习驱动的超分辨率技术对牙科图像分类准确性的影响 | 首次研究了通过超分辨率技术提高分辨率的牙科X光片的分类性能 | 仅使用了开源牙科图像数据集,可能无法代表所有临床场景 | 评估超分辨率技术对牙科图像分类性能的影响 | 牙科X光片 | 计算机视觉 | 牙科疾病 | 深度学习超分辨率技术 | 深度学习模型(未指定具体类型) | 图像 | 开源牙科图像数据集(具体数量未说明) |
1802 | 2025-04-17 |
Integrating genetic variation with deep learning provides context for variants impacting transcription factor binding during embryogenesis
2025-Apr-15, Genome research
IF:6.2Q1
DOI:10.1101/gr.279652.124
PMID:40234030
|
研究论文 | 该研究通过整合遗传变异与深度学习技术,探讨了胚胎发生过程中影响转录因子结合的遗传变异背景 | 结合高度控制的F杂交系统与深度学习模型Basenji,提高了等位基因特异性结合的检测能力,并重建了功能化结合基序 | 研究仅关注了四种转录因子在胚胎发生过程中的结合情况,可能无法全面反映所有转录因子的行为 | 理解遗传变异如何影响转录因子结合,以更好地模拟疾病相关变异 | 四种转录因子在胚胎发生过程中的等位基因特异性结合 | 机器学习 | NA | WASP扩展用于检测indels,等位基因特异性读段映射 | CNN (Basenji) | DNA序列数据 | 高度控制的F杂交系统产生的遗传多样性样本 |
1803 | 2025-04-17 |
Application of Deep Learning for Detection of Nasal Bone Fracture on X-Ray Nasal Bone Lateral View
2025-Apr-15, Dento maxillo facial radiology
DOI:10.1093/dmfr/twaf028
PMID:40234238
|
研究论文 | 本研究评估了深度学习在X射线鼻骨侧位片上检测鼻骨骨折的效果 | 应用多种深度学习模型(如VGG16、Swin Transformer等)进行鼻骨骨折检测,并比较了它们的性能 | 研究仅基于单一放射中心的回顾性数据,可能存在样本偏差 | 评估深度学习在鼻骨骨折X射线图像检测中的效能 | X射线鼻骨侧位片图像 | 计算机视觉 | 鼻骨骨折 | 高斯滤波、Canny边缘检测、GLCM、HOG、LBP | CNN、VGG16、VGG19、MobileNet、Xception、ResNet50V2、InceptionV3、Swin Transformer | X射线图像 | 2,968张X射线鼻骨侧位片 |
1804 | 2025-04-17 |
A Novel Ensemble Learning Approach for Grouping the State-of-the-Art YOLOV10 and YOLOV11 Models for Kidney Stone Detection in CT and Ultrasound Images
2025-Apr-15, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01499-2
PMID:40234345
|
research paper | 提出一种新颖的集成学习方法,结合YOLOV10和YOLOV11模型,用于CT和超声图像中的肾结石检测 | 首次将YOLOV10和YOLOV11模型集成,用于肾结石检测,显著降低假阴性和假阳性错误 | 未提及具体的数据集规模限制或模型泛化能力的详细测试 | 提高肾结石在医学图像中的检测准确性和效率 | 肾结石在CT和超声图像中的检测 | computer vision | kidney stone | deep learning, ensemble learning | YOLOV10, YOLOV11 | image | NA |
1805 | 2025-04-17 |
Study on Ultrasound-Assisted Diagnosis of CHB Complicated with NAFLD Hepatic Fibrosis Based on Deep Learning
2025-Apr-15, Journal of imaging informatics in medicine
DOI:10.1007/s10278-024-01331-3
PMID:40234347
|
research paper | 本研究旨在开发和评估一种基于深度学习的自动分类模型,用于诊断慢性乙型肝炎(CHB)并发非酒精性脂肪性肝病(NAFLD)的肝纤维化 | 利用深度学习技术对二维肝脏影像进行自动分类,显著提高了肝纤维化诊断的准确性 | 研究为回顾性分析,可能存在选择偏倚,且样本量虽大但来自单一中心 | 开发并评估一种基于深度学习的自动分类模型,用于诊断CHB并发NAFLD的肝纤维化 | 2803名CHB并发NAFLD患者及150名有肝活检结果的同类患者 | digital pathology | liver disease | deep learning | CNN | image | 2803名患者(20540张二维肝脏影像)用于训练,150名患者(922张影像)用于验证 |
1806 | 2025-04-17 |
Correction: Deep learning approach for discrimination of liver lesions using nine time-phase images of contrast-enhanced ultrasound
2025-Apr-15, Journal of medical ultrasonics (2001)
DOI:10.1007/s10396-025-01544-1
PMID:40234354
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1807 | 2025-04-17 |
Depth-of-interaction encoding techniques for pixelated PET detectors enabled by machine learning methods and fast waveform digitization
2025-Apr-14, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/adc96d
PMID:40185124
|
研究论文 | 本研究开发了一种利用机器学习和快速波形数字化技术,从像素化PET探测器中提取深度交互(DOI)信息的方法 | 无需修改探测器设计即可实现多级DOI分类,且保持了探测器的时间性能 | 研究仅针对20mm长晶体进行了验证,未涉及其他尺寸晶体的性能评估 | 开发一种从商用像素化探测器中获取DOI信息的技术 | 像素化PET探测器及其DOI信息 | 医学影像处理 | NA | 机器学习方法、快速波形数字化技术(DRS4) | LSTM网络、经典机器学习算法 | 闪烁波形数据 | 2×2×20mm长窄晶体 |
1808 | 2025-04-17 |
Molecular endotypes and theratypes in osteoarthritis: transforming a concept into reality with deep learning and multiomics
2025-Apr-14, Annals of the rheumatic diseases
IF:20.3Q1
DOI:10.1016/j.ard.2025.03.009
PMID:40234175
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
1809 | 2025-04-17 |
Basin-informed flood frequency analysis using deep learning exhibits consistent projected regional patterns over CONUS
2025-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97610-2
PMID:40222992
|
研究论文 | 利用深度学习进行基于流域的洪水频率分析,展示了美国本土未来洪水趋势的一致区域模式 | 使用LSTM模型结合气候模型数据预测洪水趋势,揭示了美国本土洪水变化的区域一致性模式 | 研究仅基于CMIP5气候模型数据,可能未涵盖所有气候不确定性 | 分析气候变化对未来洪水趋势的影响 | 美国本土638个河流站点的长期流量 | 机器学习 | NA | LSTM模型,CMIP5气候模型数据 | LSTM | 气象数据,流量数据 | 美国本土638个河流站点 |
1810 | 2025-04-17 |
The satisfaction of ecological environment in sports public services by artificial intelligence and big data
2025-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97927-y
PMID:40222989
|
研究论文 | 本研究结合基于残差模块和注意力机制的CNN方法与SERVQUAL评估模型,探讨人工智能和大数据对体育公共服务中居民健身生态环境满意度的影响 | 结合CNN与SERVQUAL模型分析AI驱动的体育公共服务对健身生态环境满意度的影响 | 研究主要依赖问卷调查、文献综述和访谈数据,可能受限于样本的代表性和数据的全面性 | 探讨AI驱动的体育公共服务与健身生态环境满意度之间的关系 | 体育公共服务中的健身生态环境和居民满意度 | 机器学习 | NA | 问卷调查、文献综述、访谈 | CNN | 问卷数据、文献数据、访谈数据 | 未明确说明样本数量 |
1811 | 2025-04-17 |
MODAMS: design of a multimodal object-detection based augmentation model for satellite image sets
2025-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-93766-z
PMID:40223115
|
research paper | 提出了一种基于多模态目标检测的卫星图像增强模型,旨在提高分类性能 | 结合了YOLO目标检测、cdGAN、EHO和FFO等多种技术,实现了动态和图像特定的增强 | 未提及模型在大规模数据集上的表现或计算资源消耗 | 提高卫星图像的分类准确性和效率 | 高光谱卫星图像 | computer vision | NA | YOLO, cdGAN, EHO, FFO, Incremental Learning | YOLO, GAN | image | NA |
1812 | 2025-04-17 |
Impact of hypertension on cerebral small vessel disease: A post-mortem study of microvascular pathology from normal-appearing white matter into white matter hyperintensities
2025-Apr-12, Journal of cerebral blood flow and metabolism : official journal of the International Society of Cerebral Blood Flow and Metabolism
IF:4.9Q1
DOI:10.1177/0271678X251333256
PMID:40219923
|
research paper | 该研究探讨了高血压对脑小血管病的影响,通过尸检研究从正常表现白质到白质高信号的微血管病理变化 | 揭示了内皮功能障碍、血脑屏障破坏和神经血管炎症在高血压患者白质高信号发病机制中的关键作用 | 未观察到沿着NAWM-WMH过渡的渐进性血脑屏障损伤或神经血管炎症 | 阐明慢性高血压与最早的白质高信号发病机制之间的关联 | 高血压与非高血压个体的死后脑组织 | digital pathology | cardiovascular disease | MRI, deep learning | deep learning | image | 未明确说明样本数量 |
1813 | 2025-04-17 |
Deep learning tools predict variants in disordered regions with lower sensitivity
2025-Apr-12, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-025-11534-9
PMID:40221640
|
research paper | 该研究探讨了深度学习工具在预测无序区域变异时的敏感性较低的问题 | 揭示了AlphaMissense和VARITY等工具在预测无序区域变异时的敏感性不足,并指出需要开发针对无序区域的新特征和范式 | 研究主要关注无序区域的变异预测,未涉及其他可能影响预测准确性的因素 | 评估当前最先进的变异效应预测工具在无序区域的效能 | 人类蛋白质组中的无序区域及其变异 | machine learning | NA | AlphaFold2, Variant Effect Predictor (VEP), AlphaMissense, VARITY | 深度学习模型 | 蛋白质序列和结构数据 | 涉及人类蛋白质组中30%的无序区域 |
1814 | 2025-04-17 |
Lag-Net: Lag correction for cone-beam CT via a convolutional neural network
2025-Apr-12, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2025.108753
PMID:40233441
|
研究论文 | 提出了一种名为Lag-Net的卷积神经网络方法,用于校正锥束CT中的滞后信号,以减少重建图像中的伪影 | 利用深度学习技术Lag-Net校正滞后信号,避免了传统线性时不变校正方法的不足,并在低曝光条件下表现更优 | 硬件校正方法操作复杂,对CT仪器要求高 | 提高锥束CT图像质量,减少滞后伪影 | 锥束CT中的滞后信号及其伪影 | 计算机视觉 | NA | 卷积神经网络 | CNN | 图像 | 模拟和真实数据集 |
1815 | 2025-04-17 |
CMTNet: a hybrid CNN-transformer network for UAV-based hyperspectral crop classification in precision agriculture
2025-Apr-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-97052-w
PMID:40216979
|
研究论文 | 提出了一种结合CNN和Transformer的深度学习框架CMTNet,用于无人机获取的高光谱作物分类 | CMTNet结合了光谱-空间特征提取模块、双分支架构和多输出约束模块,能同时捕获局部和全局特征,提高分类精度 | 未提及模型在更广泛作物类型或更复杂环境中的泛化能力 | 提高无人机高光谱成像在精准农业中作物分类的精度和可靠性 | 无人机获取的高光谱作物图像 | 计算机视觉 | NA | 高光谱成像 | CNN-Transformer混合模型 | 图像 | 三个无人机获取的数据集(WHU-Hi-LongKou、WHU-Hi-HanChuan和WHU-Hi-HongHu) |
1816 | 2025-04-17 |
Bearing fault diagnosis based on efficient cross space multiscale CNN transformer parallelism
2025-Apr-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95895-x
PMID:40210923
|
研究论文 | 提出了一种基于高效跨空间多尺度CNN Transformer并行性的风力涡轮机轴承故障诊断模型 | 采用并行分支结构同时提取时空特征,结合多尺度特征提取模块和高效多尺度注意力机制,提升了局部和全局特征提取能力 | 未提及模型在极端噪声环境下的表现 | 提高风力涡轮机轴承故障诊断的准确性和噪声鲁棒性 | 风力涡轮机轴承 | 机器学习 | NA | Continuous Wavelet Transform (CWT) | CNN, Transformer, BiGRU | 一维振动信号转换的二维时频图像 | 两个公开的轴承数据集 |
1817 | 2025-04-17 |
pC-SAC: A method for high-resolution 3D genome reconstruction from low-resolution Hi-C data
2025-Apr-10, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf289
PMID:40226920
|
研究论文 | 提出了一种名为pC-SAC的计算方法,用于从低分辨率Hi-C数据中重建高分辨率3D基因组 | pC-SAC采用自适应重要性采样与顺序蒙特卡洛方法,生成满足低分辨率Hi-C数据物理约束的3D染色质链集合,实现了超过95%的高分辨率染色质图谱重建准确率 | 未提及具体样本量或实验验证的局限性 | 提高Hi-C数据的分辨率,以更深入地了解3D基因组组织及其在基因调控和疾病中的作用 | 3D基因组组织 | 计算生物学 | NA | Hi-C技术 | probabilistically Constrained Self-Avoiding Chromatin (pC-SAC) | Hi-C数据 | NA |
1818 | 2025-04-17 |
Physically grounded deep learning-enabled gold nanoparticle localization and quantification in photonic resonator absorption microscopy for digital resolution molecular diagnostics
2025-Apr-09, Biosensors & bioelectronics
IF:10.7Q1
DOI:10.1016/j.bios.2025.117455
PMID:40233489
|
研究论文 | 本文介绍了一种名为LOCA-PRAM的深度学习方法,结合光子谐振吸收显微镜(PRAM),利用金纳米颗粒(AuNPs)作为分子标签,实现生物分子的数字分辨率检测 | LOCA-PRAM利用光子晶体(PC)-AuNP共振耦合增强信号对比度,无需将样品分割成液滴或进行酶扩增,即可实现目标分子的精确量化 | NA | 实现分子生物标志物的数字分辨率检测,用于疾病诊断、治疗研究和生物医学研究 | 金纳米颗粒(AuNPs)作为分子标签 | 数字病理学 | NA | 光子谐振吸收显微镜(PRAM)、扫描电子显微镜(SEM) | 深度学习 | 图像 | NA |
1819 | 2025-04-17 |
From prediction to design: Revealing the mechanisms of umami peptides using interpretable deep learning, quantum chemical simulations, and module substitution
2025-Apr-09, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.144301
PMID:40233511
|
研究论文 | 本研究利用深度学习模型和模块替换策略筛选和设计鲜味肽 | 结合预训练、增强特征和对比学习模块的预测模型准确率达到0.94,优于其他模型2-9%,并通过模块替换策略揭示了鲜味肽的作用机制 | NA | 快速筛选和设计鲜味肽 | 鲜味肽 | 自然语言处理 | NA | 深度学习、量子化学模拟、分子对接 | 深度学习模型 | NA | NA |
1820 | 2025-04-17 |
Tumor Bud Classification in Colorectal Cancer Using Attention-Based Deep Multiple Instance Learning and Domain-Specific Foundation Models
2025-Apr-07, Cancers
IF:4.5Q1
DOI:10.3390/cancers17071245
PMID:40227783
|
研究论文 | 本文提出了一种基于深度学习和注意力机制的多实例学习方法,用于自动分类结直肠癌中的肿瘤芽 | 采用注意力机制的多实例学习和领域特定基础模型,提高了肿瘤芽分类的准确性和可解释性 | 样本量相对较小,训练集仅包含29张WSIs,测试集70张WSIs | 提高结直肠癌中肿瘤芽的自动分类准确性,以改善预后评估 | 结直肠癌中的肿瘤芽 | 数字病理学 | 结直肠癌 | 深度学习,注意力机制的多实例学习(ABMIL) | Phikon-v2, UNI, CtransPath | 全切片图像(WSIs) | 训练集29张WSIs,测试集70张WSIs |