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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1821 | 2025-09-13 |
Beyond Contact: An Open-Set Biometric Identification System Using Radar-Extracted Heart Signals
2025-Sep-11, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2025.3608801
PMID:40932807
|
研究论文 | 提出一种基于雷达的非接触式生物特征识别框架,通过心脏信号提取实现开放集人员身份识别 | 利用雷达提取心脏运动数据重建ECG信号,结合ECGReconNet和增强型InceptionTime模型,采用超球面划分方法区分已知与未知个体 | 对突发身体运动和环境噪声敏感,心脏严重异常时性能可能下降,未知身份数量增加时效果降低 | 开发安全且保护隐私的非接触式生物特征识别系统 | 人类心脏信号 | 生物特征识别 | NA | 雷达信号处理,ECG信号重建 | ECGReconNet, InceptionTime with fixed-CAC loss | 雷达信号,心脏运动数据 | 27名受试者(闭集测试),14名已知+13名未知受试者(开集测试) |
1822 | 2025-09-13 |
A Lightweight Network with Uncertainty-Guided Latent Space Refinement for Multi-Modal Brain Tissue and Tumor Extraction
2025-Sep-11, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3609333
PMID:40932804
|
研究论文 | 提出一种轻量级网络UMNet,通过不确定性引导的潜在空间优化实现多模态脑组织和肿瘤提取 | 引入模态特异性不确定性正则化特征融合模块(M-SUM)和不确定性增强损失函数(U-Loss),显式建模预测不确定性与误差的关系 | NA | 改进多模态脑影像中组织和肿瘤的自动分割精度 | 脑组织和脑肿瘤 | 数字病理 | 脑肿瘤 | 深度学习 | CNN | 多模态医学影像 | NA |
1823 | 2025-09-13 |
Evaluation of the Detectability of Oral Potentially Malignant Diseases with a Deep Learning Approach: A Retrospective Pilot Study
2025-Sep-11, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01665-6
PMID:40936018
|
研究论文 | 本研究评估基于深度学习的方法在口腔潜在恶性病变检测中的可行性 | 首次使用YOLOv8架构的深度学习模型进行口腔潜在恶性病变的自动检测 | 回顾性研究、样本量有限、需要多中心数据和外部验证进行临床转化 | 评估深度学习诊断软件在检测口腔潜在恶性病变方面的性能 | 经组织病理学诊断为口腔扁平苔藓、口腔白斑或口腔癌的患者 | 计算机视觉 | 口腔癌 | 深度学习 | YOLOv8 | 图像 | 358张匿名回顾性口内图像 |
1824 | 2025-09-13 |
Training With Local Data Remains Important for Deep Learning MRI Prostate Cancer Detection
2025-Sep-11, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes
DOI:10.1177/08465371251367620
PMID:40936310
|
研究论文 | 本研究评估了使用本地数据训练深度学习模型对MRI前列腺癌分割的重要性,特别是在存在领域偏移的情况下 | 首次在大规模队列(超过1000例)中系统评估领域偏移对MRI前列腺癌分割模型性能的影响,并量化了本地数据的最小需求 | 研究基于模拟的多机构联盟数据,可能无法完全代表真实世界的临床多样性 | 评估前列腺癌分割模型在领域偏移条件下的性能表现,比较本地训练和外部数据训练的效果 | 前列腺癌患者的MRI影像数据 | 数字病理 | 前列腺癌 | MRI影像分析,nnUNet-v2模型训练 | nnUNet-v2 | 医学影像(MRI) | PICAI数据集:1241训练+259测试;本地数据集:1400训练+308测试 |
1825 | 2025-09-13 |
Prognostic models for radiation-induced complications after radiotherapy in head and neck cancer patients
2025-Sep-10, The Cochrane database of systematic reviews
DOI:10.1002/14651858.CD014745.pub2
PMID:40927975
|
系统综述 | 对头颈癌患者放疗后放射性并发症的预测模型进行系统识别、描述和评估 | 首次全面评估头颈癌放疗后正常组织并发症概率(NTCP)模型的质量、偏倚风险和预测性能 | 大多数模型缺乏外部验证,验证研究存在高偏倚风险,校准性能报告不充分 | 评估NTCP模型在预测头颈癌患者放疗副作用风险中的有效性和可靠性 | 头颈癌患者 | 医学预测模型 | 头颈癌 | NTCP建模,C统计量分析,校准评估 | 预测模型 | 临床数据 | 143项研究中的140,767名头颈癌患者 |
1826 | 2025-09-13 |
EEGOpt: A performance efficient Bayesian optimization framework for automated EEG signal classification
2025-Sep-10, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111023
PMID:40934551
|
研究论文 | 提出EEGOpt,一种基于贝叶斯优化的自动化框架,用于优化EEG信号分类中的方法选择 | 采用TPE优化器处理层次化搜索空间,结合模块化缓存机制显著提升计算效率,实现EEG信号处理与分类方法的自动优化 | 仅在三个数据集上验证,未涉及更广泛的EEG应用场景或跨中心验证 | 自动化优化EEG信号处理与分类方法组合,提升分类准确率与计算效率 | 脑电图(EEG)信号 | 机器学习 | NA | 贝叶斯优化,Tree-Structured Parzen Estimator (TPE),小波包分解,经验模态分解 | k近邻分类器,EEGNet,ShallowConvNet,DeepConvNet | EEG信号 | 三个EEG数据集(具体样本量未说明) |
1827 | 2025-09-13 |
Calibration and Uncertainty for multiRater Volume Assessment in multiorgan Segmentation (CURVAS) challenge results
2025-Sep-10, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111024
PMID:40934552
|
研究论文 | 介绍CURVAS挑战赛的结果,聚焦多器官分割中多标注者体积评估的校准与不确定性 | 强调多标注者共识与分歧作为更全面真值的重要性,并系统评估DL模型在处理不确定性和校准方面的表现 | NA | 提升基于深度学习的医学图像分割模型的可靠性和临床适用性 | 多器官分割任务中的体积评估 | 数字病理 | NA | 深度学习 | DL models | 医学图像 | 七支参赛团队提交的多种DL模型 |
1828 | 2025-09-13 |
GEDI and Sentinel data integration for quantifying agroforestry tree height and stocks
2025-Sep-10, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2025.127197
PMID:40934663
|
研究论文 | 本研究结合GEDI和Sentinel遥感数据,利用深度学习U-Net模型估算意大利Padan平原杨树人工林的树高和碳储量 | 首次将GEDI波形导出的树高与Sentinel-1/2多波段影像通过U-Net深度学习模型融合,生成10米高分辨率冠层高度模型,并应用于杨树人工林碳储量估算 | 模型在AGB估算中的RMSE较高(63.2%),且依赖外部验证数据(NFI样地)进行精度评估 | 量化杨树人工林的树高和碳储量,支持气候变化减缓相关的森林监测 | 意大利Padan平原的短轮伐期杨树人工林 | 遥感与机器学习 | NA | 遥感(GEDI, Sentinel-1/2)、深度学习、地面激光扫描 | U-Net | 多波段遥感影像、波形数据、地面调查数据 | 研究区域约46,000 km²,使用NFI样地数据进行外部验证 |
1829 | 2025-09-13 |
A Fusion Model of ResNet and Vision Transformer for Efficacy Prediction of HIFU Treatment of Uterine Fibroids
2025-Sep-10, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.08.054
PMID:40935773
|
研究论文 | 提出融合ResNet和ViT的深度学习模型(Res-ViT),用于预测高强度聚焦超声(HIFU)治疗子宫肌瘤的疗效 | 首次将局部纹理特征(ResNet)与全局空间特征(ViT)通过并行架构协同融合,提升子宫肌瘤异质性量化精度 | 仅基于T2加权磁共振图像,未整合多模态数据;外部验证集仅来自单一中心 | 提高HIFU治疗子宫肌瘤的疗效预测准确性 | 接受HIFU治疗的子宫肌瘤患者 | 计算机视觉 | 子宫肌瘤 | T2加权磁共振成像(MRI) | ResNet-18, ViT, 融合模型(Res-ViT) | 医学图像 | 训练集272例(中心A),内部验证集92例(中心A),外部测试集125例(中心B) |
1830 | 2025-09-13 |
Deep learning based solar forecasting for optimal PV BESS sizing in ultra fast charging stations
2025-Sep-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-17408-0
PMID:40925891
|
研究论文 | 提出一种结合深度学习太阳能预测和遗传算法的优化框架,用于超快充电站中光伏和电池储能系统的最优容量规划 | 使用GRU模型进行光伏输出预测,并结合遗传算法针对工作日和周末需求模式优化系统容量,提升净现值和能源自给率 | NA | 优化超快充电站的可再生能源系统配置以提高经济性和电网独立性 | 超快充电站的光伏和电池储能系统 | 机器学习 | NA | 深度学习,遗传算法 | GRU | 时间序列数据,能源需求数据 | NA |
1831 | 2025-09-13 |
PCGMMF: a prediction method for breast cancer prognostic recurrence and metastasis risk based on enhanced multimodal feature fusion
2025-Sep-09, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2025.104907
PMID:40935222
|
研究论文 | 提出一种基于增强多模态特征融合的乳腺癌预后复发和转移风险预测方法PCGMMF | 结合双向注意力和自注意力机制的多模态特征融合模块BSAMF,整合组织病理学图像、临床数据、基因表达和DNA甲基化数据 | 未明确说明样本规模或外部验证结果 | 预测乳腺癌预后复发和转移风险 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 基因表达分析, DNA甲基化分析, 组织病理学成像 | Vision-LSTM, SVM, 注意力机制 | 图像, 临床数据, 基因组数据, 表观遗传数据 | NA |
1832 | 2025-09-13 |
A Deep Learning Approach for Tracking Colorectal Cancer-Derived Extracellular Vesicles in Colon and Lung Models
2025-Sep-08, ACS biomaterials science & engineering
IF:5.4Q2
DOI:10.1021/acsbiomaterials.5c00380
PMID:40857079
|
研究论文 | 开发了一种基于深度学习的方法来追踪结直肠癌来源的细胞外囊泡在结肠和肺模型中的行为 | 首次应用深度学习技术精确量化CRC来源EVs的摄取和运输过程,并在3D模型中观察到其对异源健康细胞的趋向性 | 研究基于体外模型,尚未进行临床验证 | 探索EVs在结直肠癌转移中的作用机制并开发新的诊断治疗策略 | 结直肠癌来源的细胞外囊泡 | 数字病理学 | 结直肠癌 | 深度学习 | 深度学习模型 | 图像数据 | 结肠和肺3D组织模型 |
1833 | 2025-09-13 |
Large-Scale Dermatopathology Dataset for Lesion Segmentation: Model Development and Analysis
2025-Sep-08, Journal of Korean medical science
IF:3.0Q1
DOI:10.3346/jkms.2025.40.e220
PMID:40923506
|
研究论文 | 本研究开发并评估了一个用于皮肤病变分割的大规模皮肤病理学图像数据集 | 构建了来自四个机构、包含超过34,376张组织病理学切片图像的大规模多机构数据集,涵盖正常皮肤和六种常见皮肤病变类型 | 数据集可能仍存在特定疾病类型的局限性,且未提及外部验证结果 | 支持人工智能驱动的皮肤病理学诊断,提高诊断一致性 | 皮肤组织病理学图像,包括正常皮肤和六种皮肤病变类型 | 数字病理学 | 皮肤癌 | 组织病理学成像 | 病变分割模型 | 图像 | 34,376张组织病理学切片图像,来自四个机构 |
1834 | 2025-09-13 |
Deep Learning-Assisted Organogel Pressure Sensor for Alphabet Recognition and Bio-Mechanical Motion Monitoring
2025-Sep-08, Nano-micro letters
IF:31.6Q1
DOI:10.1007/s40820-025-01912-z
PMID:40924231
|
研究论文 | 本研究开发了一种基于钴纳米颗粒氮掺杂碳纳米管嵌入聚乙烯醇-明胶基体的多功能有机凝胶压力传感器,结合深度学习技术实现字母识别和生物力学运动监测 | 首次报道了具有抗冻、自粘、自愈合特性的多功能有机凝胶传感器,在宽湿度范围和低温条件下保持稳定性能,并实现了98%准确率的字母识别 | NA | 开发高性能可穿戴传感器用于人机接口和健康监测 | 有机凝胶压力传感器及其在字母识别和人体运动监测中的应用 | 机器学习 | NA | 深度学习,电化学阻抗谱 | 深度学习模型 | 压力传感数据 | NA |
1835 | 2025-09-13 |
Immunoelectron microscopy: a comprehensive guide from sample preparation to high-resolution imaging
2025-Sep-08, Discover nano
DOI:10.1186/s11671-025-04346-z
PMID:40924310
|
综述 | 本文系统介绍了免疫电子显微镜(IEM)技术从样本制备到高分辨率成像的全流程 | 提出基于系统随机采样(SUR)和深度学习算法(如Gold Digger)的定量分析框架,并整合FIB-SEM三维重建与CLEM多模态策略 | NA | 提供IEM技术的全面指导与协同策略分析 | 生物分子、蛋白质分布、细胞器相互作用及疾病病理标志物 | 生物医学成像 | 肿瘤 | 免疫电子显微镜(IEM)、FIB-SEM、CLEM | 深度学习算法(如Gold Digger) | 电子显微镜图像、三维重建数据 | NA |
1836 | 2025-09-13 |
HPDAF: A practical tool for predicting drug-target binding affinity using multimodal features
2025-Sep-08, European journal of medicinal chemistry
IF:6.0Q1
DOI:10.1016/j.ejmech.2025.118153
PMID:40934535
|
研究论文 | 介绍一种名为HPDAF的多模态深度学习工具,用于提高药物-靶点结合亲和力预测的准确性 | 独特整合蛋白质序列、药物分子图和蛋白结合口袋结构相互作用数据,并采用新颖的分层注意力机制动态强调最相关的结构信息 | NA | 提高药物-靶点结合亲和力预测精度以促进药物发现和设计 | 药物分子与靶点蛋白的结合亲和力 | machine learning | NA | multimodal deep learning | hierarchical attention-based mechanism | protein sequences, molecular graphs, structural interaction data | 使用CASF-2016和CASF-2013等广泛认可的基准数据集进行评估 |
1837 | 2025-09-13 |
Dosiomics-guided deep learning for radiation esophagitis prediction in lung cancer: optimal region of interest definition via multi-branch fusion auxiliary learning
2025-Sep-06, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2025.111121
PMID:40921328
|
研究论文 | 本研究提出了一种结合剂量组学和深度学习的多任务辅助学习方法,用于预测肺癌放疗患者的放射性食管炎 | 采用多任务辅助学习基于辐射剂量分布图像自动定义准确且客观的ROI区域,并整合剂量组学特征与深度学习特征进行预测 | 回顾性研究设计,样本来自特定医院可能限制泛化能力 | 开发预测肺癌患者放疗后≥2级放射性食管炎的模型 | 接受放疗的肺癌患者 | 数字病理 | 肺癌 | 剂量组学分析,深度学习 | ResNet34结合对比学习和辅助分割模块 | 辐射剂量分布图像 | 488名患者(来自三家医院:训练集235例,内部验证集101例,外部验证集1为57例,外部验证集2为95例) |
1838 | 2025-09-13 |
Laser spectral enhancement and analysis based on blind-spot networks and Kolmogorov-Arnold networks
2025-Sep-06, Talanta
IF:5.6Q1
DOI:10.1016/j.talanta.2025.128806
PMID:40934630
|
研究论文 | 提出一种基于盲点网络和Kolmogorov-Arnold网络的自监督深度学习框架,用于激光诱导击穿光谱的噪声抑制和定量分析增强 | 结合盲点网络的自监督去噪机制与KAN架构的定量分析模型,无需干净参考数据,显著提升LIBS分析性能 | NA | 解决激光诱导击穿光谱中的噪声干扰和定量分析精度限制问题 | 激光光谱数据 | 机器学习 | NA | 激光诱导击穿光谱(LIBS) | Blind-Spot Networks, Kolmogorov-Arnold Networks (KANs) | 光谱数据 | 6种认证不锈钢参考材料(JZG201-JZG206B,36×36 mm固体块) |
1839 | 2025-09-13 |
Methods for sample preparation and signal amplification in antibiotic detection using surface-enhanced Raman scattering
2025-Sep-06, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2025.146294
PMID:40934785
|
研究论文 | 本文综述了基于表面增强拉曼散射(SERS)的抗生素检测中样品制备和信号放大方法 | 探讨了SERS与固/液相萃取结合的未充分开发领域,并提出集成深度学习和功能化磁性纳米材料以提升检测精度 | SERS耦合固/液相萃取研究尚不充分,需要开发兼容的纳米颗粒和新型纳米吸附剂 | 提升复杂基质中抗生素的预处理、分离和鉴别能力 | 环境及食品中的抗生素污染物 | 分析化学 | NA | 表面增强拉曼散射(SERS), 固相/溶剂(微)萃取, 微流控, 侧向流动(免疫)分析, 磁性富集, 分子印迹聚合物 | 机器学习, 深度学习 | 拉曼光谱数据 | NA |
1840 | 2025-09-13 |
Infant Electrocardiogram-Based Deep Learning Predicts Critical Congenital Heart Disease
2025-Sep-06, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.08.005
PMID:40938228
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |