DeepSeek文献检索实战教程：CherryStudio+Zotero

DeepSeek文献检索实战教程：CherryStudio+Zotero

引用

CSDN

1.

https://blog.csdn.net/youcans/article/details/146453848

本文以博主的研究课题为例，实战记录基于DeepSeek的文献检索过程。对话过程使用“CherryStudio”平台，调用“硅基流动”部署的Deepseek-R1模型。相关的基本操作详见【DeepSeek应用】DeepSeek搭建个人知识库（Ollama+CherryStudio）。

1. Deepseek文献检索的实现方法

1.1 使用Deepseek进行文献检索的步骤

1. 明确检索目标与关键词

• 提取核心概念：分解研究课题为关键词（如“深度学习”、“图像分割”、“医学影像”）。
• 扩展关键词形式：涵盖缩写（如CNN、MRI）、近义词（如“神经网络”）、中英文术语（双语检索更全面）。
• 示例公式：(深度学习 OR 深度神经网络) AND (医学图像分割 OR 肿瘤检测)

2. 利用Deepseek的AI智能检索

• 自然语言提问：直接向Deepseek描述需求，例如：“请推荐近3年基于Transformer的医学图像分割算法相关的高被引论文。”
• 文献关联挖掘：根据已有文献反向拓展，例如：“已知《Attention U-Net》这篇论文，请推荐其关键引文和后续改进研究。”
• 学科交叉建议：询问相关领域可能交叉的方向，例如：“将扩散模型用于遥感图像分割的可行性分析及相关文献推荐。”

3. 深度筛选与验证

• 质量评价指标：通过AI快速提取文献的H指数、期刊影响因子、被引量等数据。
• 方法论对比：让Deepseek总结某技术方向（如“弱监督医学分割”）不同论文的优缺点。
• 可视化分析：生成研究领域的演进脉络图或关键词共现网络（需结合其他工具如VOSviewer）。

1.2 推荐的学术增强工具链

1. 文献发现工具

• Connected Papers (https://www.connectedpapers.com/)
• 输入种子论文自动生成文献图谱
• 识别该领域的奠基性论文和最新突破
• ResearchRabbit (https://www.researchrabbit.ai/)
• 可视化文献网络探索
• 支持协同共享文献集

2. 全文获取渠道

• Unpaywall (浏览器插件)：自动探测合法开放获取版本
• Sci-Hub：应急使用（注意版权）
• ResearchGate：直接向作者索取文献

3. AI文献分析工具

• Elicit (https://elicit.org)
• 用自然语言提问自动汇总多个研究结论
• 提取不同论文的实验设计对比表
• Consensus (https://consensus.app)
• 基于AI的文献证据评估
• 快速回答"X方法是否比Y方法更有效？"

4. 文献管理组合

• Zotero + AI插件：
• ChatZotero：用对话方式管理文献库
• Zotero GPT：自动生成文献综述草稿
• Scite (https://scite.ai)
• 智能分析文献被引上下文
• 识别某观点是否被后续研究支持/反驳

1.3 高效检索策略

1. 迭代检索法

• 初步检索 → 阅读摘要 → 提炼新关键词 → 二次检索
• 目标：达到"文献饱和"（反复出现相同核心文献）

2. 引文珠形增长策略

• 找到1篇高相关论文 → 追踪其参考文献（回溯经典）→ 查找后续引用该文的论文（跟踪发展）

3. 多数据库校验

• 同时检索中文数据库（CNKI、万方）和英文库
• 防止地域性偏倚（某些技术可能在特定地区优先发展）

2. 文献检索设计

2.1 分析核心概念

根据课题背景，分析核心概念。核心概念 具体含义 关联技术/领域

• ROP：早产儿视网膜病变（Retinopathy of Prematurity） 新生儿眼病、视网膜成像、眼底照相筛查
• AI技术：人工智能算法（如分类、分割、检测任务） 深度学习、卷积神经网络、迁移学习
• 医疗应用：自动化筛查、辅助诊断、病变分级 敏感度/特异性分析、临床决策支持系统

2.2 关键词扩展

1. 基础关键词（人工定义）：

• Retinopathy of Prematurity
• ROP screening
• infant retinal imaging

2. 核心术语扩展（通过DeepSeek生成）：

概念 关键词形式

• ROP
• 英文：ROP, Retinopathy of Prematurity, Retinal disease in preterm infants
• 中文：早产儿视网膜病变, ROP筛查, 新生儿视网膜病变
• AI技术
• 英文：Artificial Intelligence, Deep Learning, CNN, Medical Image Analysis, Computer-Aided Diagnosis (CAD)
• 中文：人工智能, 深度学习, 医学影像分析, 计算机辅助诊断
• 应用目标
• 英文：Screening, Diagnosis, Classification, Severity Grading
• 中文：筛查, 诊断, 病变分级, 自动评估

3. 补充控制词（通过DeepSeek生成）：

概念 控制词形式

• 技术相关：segmentation, transfer learning, attention mechanism
• 数据相关：fundus images, retinal photography, neonatal screening
• 评价指标：sensitivity, specificity, AUC

2.3 检索表达式设计

1. PubMed
   检索逻辑：结合自由词（标题/摘要）与MeSH主题词，限制近10年文献：

(("Retinopathy of Prematurity"[MeSH] OR ROP OR "retinal disease in preterm") 
AND 
("Artificial Intelligence"[MeSH] OR "Deep Learning"[MeSH] OR "Neural Networks, Computer"[MeSH] 
 OR "computer-aided diagnosis" OR "image analysis")
AND 
(screen* OR diagnos* OR classif*))
FILTER: 2014/01/01 - 2024/12/31

2. Web of Science
   检索式（TS=主题，时间限制近10年）：

TS= ( 
  ( "Retinopathy of Prematurity" OR ROP OR "preterm retinopathy" ) 
  AND 
  ( "artificial intelligence" OR "deep learning" OR "convolutional neural network" ) 
  AND 
  ( screen* OR diagnos* OR "severity grading" ) 
)
Timespan: 2014-2024, English Articles

3. IEEE/IEL（工程技术类文献）
   检索式：

("Retinopathy of Prematurity" OR ROP) 
AND 
("deep learning" OR "convolutional neural network" OR "medical imaging") 
AND 
(screening OR diagnosis) 
AND 
("fundus image" OR "retinal image")

4. 中国知网（CNKI）
   检索式（专业检索模式，时间限制近10年）：

SU=(早产儿视网膜病变 + ROP) * (人工智能 + 深度学习 + 卷积神经网络) * (筛查 + 诊断 + 分级) 
AND 
(FT=医学影像 OR FT=眼底照相) 
时间：2014-2024 年

2.4 优化建议

1. 查全策略：

• 在英文检索式末尾添加通配符（如diagnos*涵盖 diagnosis/diagnostic）
• 使用OR连接同义词（例：(“fundus images” OR “retinal photography”））

2. 查准策略：

• 添加排除词：NOT animal NOT mouse（避免动物实验文献）
• 限定字段（如TI=标题）过滤低相关文献

3. 领域适配调整：

• 医学数据库（如PubMed）：侧重临床验证结果（敏感度/特异性）
• 工程数据库（如IEEE）：关注算法创新（新网络结构、数据增强方法）

4. 初步检索后校验策略：

• 检查前20篇文献的标题/摘要的匹配度
• 若噪音过多，在检索式中添加限制（如仅保留“婴儿/新生儿”关键词）

5. 关键文献溯源：

• 对于高相关论文，可以通过查看“引文网络”，追踪相关文献

3. 基于Deepseek检索式进行手动检索

3.1 PubMed检索

1. 访问PubMed网站。
   打开浏览器进入 https://pubmed.ncbi.nlm.nih.gov/，登录PubMed。

2. 输入表达式检索。
   将以下表达式粘贴到搜索框，点击 “Search” 进行检索。如下图所示，检索到113篇文献。

   ("Retinopathy of Prematurity"[MeSH] OR ROP OR "retinal disease in preterm") AND ("Artificial Intelligence"[MeSH] OR "Deep Learning"[MeSH] OR "Neural Networks, Computer"[MeSH] OR "computer-aided diagnosis" OR "image analysis") AND (screen* OR diagnos* OR classif*)) AND (2014:2024[pdat])
   

   

3. 抓取文献导入到Zotero。
   （1）点击浏览器右上角的Zotero Connector图标（上图中红色方框），弹出Zotero Item Selector窗口，点击“Select All”按钮，选择将其保存到指定的“ROP_AI”文件夹中。
   （2）Zotero会自动识别文献信息（如标题、作者、期刊等），导入Zotero客户端。如果页面包含PDF文件，Zotero会同时下载并关联到文献条目。
   （3）打开Zotero客户端程序，在“ROP_AI”文件夹中已经导入检索到的113篇文献。
   说明：
   （1）Zotero自动翻译了导入文献的标题和摘要，需要通过AT动作插件自定义工作流实现，详见博文【文献阅读】Zotero新手完全教程：安装、使用与插件。
   （2）有些文献后带有PDF图标，说明已经下载了文献的PDF全文。

3.2 知网（CNKI）检索

1. 访问中国知网。
   打开浏览器进入CNKI官网，登录知网。点击“高级检索”。

2. 输入表达式检索。
   将以下表达式粘贴到搜索框，点击“检索”进行检索。如下图所示，检索到40篇文献。

   SU=('早产儿视网膜病变' OR 'ROP')  
   AND  
   SU=('人工智能' OR '深度学习' OR '神经网络')  
   AND  
   SU=('筛查' OR '诊断' OR '分级')
   

3. 抓取知网检索文献导入到Zotero。
   （1）点击浏览器右上角的Zotero Connector图标（上图中红色方框），弹出Zotero Item Selector窗口，点击“Select All”按钮，选择将其保存到指定的“ROP_中文期刊”文件夹中。
   （2）Zotero会自动识别文献信息（如标题、作者、期刊等），导入Zotero客户端。如果页面包含PDF文件，Zotero会同时下载并关联到文献条目。
   （3）打开Zotero客户端程序，在“ROP_中文期刊”文件夹中已经导入检索到的40篇文献。
   说明：
   （1）抓取知网中文文献，需要“茉莉花（Jasminum）插件”支持，详见博文【文献阅读】Zotero新手完全教程：安装、使用与插件。

3.3 补充检索

根据之前的检索结果，发现对于早期使用传统图像处理方法而不是深度学习、神经网络方法的文献可能有遗漏。于是要求Deepseek生成补充搜索的表达式，然后再根据该表达式进行补充搜索。

用户：针对早期使用传统图像处理方法而不是深度学习、神经网络方法，例如形态学、特征提取、分形等方法，进行ROP计算机辅助诊断，请给出的PubMed优化检索表达式
DeepSeek-R1：以下是针对使用传统图像处理方法（如形态学、特征提取、分形）进行ROP计算机辅助诊断的PubMed优化检索表达式，结合MeSH词与自由词策略，同时排除深度学习与神经网络相关文献：
PubMed检索式
……

用户：类似的，生成采用传统方法计算机辅助在ROP应用的中国知网的检索式
DeepSeek-R1：以下是针对中国知网（CNKI）中关于使用传统图像处理方法（形态学、特征提取、分形分析等）的ROP计算机辅助应用的优化检索式及策略：
……

4. 文献阅读与分析

目前，我们已经检索获取了189篇英文文献和40篇中文文献。如何分析、阅读和综述这些大量的专业文献呢？对此，本文只做简单示例，下文进行详细介绍。

在Zotero安装AwesomeGPT插件，并接入硅基流动平台Deepseek模型，不仅可以对单篇文献进行阅读，还可以对一组（40）篇文献进行分析，结果如下：

本文主要探讨了人工智能（AI）在早产儿视网膜病变（ROP）诊断和治疗中的应用进展。ROP是早产儿和低体重儿常见的视网膜血管增生性疾病，若不及时诊断和治疗，可能导致失明。近年来，AI技术在医学领域的应用取得了显著进展，尤其在ROP的诊断、筛查、病情监测和远程医疗等方面展现出巨大潜力。
1. **AI在ROP诊断中的应用**：AI通过深度学习算法，特别是卷积神经网络（CNN），能够从眼底图像中自动识别和定位ROP病变，辅助医生进行精准诊断。例如，基于深度学习的ROP智能分析系统能够对ROP病变进行分类，并提供血管迂曲度、宽度等量化指标，辅助医生判断病情严重程度 [25]。此外，AI模型在ROP的自动筛查和诊断中表现出高准确率，部分模型的准确率超过95% [14][29]。
2. **AI在ROP筛查中的应用**：AI技术能够通过远程医疗平台实现ROP的自动化筛查，减少对专业眼科医生的依赖，特别是在医疗资源匮乏的地区。例如，基于深度学习的ROP筛查系统能够快速分析眼底图像，筛选出需要进一步诊断的病例，显著提高了筛查效率 [13][17]。
3. **AI在ROP病情监测和预测中的应用**：AI不仅可以用于ROP的诊断，还可以通过分析眼底图像预测ROP的发病风险和病情进展。例如，基于深度学习的ROP预测模型能够通过早产儿的首次筛查眼底照片预测ROP的发病风险，并评估其严重程度 [27][31]。此外，AI还能够预测与ROP相关的早产儿并发症，如支气管肺发育不良、动脉导管未闭等 [27]。
4. **AI在ROP治疗中的应用**：AI技术还可以辅助医生制定治疗方案。例如，基于深度学习的ROP辅助治疗决策系统能够根据眼底图像判断是否需要治疗，并推荐合适的治疗方法，如视网膜激光光凝或玻璃体腔注射抗血管内皮生长因子药物 [14]。
尽管AI在ROP的诊断和治疗中展现出巨大潜力，但其在临床实践中仍面临一些挑战，如数据质量、模型鲁棒性、数据安全性等问题 [5][13]。未来，随着技术的不断进步和数据的积累，AI有望在ROP的筛查、诊断和治疗中发挥更大作用，进一步降低ROP的致盲率 [5][10]。
总结来说，AI技术在ROP领域的应用不仅提高了诊断的准确性和效率，还为远程医疗和自动化筛查提供了新的可能性，具有广阔的应用前景。