【DeepSeek应用】Deepseek R1 本地部署（Ollama+Docker+OpenWebUI）
【DeepSeek应用】DeepSeek 搭建个人知识库（Ollama+CherryStudio）
【DeepSeek应用】100个 DeepSeek 官方推荐的工具箱
【DeepSeek应用】Zotero+Deepseek 阅读与分析文献
【DeepSeek应用】DeepSeek 文献检索实战教程（CherryStudio+Zotero）

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）。

• CherryStudio 是一款集多模型对话、知识库管理、AI 绘画、翻译等功能于一体的全能 AI 助手平台。
• 硅基流动 平台提供了 DeepSeek 模型的接入服务，适合需要稳定性和多样化模型的用户。使用邀请码 S2JFvBgm 注册 硅基流动平台，获赠 2000 万 Tokens！

1. Deepseek 文献检索的实现方法

用户：我是一名硕士研究生，我要对研究课题进行文献检索。首先，请你介绍使用 Deepseek 和相关工具进行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

用户：我的课题相关领域是 “人工智能在 ROP 筛查和诊断中的应用”。我们首先明确检索目标与关键词，请（1）提取核心概念，（2）扩展关键词形式，（3）分别列出 PubMed, Web of Science, IEEE/IEL, 知网 的检索表达式（Query box）。

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

用户：请以你提出的 PubMed 检索表达式，在 PubMed 网站进行检索，并返回全部检索结果。
DeepSeek-R1：很抱歉，作为一个AI助手，我无法直接访问互联网或实时执行PubMed的检索操作，但我可以为您提供详细的手动检索指南，并说明如何验证和改进检索策略：

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：
…

3.4 检索结果优化

1. 初筛阶段：

保留同时包含 “retinal image” + “accuracy” + “algorithm” 组合的文献

2. 二次过滤：

使用Excel公式快速标注重合度（示例公式）：

<EXCEL>
=IF(AND(ISNUMBER(SEARCH("ROC",A2)), ISNUMBER(SEARCH("sensitivity",A2))), "高价值", "")

3. 追踪最新进展：

在 Google Alerts 设置监测：

("ROP screening" OR "retinopathy diagnosis") 
("deep learning" OR "AI model") 
after:2024-01-01

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。

版权声明：
本文是youcans@xidian 原创作品，转载必须标注原文链接：
[email protected] 作品：【DeepSeek应用】DeepSeek 文献检索实战教程（CherryStudio+Zotero）
Copyright 2025 youcans, XIDIAN
Crated：2025-03