OBJECTIVE: Artificial Intelligence-based radiomics models for thyroid ultrasound (US) often lack interpretability, limiting clinical trust. This study develops and evaluates an interpretable radiomic feature (RF) framework for thyroid-nodule classification by linking quantitative-US features to the Thyroid-Imaging-Reporting-and-Data-System (TI-RADS) semantic lexicon through a clinically grounded radiomics dictionary.
METHODS: A radiomics dictionary was constructed to map TI-RADS categories, including composition, echogenicity, shape, margin, and echogenic foci, to Image-Biomarker-Standardizat
СтатьяПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: In the detection of retinal neovascularization (RNV) from fundus images, defining anatomically consistent perivascular regions is challenging due to asymmetric retinal tissue deformation caused by abnormal vessel proliferation in RNV, leading to inaccurate extraction of pathological features. Moreover, early pathological changes in perivascular zones are minute and blend with normal tissue variability, while existing models focused on global retinal features tend to miss these localized abnormalities, resulting in reduced detection accuracy.
METHODS: A novel deep learning (DL) fra
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: The present study is aimed at developing and testing a strong, interpretable, and multi-scale computational pathology framework for the automated histologic grade (grade-based) grading of invasive ductal carcinoma (IDC) from hematoxylin and eosin (H&E) whole-slide images (WSIs). MATERIALS AND METHODS: A multi-center dataset consisting of 3,660 WSIs from 925 patients with IDC from five institutions was assembled and quality controls were very stringent. Images were captured at four magnifications (4X, 10X, 20X, 40X), in order to capture both a view of global tissue architecture and f
СтатьяМногоцентровое исследованиеПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Medical imaging often captures multiple two-dimensional views of three-dimensional anatomic structures, but most artificial intelligence (AI) models analyze two-dimensional data. Here we show that integrating multiple imaging views using a single AI model can improve diagnostic performance. We developed a deep neural network (DNN) architecture that combines information from multiple video views simultaneously. Using echocardiogram data from the University of California, San Francisco, and the Montreal Heart Institute, we applied our multiview DNN approach for three primary demonstration tasks:
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The anteroposterior (AP) pelvic X-ray is commonly used for assessing conditions affecting the bony pelvis. The objective of this study was to develop new pelvic X-ray assessment software (CalculOrther) to assess AP pelvic X-rays and evaluate its reliability. Methods: CalculOrther was developed in 4 stages. Initially, a dataset comprising pelvic X-rays was generated. During the second stage, the convolutional neural network model was trained to identify anatomical landmarks in the pelvic X-ray images. The Hough transform was used to locate the circle and center of the femoral head in the third
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Gleason grading, the clinical gold standard for prostate cancer assessment, is based on subjective evaluation of glandular architecture, resulting in inter-observer variability and limited scalability. This highlights the need for automated grading systems. However, their development is hindered by the scarcity of annotated pathology data. Self-supervised learning (SSL) presents a promising solution by utilizing unlabeled data. Pathology images differ significantly in their diagnostic content, often characterized by subtle glandular structures rather than broad visual patterns. Existing SSL me
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Helicobacter pylori (H. pylori) infection is a major risk factor for gastric carcinogenesis, requiring holistic endoscopic assessment of distributed mucosal abnormalities. While patient-level diagnostic labels are accessible, obtaining large-scale fine-grained annotations is constrained due to high inter-observer variability and the labor-intensive nature of the process. This naturally formulates the task as a multiple instance learning (MIL) problem. Existing image-level approaches often rely on noisy supervisory signals without modeling sequence context, while standard embedding-based MIL me
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Alzheimer's disease (AD) poses significant global health challenges due to its increasing prevalence and associated societal costs. Early detection and diagnosis of AD are critical for delaying progression and improving patient outcomes. Traditional diagnostic methods and single-modality data often fall short in identifying early-stage AD and distinguishing it from Mild Cognitive Impairment (MCI). This study addresses these challenges by introducing a novel approach: multImodal enseMble via class BALancing diversity for iMbalancEd Data (IMBALMED). IMBALMED integrates multimodal data from the A
СтатьяПоддержка NIH: внешняя программаПоддержка правительства СШАПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
PURPOSE: Artificial Intelligence (AI) has been shown to enhance fracture-detection-accuracy, but the most effective AI-implementation in clinical practice is less well understood. In the current study, four approaches to AI-implementation are evaluated for their impact on AI-effectiveness.
MATERIALS AND METHODS: Retrospective single-center study based on all consecutive, around-the-clock radiographic examinations for suspected fractures, and accompanying clinical-practice radiologist-diagnoses, between January and March 2023. These image-sets were independently analysed by a dedicated bone-fr
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
INTRODUCTION: Dynamic chest radiography (DCR) is a recently emerging radiographic technique that uses a series of low-dose sequential chest radiographs to evaluate lung perfusion and ventilation. However, each image may be of insufficient quality to evaluate chest abnormalities as in conventional chest radiography. We aimed to develop a high-quality synthetic static image (SSI), which was generated from a series of DCR images and compared with the original DCR images and chest radiographs.
METHODS: Forty healthy volunteers underwent chest radiography and DCR consecutively. SSIs were generated
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Manufacturer-defined AI thresholds for chest x-ray (CXR) often lack customization options. Threshold optimization strategies utilizing users' clinical real-world data along with pathology-enriched validation data may better address subgroup-specific and user-specific needs.
MATERIALS AND METHODS: A pathology-enriched dataset (study cohort, 563 (CXRs)) with pleural effusions, consolidations, pneumothoraces, nodules, and unremarkable findings was analysed by an AI system and six reference radiologists. The same AI model was applied to a routine dataset (clinical cohort, 15,786 conse
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Malaria is a parasitic disease that causes significant morbidity and mortality worldwide. Early diagnosis plays a critical role in controlling the disease; however, current microscopic diagnostic methods have limitations as they require high expertise and are time-consuming. In this context, artificial intelligence-supported automated diagnostic systems stand out with their potential to provide fast and reliable diagnoses. This study proposes a hybrid model supported by explainable AI (XAI) to diagnose malaria from microscopic blood smear images. The proposed method involves combining the feat
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVES: Diabetes mellitus significantly increases the risk of tuberculosis, and active tuberculosis screening of people with diabetes mellitus has been advocated by WHO and other international bodies. This systematic review aimed to evaluate the accuracy of computer-assisted detection for identifying pulmonary tuberculosis among people living with diabetes mellitus.
METHODS: Medline, Embase, Scopus, Global Health, and Web of Science were searched from January 2010 to May 2024 using MeSH headings and keywords, supplemented with grey literature searches (Conference abstracts, Trial registri
СтатьяСистематический обзорПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Deep learning approaches for multi-label Chest X-ray (CXR) images classification usually require large-scale datasets. However, acquiring such datasets with full annotations is costly, time-consuming, and prone to noisy labels. Therefore, we introduce a weakly supervised learning problem called Single Positive Multi-label Learning (SPML) into CXR images classification (abbreviated as SPML-CXR), in which only one positive label is annotated per image. A simple solution to SPML-CXR problem is to assume that all the unannotated pathological labels are negative, however, it might introduce false n
СтатьяПоддержка исследования: вне правительства СШАПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
INTRODUCTION: The application of artificial intelligence (AI) algorithms in serous fluid cytology is lacking due to the deficiency in standardized publicly available datasets. Here, we develop a novel public serous effusion cytology dataset. Furthermore, we apply AI algorithms on it to test its diagnostic utility and safety in clinical practice.
METHODS: The work is divided into three phases. Phase 1 entails building the dataset based on the multitiered evidence-based classification system proposed by the International System (TIS) of serous fluid cytology along with ground-truth tissue diagn
СтатьяВалидационное исследованиеПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
The left ventricular global longitudinal strain (LVGLS) is a crucial prognostic indicator. However, inconsistencies in measurements due to the speckle tracking algorithm and manual adjustments have hindered its standardization and democratization. To solve this issue, we proposed a fully automated strain measurement by artificial intelligence-assisted LV segmentation contours. The LV segmentation model was trained from echocardiograms of 368 adults (11,125 frames). We compared the registration-like effects of dynamic time warping (DTW) with speckle tracking on a synthetic echocardiographic dat
СтатьяПоддержка исследования: вне правительства СШАПолный текст не найденПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Advances in imaging and artificial intelligence (AI) have revolutionized the detection, quantification and monitoring for the clinical assessment of intermediate age-related macular degeneration (iAMD). The iAMD incorporates a broad spectrum of manifestations, which range from individual small drusen, hyperpigmentation, hypopigmentation up to early stages of geographical atrophy. Current high-resolution imaging technologies enable an accurate detection and description of anatomical features, such as drusen volumes, hyperreflexive foci and photoreceptor degeneration, which are risk factors that
Аннотация на английскомСтатьяОбзорПоиск полного текста в очередиПеревод пока не подготовлен
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
RATIONALE AND OBJECTIVES: Breast cancer screening is critical for reducing mortality rates. YOLOv9, a new real-time object-detection model, is ideal for cancer screening. A customized YOLOv9 model with enhancements for detecting breast cancer on the basis of species and morphological diversity has potential clinical significance.
MATERIALS AND METHODS: The internal dataset consisted of 687 cases split 3:1 for cross-validation. Additionally, 98 cases from external datasets were used for testing. We developed an FS-YOLOv9 model customized for breast cancer detection that incorporated an extra m
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Pre-transplant procurement biopsy interpretation is challenging, also because of the low number of renal pathology experts. Artificial intelligence (AI) can assist by aiding pathologists with kidney donor biopsy assessment. Herein we present the "Galileo" AI tool, designed specifically to assist the on-call pathologist with interpreting pre-implantation kidney biopsies.
METHODS: A multicenter cohort of whole slide images acquired from core-needle and wedge biopsies of the kidney was collected. A deep learning algorithm was trained to detect the main findings evaluated in the pre-i
СтатьяМногоцентровое исследованиеПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
INTRODUCTION: Digitizing cytology slides presents challenges because of their three-dimensional features and uneven cell distribution. While multi-Z-plane scan is a prevalent solution, its adoption in clinical digital cytopathology is hindered by prolonged scanning times, increased image file sizes, and the requirement for cytopathologists to review multiple Z-plane images.
METHODS: This study presents heuristic scan as a novel solution, using an artificial intelligence (AI)-based approach specifically designed for cytology slide scanning as an alternative to the multi-Z-plane scan. Both the
СтатьяСравнительное исследованиеПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MedElevator
Войти в исследования