BACKGROUND AND SCOPE: Cause of death is an important variable in cancer registries that supports downstream analyses, including cause-specific survival analysis. Unfortunately, in current practice, it is only available on government-issued death certificates, which are often received as scanned images. Current computer vision-based optical character recognition (OCR) methods struggle with handwriting, background noise, and blurriness, resulting in poor performance. A robust method for the cause of death ascertainment is urgently needed.
SOLUTION: Latest vision language models (VLMs), such as
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: LLMs now power clinical agents that plan, call tools, and write into EHRs in routine clinical workflows today. Before clinical deployment, we must know whether agents detect patient identity faults or write through them.
METHODS: We built a record environment from publicly available MIMIC-IV emergency department data. Agents copied ICD-10-CM codes from visit headers into patient records using Extract and Store tools, with "UNKNOWN" allowed when uncertain. Missing Store calls were counted as non-writes. Each run presented ten visits from one patient (clean), then one visit was tamp
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.
OBJECTIVE: This study developed and validated monolingual and bilingual sentence-bidirectional encoder representations from transformers (SBERT) models for detecting cancer recurrence within Thai-English electronic medical records (EMRs) from Thai cancer hospitals.
METHOD: A multicentre dataset of 32 436 documents from 1250 patients was used for model development. External validation involved an independent dataset of 9244 documents from 384 patients across two Thai cancer hospitals. Performance was benchmarked against a fine-tuned PubMedBERT (MetBERT).
RESULTS: The development dataset inclu
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.
Radiomics applied to two-dimensional breast ultrasound has emerged as a potential noninvasive approach for differentiating benign from malignant breast lesions; however, its diagnostic accuracy and methodological reliability remain uncertain. This PRISMA-DTA-compliant systematic review and meta-analysis (PROSPERO CRD420251149769) synthesized evidence from observational studies published between 2019 and 2026. A comprehensive search of PubMed, Scopus, Web of Science, and the Cochrane Library identified 27 eligible studies. Pooled sensitivity, specificity, and hierarchical summary ROC (HSROC) ar
СтатьяОбзорПоиск 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.
Breast density is a key factor in mammographic screening, as high-density tissue increases cancer risk and can obscure lesions, reducing diagnostic sensitivity. This work presents a deep learning-based framework for automated breast density assessment in mammography, combining BI-RADS classification and dense fibroglandular tissue segmentation. To improve data diversity and mitigate class imbalance, we construct a fusion dataset from different sources and introduce manually refined classification and segmentation annotations. The framework generates structured reports that combine visualizatio
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: Data heterogeneity remains a major limitation in epidemiological and clinical analyses of cancer. In Germany, cancer registration is organized at the federal state level. While standardized oncological datasets exist for reporting and data transfer, the use of free-text fields and open regular expressions introduces heterogeneity within and across registry datasets. This variability complicates multi-registry analyses and necessitates extensive data cleaning, thereby limiting the reproducibility and comparability of population-based cancer studies.
METHODS: We implemented a pipeli
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.
Breast tissue density is an established biomarker of breast cancer risk and an important determinant of mammographic sensitivity. Density assessment is typically performed using X-ray mammography. In this study, we investigate whether breast tissue density-related information may be reflected in infrared thermal images using artificial intelligence. The underlying hypothesis is that fibroglandular and adipose tissues differ in thermophysical and physiological properties, potentially giving rise to subtle surface temperature patterns. We propose DensiThAI, a multi-view deep learning framework t
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.
The use of artificial intelligence (AI) models to assist clinical decisions for diagnosis and prediction has been shown to improve patient outcomes and clinical decision-making. However, the performance of an AI model deployed in a clinical setting can vary over time or between initial evaluations and clinical use because of data drift. Monitoring the performance of a deployed AI model may help to (i) ensure the AI model performs as expected in the clinical environment and (ii) detect performance deviations and alert stakeholders to these deviations. In this study, we investigate how a change
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: Although SNOMED CT contains individual concepts for specimen containers, no systematic reference set based on clinical practice has been developed. This study aimed to develop a value set for specimen containers through multicenter consensus, map it to SNOMED CT, and validate it at external institutions.
METHOD: Local specimen container names were collected from four university hospitals and two referral laboratories. After excluding non-container names, the remaining names were classified into eight container categories. Representative terms were extracted through consensus works
СтатьяМногоцентровое исследованиеВалидационное 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.
OBJECTIVES: To evaluate the ability of large language models (LLMs) to simulate multidisciplinary team (MDT) decision-making in colorectal cancer, a malignancy that often requires complex treatment planning.
METHODS: We retrospectively analysed 1423 colorectal cancer cases discussed at MDT meetings at Peking University Cancer Hospital between January 2023 and December 2024. Three LLMs-OpenAI o3-mini-2025-01-31, DeepSeek-R1 671b and Qwen qwq-plus-2025-03-05-were tested for their ability to replicate MDT recommendations using a standardised treatment categorisation framework. Each case was proc
СтатьяСравнительное 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.
OBJECTIVE: To develop and validate a robust, multimodal machine learning framework integrating radiomic and deep learning features from multiplex immunohistochemistry (mIHC) images for comprehensive outcome prediction in colorectal cancer (CRC).
MATERIALS AND METHODS: This multi-institutional retrospective study included 2,117 CRC patients from seven centers, with 1,548 cases used for model training and internal testing, and 569 for external validation. mIHC-stained whole-slide images targeting six immune markers (CD3, CD8, CD45RO, PD-1, LAG-3, Tim-3) were analyzed from two spatial compartmen
СтатьяМногоцентровое 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.
OBJECTIVE: This study develops and validates a deployable, privacy-preserving automated tool to address the labor-intensive nature of colorectal cancer (CRC) recurrence registration. Our tool utilizes a reproducible, two-stage 'Clinical Context Engineering' workflow to mimic expert clinical reasoning and overcome the limitations of handling longitudinal clinical data ambiguity.
METHODS: We retrospectively studied 3053 CRC patients (2010-2018). A local Large Language Model (LLM) (Qwen3:14B) analyzed ∼ 19,900 pathology and ∼ 43,900 imaging reports using iterative, patch-based analysis ("raw LLM
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.
PURPOSE: The Pediatric Relapse Prediction and Risk Evaluation for Acute Lymphoblastic Leukemia (PREPARE-ALL) tool aims to predict relapse in pediatric ALL by integrating clinical expertise with artificial intelligence and machine learning (ML), particularly Extreme Gradient Boosting (XGBoost). PREPARE-ALL demonstrates that multicenter, protocol-driven clinical and laboratory data can be used through ML to generate reproducible relapse predictions with greater sensitivity than individual clinician assessments.
METHODS: PREPARE-ALL was developed using data from the ICiCLe ALL-14 pretrial cohort
СтатьяМногоцентровое исследованиеПолный 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.
Liver cancer is a leading cause of cancer mortality; hepatocellular carcinoma (HCC), its predominant form, requires accurate survival prediction to guide prognosis and treatment decisions. We propose a multimodal framework for discrete-time survival prediction using histopathological and clinical data from the TCGA-LIHC cohort. Patch-level features extracted from Whole-Slide Images using the UNI2-h foundation model were aggregated within each slide through a Graph Attention Network, while clinical variables were encoded with a sentence transformer. The resulting embeddings were fused through i
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.
This study aims to develop a machine-learning model using electronic medical records to predict postoperative complications after radical gastrectomy for gastric cancer. Data from 4892 patients who underwent the procedure between January 2012 and March 2022 were analyzed. Complications were defined as grade 1 or higher according to the Clavien-Dindo classification. Thirty-two predictors identified from previous research were matched to electronic medical records. After preprocessing, 5 machine-learning models-logistic regression, random forest, extreme gradient boosting, CatBoost, and multilay
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: Preoperative imaging prediction of perineural invasion in gastric cancer (GC-PNI) mainly relies on tumour characteristics and clinical variables, while the potential of non-tumour-derived multimodal features remains underexplored.
METHOD: We retrospectively enrolled 777 patients from three medical centers and divided them into a training cohort, an internal testing cohort (I-T), and two external testing cohorts (E-T1, E-T2). We developed an end-to-end multimodal and multitask deep learning framework, termed GAST-NET, that integrates tumour CT features, visceral adipose tissue char
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.
This study aims to determine the relationship between health professionals' artificial intelligence (AI) literacy and their attitudes toward AI. This descriptive and correlational study was conducted between May and July 2024 in an educational research hospital located in eastern Turkey, encompassing 1378 health professionals. The sample size was calculated as 301 participants, with a 95% confidence interval and a 0.05 margin of error, and data collection was completed with 439 participants. 58.8% of the participants were male and 49.0% of them did not have information about the use of artific
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.
This paper presents a novel multimodal fusion-based framework for colorectal cancer (CRC) survival prediction, integrating whole-slide images (WSIs) with clinical and biomarker data. The framework combines the ProvGigaPath model for WSI feature extraction and the TabTransformer for tabular data representation. Two fusion strategies were explored: contrastive learning (CL) on limited data and cross-attention (CA) for intermediate-level integration. Experiments on the Molecular and Cellular Oncology (MCO) dataset showed that CL achieves AUROCs of 0.82 (tabular) and 0.73 (image), while CA-based m
СтатьяПолный 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.
PURPOSE: Clinical research in pancreatic cancer (PC) has been limited because of a lack of granular data in national data sets. An electronic health record (EHR)-based data set specifically designed for PC has immense potential to advance research. This study describes the creation of an EHR-based data commons for patients with PC.
METHODS: We generated an index cohort of adult patients at our institution diagnosed with PC (International Classification of Diseases for Oncology, codes C25.0-25.9) between January 1, 2010, and December 31, 2023. To develop the Pancreatic Cancer Data Commons (PCD
СтатьяПоддержка NIH: внешняя программаПоиск 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 monitoring, diagnosis, and treatment of patients has been completely transformed by the Internet of Things (IoT) in healthcare, especially in underprivileged and distant locations. IoT-enabled remote patient monitoring (RPM) makes it possible to gather and transmit health data like heart rate, glucose levels, and blood pressure in real-time, facilitating proactive and individualized care. IoT-enabled smart wearable devices like smartwatches, ECG patches, and fitness bands track physical activity and health parameters provide real-time data to clinicians via mobile apps or cloud servers and
СтатьяОбзорПоиск 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.
MedElevator
Войти в исследования