We quantify how the per round client participation rate k affects performance and runtime in a federated learning study predicting two year confirmed disability progression in multiple sclerosis using routine clinical data. Using the original study's data, preprocessing, model, and evaluation protocol, we vary k at 1.0, 0.6, and 0.4. Lower participation shortens wall time but can slightly reduce ROC - AUC and AUC - PR; k ≈ 0.6 preserved nearly all performance while cutting runtime by about one 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.
Cognitive impairment is a frequent, disabling symptom of multiple sclerosis (MS). Digital interventions may help people with MS maintain or improve cognition, but effectiveness varies between individuals. This exploratory study examines the feasibility of using machine learning models trained on Fitbit-derived real-world data to predict responsiveness to a computerised cognitive training intervention. Linear support vector machine classifiers achieved a mean balanced accuracy of 0.71 in distinguishing responders from non-responders, while SHAP analysis identified sleep and cardiac activity fea
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.
Traditional radiomic studies build texture matrices using single-voxel increments. However, useful information may emerge when radiomic features are instead evaluated across multiple spatial scales. Moreover, basing these scales on physical units may produce results that are more interpretable to clinicians. We propose a multi-scale radiomic approach that defines texture distances in millimeter-based units to capture a more inclusive range of texture information, promote reproducibility, and improve clinician interpretability. We examine the variance in quantified radiomics across multiple spa
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.
The objective of the study is to develop and externally evaluate interpretable machine learning models integrating routinely reported ultrasound and MRI features for the preoperative prediction of axillary lymph node metastasis in patients with breast cancer. Clinical and imaging data from 673 patients with breast cancer examined between January 2019 and May 2025 were retrospectively analyzed. Data from the development center were divided at an approximately 70:30 ratio into a training cohort (n = 321) and an internal validation cohort (n = 137), while 215 patients from an independent institut
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: Multiple sclerosis (MS) is a chronic neurodegenerative disease of the central nervous system (CNS) that affects nearly 3 million people worldwide. It can lead to cognitive impairment, physical disability, and a reduced quality of life. Technological innovations have demonstrated significant potential in supporting individuals living with chronic conditions, including MS.
PURPOSE: This study aims to synthesize existing evidence on technological solutions designed to support people with MS across various aspects of disease management and daily living.
METHODS: A literature search w
Scoping ReviewСтатьяПоиск 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.
Artificial intelligence (AI) is transforming medical imaging and digital health, yet standard pre-market clearances evaluate algorithms under static, idealised conditions. Once deployed, imaging AI can degrade because of scanner drift, acquisition protocol shifts, software updates, and patient demographic variation. Although the US Food and Drug Administration Predetermined Change Control Plan and the EU AI Act introduce lifecycle oversight, clinical institutions lack structured tools to operationalise these requirements locally. We propose the Regulatory Readiness Instrument for Medical Imagi
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.
Non-invasive follicular thyroid neoplasm with papillary-like nuclear features (NIFTP) and invasive encapsulated follicular variant of papillary thyroid carcinoma (IEFVPTC) are diagnostically challenging thyroid neoplasms with overlapping clinical and molecular characteristics. Although artificial intelligence has shown promise for diagnostic support in radiology and histopathology, its application to gross pathology remains unexplored. This study analyzed gross pathology photographs from 87 patients (43 with NIFTP and 44 with IEFVPTC). Three frozen, pretrained convolutional neural network back
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.
PURPOSE: Machine learning models that predict survival time for patients are increasingly used for clinical decision support. Validating model performance in deployment is important but challenging because the only timely source of follow-up/death data is the electronic medical record (EMR), which is known to undercapture deaths, resulting in informative censoring. We examined whether model performance evaluation using EMR data alone can distinguish between low- and high-quality models using high-quality cancer registry data combined with EMR data as a comparison to calculate model performance
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.
The development of deep learning models for histopathology frequently relies on transfer learning (TL) to overcome the scarcity of annotated medical data. However, the efficacy of this approach under varying degrees of data availability is still not fully understood. This study systematically evaluates the impact of TL and model capacity on patch-level breast cancer metastasis detection across different PatchCamelyon training data regimes (25%, 50%, and 100% of the 262,144 training patches) using three network configurations: a frozen ResNet18, a partially fine-tuned ResNet18, and a custom sma
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.
PURPOSE: High-grade gliomas exhibit substantial spatial and temporal heterogeneity, posing a challenge for radiotherapy (RT) target definition. Adaptive RT, which prospectively modifies treatment plans, may benefit from early identification of intratumoral regions likely to exhibit differential treatment response. Apparent diffusion coefficient (ADC), a marker associated with tumor cellularity and aggressiveness, is a promising imaging biomarker of RT response. We present a patient-specific computational framework that predicts treatment response and identifies candidate adaptive RT targets 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.
PURPOSE: Neuroblastoma (NB) is a childhood malignancy with a poor prognosis and a propensity for distant metastasis (DM). We aimed to establish machine learning (ML) based model to accurately predict risk of DM and prognosis of NB patients with DM.
METHODS: We analyzed NB patients from the Surveillance, Epidemiology, and End Results (SEER) database between 2000 and 2020. Univariate and multivariate logistic analysis were employed to select meaning variables. Recursive Feature Elimination (RFE) method based on 6 ML algorithms was utilized in feature selection. To construct predictive model, 13
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.
PURPOSE: To develop an AI-based diagnostic model for assessing cervical lymph nodes in head and neck malignant tumors using MRI, enabling non-invasive pre-surgical metastasis diagnosis.
MATERIALS AND METHODS: Fifty-three cases of head and neck malignant tumors were retrospectively analyzed, including 157 metastatic lymph nodes and 2,406 MRI images. The dataset was split into training, validation, and test sets. A convolutional neural network (CNN) model was optimized through ablation and comparative experiments, and its diagnostic performance was evaluated using metrics such as average precis
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.
PURPOSE: Artificial Intelligence (AI) is increasingly recognized for its potential in improving the detection, classification, prediction, and segmentation of colon cancer. Yet, the reliability of these applications depends on the quality and completeness of the underlying studies. This systematic review evaluates the current state of AI applications in colon cancer research, focusing on their impact on diagnostic accuracy, treatment planning, and patient outcomes.
METHODS: A comprehensive search was conducted in PubMed, Scopus, and Web of Science for articles published between 2020 and 2024.
СтатьяСистематический обзорПоддержка 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.
BACKGROUND: Colon cancer diagnosis from histopathology is challenging due to limited annotated data and the lack of interpretability in deep models.
OBJECTIVE: We present a data-efficient framework combining few-shot learning and explainable AI for accurate and transparent diagnosis.
METHODS: A Prototypical Network with a ConvNeXt-Tiny backbone was trained on small colon-tissue image sets. Explanations from Grad-CAM and LIME were validated by a pathologist, and generalization was tested on an external dataset.
RESULTS: The model achieved 98.5 % accuracy in-domain and 90 % on the EBHI datase
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: Acute Lymphoblastic Leukemia (ALL) is the most common pediatric cancer, requiring early detection to save lives and reduce the financial burden of advanced-stage treatment. While traditional diagnostic methods are time-consuming and resource-intensive, deep transfer learning offers a computationally efficient alternative for medical image classification.
METHOD: This study employed two widely recognized transfer learning algorithms, VGG-19 and EfficientNet-B3, to detect ALL using a publicly available dataset of 10,661 images from 118 patients. Data preprocessing included resizing,
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.
The estimation of the Length of Stay (LOS) is a critical factor in clinical and managerial decision-making, helping healthcare professionals optimize hospital efficiency. For patients with orthopedic trauma, particularly those with lower limb fractures, LOS prediction becomes essential for resource planning and improving patient care. This study aims to analyze and predict LOS for patients with lower limb fractures admitted to the A.O.R.N. "Antonio Cardarelli" hospital in Naples. To achieve this, five neural network-based classifiers were implemented, and their performances were compared with
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 objective of this study is to enhance the understanding of ophthalmic disease physiology and genetic architecture through the analysis of optical coherence tomography (OCT) images using artificial intelligence (AI). We introduce a novel AI methodology that addresses the challenge of transferring OCT phenotypes across datasets. The approach employs unsupervised and self-supervised learning techniques to phenotype and cluster OCT-derived retinal layer thicknesses, using glaucoma as a model disease. Our method integrates deep learning, manifold learning, and a Gaussian mixture model to identi
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.
Gastric cancer is among the most common diseases worldwide and can lead to fatal outcomes. Early diagnosis significantly increases the success of treatment, and accurate and rapid analysis of histopathological images is of enormous importance. However, since manual evaluation of these images is time-consuming and open to observational errors, the need for automatic diagnosis systems supported by artificial intelligence is increasing. In this study, a multi-stage artificial intelligence-based model that performs cancer detection on gastric histopathological images is proposed. In the first stag
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 aimed to evaluate the image quality of virtual monochromatic images (VMIs) reconstructed with deep learning image reconstruction (DLIR) using dual-energy CT (DECT) to diagnose pancreatic ductal adenocarcinoma (PDAC). Fifty patients with histologically confirmed PDAC who underwent multiphasic contrast-enhanced DECT between 2019 and 2022 were retrospectively analyzed. VMIs at 40-100 keV were reconstructed using hybrid iterative reconstruction (ASiR-V 30% and ASiR-V 50%) and DLIR (TFI-M) algorithms. Quantitative analyses included contrast-to-noise ratios (CNR) of the major abdominal ve
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.
Missed critical imaging findings, particularly those indicating cancer, are a common issue that can result in delays in patient follow-up and treatment. To address this, we developed a rule-based natural language processing (NLP) algorithm to detect cancer-suspicious findings from Japanese radiology reports. The dataset used consisted of chest and abdomen CT reports from six institutions. Reports from our institution were used for algorithm development and internal evaluation, while reports from the other five institutions were used for external evaluation. To create the gold standard, reports
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.
MedElevator
Войти в исследования