Deep learning has significantly advanced automated chest X-ray interpretation, yet models remain vulnerable to spurious correlations with visual confounders such as support devices. We propose the Device Invariant Attention Network (DIAN), which couples spatial self-attention with domain-adversarial learning to disentangle disease-relevant signals from device-induced artifacts. DIAN employs an attention module that highlights pathology-relevant regions for prediction while simultaneously identifying device-related areas, which are suppressed via an adversarial domain classifier trained with de
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.
Daily anatomical changes during radiotherapy demand accurate imaging and segmentation to support adaptive treatment. We propose Simultaneous Evidential Network for Synthesis and SEgmentation (SENSSE), a deep learning framework that jointly performs synthetic CT generation and anatomical segmentation from daily CBCT or MR images, while also estimating voxel-wise uncertainty. The architecture integrates a shared encoder and task-specific decoders, trained with a combined loss that promotes cross-task supervision, allowing segmentation to guide synthesis with anatomical priors and synthesis to co
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.
OBJECTIVE: To evaluate whether semantic clinical knowledge augmentation through Semantic Clinical Artificial Intelligence (SCAI) improves medical question answering across commercial and open large language models, and to examine how a reasoning distilled model performs on the same benchmark.
MATERIALS AND METHODS: We evaluated Google Gemini, Microsoft Copilot, Meta Llama 3 70B, and DeepSeek-R1-Distill-Llama-70B on official text only United States Medical Licensing Exam (USMLE) sample questions from Step 1 (n = 87), Step 2 CK (n = 103), and Step 3 (n = 123), with and without SCAI. SCAI compri
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.
Cell instance segmentation in high-resolution microscopy images remains challenging when dense annotations are limited across diverse imaging modalities. This paper presents MUST, a Mean-teacher inspired and Uncertainty-aware Semi-supervised Transformer for cell instance segmentation under limited target-domain annotations. MUST uses adaptive supervised warm-up to stabilize the student model before activating unlabeled consistency learning, and adopts a two-stream mini-batch design to jointly optimize labeled and unlabeled samples. Instead of relying on hard pseudo-labels, an EMA teacher provi
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.
Drug repositioning accelerates therapeutic discovery by identifying new indications for approved drugs, substantially reducing the time and cost associated with drug development. However, graph collaborative filtering (GCF)-based methods for predicting drug-disease associations are limited by data sparsity and structural noise, impeding the modeling of latent high-order and semantic relationships. We hypothesize that jointly leveraging complementary information from structural and semantic neighborhoods can alleviate data sparsity and improve predictive performance. To this end, we propose a u
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.
We aimed to compare the prognostic value of Machine learning (ML) and traditional Cox regression method for predicting adverse clinical events in patients with acute coronary syndrome (ACS). In a prospective observational cohort of 2730 patients with ACS, we analyzed several candidate variables for median follow-up of 8.1 years from the Observation of Cardiovascular Events of ACS patients (OCEA) study. External validation was performed in 542 patients with ACS for median follow-up of 2.8 years from the management of cardiovascular risk and health (MCRH). The random survival forests (RSF)-based
СтатьяНаблюдательное 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.
Metal artifacts severely corrupt CT images, masking anatomical structures and undermining diagnostic reliability. Although supervised metal artifact reduction (MAR) achieves strong suppression, its dependence on paired clean and corrupted data confines it to simulated domains and hinders clinical translation. We recast unsupervised MAR as an artifact-consistent residual learning problem and propose a physically grounded, attention-guided generative framework that closes the loop between artifact estimation and removal. A single-generator dual-branch architecture estimates metal-induced corrupt
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: Over the past decade, postpartum depression (PPD) diagnoses have significantly risen across all ethnic and racial groups. However, PPD remains underdiagnosed due in part to stigmatization and misunderstanding by the public. This can result in a reluctance among women to openly discuss their symptoms with clinicians. However, social media offers supportive communities and unique platforms for individuals to openly share the experiences and opinions that they may be less likely to disclose in person. Despite the availability of new Food and Drug Administration (FDA)-approved medical
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: Steatotic liver disease (SLD) is highly prevalent and noninvasive identification of patients with significant fibrosis remains a clinical challenge.
OBJECTIVE: We conducted an exploratory evaluation of explainable machine-learning models for predicting significant fibrosis in a U.S. population-based cohort of adults with SLD, with particular attention to sensitivity, false-negative risk, and the limitations of using AUROC alone to assess screening suitability.
METHODS: We evaluated explainable machine-learning models for predicting significant fibrosis in a U.S. population-based
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.
The substantia nigra pars compacta (SNpc) provides critical imaging biomarkers for Parkinson's disease (PD) when accurately segmented from magnetic resonance imaging scans. The extremely limited spatial extent of SNpc regions, combined with subtle tissue-intensity variations and ambiguous boundaries shared with adjacent midbrain structures, poses major challenges for existing segmentation methods that rely solely on local feature extraction. To enhance computer-aided diagnosis through improved SNpc segmentation, we propose SNIB-TransNet, a substantia nigra imaging biomarker transformer network
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.
The accurate diagnosis of neurodegenerative diseases (NDDs), such as Amyotrophic Lateral Sclerosis (ALS), Huntington's Disease (HD), and Parkinson's Disease (PD), remains a clinical challenge due to the complexity and subtlety of gait abnormalities. This paper proposes the Dual-Branch Attention-Enhanced Residual Network (DAERN), a novel deep learning architecture that integrates Dilated Causal Convolutions (DCCBlock) for local gait pattern extraction and Multi-Head Self-Attention (MHSA) for long-range dependency modeling. A Cross-Attention Fusion module enhances feature integration, while SHap
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.
As a critical factor in diagnostic work-up and treatment decision-making process of sleep-related breathing disorders, accurate localization of obstructive sites in the upper airway is in dire need. Snoring, as a dynamic acoustic signal, carries informative information relating to the sites and degree of obstruction in the upper airway, offering a non-invasive, cost-effective solution for obstructive sites recognition. However, most of existing snoring-based methods for recognizing obstructive sites only involve limited information (either mainly concentrated on traditional acoustic characteri
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.
Explainability is an important requirement for machine learning models in high-risk domains such as medicine. We introduce HierViT, a hierarchical Vision Transformer that combines competitive predictive performance with multiple mechanisms to support the interpretation of its predictions. The model first predicts clinically relevant visual appearance attributes, which are then used to infer the final target prediction through a hierarchical reasoning process. To facilitate understanding of the intermediate representations, attribute-specific prototypes are visualized as representative image ex
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.
Modeling the longitudinal progression of brain atrophy in Alzheimer's Disease (AD) is critical for early diagnosis and prognosis, but remains challenging for existing generative models. Current methods either fail to preserve anatomical integrity or treat progression as an entangled process, where changes from normal aging are inseparably fused with AD pathology. This fundamentally limits their scientific utility. To address this, we propose DeMorph, a novel deformation-based framework that explicitly disentangles and accurately predicts longitudinal brain MRI changes. Our transformer-based ar
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.
Personalized and continuous cuffless blood pressure (BP) monitoring using photoplethysmography (PPG) is a critical requirement for next-generation wearable healthcare systems. Despite recent progress, existing PPG-based learning models exhibit limited generalization and personalization across individuals, hindering robust real-world deployment. To overcome these limitations, we propose TPF-BP, a novel self-supervised transfer learning framework that integrates physiological priors into representation learning. Specifically, a physiology-guided masked autoencoder is employed for self-supervised
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.
Resting-state functional magnetic resonance imaging (rs-fMRI) serves as a widely used non-invasive brain imaging tool for investigating neurological disorders through functional brain networks (FBN) modeling among brain regions of interest (ROIs). Deep learning frameworks, notably graph neural networks and Transformers, have advanced FBN analysis capabilities. However, existing research still faces two major challenges: (1) deep models require large labeled datasets, whereas rs-fMRI data are scarce and heterogeneous, and (2) most existing studies rely on a single brain atlas for FBN, ignoring
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.
BACKGROUND: Rapid digitalization has led to the generation of vast volumes of health data across diverse sources, including public health surveillance, electronic health records from hospitals, primary care facilities, and telemedicine. However, it often remains fragmented across multiple domains and systems due to siloed data collection practices and a lack of interoperability standards, limiting its potential to generate actionable public health insights.
OBJECTIVE: In this study, we examined publicly available health data portals and assessed their scope, user engagement features, and impl
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.
Drug-target interaction (DTI) prediction is critical for drug discovery and repositioning. Existing methods often rely on coarse-grained representations and fail to capture the reciprocal nature of molecular recognition. We propose FGMDTI, a fine-grained multimodal framework that models bidirectional interactions between drugs and proteins represented as functional units, each encoded through a dual-view feature representation that integrates structural features from pre-trained foundation models and semantic features from large language model (LLM)-based text embeddings. Results on five bench
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.
Accurate hemodynamic assessment is of significant clinical value in the diagnosis, prognosis, and treatment planning of cardiovascular and cerebrovascular diseases. However, obtaining noninvasive, rapid, and high-fidelity hemodynamic information remains challenging. Invasive measurements carry risks, numerical simulations rely on complex modeling and high computational power, and while deep learning methods are efficient, they often lack physical constraints, leading to unstable performance in complex and diverse vascular geometries. To address this, we propose an innovative two-step framework
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.
BACKGROUND: Electronic health records (EHRs) collected from diverse healthcare institutions offer a rich and representative data source for clinical research. Federated learning enables analysis of these distributed data without sharing sensitive patient-level information, preserving privacy. However, missing data remain a major challenge and can introduce substantial bias if not properly addressed. Very few distributed imputation methods currently exist, and they fail to account for two critical aspects of EHR data: correlation within sites and variability across sites. We aim to fill this im
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.
MedElevator
Войти в исследования