BACKGROUND AND OBJECTIVE: Cardiovascular disease recognition from electrocardiogram (ECG) requires capturing subtle pre-symptomatic electrical abnormalities that manifest across spatially distributed leads and evolve temporally. Current predictive models inadequately address three critical challenges: the anatomical coupling between ECG leads reflecting cardiac electrical propagation, the multi-scale temporal dynamics spanning millisecond depolarization to circadian rhythms, and the progressive nature of cardiac pathophysiology. We developed an integrated spatiotemporal framework to model thes
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.
Physics-based neuromusculoskeletal models have been widely used to assess biomechanics not readily measured in laboratory or clinical settings (e.g., joint contact forces). However, these physics-based models require extensive and rich input data, as well as expertise to operate. Artificial intelligence (AI) is a promising alternative to physics-based modelling. AI can learn complex input-output relationships directly from laboratory biomechanical data, thus enabling scalable estimation of internal biomechanics (e.g., joint contact loading) using clinic-friendly data (e.g., video, body measure
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: Accurate electrocardiogram (ECG) interpretation for acute coronary occlusion is a critical, time-sensitive task in emergency care. The field is increasingly shifting from the ST-segment elevation myocardial infarction paradigm to the broader concept of occlusion myocardial infarction (OMI). This study compared the diagnostic accuracy of a dedicated occlusion-detection deep neural network, Queen of Hearts (QoH), two general-purpose multimodal large language models (LLMs), and emergency physicians for ECG-based OMI detection. Response consistency and confidence calibration of the LLM
СтатьяСравнительное 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.
BACKGROUND: Neurologists have a significant challenge due to the progressive nature of Alzheimer's disease (AD) and its severe effects on cognitive function. Recent advances in neuroimage analysis have opened the door to novel machine-learning techniques that could greatly improve AD diagnosis, progression prediction, and detection.
NEW METHOD: In this research, we provide an enhanced hybrid deep learning approach for combined AD classification and segmentation. An enhanced inception-ResNet-V2 model is used for the multi-class classification of AD and an improved XceptionNet model is used to
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.
Molecular Recognition Features (MoRFs) are segments within disordered protein regions (IDRs) that undergo a disorder-to-order transition upon binding to their partners. Identifying MoRFs remains a significant challenge. This paper introduces MoRFchibi 2.0, a specialized prediction tool designed to identify the locations of MoRFs within protein sequences. Our results show that MoRFchibi 2.0 outperforms all existing MoRF and general predictors of protein-binding sites within IDRs, including the top-performing models from the Critical Assessment of protein Intrinsic Disorder (CAID) rounds 1, 2, a
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.
Anxiety disorders pose an increasing challenge to the mental health of individuals, particularly in regions with limited healthcare access. This study investigated the potential of integrating a brain-computer interface for processing electroencephalography (EEG) data with deep learning models to accurately classify anxious and non-anxious states. In the first phase, a convolutional neural network (CNN) was developed and validated on the public GAMEEMO dataset, achieving a classification accuracy of 95.72%. In the second phase, we conducted a separate experimental validation with seven partici
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.
Conventional hearing aid (HA) algorithms, developed based on computational and non-differentiable auditory processing models, do not typically compensate for cochlear synaptopathy (CS). Traditional HAs apply fixed or rule-based gain adjustments within predefined frequency bands and compression ratios, instead of model-based fitting that numerically optimizes processing from neural representations of normal and impaired hearing. To compensate for combined CS and outer-hair-cell (OHC) loss, deep neural network (DNN)-based closed-loop HA systems are gaining traction. Here, we present several DNN-
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.
Innovative technologies for developing intelligent systems related to locomotion prediction learning are crucial in today's world. Human locomotion involves various complex concepts that must be addressed to enable accurate prediction through learning mechanisms. Our proposed system focuses on locomotion learning through vision RGB devices, ambient sensors-based signals, and physiological motions from biosensing devices. First, the data is acquired from five different scenarios-based datasets. Then, we pre-process the data to mitigate the noise from biosensors and extract body landmarks and ke
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.
Electroencephalogram (EEG)-based biometric sensing provides a promising pathway for secure and user-specific human authentication, but practical deployment remains limited by cross-session non-stationarity and potentially optimistic evaluation protocols caused by window- or event-level leakage. This study developed a cross-session EEG biometric sensing framework using interpretable spectral features and target-session calibration, with trial-level non-overlapping data partitioning to prevent overlap between training, calibration, and blind-test sets. Multi-channel EEG events were segmented int
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.
Accelerating molecular probe discovery and lead optimization requires accurate and efficient binding affinity prediction. Here we present PBCNet2.0, a Cartesian tensor-based Siamese neural network for protein-ligand relative binding affinity prediction. Trained on 8.6 million protein-ligand complex pairs, PBCNet2.0 achieves zero-shot accuracy similar to computationally intensive physics-based simulations while remaining highly efficient. Retrospective prioritization experiments show that PBCNet2.0 improves optimization efficiency by 7.18-fold and reduces resource use by 41%. Mechanistic analys
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.
OBJECTIVE: Posterior systolic curling (PSC) is a morphofunctional abnormality of the posterior mitral annulus associated with malignant ventricular arrhythmias and sudden cardiac death. Current diagnosis is qualitative and operator-dependent, limiting reproducibility, objectivity and standardization. This study introduces CURL-AID (Curling Ultrasound-based Recognition and Labeling-Automated Intelligence-driven Diagnosis), a fully automated echocardiographic framework for PSC detection through quantitative analysis of posterior annular and left ventricular wall hypermobility.
METHODS: Paraster
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.
INTRODUCTION: Breast cancer continues to threaten millions of women globally, and early detection is essential for saving lives. However, inconsistencies in radiological interpretation and uncertainty in lesion assessment limit diagnostic reliability. This study proposes FGOOPNet, a fuzzy deep ensemble model designed to enhance mammographic breast cancer classification accuracy and decision transparency.
METHODS: Seven complementary CNN architectures, InceptionV3, ResNet-50V2, ResNet-152, DenseNet-121, DenseNet-201, VGG19, and Xception, were integrated into a unified ensemble framework using
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: To develop and evaluate deep learning models for upper abdominal ultrasound standard section recognition and downstream multi-organ segmentation.
METHODS: This retrospective study used real-world clinical ultrasound data from a single center. A total of 521 upper abdominal ultrasound examination videos were collected, of which 465 met the inclusion criteria. Standard section frames were extracted and reviewed by sonographers, yielding 5535 images representing 12 clinically defined upper abdominal standard sections across the liver, gallbladder, pancreas, and spleen. A two-stage seq
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.
To address the strong dependence of space object orbit prediction on physical models and initial conditions, as well as the difficulty of completely eliminating prediction errors, this study proposes a satellite orbit prediction correction method that integrates an attention mechanism with a long short-term memory (LSTM) network. Taking the LAGEOS satellite as the research object, the proposed method uses position error, velocity, and acceleration features extracted from historical orbital data to train a deep learning model for predicting one-day-ahead orbital errors and correcting the SGP4 o
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.
Accurate quantification of axon density is pivotal in optic nerve-related studies, as axonal degeneration is a hallmark of numerous neurological disorders. This study introduces the Point Positioning and Counting Network (PPCNet), a novel point-annotation-based deep learning framework that overcomes the limitations of manual counting and existing automated tools. PPCNet integrates a VGG16 backbone with multiscale feature extraction and lateral fusion to generate high-resolution feature maps. A dual-branch architecture regresses spatial coordinates and classifies candidate points, enabling axon
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.
A heart-convolutional neural network (heart-CNN) was developed and tested for the automatic detection of left atrial enlargement (LAE) from feline thoracic radiographs. A retrospective and multicenter study was performed. Right lateral and dorso-ventral and/or ventro-dorsal thoracic radiographs of cats with concomitant echocardiographic examination were selected from the internal databases of both academic and private referral institutions. Radiographic images were classified as no LAE, mild, moderate and severe LAE, based on echocardiographic reports. Heart-CNN performance was evaluated using
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.
Lymph node metastasis (LNM) is a key prognostic factor in esophageal squamous cell carcinoma (ESCC), and accurate preoperative prediction remains challenging. Blood biomarkers provide a conventional, preoperative diagnostic technique that is cost-effective and free from radiation risks. So far, previous studies have been published on the precise diagnosis of lymph node metastases using conventional ultrasound or CT techniques. While there is a lack of research studies that address the diagnosis of LNM from blood biomarkers. In this work, we acquired a cohort of blood biomarkers of 1933 patient
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 effects of positive allosteric modulators (PAMs) of the GABAA receptor in disorders of consciousness (DoC)-such as the hypnotic zolpidem in coma-are frequently reported but remain poorly understood. Although several hypotheses have been proposed to explain their paradoxical effect, biologically plausible computational models that test why only a subset of patients with DoC respond to inhibitory-enhancing medications may clarify this phenomenon and guide therapeutic strategies. We extended a spiking neural network model to mechanistically investigate inhibitory neuron enhancement in DoC. Th
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.
PURPOSE: We aimed to develop a universal, fully automated segmentation algorithm that allows robust analysis of oral diadochokinesis across various neurological diseases, dysarthria types, and dysarthria severities.
METHOD: Recordings of sequential motion rates were collected from 231 subjects, including 80 healthy controls and 151 patients with neurological diseases such as amyotrophic lateral sclerosis, essential tremor, Huntington's disease, multiple sclerosis, multiple system atrophy, Parkinson's disease, progressive supranuclear palsy, and cerebellar ataxia. A robust automatic segmentati
СтатьяПоддержка исследования: вне правительства СШАПоиск 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: Prescription dose selection for lung brain metastases treated with stereotactic radiosurgery (SRS) remains largely guided by generalized practice patterns rather than tumor-specific modeling of local failure dynamics. We developed a Therapeutic Hybrid Intelligence with Neural and Knowledge-based Expert Reasoning for SRS (THINKERS), an artificial intelligence framework for personalized dose evaluation in lung brain metastases.
METHODS: We performed a retrospective single-center study of lung brain metastases treated with Gamma Knife radiosurgery. Only variables available at or befo
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.
MedElevator
Войти в исследования