Diabetes mellitus, a chronic metabolic disorder, has seen a steep rise in global incidence, posing a significant health challenge. Traditional blood glucose estimation methods are invasive and limited, failing to reflect blood glucose fluctuations comprehensively. However, these fluctuations elicit responses from the autonomic nervous system, resulting in electrocardiographic (ECG) alterations, offering a novel avenue for noninvasive Blood Glucose (BG) estimation. In this work, we propose a Multi-Expert SC-ResNet model to enhance the accuracy and reliability of glucose prediction utilizing ECG
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.
Prostate cancer is the second most common cancer in men, and transrectal ultrasound (TRUS) guided biopsy is the standard method to diagnose prostate cancer. Accurate prostate segmentation in TRUS images is crucial for precise biopsy. Manual segmentation is laborious, while automated segmentation faces significant challenges due to the low signal-to-noise ratio, blurred boundaries, and presence of noise and artifacts. To address these issues, this paper proposes a 3D edge-attention denoising diffusion network, aiming to achieve high accuracy and generalizability for prostate segmentation in TRU
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.
Amidst the shift to data-driven drug repositioning, existing models struggle to capture complex semantic and topological relationships in biomedical knowledge graphs for drug-disease association (DDA) mining. We propose a Graph Contrastive Learning with Mutual Similarity Enhancement (GCL-MSE). The core innovation lies in defining a concept of mutual similarity. This concept comprises two aspects: drug therapeutic domain similarity, which captures the functional associations between drugs based on their therapeutic spectra, and disease pharmacological response similarity, which reflects the pat
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.
De novo protein design has emerged as a transformative approach for generating functional proteins without relying on naturally occurring templates, offering vast potential in biomedical and industrial applications. The integration of generative deep learning and evolutionary computation has opened new avenues in synthetic protein engineering. In this study, a hybrid framework, termed GAN-GA (Generative Adversarial Networks + Genetic Algorithm), has been proposed to address the limitations of traditional sequence based generation methods. Specifically, Wasserstein GANs have been employed to pr
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 prediction of drug-target binding affinity (DTA) is a key task in virtual screening. However, current computational methods face a key challenge: sequence-based approaches often fail to capture critical spatial information, while structure-based models rely on computationally expensive 3D coordinates, which restrict their scalability. To address this issue, we propose StructuraDTA, a novel multimodal framework that adopts an implicit structure modeling strategy. Instead of using static protein folding data, our method encodes drug molecular graphs via Graph Isomorphism Networks (GINs)
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.
Peptides have emerged as a promising alternative to traditional small-molecule drugs and therapeutic proteins for treating various diseases. However, their potential therapeutic use is often limited by their inherent hemolytic activity. Consequently, quantitative assessment of peptide toxicity against human red blood cells (RBCs) is crucial for peptide research. Here we present BERT-HemoPep60, a transformer-based deep learning method using domain-adaptive pretraining (DAPT) to quantitatively predict the hemolytic activity of peptides toward human RBCs for sequences up to 60 amino acids. Our pr
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.
Cyclic peptide drugs show great potential in antiviral, antibacterial, anticancer, and immunomodulatory therapies, yet accurate prediction of their membrane permeability remains challenging. Existing approaches based on SMILES, molecular graphs, or 3D structures have inherent limitations: SMILES lack spatial information, graphs inadequately capture stereochemistry, and 3D methods are sensitive to conformational variability. Moreover, current multimodal fusion strategies often fail to effectively integrate heterogeneous molecular information. To address these challenges, we propose MultiMol, a
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: The transition of social health care tools from paper-based to web-based formats is increasingly common in social and health care settings. While digital delivery may improve accessibility, flexibility, and scalability, such transitions require careful adaptation of content, design, and workflows. However, evidence on how these transitions are carried out in practice, and which challenges and strategies are involved, remains fragmented.
OBJECTIVE: This scoping review aimed to map how social health care tools have transitioned from paper-based to web-based formats and to synthesize
СтатьяОбзорПолный 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.
Autism spectrum disorder (ASD) is a complex neurodevelopmental disorder that requires early and efficient diagnosis. Functional magnetic resonance imaging (fMRI), with high temporal and spatial resolution, is a powerful tool for investigating brain functional connectivity. In fMRI data-based ASD classification, the dual graph method integrates individual brain functional connectivity with metadata-based inter-subject relationships, achieving high diagnostic accuracy. However, relying on the predefined brain graphs with fixed structures in the brain graph learning stage fails to adaptively opti
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.
Cold-start compound-protein interaction (CPI) prediction remains a major challenge in drug discovery, as models must generalize to unseen compounds, targets, or their combinations beyond the training distribution. Most existing methods rely on shallow feature fusion and primarily fit observed interaction patterns, failing to capture semantic correspondence between heterogeneous molecular entities and thus generalize poorly under cold-start conditions. We propose SACS-CPI, a multimodal framework for cold-start CPI prediction based on large language model (LLM)-driven semantic alignment. By mapp
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 multimodal approaches for Coronary Heart Disease (CHD) diagnostic prediction typically rely on static fusion strategies, assuming a fixed relative importance between structured biomarkers and unstructured clinical notes. This "one-size-fits-all" paradigm fails to capture the dynamic nature of clinical diagnosis, where the critical evidence shifts between modalities across different patients. To address this limitation, we propose a Compositional Mixture-of-Experts (MoE) framework. Unlike standard MoE models with homogeneous experts, our architecture is constructed from heterogeneou
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.
Constructing functional connectivity networks from electroencephalogram (EEG) channels and using graph neural networks for emotion recognition have emerged as a significant technical route in EEG emotion recognition. However, most existing approaches are limited to estimating brain graph networks based on EEG full-channel signals, failing to adequately explore the representations between and within brain regions. To address this limitation and further investigate the interactions between channels and regions, an explainable cross-level topological network (ECTN) is proposed for EEG emotion rec
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: Artificial-Intelligence (AI) empowered tools are increasingly being assessed for treatment selection in cancer. Patient perceptions on their use will be critical for uptake in clinical practice. We investigated patient willingness to endorse an AI-empowered Personalized Medicine (PM) system (the EU Commission funded “KATY”) to support treatment selection in renal cancer and mapped factors that impact on their perspectives. METHODS: This was a non-interventional, cross-sectional study piloted in Greece through the umbrella Hellenic Cancer Federation (ELLOK). Data were collected thro
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.
Sepsis is a life-threatening syndrome, with high morbidity and mortality. Timely treatments and precise interventions are crucial for improving sepsis patient outcomes. Reinforcement learning (RL) models have made promising advances in associating sepsis treatments. However, existing models face obstacles when applied to heterogeneous sepsis patients with an imbalanced distribution of disease severity, struggling to maintain optimal performance. To provide optimal therapeutic intervention strategies for sepsis with different disease severity, we proposed a novel treatment recommendation model
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.
Cardiac Magnetic Resonance (CMR) imaging relies on electrocardiogram (ECG) triggering to eliminate motion artifacts caused by cardiac contractions, but ECG triggering faces challenges such as waveform distortion caused by magneto-hydro-dynamic effects and switched magnetic gradient fields. Although camera-based photoplethysmography (Camera-PPG) triggering is unaffected by the magnetic field, there is a significant physiological delay caused by the pulse arrival time between cardiac contraction and blood volume changes at the facial skin, hence it cannot reserve more time for scanning preparati
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.
Early and accurate detection of breast cancer is crucial to enhance patient results, especially in high-risk populations where magnetic resonance imaging (MRI) is intensively used. This study shows a deep learning-based framework for the automatic classification of benign and malignant breast lesions using MRI images. To guarantee accurate patient-level annotations, a large-scale dataset comprising around 25,000 breast MRI images was constructed using an extensive preprocessing and labeling procedure. A hybrid feature-fusion model that integrates MobileNetV2 and VGG16 in a parallel structure w
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: Sepsis is a leading cause of morbidity and mortality in hospitalized patients. While most sepsis research has focused on community-onset sepsis (COS), hospital-onset sepsis (HOS) is increasingly recognized as a distinct clinical entity with worse outcomes. However, a few studies have systematically compared the characteristics and outcomes of COS and HOS. Understand the differences between COS and HOS from a clinical perspective and study hospital outcomes in sepsis patients using a machine learning driven approach. METHODS: We conducted a retrospective analysis of sepsis events at
СтатьяСравнительное 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.
BACKGROUND: Colorectal cancer (CRC) is a biologically heterogeneous disease in which tumor sidedness has emerged as a relevant prognostic factor. Conventional TNM staging does not incorporate several clinically and biologically meaningful variables that may influence outcomes. In this context, artificial intelligence (AI) based approaches offer an opportunity to integrate complex clinicopathological data and improve prognostic stratification. This study aimed to evaluate clinicopathological variables associated with tumor sidedness and to identify clinical predictors of high-risk disease 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.
BACKGROUND: The accuracy of the latest reasoning-enhanced large language models on national medical licensing examinations remains unknown, which is crucial for determining how close they are to serving as effective knowledge sources for medical education. This study aimed to evaluate the performance of four reasoning-enhanced large language models (LLMs)—GPT-5, Grok-4, Claude Opus 4.1, and Gemini 2.5 Pro—on the Japanese National Medical Examination (JNME), providing insights into their potential as educational resources and their future applicability in medical practice. METHODS: We evaluated
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.
Background: Sepsis is a critical condition that can lead to Acute Respiratory Distress Syndrome (ARDS), resulting from both pulmonary and extrapulmonary etiologies. This systematic review evaluates the application of machine learning (ML) approaches for the early diagnosis and prognosis of ARDS in sepsis patients. Methods:This study is a systematic review and meta-analysis, focusing on studies that employ machine learning to forecast the incidence and outcomes of acute respiratory distress syndrome in adult sepsis patients. Databases including PubMed, Scopus, and Web of Science were queried fo
СтатьяСистематический обзорМетаанализПоиск 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