Уникальные публикации PubMed, Europe PMC и Crossref, сохранённые в библиотеке. Одна статья учитывается один раз, даже если получена из нескольких источников. Личные исследования и документы команд не публикуются.
Идёт проверка счётчикаДоступно в поиске—
Публикации, уже подготовленные для быстрого поиска. Остальная библиотека подключается в фоне.
Переведено на русский—
Готовые переводы среди доступных в поиске публикаций. Автоматический медицинский перевод и проверка специалистом учитываются отдельно.
Полные тексты—
Найденные полные тексты среди доступных в поиске публикаций. Доступность определяется первоисточником и условиями использования.
Оригиналов на русском—
Русскоязычные оригиналы доступны без ожидания перевода. Ниже — языки остальных оригиналов; для них готовится медицинский перевод на русский.
Пополняем библиотеку по диагнозам—Проверяем состояние обновлений
Для каждого диагноза из справочника МКБ-10 ищем связанные публикации в научных базах и добавляем их в библиотеку. Числа ниже — диагнозы, а не статьи.
Если сбор прервался, тема требует повторной попытки. Уже сохранённые статьи остаются в библиотеке.
Нажмите на показатель для подробностей. Показатели поиска обновляются автоматически; размер всей библиотеки сверяется отдельно. Время последней проверки указано явно.
Результаты поиска
1621 публикаций
Поиск: 361 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 575 с найденным полным текстом
Early, reliable detection of epileptic seizures from electroencephalography (EEG) remains challenging due to label scarcity, inter patient variability, and the non stationary nature of clinical recordings. This work introduces Federated Temporal Learning (FTL), an annotation efficient framework that couples a supervised seizure classifier with a self supervised pretext task, Temporal Sequence Consistency Learning (TSCLM), over a shared backbone. The backbone is built from Hierarchical Temporal Trend Integration Modules (HTTIMs) that extract and top down mix multi scale long and short term tren
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.
Diabetes management faces a number of obstacles, such as fragmented healthcare data, privacy concerns, poor explainability, and the lack of personalized therapeutic guidance. This research work introduces FedMediFormer-XAI, a unified and proper framework that incorporates federated learning, multimodal transformers, diffusion-based data augmentation, Graph Neural Networks (GNNs) for drug recommendation, and Explainable Artificial Intelligence (XAI) for diabetes intelligence. The system utilizes diverse healthcare data types, e.g., clinical records, population health indicators, continuous gluc
СтатьяVideo-Audio MediaПоиск 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.
Single-cell RNA sequencing (scRNA-seq) enables high resolution characterization of cellular heterogeneity but poses significant challenges for cross institutional collaboration due to privacy constraints and distributional heterogeneity. To address this problem, we propose a Federated Distillation framework with Knowledge Sharing (scKSFD) for privacy-preserving cell type classification. Unlike conventional federated learning approaches that exchange model parameters, scKSFD performs knowledge aggregation in prediction space by sharing probability-level soft label outputs on a reference dataset
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.
External control arms can inform early clinical development of experimental drugs and provide efficacy evidence for regulatory approval. However, accessing sufficient real-world or historical clinical trials data is challenging. Indeed, regulations protecting patients' rights by strictly controlling data processing make pooling data from multiple sources in a central server often difficult. To address these limitations, we develop a method that leverages federated learning to enable inverse probability of treatment weighting for time-to-event outcomes on separate cohorts without needing to poo
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.
DNS over HTTPS(DoH) improves privacy but still admits tunneling, resolver manipulation, and side-channel leakage. We present PAFA-DoH, a practical defense that unifies Federated AI, Quantum-resilient cryptography, and neuromorphic anomaly detection in a single, privacy-preserving framework. The system learns from encrypted traffic via adversarial federated learning with homomorphic inference, so models improve collaboratively without exposing raw queries. To surface hard-to-see behaviors(e.g., periodic C2 beacons), we extract topological signature from flows using persistence-diagram-based top
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.
Breast ultrasound is essential for lesion assessment and early cancer screening. However, deploying robust deep learning models in clinical practice faces two primary challenges. The first is intrinsic: lesions often exhibit complex textures, speckle-corrupted appearances, and indistinct boundaries. The second is extrinsic: the data is distributed across isolated medical centers with significant heterogeneity. To address these coupled challenges, this study introduces SFLFEM, a unified framework that combines advanced feature representation with personalized federated optimization for privacy-
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: 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.
Background: Skin cancer encompasses a diverse range of malignancies and remains a significant global health challenge. Accurate machine-learning-assisted diagnosis can substantially improve patient outcomes through early detection and timely clinical intervention. Federated Learning (FL) enables privacy-preserving collaborative model training across multiple healthcare institutions while ensuring that sensitive patient data remain decentralized. However, deploying advanced architectures such as Vision Transformers (ViTs) in clinical environments is challenging due to the high computational dem
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.
Federated learning enables model training in edge and distributed service environments without directly sharing raw data. In long-running edge federated services, fixed collaboration structures may become inefficient under workload drift, whereas frequent regrouping can incur migration overhead, group churn, and additional privacy-budget consumption. This paper studies budget-prioritized dynamic regrouping under workload drift, privacy-budget constraints, and migration or reconfiguration cost. We formulate a dynamic regrouping problem that jointly captures workload pressure, remaining privacy
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.
Current 5G communication services have limitations, prompting the development of the Beyond 5G (B5G) network. B5G aims to extend the scope of communication to encompass land, sea, air, and space while enhancing communication intelligence and evolving into an omnipresent converged information network. This expansion demands higher standards for communication rates and intelligent processing across multiple devices. Furthermore, traffic prediction is crucial for the intelligent and efficient planning and management of communication networks, optimizing resource allocation, and enhancing network
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: The objective of this study is to present a report from the Big Multiple Sclerosis Data (BMSD) statistics workshop (Bari - Italy, June 2023) which focused on advanced statistical approaches for real-world data (RWD) analyses in multiple sclerosis (MS). The report emphasises the application of these approaches in predicting individual treatment response, assessing comparative effectiveness and safety of therapies and their sequences, and harmonizing data for large-scale federated analyses.
METHODS: The BMSD network, comprising five national registries and the international MSBase da
СтатьяОбзорПоиск 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 current landscape of emergency care (EC) is marked by high demand, leading to issues such as emergency department boarding, overcrowding, and subsequent delays that impact the quality and safety of patient care. Integrating data science into EC can enhance decision-making with predictive, preventative, personalized, and participatory approaches. However, gaps in adherence to fairness, accountability, interpretability, and responsibility are evident, particularly due to barriers to data-sharing, which often result in a lack of transparency and robust oversight in these applicati
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.
Diabetes mellitus is a global health challenge requiring innovative solutions for early diagnosis, personalized treatment, and ongoing management. This review aims to examine the impact of artificial intelligence (AI) on diabetes care, focusing on precision diagnosis, tailored therapies, and real-time monitoring, while addressing challenges related to model transparency and equitable access to health care. We conducted a comprehensive review of AI applications in diabetes management. Studies utilizing supervised and unsupervised learning, deep learning, federated learning, and reinforcement le
СтатьяОбзорПоиск 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.
Due to the rapid advancements in recent years, medical image analysis is largely dominated by deep learning (DL). However, building powerful and robust DL models requires training with large multi-party datasets. While multiple stakeholders have provided publicly available datasets, the ways in which these data are labeled vary widely. For Instance, an institution might provide a dataset of chest radiographs containing labels denoting the presence of pneumonia, while another institution might have a focus on determining the presence of metastases in the lung. Training a single AI model utilizi
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.
BACKGROUND AND OBJECTIVE: Reliable probability estimates and robust performance across heterogeneous acquisition settings are important for artificial intelligence-assisted screening mammography. In federated learning, acquisition-driven non-identically distributed data can impair both discrimination and calibration across clients. This study aimed to develop a federated multi-view mammography framework that improves worst-client robustness and probability calibration while avoiding calibration procedures that require sharing instance-level prediction-label pairs.
METHODS: We proposed EquiFL-
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 growing burden of non-communicable diseases (NCDs) in Europe has intensified the need for timely, comparable, and policy-relevant health indicators derived from increasingly heterogeneous health data ecosystems. The European Health Data Space (EHDS) represents a major policy initiative to facilitate the secondary use of health data while preserving privacy, security, and national data sovereignty. In this context, federated analytics can foster international comparisons without requiring the transfer of person-level data.
OBJECTIVES: This scoping review aimed to map federated
СтатьяScoping ReviewПоиск 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.
While the Industrial Internet of Things (IIoT) has a wide range of applications in the modern era, including smart manufacturing, healthcare, transportation, energy, and critical infrastructure, the multitude of devices and distributed communication, alongside the convergence of cyber and physical systems, makes these environments vulnerable to more advanced cyber-attacks. Traditional signature or pattern-based security solutions continue to be ineffective against new, sneaky, and zero-day attack strategies, fueling the interest in AI-powered cybersecurity. This review aims to analyze the late
СтатьяОбзорПоиск 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.
IMPORTANCE: Acute myeloid leukemia (AML) is a severe hematologic cancer with complex genetic heterogeneity necessitating personalized treatment approaches. Artificial intelligence (AI) technologies may revolutionize risk stratification, diagnosis enhancement, and treatment planning in addressing critical gaps in AML management, particularly in low-resource health care environments.
OBSERVATIONS: This narrative review synthesizes existing AI applications in 3 primary areas of AML management. Machine learning algorithms integrating clinical, cytogenetic, and molecular data demonstrate greater p
СтатьяОбзорПолный 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.
RATIONALE: Reinforcement Learning (RL) has emerged as a promising artificial intelligence paradigm for adaptive and sequential decision-making in healthcare, enabling personalised treatment optimisation and intelligent clinical resource management beyond the capabilities of conventional static models.
AIM: This review aims to examine recent advances in RL for healthcare analytics, focusing on its applications, emerging techniques, challenges, and future research directions.
METHODS: The review studies model-free, model-based, deep reinforcement learning, and multi-agent reinforcement learnin
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.
AI is transforming neurology, providing powerful diagnostic and therapeutic tools, yet handling sensitive clinical data involves substantial privacy risks. Federated Learning addresses these issues by training models locally within hospitals and sharing only their weights or gradients for final training, achieving similar or superior performance compared to centralized models in Stroke, Alzheimer's, and Parkinson's disease.
Аннотация на английскомСтатьяПолный 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.