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
1626 публикаций
Поиск: 131 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 575 с найденным полным текстом
Federated Learning (FL) enables collaborative model training without sharing raw data, but compliance with data privacy regulations such as the "Right to be Forgotten" requires mechanisms to remove specific clients' contributions from trained models. A key challenge in federated unlearning is selectivity: removing a target client's influence while preserving performance for other designated clients. This is inherently difficult because deep neural networks learn shared feature representations, and aggressive forgetting operations degrade overall model utility. We propose a Three-Phase Selectiv
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: Pregnancy-related syndromes, such as hypertensive disorders, gestational diabetes mellitus, and preterm birth, pose a significant global health burden, affecting maternal and fetal outcomes. Traditional screening methods, reliant on isolated biomarkers or linear models, often fail to address the complex pathophysiology of these conditions.
METHOD: This review synthesizes current literature on machine learning applications in obstetric care, analyzing multimodal data integration from electronic health records, biochemical markers, multi-omics, and imaging. It outlines model develop
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.
Translating artificial intelligence (AI) from virtual implant planning to dental implant surgical execution is obstructed by technical, clinical, and socioethical barriers. This critical review appraises these impediments, focusing on tomographic data heterogeneity, closed hardware ecosystems that block kinematic data extraction, and algorithmic opacity that erodes clinician trust. Current literature over-relies on static retrospective validations with high bias risk. This gap should be bridged by a roadmap prioritizing federated learning, open-source interoperability, explainable AI, and pros
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.
Learning-based image classification has become central to modern medical imaging, but the field is changing rapidly: foundation models, vision-language models (VLMs), and label-efficient pretraining are reshaping which methods are clinically useful. This review focuses on the state of the art rather than re-explaining well-established models. We summarize learning paradigms, contrast classical machine learning (ML) and deep learning (DL) families, and emphasize advances most relevant to clinical translation: medical foundation models, multimodal VLMs, hybrid CNN-transformer architectures, diff
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.
Machine learning (ML) is transforming cancer research and care by enabling analysis of complex, high-dimensional datasets spanning genomics, transcriptomics, proteomics, imaging, and clinical records. By improving risk stratification, accelerating detection and diagnosis, and supporting treatment selection, ML has the potential to enhance survival outcomes while increasing efficiency across oncology workflows. This review synthesizes key developments in ML for oncology, covering foundational algorithms alongside emerging approaches. We highlight major application areas including early cancer d
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.
Resource-constrained medical sensing devices are increasingly expected to support local intelligence, privacy-preserving collaboration, and secure communication in Internet of Medical Things (IoMT) environments. However, deploying federated learning in ICU monitoring remains challenging because hospital data are often non-IID, model updates may be adversarially poisoned, and emerging quantum-security threats require stronger communication protection. This paper presents a federated TinyML framework with an edge-hosted patient-state Digital Twin layer for ICU monitoring. The Digital Twin compon
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.
Incremental learning algorithms have been developed as an efficient solution for fast remodeling in Broad Learning Systems (BLS) without a retraining process. Even though the structure and performance of broad learning are gradually showing superiority, private data leakage in broad learning systems is still a problem that needs to be solved. Recently, Multiparty Secure Broad Learning System (MSBLS) is proposed to allow two clients to participate training. However, privacy-preserving broad learning across multiple clients has received limited attention. In this paper, we propose a Self-Balanci
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 Clock Drawing Test is a core tool for the early screening of cognitive impairment. Traditional manual methods are time-consuming and prone to significant subjective bias, while most existing automated methods are "black-box" approaches that directly map images to scores or category labels. Not only do these methods lack interpretability in their decision-making processes, but they also fail to provide information beyond the raw scores. Furthermore, most of these methods employ a centralized training paradigm. However, due to strict privacy regulations that restrict medical data sharing, ac
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 mapping of genotypes to phenotypes is a cornerstone of genetics, critical for understanding disease mechanisms and advancing precision medicine. The advent of next-generation sequencing (NGS) technologies has enabled the generation of extensive genomic datasets, yet the complexity and scale of these data demand innovative analytical approaches. Artificial intelligence (AI) has emerged as a transformative tool, integrating genotype and phenotype data, uncovering intricate patterns, and driving advancements in diagnosis, therapy, and research.AI applications in phenotype-genotype mapping 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.
Human biofluids carry a continuously updated molecular record of systemic health, yet their diagnostic potential remains largely untapped by conventional single-analyte assay platforms. Fourier-transform infrared and Raman spectroscopy, including attenuated total reflection FTIR, surface-enhanced Raman spectroscopy, and FT-Raman, generate label-free spectral fingerprints encoding protein, lipid, nucleic acid, and metabolite composition of biological fluids within a single acquisition. Across five clinically accessible biofluids, namely serum, urine, saliva, cerebrospinal fluid, and tear fluid,
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.
Gestational diabetes mellitus (GDM), hypertensive disorders of pregnancy (HDP), preterm birth, and intrauterine growth restriction represent major contributors to maternal and neonatal morbidity worldwide. Traditional screening methods relying on single biomarkers or linear models often demonstrate limited predictive accuracy. This review examines the transformative role of machine learning (ML) in shifting obstetric care toward predictive, preventive, and personalized approaches. Advanced computational models integrating multimodal data sources clinical records, biochemical markers, multi-omi
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.
Cancer drug discovery is a complex process that requires identifying compounds that selectively target malignant cells. While high-throughput screening (HTS) is essential for testing large libraries, it generates vast datasets that are difficult to interpret. Recently, the integration of artificial intelligence (AI), particularly deep learning (DL), has significantly accelerated drug candidate selection. This review highlights the synergy between AI and HTS, emphasizing DL techniques such as convolutional neural networks for bioactivity prediction, recurrent neural networks for de novo design,
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.
There is high comorbidity and complex pathological mechanisms between metabolic dysfunction-associated steatotic liver disease (MASLD) and cardiovascular disease (CVD), and the accuracy of traditional risk assessment tools is insufficient. The paper highlights that artificial intelligence (AI) including machine learning and deep learning capable of integrating clinical, imaging, and multi-omics data to enhance the precision of diagnosing MASLD and staging liver fibrosis, the related model has AUC greater than 0.85, and moreover, AI can also accurately predict CVD risk of patients with MASLD, w
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.
The proliferation of Internet of Things (IoT) devices in smart home environments has dramatically expanded the attack surface for cyber threats, particularly botnet-driven Distributed Denial of Service (DDoS) attacks. Centralized Intrusion Detection Systems (IDS) are ill-suited to this domain because they violate user privacy, introduce single points of failure, and incur prohibitive communication overhead. Federated Learning (FL) offers a compelling privacy-preserving alternative, yet existing FL-based IDS solutions either deploy convolutional or recurrent models in isolation, lack human-inte
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.
Hepatocellular carcinoma (HCC) is steadily increasing in incidence worldwide and requires data-driven approaches to improve diagnosis, prognosis, and therapeutic decisions. We describe the harmonization of IMALIVE -a real-world HCC cohort- with the common data model of the European Cancer Imaging Initiative (EUCAIM). IMALIVE integrates demographic, clinical, and imaging-related variables, which were aligned with core variables of the EUCAIM common data model through a robust mapping process and expert validation. The process achieved full coverage of the core dataset and added HCC-specific var
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.
Fast and reliable detection of patients with severe and heterogeneous illnesses is a major goal of precision medicine1,2. Patients with leukaemia can be identified using machine learning on the basis of their blood transcriptomes3. However, there is an increasing divide between what is technically possible and what is allowed, because of privacy legislation4,5. Here, to facilitate the integration of any medical data from any data owner worldwide without violating privacy laws, we introduce Swarm Learning-a decentralized machine-learning approach that unites edge computing, blockchain-based pee
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.
Chronic and complex wounds represent a major clinical and economic burden, requiring frequent assessment, early detection of complications, and accurate prediction of healing outcomes. Conventional wound evaluation is often subjective and time-intensive, motivating the development of automated approaches. Machine learning (ML) has emerged as a powerful tool for wound management by enabling wound detection, segmentation, tissue characterisation, infection assessment, and healing prediction using wound images, clinical records, and sensor-derived data. This structured narrative review summarises
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.
Large language models (LLMs) are integral to cloud-based AI applications, offering robust capabilities for multimodal data processing and retrieval. However, deploying LLMs in environments with multiple users presents notable difficulties, especially in protecting sensitive information. In this study, we present PMIRS, a system designed to support secure, privacy-focused retrieval of multimodal image and text data. PMIRS allows users to transmit images or text to a simulated cloud-based LLM environment safely in a privacy-preserving manner. PMIRS mitigates privacy risks through a combination 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.
OBJECTIVE: The objective of this retrospective study is to compare three learning approaches for blood transfusion (BT) prediction after intensive care unit (ICU) admission: local learning (LL), federated learning (FL), and centralized learning (CL) across five ICU databases (eICU Collaborative Research Database, Medical Information Mart for Intensive Care IV, High-Resolution Intensive Care Unit Dataset, Amsterdam University Medical Center Database, University Hospital of Augsburg).
METHODS: As machine learning model we used XGBoost and included 15 clinical variables. The prediction task cons
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.
Multi-class medical image classification using DL continues to face major challenges, including managing multi-modal data, adapting to new tasks, handling distributed datasets, and operating under limited computational resources. Existing approaches fail to address these issues simultaneously, restricting the clinical scalability of AI in healthcare. To overcome these limitations, this paper introduces BigOrthoATD.Net, a unified, serverless, and decentralized learning framework that redefines scalability, adaptability, and efficiency in orthopedic image analysis. Designed to operate across dis
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.