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: 169 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 575 с найденным полным текстом
Federated object detection allows distributed IoT cameras to learn a shared detector without exposing raw images. Its performance is limited by non-IID scenes, unequal device resources, intermittent links, and selfish participation. We propose GO-FedDet, a game-theoretic optimized federated detection framework for heterogeneous IoT application. Client participation is formulated as a Stackelberg game, selection is formulated as an exact-potential resource game, and the equilibrium is embedded into a proximal detection objective. A utility-aligned aggregation balances detection contribution, co
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: To conduct a comprehensive systematic evaluation of federated learning (FL) strategies for multi-disease retinal classification using OCT angiography (OCTA), implementing a 2-part experimental framework to establish foundational feasibility and optimize performance under realistic heterogeneous conditions while ensuring privacy preservation.
DESIGN: Retrospective multi-center FL study using a systematic 2-part experimental design: (1) foundational feasibility evaluation under controlled homogeneous conditions, and (2) comprehensive optimization under realistic heterogeneous condition
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: Federated learning (FL) is a rapidly advancing technique that enables collaborative model training while preserving data privacy. This approach is particularly relevant in healthcare, where privacy concerns and regulatory restrictions often prevent centralized data sharing. FL has shown promise in tasks such as disease detection, achieving performance levels comparable to centralized systems. However, its practical usability in real-world applications remains underexplored.
METHODS: We evaluate the practical effectiveness of FL in predicting whether patients suspected of prostate
СтатьяПоддержка исследования: вне правительства СШАПолный 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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
Prostate cancer (PCa) diagnosis often relies on biopsies, which can lead to unnecessary procedures and complications. Federated learning (FL) offers a privacy-preserving approach for training predictive models across hospitals without sharing sensitive patient data. In this study, we evaluate the feasibility of FL for PCa risk prediction by benchmarking different training strategies, including local, federated models, as well as free-riding (FR) on federated models. Using real-world heterogeneous datasets from 19 hospitals, we analyze the impact of data diversity and consortium size on predict
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.
INTRODUCTION: Federated learning has the potential to perfrom analysis on decentralised data; however, there are some obstacles to survival analyses as there is a risk of data leakage. This study demonstrates how to perform a stratified Cox regression survival analysis specifically designed to avoid data leakage using federated learning on larynx cancer patients from centres in three different countries.
METHODS: Data were obtained from 1821 larynx cancer patients treated with radiotherapy in three centres. Tumour volume was available for all 786 of the included patients. Parameter selection
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.
PURPOSE: Breast density is a key factor that influences mammography interpretation and is a major source of heterogeneity in multicenter datasets. Such heterogeneity poses challenges for collaborative machine learning across institutions, particularly in federated learning (FL). We aim to evaluate the impact of breast density-induced heterogeneity on FL for mammography image classification and to assess the robustness of common FL algorithms in realistic clinical settings.
APPROACH: We conducted experiments on mammography datasets under two scenarios: (1) a strongly heterogeneous setting wher
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.
Cross-domain federated learning (CFL) suffers from degraded generalization due to feature discrepancies across clients. Most existing methods improve generalization by aligning cross-domain semantic features or enhancing feature diversity. However, they lack explicit constraints on the structural consistency of feature spaces and fail to distinguish semantic consistency from structural alignment. To address this, we propose FedDSSA, a novel framework that explicitly decouples structural alignment and semantic alignment in CFL. For structural alignment, we introduce a globally shared prototype
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.
Personalized Federated Continual Learning (PFCL) requires that the server not only effectively integrate temporal knowledge accumulated across past tasks and spatial knowledge distributed among heterogeneous clients, but also ensure strong personalized performance of the global model for each client. Existing methods, whether in Personalized Federated Learning (PFL) or Federated Continual Learning (FCL), have overlooked the multi-granularity representation of knowledge, which can be utilized to overcome Spatial-Temporal Catastrophic Forgetting (STCF) and enable coarse-to-fine personalization.
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: In a wide range of diseases, it is necessary to utilize multiple data sources to obtain enough data for model training. However, performing centralized pooling of multiple data sources, while protecting each patients' sensitive data, can require a cumbersome process involving many institutional bodies. Alternatively, federated learning (FL) can be utilized to train models based on data located at multiple sites.
METHOD: We propose two methods for training time-to-event prediction models based on distributed data, relying on FL algorithms, for time-to-event prediction models. Both
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.
Medical image segmentation is crucial in clinical diagnosis, helping physicians identify and analyze medical conditions. However, this task is often accompanied by challenges like sensitive data, privacy concerns, and expensive annotations. Current research focuses on personalized collaborative training of medical segmentation systems, ignoring that obtaining segmentation annotations is time-consuming and laborious. Achieving a perfect balance between annotation cost and segmentation performance while ensuring local model personalization has become a valuable direction. Therefore, this study i
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2024eng
Artificial intelligence offers great potential to address the need for rapid diagnostic testing in pandemic scenarios. Concerns about security and privacy, however, complicate the collection of large representative medical data. Federated Learning (FL), a machine learning paradigm, enables distributed training by exchanging gradient information between the server and edge devices without data access. To this end, we propose an FL-based approach to solve a multiclass classification problem in a hypothetical pandemic scenario, where we learn to distinguish the cough of an unknown emerging diseas
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.
Federated learning under label skew aggregates models trained with different local class distributions. Local logit adjustment can reduce class-dependent bias, but the adjusted loss updates both the encoder and classifier in client-specific directions. StabFL optimizes a joint local objective that combines logit-adjusted classification loss, full-model proximal regularization, and supervised contrastive learning with a client-local queue. The queue retains recent labeled projected representations and extends the comparison set available to small mini-batches. Across CIFAR-10 and PAMAP2, StabFL
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.
[This corrects the article DOI: 10.3389/fonc.2025.1666937.].
Опубликованное исправлениеПолный 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.
Resource constraints, time-varying links, and heterogeneous data distributions make distributed model training difficult in unmanned aerial vehicle (UAV) networks. Conventional federated learning can impose substantial computational and communication burdens on resource-constrained UAVs, whereas existing split-learning schemes commonly rely on fixed split points and static participation strategies. To address these limitations, this paper proposes HCFSL-UAV, a hierarchical cluster-head federated split learning framework for UAV networks. The framework adopts a three-layer architecture composed
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.
Federated Learning (FL) enables collaborative training across institutions without sharing sensitive data, a solution for privacy-preserving AI in medical imaging. However, hospital deployment remains challenging due to strict data protection regulations, heterogeneous infrastructures, and limited network accessibility behind firewalls. We introduce TheODen, an open-source framework for Federated training on histopathology Whole Slide Imaging (WSI). It requires no open client-side ports, enabling training through firewalls via a secure reverse-proxy architecture. We conducted, to our knowledge
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.
In times of epidemics, swift reaction is necessary to mitigate epidemic spreading. For this reaction, localized approaches have several advantages, limiting necessary resources and reducing the impact of interventions on a larger scale. However, training a separate machine learning (ML) model on a local scale is often not feasible due to limited available data. Centralizing the data is also challenging because of its high sensitivity and privacy constraints. In this study, we consider a localized strategy based on the German counties and communities managed by the related local health authorit
СтатьяПоддержка исследования: вне правительства СШАПолный 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.
With the increasing demand for privacy-preserving and real-time personalized services in large-scale video platforms, designing robust federated recommendation frameworks over practical communication networks has become increasingly important. To this end, this paper proposes a bias-corrected federated learning framework tailored for video recommendation over stochastic communication links. At the local training stage, a bias-corrected mechanism is introduced to explicitly account for video duration and user activity, mitigating feature-level bias and enabling the learned representations to mo
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.
Imbalanced data is prevalent in real-world classification tasks, and traditional machine learning methods often struggle to effectively learn from minority class samples. This implies that predictive models can achieve better performance only when sufficient and balanced training data are available. However, due to privacy protection and the limitations of data silos, data cannot be directly shared. Federated learning offers a feasible solution by enabling multiple clients to collaboratively train a shared model without exposing local data. Nevertheless, the performance of federated learning c
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 application of Machine Learning (ML) to the diagnosis of rare diseases, such as collagen VI-related dystrophies (COL6-RD), is fundamentally limited by the scarcity and fragmentation of available data. Attempts to expand sampling across hospitals, institutions, or countries with differing regulations face severe privacy, regulatory, and logistical obstacles that are often difficult to overcome. The Federated Learning (FL) provides a promising solution by enabling collaborative model training across decentralized datasets while keeping patient data local and private. Here, we report a novel
СтатьяПрепринтПоиск 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.
While machine learning (ML) research has recently grown more in popularity, its application in the omics domain is constrained by access to sufficiently large, high-quality datasets needed to train ML models. Federated learning (FL) represents an opportunity to enable collaborative curation of such datasets among participating institutions. We compare the simulated performance of several models trained using FL against classically trained ML models on the task of multi-omics Parkinson's disease prediction. We find that FL model performance tracks centrally trained ML models, where the most per
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.