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
1853 публикаций
Поиск: 168 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 311 с найденным полным текстом
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2024eng
Alzheimer's Disease (AD), the most prevalent form of dementia, requires early prediction for timely intervention. Leveraging data from the Alzheimer's Disease Neuroimaging Initiative (ADNI), our study employs Graph Neural Networks (GNNs) for multi-class AD classification. Initial steps involve creating a patient-clinical graph network considering latent relationships among cognitive normal (CN), mild cognitive impairment (MCI), and AD patients, followed by training several GNN-based techniques for building prediction models. Incorporating comorbidity data from electronic health records into th
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.
Inferring gene regulatory networks (GRNs) is crucial for understanding the complex regulatory relationships that govern gene expression in cells. Recently, several computational methods have been proposed for reconstructing GRNs from single-cell RNA sequencing (scRNA-seq) data. However, most of these methods primarily focus on pairwise regulatory relationships between genes, failing to leverage the global regulatory structure of GRNs, which is crucial for exploring the complex regulatory interactions between transcription factors (TFs) and their target genes. To address these limitations, we p
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.
PURPOSE: Sex classification is a major benchmark of previous work in learning on the structural connectome, a naturally occurring brain graph that has proven useful for studying cognitive function and impairment. While graph neural networks (GNNs), specifically graph convolutional networks (GCNs), have gained popularity lately for their effectiveness in learning on graph data, achieving strong performance in adult sex classification tasks, their application to pediatric populations remains unexplored. We seek to characterize the capacity for GNN models to learn connectomic patterns on pediatri
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.
Multi-instance Learning (MIL) aims to classify data bags, while the labels of individual instances within each bag are unknown. Traditional MIL methods take the bag as the fundamental unit of analysis, classifying each bag exclusively based on the features of its constituent instances. However, when different combinations of instances form bags with distinct labels, these methods face a critical challenge: instances are isolated by bag boundaries, which prevents the model from capturing the subtle discrepancies between instance combinations across bags and thereby degrades the accuracy of bag
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.
Accurate identification of vehicle-group-level traffic risk is important for intelligent transportation safety management. Existing risk-prediction studies have mainly focused on individual vehicles, pairwise interactions, or aggregated surrogate safety indicators, while the role of group-level structure-behavior coupling remains insufficiently examined. To address this issue, this paper proposes a leakage-aware structure-behavior graph learning framework for Vehicle Group (VG) risk modeling. First, time-resolved VG graphs are constructed from high-frequency MAGIC trajectory data using an impa
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.
Breast tumor images show low intra-class similarity and suffer from distribution shift, posing challenges for recognition tasks. While increasing the number of labeled training data is a common strategy to improve performance, the high cost of expert annotation is another challenge. Semi-supervised learning methods, e.g., Graph Neural Networks (GNNs), which smooth features via graph topology, have the potential to reduce the annotation costs for breast tumor datasets while achieving satisfactory classification performance. To address these challenges, we propose Graph Adiabatic Diffusion Neura
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.
Identifying cancer driver genes (CDGs) remains a central challenge in cancer genomics and is fundamental to precision oncology. Unlike passenger mutations, CDGs play a causal role in tumor initiation and progression. In recent years, Graph Neural Networks (GNNs) have emerged as a powerful framework for this task, as they naturally integrate heterogeneous multi-omics data within the context of protein-protein interaction (PPI) networks. This chapter provides a comprehensive technical protocol for predicting CDGs using a Graph Convolutional Network (GCN). We describe a step-by-step pipeline enco
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.
Major Depressive Disorder (MDD) is a debilitating, complex mental condition with unclear mechanisms hindering diagnostic progress. Research links MDD to abnormal brain connectivity using functional magnetic resonance imaging (fMRI). Yet, existing fMRI-based MDD models suffer from limitations, including neglecting dynamic network traits, lacking interpretability, and struggling with small datasets. We present DSFGNN, a novel graph neural network framework addressing these issues for improved MDD diagnosis. DSFGNN employs a graph isomorphism encoder to model static and dynamic brain networks, ac
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.
Graph neural networks (GNNs) have significant advantages in dealing with non-Euclidean data and have been widely used in various fields. However, most of the existing GNN models face two main challenges: (1) Most GNN models built upon the message-passing framework exhibit a shallow structure, which hampers their ability to efficiently transmit information between distant nodes. To address this, we aim to propose a novel message-passing framework, enabling the construction of GNN models with deep architectures akin to convolutional neural networks (CNNs), potentially comprising dozens or even h
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.
Backdoor detection in neural networks is an emerging area of research in which backdoor triggers are injected to alter the model's output. For example, injected triggers into the citation network by modifying the features and structures of certain nodes. Whenever a model faces such a trigger, it misclassifies the node. In this paper, we propose a novel method for detecting backdoors in Graph Neural Networks (GNNs), which utilises model activation clustering and dynamic thresholding. The proposed model, XAI-DTBD: Explainable Dynamic Threshold-based Backdoor Detection in Graph Neural Networks, b
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.
Intracranial aneurysms are pathological dilations of cerebral arteries affecting 3-5% of the population. Their rupture can cause subarachnoid hemorrhage, a severe form of stroke with high mortality and morbidity. Endovascular treatments, such as coiling and flow diversion, aim to induce thrombosis within the aneurysmal sac. Clinicians face challenges in predicting clot formation due to the complex interplay of blood flow, platelet transport, and biochemical reactions. Computational Fluid Dynamics models can provide valuable hemodynamic insights but are computationally prohibitive for real-time
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.
Graph Neural Network (GNN) is a popular semi-supervised graph representation learning method, whose performance strongly relies on the quality and quantity of labeled nodes. Given the insufficiency of labeled nodes in many real applications, many multi-channel GNNs have been developed to extract self-supervised information by leveraging consistency and complementarity among augmented graphs from different channels. However, these methods often struggle to balance conflicting self-supervised constraints, enhancing certain types of information at the expense of others. To tackle this problem, we
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.
Dystonia, a debilitating neurological movement disorder, is characterized by involuntary muscle contractions and develops from a complex pathophysiology. Graph theoretical analysis approaches have been employed to investigate functional network changes in patients with different forms of dystonia. In this study, we aimed to characterize the abnormal brain connectivity underlying writer's cramp, a focal hand dystonia. To this end, we examined functional magnetic resonance scans of 20 writer's cramp patients (11 females/nine males) and 26 healthy controls (10 females/16 males) performing a seque
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.
OBJECTIVE: Traditional deep learning models for multivariate time-series data often fall short in capturing long-range temporal dependencies critical for early prediction of the onset of acute respiratory distress syndrome (ARDS). To address this gap, we introduce Graph-spa, a dynamic Spatiotemporal Graph Neural Network (STGNN) based framework that not only improves ARDS prediction by modeling evolving interactions among clinical variables but also enhances interpretability through model-agnostic feature attribution.
METHODS: Graph-spa at its core integrates temporal convolution layers with a
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.
Dense suspensions often exhibit shear thickening, characterized by a dramatic increase in viscosity under large external forcing. This behavior has recently been linked to the formation of a system-spanning frictional contact network (FCN), which contributes to increased resistance during deformation. However, identifying these frictional contacts poses experimental challenges and is computationally expensive. This study introduces a graph neural network (GNN) model designed to accurately predict FCNs by two dimensional simulations of dense shear thickening suspensions. The results demonstrate
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.
The neuroscience community has developed many convolutional neural networks (CNNs) for the early detection of Alzheimer's disease (AD). Population graphs are thought of as non-linear structures that capture the relationships between individual subjects represented as nodes, which allows for the simultaneous integration of imaging and non-imaging information as well as individual subjects' features. Graph convolutional networks (GCNs) generalize convolution operations to accommodate non-Euclidean data and aid in the mining of topological information from the population graph for a disease class
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.
Respiratory masks are necessary to protect against airborne contaminants in both medical and industrial environments. However, prolonged use remains uncomfortable and frequently causes pressure sores. This problem usually related to poor fit not only compromises user comfort but also reduces protection effectiveness and compliance with recommendations. The objective is to predict facial deformation and pressure distribution when wearing a mask, based on a limited set of annotated biomechanical data, in order to provide an optimum fit. We designed a semi-supervised graph neural network that rep
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.
The sharp rise in medical tomography examinations has created a demand for automated systems that can reliably extract informative features for downstream tasks such as tumor characterization. Although 3D volumes contain richer information than individual slices, effective 3D classification remains difficult: volumetric data encode complex spatial dependencies, and the scarcity of large-scale 3D datasets has constrained progress toward 3D foundation models. As a result, many recent approaches rely on 2D vision foundation models trained on natural images, repurposing them as feature extractors
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.
MOTIVATION: Polypharmacy is increasingly common in clinical practice, and the sheer number of possible drug combinations makes manual interaction screening impractical. Early computational approaches relied on chemical similarity metrics and rule-based systems, while subsequent machine learning and deep learning methods improved predictive power but continued to treat drugs as isolated entities, missing the broader biological context that governs interaction behaviour. Graph Neural Network (GNN) based methods address this by modeling drugs alongside proteins, diseases, and side effects in a sh
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 primary research question addresses whether integrating Graph Convolutional Neural Networks with model uncertainty modeling can improve the accuracy and robustness of Whole Slide Imaging (WSI) classifications in pathology. METHODS: This study employed a novel framework combining GCNs with uncertainty quantification techniques to classify WSI images of spinal infections. We constructed a graph from segmented regions of WSI, where nodes represented segmented pathological features and edges represented spatial relationships. The model was trained on a dataset of 422 cases from the
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.