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
907 публикаций
Поиск: 388 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 761 с найденным полным текстом
BACKGROUND AND OBJECTIVE: Multi-Instance Learning (MIL) is widely applied in the representation of high-resolution whole slide images (WSIs) in pathology. However, there are still challenges in associating WSIs with genetic representations. The connection between the types of genetic mutations in WSI and their histological images is not intuitive, making it difficult for traditional models to effectively capture the key feature representations of genetic mutations.
METHODS: This study proposes a novel cancer-gene multi-diagnosis multi-instance learning approach for WSI-level genetic mutation
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.
Microscopic hyperspectral imaging (MHSI) of unstained tissue provides quantitative, label-free cues for pathology, but practical diagnosis is hindered by weak morphological contrast and high-dimensional spectra. Patch-wise classification is therefore unstable: discriminative spectral signatures are subtle, spatially sparse, and easily confounded by noise and tissue heterogeneity. To address this, we construct a new unstained breast MHSI dataset and formulate slice-level diagnosis as a multiple instance learning (MIL) problem. We propose a Multi-Scale Hierarchical Attention Network (MS-HAN) tai
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: Whole-slide imaging offers a route to scalable computational assessment of colorectal histology, but models developed on public cohorts may not transfer reliably to real-world clinical practice. We developed V7-DiVA (Version 7 Deep Integrated Visual Analytics), a feature-based, gated-attention deep multiple-instance learning (MIL) research platform that links slide-level classification with quality metadata and reviewable image regions.
METHODS: Patch-level feature vectors were generated using a supervised feature extractor developed on NCT-CRC-HE-100K and independently evaluated
СтатьяВалидационное 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.
OBJECTIVES: To develop a hierarchical attention-driven multiple instance learning (HA-MIL) framework for precise grading and staging of clear cell renal cell carcinoma (ccRCC).
METHODS: Whole-slide images (WSIs) and the corresponding clinicopathological labels were obtained from 504 patients from the TCGA-KIRC database. The proposed HA-MIL framework processes WSIs by segmenting them into patches, leverages a hierarchical attention mechanism to discern the significance of instances across different levels and incorporates a dynamic gated fusion module to refine feature aggregation. This approa
Аннотация на английскомСтатьяПолный 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.
Identifying image features that associate strongly with diagnostic or prognostic classes in large-scale, multi-channel spatial imaging is challenging without pixel-level annotations. We present DREAMER-S, an attention-based multiple-instance learning (MIL) framework that, using only image- or slide-level labels, learns spatial features within 3D imaging hypercubes that are most informative for downstream classification. We demonstrate DREAMER-S on Quantum Cascade Laser infrared (QCL-IR) tissue imaging, where attention weights are rendered spatially to highlight class-relevant spectral instance
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.
PURPOSE: Accurate and automated assessment of the critical view of safety (CVS) is crucial for preventing bile duct injuries during laparoscopic cholecystectomy (LC). Existing methods often rely on costly segmentation labels or sequential inputs, limiting generalization and spatiotemporal understanding. This study proposes an efficient framework that removes the need for segmentation annotations while enhancing model robustness and temporal-spatial comprehension.
METHODS: We introduce SMIL framework, a novel framework for automated CVS assessment that combines distillation-based self-supervis
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.
Recently developed pathology foundation models, pretrained on large-scale pathology datasets, have demonstrated excellent performance in various downstream tasks. This study evaluated the utility of pathology foundation models combined with multiple instance learning (MIL) for kidney pathology analysis. We used 242 hematoxylin and eosin-stained whole slide images (WSIs) from the Kidney Precision Medicine Project (KPMP) and Japan-Pathology Artificial Intelligence Diagnostics Project databases as the development cohort, comprising 47 healthy controls, 35 acute interstitial nephritis, and 160 dia
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 Multiple Instance Learning (MIL) for classifying Whole Slide Images (WSIs) has gained extensive use in recent years, primarily due to the high cost and time consumption associated with pixel-level annotation of WSIs, which is challenging to accomplish. The advancements in MIL for WSIs have predominantly concentrated on two fronts: the development of superior feature extractors (for instance, utilizing self-supervised learning for training feature extractors) and the formulation of enhanced instance aggregation strategies. Regrettably, the majority of the most advanced approa
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.
Histopathological evaluation is necessary for the diagnosis and grading of prostate cancer, which is still one of the most common cancers in men globally. Traditional evaluation is time-consuming, prone to inter-observer variability, and challenging to scale. The clinical usefulness of current AI systems is limited by the need for comprehensive pixel-level annotations. The objective of this research is to develop and evaluate a large-scale benchmarking study on a weakly supervised deep learning framework that minimizes the need for annotation and ensures interpretability for automated prostate
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.
Multiple Instance Learning (MIL) has become the dominant paradigm for analyzing histopathology whole slide images (WSIs). However, the inherent spatial heterogeneity of WSIs poses a significant challenge to existing MIL methods. This heterogeneity, where morphologically similar tissue patches often exhibit multifocal distributions across the WSI, hinders the ability of current models to effectively capture long-range spatial dependencies and complex inter-tissue semantic associations. To mitigate these limitations, we propose DisCo, a novel Dispersion-to-Consolidation MIL framework that consol
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.
Pathological grading of laryngeal squamous cell carcinoma (LSCC) based on whole-slide image (WSI) is crucial for the diagnosis, treatment and prognosis. According to pathologists' knowledge, tumor regions are highly associated with grading. However, existing multiple instance learning (MIL) methods tend to overrepresent weakly relevant non-tumor regions and irrelevant background, leading to poor grading performance and interpretability. Motivated by the above problems, we propose an end-to-end knowledge-driven MIL network with hierarchical cluster-incorporated aware filtering, i.e. HCF-MIL. Fi
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.
BACKGROUND: Transthoracic echocardiography is the first-line test for congenital heart disease (CHD), but accurate targeted triage and lesion subtyping require expertise and synthesis across multiple heterogeneous cine clips. We developed a video-based deep learning approach for examination-level targeted triage and subtype classification of common left-to-right shunt lesions.
METHODS: We retrospectively assembled 2,373 echocardiography examinations (800 normal; 493 VSD, 751 ASD, and 329 PDA) from The First Affiliated Hospital of Xinjiang Medical University. Each examination comprised multipl
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.
Helicobacter pylori (H. pylori) infection is a major risk factor for gastric carcinogenesis, requiring holistic endoscopic assessment of distributed mucosal abnormalities. While patient-level diagnostic labels are accessible, obtaining large-scale fine-grained annotations is constrained due to high inter-observer variability and the labor-intensive nature of the process. This naturally formulates the task as a multiple instance learning (MIL) problem. Existing image-level approaches often rely on noisy supervisory signals without modeling sequence context, while standard embedding-based MIL me
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: To construct a survival prognostic prediction model for whole-slide histopathological images (WSIs) of gastric cancer based on multi-instance learning with sequential feature reconstruction, and to explore its predictive value. Methods: Retrospectively collected hematoxylin-eosin stained WSIs and clinical prognostic data of gastric cancer patients treated at the 1st, 8th and 9th Medical Centers of Chinese PLA General Hospital from January 2015 to December 2022. The sample sizes of the three medical centers were 386, 284 and 216 cases, denoted as Dataset 1, Dataset 2 and Dataset 3 re
Аннотация на английскомСтатьяПоиск 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 accurate identification of lymph node metastasis is critical for cancer diagnosis/treatment but remains time-consuming and error-prone for pathologists. We develop MambaMIL+HiLA-MIL, a multiple instance learning model combining Vision Mamba with high-low attention separation mechanism. This model is compared against six baselines under four feature extractors (ResNet, UNI, Virchow, and GigaPath). Ten-fold cross-validation is employed for model evaluation. Our model significantly outperforms all baselines. It exhibits strong performance in detection of isolated tumor cells and micro-metasta
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 Gleason Grade Group (GG) is of great importance for prostate cancer risk stratification and treatment planning. Although multiple instance learning (MIL) methods have advanced Gleason grading, most existing studies overlook the domain knowledge that GG is determined by the joint contribution of different Gleason Patterns, thereby limiting both accuracy and interpretability. In this study, we propose DSPA-U-MIL, an uncertainty-driven dual-selective Gleason Pattern-aware MIL model for patient-level GG prediction. Our method learns representative features by integrating lea
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.
Ewing sarcoma is a highly malignant tumor whose histological appearance often overlaps with that of other undifferentiated round-cell and ovoid-cell tumors, making accurate diagnosis challenging. Selecting the most appropriate immunohistochemical and molecular tests is critical, particularly when only limited core biopsy material is available and tissue preservation for additional molecular or biomarker testing is required. Artificial intelligence (AI)-based histopathological image analysis is emerging as a promising diagnostic tool in oncology. This study evaluated the potential of AI-based h
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: Lymphovascular invasion (LVI) is a well-established adverse prognostic factor in prostate cancer (PCa). This study aimed to develop and validate an artificial intelligence (AI)-based framework leveraging multi-instance learning (MIL) and foundation models for accurate and interpretable prediction of LVI in prostate cancer using whole-slide images (WSIs).
METHODS: A weakly supervised deep-learning pipeline based on the clustering-constrained attention MIL framework was implemented to analyze hematoxylin and eosin (H&E)-stained WSIs from two independent cohorts: 280 patients from Re
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 AND OBJECTIVE: Colorectal cancer is the second leading cause of cancer-related mortality worldwide, posing a substantial burden on healthcare systems. Identifying DNA mismatch repair deficiency (dMMR) is critical for guiding treatment, yet conventional methods rely on labor-intensive DNA analysis. While deep-learning approaches have shown promise for predicting dMMR from histopathological images, most studies focus exclusively on tumor regions and single-scale representations. This study systematically evaluates the predictive value of tumor and non-tumor regions across multiple mag
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.
BACKGROUND: The rapid advancement of digital pathology has opened unprecedented opportunities for intelligent diagnosis in renal cell tumor. However, there remains a significant gap in the availability of reliable deep learning models capable of comprehensive kidney cancer detection, classification, grading, and survival prediction.
METHOD: This study retrospectively analyzed 11,135 whole-slide images (WSIs) from 7033 patients with renal tumor, sourced from four medical centers and two public cohorts. Histopathological representations were extracted using the foundation model Prov-GigaPath. A
СтатьяМногоцентровое исследованиеВалидационное 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.