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
1628 публикаций
Поиск: 163 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 496 с найденным полным текстом
Parkinson's disease (PD), a prototypical neurodegenerative disorder, poses significant challenges for early diagnosis. Motivated by recent advances in representation learning, a novel EEG-based diagnostic framework for PD, termed the time-frequency decoupling contrastive learning network (TDCNet), is introduced. The framework adopts collaborative contrastive learning between an online network and a momentum network to optimize latent representations in a self-supervised manner. It incorporates a temporal-evolution contrastive loss together with a frequency-aware contrastive loss, enabling adap
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.
For decades, psychiatric neuroimaging has searched for biomarkers of depression and other disorders, but they remain elusive in clinical practice. While the last 5 years have seen rapid progress, other large-scale correlative studies have found only small, unreliable links between brain measures and clinical symptoms. Growing evidence suggests that such limitations are not just about sample size but depend critically on how models represent data. This review traces a recent shift away from univariate methods to multivariate/multiview approaches that learn more effective representations of biol
СтатьяОбзорПоддержка NIH: внешняя программаПоиск 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.
Protein function prediction is crucial for narrowing the gap between the rapid growth of protein sequences and the limited availability of experimental annotations. In recent years, protein language models (pLMs) that learn representations from large-scale sequence data have emerged as scalable frameworks for modeling protein function. However, most pLMs rely on self-supervised pretraining and struggle to capture correlations among functional labels, which constrains their applicability to annotation-specific tasks. To address this limitation, we present ProtDML, a protein function prediction
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 cancer driver genes is crucial for precision oncology but remains challenging due to the complexity of integrating heterogeneous data and modeling dynamic biological systems. To address these limitations, we propose ORBIT (Oncogenic Representation Learning via Bi-Prototype Contrastive Learning in Hyperbolic Space). Our framework synergistically fuses multi-omics profiles with functional network data using a context-adaptive graph reweighting mechanism to capture cancer-specific dynamics. The model employs a bi-prototype contrastive learning strategy within hyperbolic
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.
Knowledge Graph (KG) embedding is to map components of a KG including entities and relations into a continuous low-dimensional space, with the goal of simplifying subsequent manipulation while preserving the inherent structure of the KG. Recent research efforts are directed towards the design of various types of scoring functions, yet the learning framework, which is essential for further improvement of KG embedding models, has received less attention. In this paper, we exploit Contrastive Learning (CL) for KG embedding, given its power in representation learning, which helps enhance the expre
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.
Speech-based depression detection (SDD) offers an objective and convenient method for depression screening and intervention. However, existing deep learning methods lack interpretability, which prevents them from revealing their findings for the quantitative detection of depression. To address these issues, we propose an interpretable Depression screening Network (DisNet), which contains a Learnable frequency-domain FilterBank (LFB) module and a Hierarchical speech Representation Extraction (HRE) module. LFB utilizes a learnable filterbank to select effective frequency bands in speech for gene
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.
Unsupervised domain adaptation (UDA) in medical image segmentation presents significant challenges due to substantial cross-domain disparities and the inherent absence of target domain annotations. In this study, to address these challenges, we propose an end-to-end progressive domain bridging framework based on representation disentanglement and triple-level consistency-driven feature alignment, referred to as ReTri, that synergistically integrates a representation disentanglement-based image alignment (RDIA) module with a novel triple-level consistency-driven feature alignment (TCFA) module.
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.
Human-gaze-target prediction aims to predict the target point or object that humans are looking at in images. However, existing methods predominantly rely on vision-only features, which often struggle to capture the semantic context of small or occluded objects and lack explicit priors for precise head direction regression, leading to slow convergence and suboptimal performance. Therefore, we introduce VL-HTR, a novel vision-language learning method for human-target representation, which integrates multimodal knowledge from vision-language models (VLMs) to construct robust human-target relatio
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.
Vision-language pre-training on paired radiology images and reports has shown great potential to promote downstream image tasks. However, its potential is far from fully unleashed when conducting implicit alignment for clinically significant concepts (e.g., anatomic and pathology findings) between visual and textual embeddings, as most prior works did. Without explicit exploration, it easily confuses critical medical concepts with non-essential background content, and fails to compactly investigate each image-report pair from a well-structured systematic point of view, causing miscalibrated se
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.
In recent years, graph neural networks (GNNs) have emerged as a dominant paradigm for learning from graph-structured data, achieving strong performance across a wide range of graph mining tasks, including node classification, clustering, and relational inference. Despite these advances, most existing GNN architectures primarily rely on message-passing mechanisms that aggregate smoothed high-order local neighborhood information. While effective for capturing local proximity patterns, such designs often struggle to model richer multi-level graph structures, particularly in scenarios where both f
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.
Spatial multi-omics technologies facilitate simultaneous measurement of multiple molecular modalities within their native spatial context, offering opportunities to characterize tissue organization and cellular heterogeneity. However, effective integration remains challenging because such data concurrently encode spatial adjacency and molecular similarity, while also being limited by high dimensionality, sparsity, noise, and cross-modality heterogeneity. Here, we propose SpaHDSRL, a hierarchical dual-graph self-supervised representation learning framework for spatial multi-omics integration. S
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: Integrating spatial multi-omics data is crucial for decoding tissue function, yet existing methods struggle with noise and cross-modal alignment.
RESULTS: We introduce SpaAlign, a novel two-stage framework for the robust integration of multiple omics and histological data. At its core, a contrastive learning stage creates a unified semantic space, followed by a self-supervised clustering stage that enforces structural coherence. Our evaluations demonstrate its effectiveness in accurately delineating the capsule-cortex-medulla architecture in human lymph nodes and precisely identif
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.
The number of unimodal molecule representation constantly increases, and researchers investigate how to combine them. Intuitively, multimodal representations may provide complementary information and combining them promises better performance. In this work, we systematically explore how combining multiple molecular modalities affects the performance of downstream prediction tasks, providing a baseline for informed decision making. Our study covers 7 molecular modalities and combines them using intermediate and late fusion, and 2 neural network architectures (with or without using knowledge gra
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.
Deep learning (DL) has driven major progress in medical imaging diagnosis. However, its effectiveness is often limited by the scarcity of large annotated datasets and the poor generalization of models to small, out-of-distribution (OOD) data. Self-supervised learning (SSL) and transfer learning offer promising solutions: SSL enables representation learning from unlabeled data via pretext tasks, while transfer learning helps adapt models to new domains with limited labeled data. In this study, we evaluate SSL-based strategies for detecting and segmenting clinically significant prostate cancer (
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.
In the rapidly evolving landscape of Natural Language Processing (NLP), transfer learning has emerged as a game-changing methodology, fundamentally altering how machine learning models are trained and deployed. The study at hand dives deep into the intricacies of transfer learning techniques, specifically focusing on their application in complex deep learning architectures within the NLP domain. By exploring a variety of architectural designs, fine-tuning methodologies, and alternative training paradigms, we aim to demystify the optimal strategies for harnessing the power of pre-trained models
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.
PURPOSE: Occupational health examinations have long relied on conventional health classes to assess worker health status. However, individuals within the same examination class may differ substantially in risk sources, pathophysiological background, and potential progression patterns. This study aimed to determine whether stable hidden health subtypes exist beyond conventional occupational health classifications in a large real-world cohort and to evaluate the utility of graph-enhanced deep representation learning for subtype discovery and biomedical interpretation.
METHODS: We included 63,98
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.
Accurate decoding of lower-limb motion from EEG signals is essential for advancing brain-computer interface (BCI) applications in movement intent recognition and control. This study presents NeuroDyGait, a two-stage, phase-aware EEG-to-gait decoding framework that explicitly models temporal continuity and domain relationships. To address challenges of causal, phase-consistent prediction and cross-subject variability, Stage I learns semantically aligned EEG-motion embeddings via relative contrastive learning with a cross-attention-based metric, while Stage II performs domain relation-aware deco
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.
OBJECTIVES: To develop a bidirectional feature-mapping classification model for differential diagnosis of pneumonia.
METHODS: We collected chest X-ray (CXR) images from 1457 patients with pneumonia and 1456 healthy individuals. Radiomic features extracted from the segmentation masks using PyRadiomics were mapped into a latent shared space to construct the classification model using the bidirectional feature mapping classification model based on multi-constrained latent representation learning. The performance of the constructed model for differential diagnosis of pneumonia was evaluated using
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.
MOTIVATION: The goal of molecular representation learning is to automate the extraction of molecular features, a critical task in cheminformatics and drug discovery. While pretraining models using multiple views like SMILES, 2D graphs, and 3D conformations have advanced the field, integrating them effectively to produce superior representations remains a challenge.
RESULTS: To bridge this gap, we propose a novel multi-view molecular pretraining method termed MMPCS, which explicitly factorizes representations into consistency and specific information. Our approach utilizes the Graph Isomorphis
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.
Circular RNAs (circRNAs) have gained recognition for their critical roles in various biological processes and are increasingly viewed as promising candidates for use in disease diagnosis and treatment strategies for complex human diseases. Despite advances in computational methods for predicting circRNA-disease associations (CDAs), existing models often fail to effectively capture both similarity metrics and higher-order mixed neighborhood information simultaneously in bio-graph networks, leading to suboptimal prediction performance. In this study, we present HSimGCDA, an enhanced graph convol
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.