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: 109 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 761 с найденным полным текстом
BACKGROUND: Myocarditis is life-threatening in the acute phase, yet biopsy-the diagnostic gold standard-lacks an objective method to quantify cardiomyocyte damage. We developed deep learning models to derive a pathology-based severity index for myocarditis from whole-slide biopsy images.
METHODS AND RESULTS: We retrospectively analyzed 305 consecutive patients (1,056 digitized hematoxylin-eosin slides) who underwent endomyocardial biopsy between 2002 and 2021 at the National Cerebral and Cardiovascular Center; 145 met Dallas criteria for myocarditis and were used for severity modeling. Severe
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: Accurate detection of PIK3CA mutations is essential for guiding PI3K-targeted therapies in breast cancer, yet sequencing is not universally accessible, and single-modality prediction models have limited performance. This study developed a multimodal deep learning framework integrating whole-slide imaging (WSI) and structured clinical data to improve mutation prediction.
METHODS: A total of 1,047 patients from TCGA and 166 patients from 3 external centers were included. The histopathology model used a transformer-based pretrained encoder (H-optimus-0) and a clustering-constrained at
СтатьяМногоцентровое исследованиеПолный 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: Colorectal cancer (CRC) is a leading cause of mortality worldwide, and early examination via colonoscopy is increasingly used to prevent CRC mortality. Recently, studies have attempted utilizing artificial intelligence for the classification of CRC. However, datasets were limited in these studies, and the limited number of findings resulting from these studies are not specific to cancerous or noncancerous findings. We present a full pipeline of ensemble deep learning approach to classify five diagnostic categories. Through this pipeline, whole slide images (WSIs) exhibiting low qua
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.
Gastric adenocarcinoma is a leading cause of cancer related mortality worldwide, and histopathologic examination of endoscopic biopsy samples remains essential for its diagnosis and grading. In this study, we propose a novel AI based caption generation model, termed MIAC (Multi-instance Attention Captioning), designed to produce descriptive diagnostic reports from digital pathology images. The model leverages a Multi-instance learning framework with permutation-invariant self attention to aggregate features from multiple histopathology image patches into a unified representation, effectively c
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.
Examining thyroid fine needle aspiration (FNA) can grade cancer risks, derive prognostic information, and guide follow-up care or surgery decision-making. However, thyroid cytology's diagnostic cues are more dispersed compared with pathology images in other disciplines, making standard annotation strategy for AI diagnosis labor-intensive. Inspired by how cytologists diagnose under the microscope, we propose an innovative cellularity-based active learning framework, namely Cyto-AL, to correlate cellularity with diagnostic categories for the active learning query. We also improve the Whole Slide
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: Cytological diagnosis of pleural effusion plays an important role in the early detection and diagnosis of lung cancers. Recently, attempts have been made to overcome low diagnostic accuracy and interobserver variability using artificial intelligence-based image analysis. However, such analysis is primarily performed at the image-patch level and not at the whole-slide image (WSI) level. This study aims to develop a WSI-level classification of malignant effusions in metastatic lung cancer based on pleural fluid cytology using a quality-controlled, nationwide dataset.
METHODS: The da
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.
BACKGROUND AND OBJECTIVE: Papillary thyroid carcinoma (PTC) is the most common thyroid malignancy, and pre-operative diagnosis depends on integrating ultrasound (US) imaging with fine-needle aspiration cytology (FNAC). Pang et al. (2025) recently released a paired US/cytology dataset and demonstrated that classical radiomics combined with classifiers such as support vector machines, random forests, and XGBoost can reach AUROC ≈ 0.99 on a single random split. We re-examine this result under a stricter evaluation protocol and contribute a calibrated multimodal deep learning model for PTC diagnos
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.
Molecular classification guides breast cancer treatment, but PAM50 and immunohistochemistry (IHC) remain costly and unavailable in many settings. Foundation models (FMs) combined with multiple instance learning (MIL) show promise for predicting molecular subtypes from haematoxylin-and-eosin-stained slides, yet most studies report only internal validation. This study evaluates FMs with MIL across cohorts and identifies factors associated with domain-induced performance degradation. We evaluate 13 FMs and 3 complementary MIL architectures for PAM50 subtyping and IHC biomarker prediction using cr
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 shown prominent success in analyzing whole slide histopathology images (WSIs). However, existing MIL methods often suffer from overfitting due to weak supervision and the "needle-in-a-haystack" nature of WSIs. Additionally, most deterministic approaches lack a mechanism for uncertainty quantification. While Bayesian neural networks (BNNs) have emerged as a promising solution to mitigate overfitting and enable uncertainty estimation by imposing prior constraints, commonly used Gaussian BNNs exhibit unstable posterior predictive distributions under weak super
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.
As a critical prenatal screening tool, ultrasound (US) heavily depends on operator experience, leading to both challenging and rare fetal malformation diagnoses as well as diagnostic variability. Thus, developing an automated fetal anomaly detection system can reduce operator variability and expedite clinical analysis. Currently, most existing methods perform independent image-based predictions on different planes and use simple pooling strategies for case-level prediction, disregarding inter-image correlations. Although multi-instance learning (MIL) can model inter-image correlations, it suff
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 differentiation between benign and malignant thyroid nodules on ultrasound remains clinically important, yet interpretation is operator-dependent and subject to inter-observer variability. Recent deep learning studies report strong performance for thyroid ultrasound classification, but many prior approaches remain centred on image-level prediction, with limited emphasis on patient-level baselines, calibration-aware evaluation, and mask-related shortcut analysis. To address these gaps, we present a patient-level thyroid ultrasound malignancy prediction framework centred on a Region-Awa
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 AND OBJECTIVES: Malignant lymphomas are cancers of the immune system and are characterized by enlarged lymph nodes that typically spread across many different sites. Many different histological subtypes exist, whose diagnosis is typically based on sampling (biopsy) of a single tumor site, whereas total body examinations with computed tomography and positron emission tomography, though not diagnostic, are able to provide a comprehensive picture of the patient. In this work, we exploit a data-driven approach based on multiple-instance learning algorithms and texture analysis features
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.
In recent years, computational pathology has advanced toward integrating histopathological images and genomic data to improve diagnostic accuracy and biological interpretability. In this study, we propose a lightweight end-to-end multi-instance learning model that integrates whole slide images (WSIs) with gene expression profiles. The proposed method efficiently extracts image features using a reduced MobileNetV4 and treats gene information at the gene set level based on Gene Set Enrichment Analysis (GSEA) to capture functional relationships among genes. Image and gene features are aggregated
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.
Gliomas are the most common primary malignant tumors of the central nervous system and show marked imaging heterogeneity, making accurate preoperative prediction of 24-month overall survival status important for individualized treatment planning and prognostic counseling. Summary receiver operating characteristic analyses were used to systematically compare combinations of convolutional backbone depth and input channel counts to identify an optimal sequence-channel configuration. Guided by these findings, we developed an end-to-end multisequence-multichannel fusion aggregation (EMFA) framework
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 surgical procedures for primary lung cancer and metastatic lung tumors differ. An intraoperative diagnosis is important for taking decisions regarding the surgical procedure. This study digitized frozen sections for intraoperative diagnosis and developed and evaluated deep learning models to differentiate lung cancer from metastatic tumors. A total of 1668 slides from 1458 patients with lung cancer or metastatic tumors who underwent surgery with an intraoperative diagnosis at a single institution were included. Lung cancer comprised 1170 slides, whereas metastatic tumors comprised 498 slid
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: Lymph node metastasis (LNM) is an important prognostic factor but is often underdiagnosed due to limitations in conventional assessment methods. We aimed to develop a deep learning (DL) model to predict LNM status from primary gastric cancer (GC) whole-slide images.
METHODS: This retrospective study included 929 patients with GC from three independent cohorts across two centers. A DL model based on Clustering-constrained Attention Multiple Instance Learning was trained and validated to predict LNM from whole-slide images of primary tumors. The ability of the model to predict occul
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.
BACKGROUND: Accurate staging of lymph node metastasis (LNM) is crucial for personalising rectal cancer treatment. Lymph nodes (LNs) are the most common sites of rectal cancer metastasis, and malignant LNs are typically treated with neo-adjuvant radiotherapy or chemoradiotherapy (CRT) to reduce the chance of recurrence and distant metastasis after surgery. Radiological staging criteria, based on LN size, shape, and texture, are known to be subjective, and radiologists have an average diagnostic performance of 73% sensitivity and 74% specificity.
METHODS: This study develops a fully automatic a
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.
Hyperspectral materials characterization techniques are becoming ubiquitous and technologically more sophisticated. There has been widespread development and application of machine/statistical learning to better understand large hyperspectral data sets. This has been remarkably fruitful across domains, yet many challenges remain. One important challenge is the utilization of large-scale data sets to uncover generalizable, population-level spatial-molecular differences between materials. We describe the application of mass spectrometry imaging and a novel weakly supervised learning method to id
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.
European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery2026eng
BACKGROUND: Laryngeal cancer is a significant global health issue with high mortality, and early diagnosis is critical for survival. Developing accurate diagnostic models for laryngoscopy can reduce potential repeated biopsies and lessen the patient burden, representing an urgent clinical need. However, existing artificial intelligence models often function as black boxes and are trained on single, pre-selected images, which does not reflect the clinical workflow where multiple images are assessed.
METHODS: We conducted a retrospective study on 611 patients who underwent white light endoscopy
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: Correctly identifying epitope-binding T-cell receptors (TCRs) is important to both understand their underlying biological mechanism in association to some phenotype and accordingly develop T-cell mediated immunotherapy treatments. Although the importance of the CDR3 region in TCRs for epitope recognition is well recognized, methods for profiling their interactions in association to a certain disease or phenotype remains less studied. We developed EpicPred to identify phenotype-specific TCR-epitope interactions. EpicPred first predicts and removes unlikely TCR-epitope interactions t
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.