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: 74 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 575 с найденным полным текстом
As the main technology to solve data islands and mine data value, federated learning has been widely researched and applied, and more and more federated learning platforms are emerging. The federated learning platform organizes users, devices and data to collaborate in a crowdsourcing manner and complete specific federated learning tasks. This paper designs the shortest path core-selection incentive mechanism by combining the VCG auction mechanism and the core concept of cooperative games. This mechanism solves the problems of overpayment, false-name attack, and deviation from the core of the
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.
Distributed sensing systems increasingly rely on geographically distributed devices that collect data under different operating conditions. Federated continual learning (FCL) enables a global model to be trained across distributed sensing clients whose local data evolve over time, while preserving previously acquired knowledge. Existing FCL studies have mainly addressed continual task evolution or class-based client heterogeneity, while federated domain-incremental learning has investigated adaptation to changing domains under a shared label space. Less attention has been paid to scenarios whe
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.
Routine clinical assessments for Parkinson's disease are essential instruments in both clinical practice and research, often used to identify disease sub-types and monitor the progression of disease severity. However, each clinic has limited access to information and the quality of these assessments is often degraded by the amount of missing information recorded at the time of each visit. The main objective of this study is to evaluate the performance of Federated Learning (FL) algorithms for imputing missing clinical data, enhancing the quality of decentralized Parkinson's disease assessments
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 enables multiple organizations to collaboratively analyze data while retaining local control over their datasets, making it attractive for applications such as healthcare. Distributed quantum computing provides a natural framework for such workflows, allowing geographically separated quantum processors to execute joint computations using shared entanglement while preserving data privacy. In this work, we investigate the feasibility of satellite-enabled distributed quantum computing for federated quantum learning. As a representative application, we consider a distributed dis
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.
Straggler synchronization is a dominant wall-clock bottleneck in synchronous wireless federated learning (FL). Under non-IID data, however, aggressively sampling only fast clients may significantly slow convergence due to statistical heterogeneity. This paper studies PASS-enabled FL, where a radiating pinching antenna (PA) can be activated at an arbitrary position along a dielectric waveguide to reshape uplink latencies. We consider a joint optimization of PA placement and client participation to minimize a proxy for time-to-accuracy, coupling the exact expected maximum round latency via order
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.
Digital health technologies, including machine learning (ML), are transforming infectious disease management, however ML models for HIV care have been limited by data sharing restrictions that prevent multi-site collaboration. Federated Learning (FL) offers a privacy-preserving solution, enabling cross-site model training without sharing patient-level data. We evaluated FL for developing clinical prediction models using data from 22,234 people living with HIV (PLWH) across six sites in five countries within the Caribbean, Central, and South America network for HIV epidemiology (CCASAnet). Acro
СтатьяПрепринтПолный 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.
ObjectiveFederated learning enables collaborative medical model development without centralizing patient records; however, client-level class imbalance may reduce sensitivity to malignant cases. This study evaluated FDCTGAN, a client-local CTGAN-augmented federated learning framework for imbalanced breast cancer classification.MethodsIn FDCTGAN, each eligible client trained a local conditional generative adversarial network and generated synthetic malignant records equal to 50% of its local class deficit. Raw and synthetic data remained on the originating client. Only feature extrema were shar
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.
Collaborative learning in healthcare faces challenges, including strict regulations and fragmented data. This research introduces a federated learning framework that employs swarm intelligence to augment communication and enhance the analysis of medical images. The method optimizes hyperparameters, selects features, and assigns aggregation weights to federated clients simultaneously by combining Particle Swarm Optimization (PSO) and the Firefly Algorithm (FA) with deep Convolutional Neural Networks (CNNs). The framework was tested on three medical datasets: COVID-19 chest X-rays (5,856 images)
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-vitro fertilization (IVF) provides an effective infertility treatment. However, the success of IVF heavily depends on manual morphological assessment of embryos, a process that is both time-consuming and labor-intensive. While artificial intelligence (AI) enables automated assessment, its reliance on centralized large-scale data training raises privacy concerns.
METHODS: Here, we develop a distributed AI system, termed 'FedEmbryo', tailored for personalized embryo selection while preserving data privacy. Within FedEmbryo, we introduce a federated task-adaptive learning (FTAL) 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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
COVID-19 CT image segmentation is of great significance in medical image analysis, but it faces numerous challenges, especially in the context of inter-institution collaboration and data privacy protection. In particular, with the scarcity of labeled data, the effective use of limited labeled data and abundant unlabeled data for training remains a pressing issue. To address this challenge, we propose an innovative Federated Semi-Supervised Learning method (FSSLCIS) for COVID-19 CT image segmentation. We apply the MixMatch method for local semi-supervised learning, leveraging data augmentation
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 integration of federated learning into Industrial Internet of Things (IIoT) networks enables collaborative intelligence but also exposes systems to identity spoofing, model poisoning, and malicious update injection. This paper presents Leash-FL, a lightweight self-healing framework that combines certificateless elliptic curve cryptography with blockchain to enhance resilience in resource-constrained IoT environments. Certificateless ECC with pseudonym rotation enables efficient millisecond-scale authentication with minimal metadata, supporting secure and unlinkable participation. A similar
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: Mediastinal neoplasms are typical thoracic diseases with increasing incidence in the general global population and can lead to poor prognosis. In clinical practice, the mediastinum's complex anatomic structures and intertype confusion among different mediastinal neoplasm pathologies severely hinder accurate diagnosis. To solve these difficulties, we organised a multicentre national collaboration on the basis of privacy-secured federated learning and developed CAIMEN, an efficient chest CT-based artificial intelligence (AI) mediastinal neoplasm diagnosis system.
METHODS: In this mu
Многоцентровое исследованиеСтатьяПоддержка 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.
Ischemic heart disease is the highest cause of mortality globally each year. This puts a massive strain not only on the lives of those affected, but also on the public healthcare systems. To understand the dynamics of the healthy and unhealthy heart, doctors commonly use an electrocardiogram (ECG) and blood pressure (BP) readings. These methods are often quite invasive, particularly when continuous arterial blood pressure (ABP) readings are taken, and not to mention very costly. Using machine learning methods, we develop a framework capable of inferring ABP from a single optical photoplethysmo
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.
Software-Defined Networking (SDN) is flexible, provides centralized control, and is vendor-independent; however, due to its centralized architecture, it is extremely susceptible to complex cyber-attacks. The classical means of intrusion detection proves to be unable to cope with dynamic and large-scales threats, which prove to be high-false positive as well as slow responses. This work proposes an AI-based federated defense system, which incorporates XGBoost to identify threats correctly, LightGBM to provide adaptive responses in real-time, and Federated Learning to share intelligence among ea
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.
Strict privacy regulations in healthcare limit the centralized sharing of medical imaging data, creating challenges for developing robust and generalizable diagnostic models. Federated learning (FL) offers a privacy-preserving paradigm in which participating institutions collaboratively train a global model without directly exchanging patient images. This study presents a federated CNN-LSTM framework for privacy-preserving brain stroke classification from MRI scans, designed to learn discriminative spatial and sequential representations while retaining training data at the local client level.
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.
As global life expectancy rises, a growing proportion of the population is affected by dementia, particularly Alzheimer's disease (AD) and Frontotemporal dementia (FTD). Electroencephalography (EEG) based diagnosis presents a non-invasive, cost effective alternative for early detection, yet existing methods are challenged by data scarcity, inter-subject variability, and privacy concerns. This study proposes lightweight and privacy-preserving EEG classification framework combining deep learning and Federated Learning (FL). Five convolutional neural networks (EEGNetv1, EEGNetv4, EEGITNet, EEGInc
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.
Неврологические расстройства затрагивают сотни миллионов людей во всем мире, однако перевод достижений искусственного интеллекта (АИ) в клиническую практику по-прежнему сопряжен с трудностями из-за разрозненных, чувствительных к конфиденциальности наборов данных. Федеративное обучение (ФЛ) стало многообещающей парадигмой, позволяющей осуществлять совместную типовую подготовку в различных учреждениях без обмена необработанными данными о пациентах. В этом обзоре синтезируются приложения FL в неврологии с 2020 по 2025 год, охватывающие нейроимацию, электрофизиологию и электронные медицинские запи
СтатьяОбзорПоиск полного текста в очередиМашинный перевод · не проверен
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: The training of deep learning (DL) models in medical images requires large amounts of sensitive patient data. However, acquiring adequately labeled datasets is challenging because of the heavy workload of manual annotations and the stringent privacy protocols.
METHODS: Federated learning (FL) provides an alternative approach in which a coalition of clients collaboratively trains models without exchanging the underlying datasets. In this study, a novel Personalized Federated Learning Framework (PAF-Fed) is presented for abdominal multi-organ segmentation. Different from traditional FL
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: Decentralized federated learning (DFL) may serve as a useful framework for machine learning (ML) tasks in multicentered studies, maximizing the use of clinical data without data sharing. We aim to propose the first workflow of DFL for ML tasks in multicentered studies, which can be as powerful as those using centralized data.
METHODS: A DFL workflow was developed with 4 steps: registration, local computation, model update, and inspection. A total of 598 participants with acromegaly from Peking Union Medical College Hospital, and 120 participants from Xuanwu Hospital were enrolled.
СтатьяМногоцентровое исследованиеПоддержка 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.
Distributed collaborative learning is a promising approach for building predictive models for privacy-sensitive biomedical images. Here, several data owners (clients) train a joint model without sharing their original data. However, concealed systematic biases can compromise model performance and fairness. This study presents MyThisYourThat (MyTH) approach, which adapts an interpretable prototypical part learning network to a distributed setting, enabling each client to visualize feature differences learned by others on their own image: comparing one client's 'This' with others' 'That'. Our se
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.