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: 57 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 311 с найденным полным текстом
Anatomical segmentation is a fundamental task in medical image computing, generally tackled with fully convolutional neural networks which produce dense segmentation masks. These models are often trained with loss functions such as cross-entropy or Dice, which assume pixels to be independent of each other, thus ignoring topological errors and anatomical inconsistencies. We address this limitation by moving from pixel-level to graph representations, which allow to naturally incorporate anatomical constraints by construction. To this end, we introduce HybridGNet, an encoder-decoder neural archit
СтатьяПоддержка исследования: вне правительства СШАПоиск 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.
INTRODUCTION: The drug discovery pipeline faces significant challenges, often requiring extensive screening to differentiate between true ligands and decoys. Computational biology techniques, particularly those involving deep learning, have increasingly been employed to address these issues. This study introduces and evaluates DecoyFinderNetAna, a Graph Convolutional Neural Network (GCNN)-based approach designed to distinguish true ligands from decoys in compound libraries, aiming to improve early-stage virtual screening accuracy.
METHODS: Chemical compounds were represented as molecular grap
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.
Integrating non-Euclidean brain imaging data with Euclidean tabular data, such as clinical and demographic information, poses a substantial challenge for medical imaging analysis, particularly in forecasting future outcomes. While machine learning and deep learning techniques have been applied successfully to cross-sectional classification and prediction tasks, effectively forecasting outcomes in longitudinal imaging studies remains challenging. To address this challenge, we introduce a time-aware graph neural network model with transformer fusion (GNN-TF). This model flexibly integrates both
СтатьяПрепринтПоиск 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: This study aimed to investigate early central abnormalities in sudden sensorineural hearing loss (SSNHL) and tinnitus following viral infection, specifically associated with SARS-CoV-2. We sought to identify shared and distinct functional connectivity (FC) features across SSNHL and tinnitus patients with and without a history of SARS-CoV-2 infection and explore how virus influences brain network remodeling in SSNHL and tinnitus.
METHODS: We recruited 31 SSNHL patients with tinnitus following SARS-CoV-2 infection (COV-SSNHL), 32 non-viral SSNHL patients with tinnitus, and 32 age- and
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.
MOTIVATION: Chronic kidney disease (CKD) and acute kidney injury (AKI) are prominent public health concerns affecting more than 15% of the global population. The ongoing development of spatially resolved transcriptomics (SRT) technologies presents a promising approach for discovering the spatial distribution patterns of gene expression within diseased tissues. However, existing computational tools are predominantly calibrated and designed on the ribbon-like structure of the brain cortex, presenting considerable computational obstacles in discerning highly heterogeneous mosaic-like tissue archi
СтатьяПоддержка NIH: внешняя программаПолный 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 rapid proliferation of electric vehicles (EVs) and their spatially clustered charging behaviors have imposed unprecedented challenges on the stability, efficiency, and fairness of power distribution networks. Coordinating large-scale EV clusters across geographically distributed charging stations requires intelligent scheduling strategies that can simultaneously respect grid constraints, maximize user satisfaction, and enhance renewable energy utilization-all while safeguarding data privacy and computational scalability. This paper proposes a novel multi-agent cooperative dispatch framewor
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.
RNA-ligand binding-site prediction is a challenging task in RNA molecular analysis. Binding regions are often sparse, structurally heterogeneous, and difficult to delineate accurately at the nucleotide level. Existing sequence-based methods lack explicit structural modeling, while conventional graph neural networks tend to mix signals around binding/non-binding transition regions. In this paper, BC-GNN, a multi-channel graph neural network for nucleotide-level RNA-ligand binding-site prediction, is proposed. BC-GNN integrates sequence-informed auxiliary transition estimation, boundary-aware pr
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 brain disorder characterized by substantial individual heterogeneity, and its accurate diagnosis remains challenging in clinical practice. Graph neural networks applied to functional brain networks (FBNs) constructed from resting-state functional magnetic resonance imaging (rs-fMRI) data have shown promise for MDD diagnosis. However, in multicenter settings, site differences are often entangled with disease-related information, which not only interferes with the model's learning of disease patterns but also compromises the reliable modeling of topological p
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.
Critically ill patients frequently require multiple concurrent interventions with complex interdependencies, yet existing prediction models treat these as independent events. We developed FIRST-ICU (Forecasting Interventions and Risk Stratification in the ICU), a unified deep learning framework integrating a graph neural network encoder, LSTM, and a novel Intervention Interaction Attention Module (IIAM) for joint prediction of seven ICU interventions. FIRST-ICU was developed using MIMIC-IV (n = 23,926) and externally validated on AmsterdamUMCdb (n = 12,603) without retraining. The Temporal Dec
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.
Combination therapy presents a transformative approach to treating complex diseases such as cancer by mitigating toxicity and resistance challenges inherent to monotherapy. A critical gap in current computational methods, however, lies in their inability to model cell-specific drug responses and dynamic drug-cell interactions, which are key factors in accurately predicting synergistic drug pairs. To address this, we propose DGSS, a novel Dynamic Interaction Graph Neural Network with Cell-Specific Drug Substructure Awareness, designed to explicitly capture two pivotal aspects: (1) drug substruc
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.
OBJECTIVE: This study focuses on enhancing the precision of epidemic time series data prediction by integrating Gated Recurrent Unit (GRU) into a Graph Neural Network (GNN), forming the GRGNN. The accuracy of the GNN (Graph Neural Network) network with introduced GRU (Gated Recurrent Units) is validated by comparing it with seven commonly used prediction methods.
METHOD: The GRGNN methodology involves multivariate time series prediction using a GNN (Graph Neural Network) network improved by the integration of GRU (Gated Recurrent Units). Additionally, Graphical Fourier Transform (GFT) and Dis
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.
Viral infections have emerged as significant public health concerns for decades. Antiviral drugs, specifically designed to combat these infections, have the potential to reduce the disease burden substantially. However, traditional drug development methods, based on biological experiments, are resource-intensive, time-consuming, and low efficiency. Therefore, computational approaches for identifying antiviral drugs can enhance drug development efficiency. In this study, we introduce AntiViralDL, a computational framework for predicting virus-drug associations using self-supervised learning. In
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.
Virtual reality and the Internet of Things have shown their capability in a variety of tasks. However, their availability in online learning remains an unresolved issue. To bridge this gap, we propose a virtual reality and Internet of Things-based pipeline for online music learning. The one graph network is used to generate an automated evaluation of learning performance which traditionally was given by the teachers. To be specific, a graph neural network-based algorithm is employed to identify the real-time status of each student within an online class. In the proposed algorithm, the characte
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: The rapid onset of pediatric sepsis and the short optimal time for resuscitation pose a severe threat to children's health in the ICU. Timely diagnosis and intervention are essential to curing sepsis, but there is a lack of research on the prediction of sepsis at shorter time intervals. This study proposes a predictive model towards real-time diagnosis of sepsis to help reduce the time to first antibiotic treatment.
PATIENTS AND METHODS: The dataset used in this paper was obtained from the pediatric intensive care unit of Shanghai Children's Medical Center and consisted of the init
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.
Drug target interaction (DTI) prediction is a critical task in drug discovery, as it has the potential to accelerate the identification of promising drug-target interactions, thus leading to more efficient and focused wet lab validations. Our central premise is that modeling DTI as a multilayer attributed heterogeneous graph and learning layer-specific representations with diffusion-based graph neural networks (GNNs) improves predictive performance over conventional single-view graph learning and matrix factorization approaches. To test this premise, we pro pose Multilayer Attention and Graph
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 detection of sentinel lymph node metastasis in whole slide images (WSIs) is critical for breast cancer staging, yet existing graph neural network (GNN) based methods lack pathological prior features that characterize diagnostically meaningful tissue configurations, leaving the model without an effective guidance for message passing or node importance evaluation. We propose a pathology-prior driven substructure-aware graph neural network for whole slide image classification. The pathology-prior substructure encoding (PPSE) module characterizes four substructure descriptors. The substru
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/Objectives: Multi-omics datasets are increasingly used for disease classification, but differences in scale, distribution, and resolution across omics layers complicate their integration. Conventional fusion approaches may overlook nonlinear cross-omics dependencies and structured sample-feature relationships. Here, we propose FastMI-HGNet, a two-stream heterogeneous graph neural network for multi-omics disease classification. Methods: The framework uses fast mutual information (FastMI) to construct dependency edge priors for a heterogeneous graph that connects sample and feature no
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.
Plasma metabolomics offers a promising avenue for the non-invasive classification of lung cancer. However, most classification frameworks treat lung cancer as a single entity, conflating non-small-cell lung cancer (NSCLC) with pulmonary neuroendocrine neoplasms (NENs), despite their distinct biology and treatment pathways. We apply a heterogeneous graph neural network to a three-class problem discriminating Control, NSCLC, and NEN from targeted plasma metabolomic profiling in 800 participants (466 NSCLC, 120 NEN, 214 Controls). Matched metabolites were annotated by Cell Danger Response (CDR) r
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.
This study developed an artificial intelligence (AI) system using a local-global multimodal fusion graph neural network (LGMF-GNN) to address the challenge of diagnosing major depressive disorder (MDD), a complex disease influenced by social, psychological, and biological factors. Utilizing functional MRI, structural MRI, and electronic health records, the system offers an objective diagnostic method by integrating individual brain regions and population data. Tested across cohorts from China, Japan, and Russia with 1,182 healthy controls and 1,260 MDD patients from 24 institutions, it achieve
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 pathological mechanism of attention deficit hyperactivity disorder (ADHD) is incompletely specified, which leads to difficulty in precise diagnosis. Functional magnetic resonance imaging (fMRI) has emerged as a common neuroimaging technique for studying the brain functional connectome. Most existing methods that have either ignored or simply utilized graph structure, do not fully leverage the potentially important topological information which may be useful in characterizing brain disorders. There is a crucial need for designing novel and efficient approaches which can capture such informa
СтатьяПоддержка NIH: внешняя программаПоддержка исследования: вне правительства СШАПоддержка 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.