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
905 публикаций
Поиск: 972 мс
Публикации на разных языках · PubMed, Europe PMC и данные издателей через Crossref · 761 с найденным полным текстом
BACKGROUND: Multiple instance learning (MIL) is widely used for slide-level classification in digital pathology without requiring expert annotations. However, even partial expert annotations offer valuable supervision; few studies have effectively leveraged this information within MIL frameworks.
OBJECTIVE: This study aims to develop and evaluate a ranking-aware MIL framework, called rank induction, that effectively incorporates partial expert annotations to improve slide-level classification performance under realistic annotation constraints.
METHODS: We developed rank induction, a MIL appr
СтатьяВалидационное исследованиеПоиск 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.
PURPOSE: Acute coronary syndrome (ACS) is a major cause of cardiovascular mortality. While coronary angiography enables definitive diagnosis and intervention, its invasiveness and limited availability delay treatment, disproportionately affecting rural and remote communities. Development of noninvasive, predictive tools for early revascularization may improve triage and outcomes.
METHODS: We propose TREAT-Netv2, a regional wall motion-informed video-tabular fusion network for ACS treatment prediction that integrates echocardiograms (echo) and electronic medical records. The model extracts reg
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.
Multiple instance learning (MIL) has enabled substantial progress in computational histopathology, where a large amount of patches from gigapixel whole slide images are aggregated into slide-level predictions. Heatmaps are widely used to validate MIL models and to discover tissue biomarkers. Yet, the validity of these heatmaps has barely been investigated. In this work, we introduce a general framework for evaluating the quality of MIL heatmaps without requiring additional labels. We conduct a large-scale benchmark experiment to assess six explanation methods across histopathology task types (
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
The spread of early-stage adenocarcinomas to locoregional lymph nodes is a critical event in disease progression of gastric cancer. Multiple instance learning (MIL) is widely employed in computational pathology to solve the absence of pixel-wise or patch-wise annotations in Whole Slide Image (WSI) datasets. MIL algorithms are typically applied a single-scale of WSIs, whereas pathologists usually aggregate diagnostic information across multiple scales. To this end, we propose a novel cross-scale MIL framework with multi-scale interactions to predict lymph node metastasis (LNM) from early-stage
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.
Prostate cancer is one of the most prevalent malignancies among men worldwide, and its diagnosis relies heavily on accurate analysis of whole slide imaging (WSI) in histopathology. However, manual interpretation is time-consuming and prone to inconsistent accuracy. Existing multiple instance learning (MIL)-based studies can assist diagnosis but still suffer from high computational cost, insufficient exploitation of inter-instance relationships, and neglect of tissue heterogeneity. To address these challenges, this paper proposes a feature distillation multiple instance learning method based on
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.
Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference2025eng
Parkinson's disease (PD) is a long-term neurode-generative disorder characterized by motor and non-motor symptoms, with tremor being a key indicator. Early detection of PD is vital for effective symptom management, yet current methods often struggle in real-world scenarios. This study addresses Parkinsonian tremor detection using smartphone-captured accelerometer data collected in-the-wild. We propose a novel approach that integrates contrastive pretraining within a pre-existing Multiple-Instance Learning (MIL) framework to leverage large-scale unlabeled data and enhance representation learnin
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.
INTRODUCTION: The placenta forms a critical barrier to infection through pregnancy, labor and, delivery. Acute placental inflammation in the membranes, diagnosed as Maternal Inflammatory Response (MIR), has short-term, and long-term consequences for offspring health. Digital pathology and machine learning can play an important role in understanding placental inflammation. The goal of this work is to develop machine learning models to predict pathologist-classified MIR stages from based on whole slide images (WSI) and establish early benchmarks.
METHODS: We used digitized histopathology whole
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.
Multiple Instance Learning (MIL) has achieved significant success in whole slide image (WSI) analysis. However, the complexity and heterogeneity in WSIs remain fundamental challenges for MIL problem due to the various information in each WSI. However, existing MIL methods face challenges in effectively aggregating diverse patch information into robust and predictive WSI representations. While Vision Transformers (ViTs) and clustering-based approaches have shown promise, they are often computationally intensive and fail to fully capture task-specific features and slide-specific variability. To
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.
Accurate and rapid screening of adenocarcinoma cells in serous cavity effusion is vital in diagnosing the stage of metastatic tumors and providing prompt medical treatment. However, it is often difficult for pathologists to screen serous cavity effusion. Fixed agglutination cell block can help to improve diagnostic sensitivity in malignant tumor cells through analyzing larger volumes of serous cavity effusion, although it could accordingly lead to screening of more cells for pathologists. With the advent of whole slide imaging and development of artificial intelligence, advanced deep learning
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.
Stress is a prevalent condition linked to a wide range of mental and physical health disorders. Timely detection of stress is critical for enabling early interventions and promoting long-term well-being. Traditional detection methods based on physiological signals, can be effective, but intrusive or unsuitable for continuous or large-scale deployment. In this study, we propose a video-based stress detection method using top-k Multiple Instance Learning. Our approach is based on the assumption that subjects exhibit a mix of high-intensity and less stress-indicative behaviour during stressful ta
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.
Flow cytometry is an essential component of routine hematological lab testing. Many computational methods have been proposed for the analysis of flow cytometry data, but most have focused on supervised learning for just one or a few specific disorders. To maximize clinical utility, we develop a method that enables identification of multiple common disorders and quality indicators. Our method includes a self-supervised pretraining component as well as a new, transformer-based model architecture. The self-supervised training algorithm is based on the DINO method while the model architecture is a
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.
Accurate tumor detection in digital pathology whole-slide images (WSIs) is crucial for cancer diagnosis and treatment planning. Multiple Instance Learning (MIL) has emerged as a widely used approach for weakly-supervised tumor detection with large-scale data without the need for manual annotations. However, traditional MIL methods often depend on classification tasks that require tumor-free cases as negative examples, which are challenging to obtain in real-world clinical workflows, especially for surgical resection specimens. We address this limitation by reformulating tumor detection as a re
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.
Digital pathology standardizes diagnostic workflows through the digitization of conventional slides and the integration of algorithmic analysis. Few-shot Weakly Supervised Whole Slide Image (WSI) Classification (FSWC) represents a critical challenge in digital pathology. Conventional Multiple Instance Learning (MIL) methods rely on large volumes of annotated data and are susceptible to distribution shifts. Vision-Language Model (VLM)-based prompt learning methods enable parameter-efficient few-shot learning but are limited to patch-level feature aggregation, failing to model slide-level diagno
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.
Whole slide imaging (WSI) provides rich tissue information at a gigapixel resolution, posing significant challenges for the development of pathology analysis algorithms. Mainstream approaches effectively analyze WSI but treat the pretrained feature extractor and the task-specific network as independent modules, thereby restricting downstream task accuracy due to the limitations of the pretrained model. Inspired by the knowledge complementarity mechanism in multi-agent collaboration, we propose PLM-SynNet, a pathology large model synergy network that integrates the strengths of multiple patholo
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 the COVID-19 pandemic, a rigorous testing scheme was crucial. However, tests can be time-consuming and expensive. A machine learning-based diagnostic tool for audio recordings could enable widespread testing at low costs. In order to achieve comparability between such algorithms, the DiCOVA challenge was created. It is based on the Coswara dataset offering the recording categories cough, speech, breath and vowel phonation. Recording durations vary greatly, ranging from one second to over a minute. A base model is pre-trained on random, short time intervals. Subsequently, a Multiple Instance
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.
Chemotherapy is an important treatment for cancer patients, but it comes with risks. Therefore, effective chemotherapy response prediction is crucial. While whole slide image provides high-resolution insights into tumour environments, existing weakly supervised learning frameworks struggle to effectively integrate molecular data, such as gene expression, limiting their predictive power in complex chemotherapy response and small-sample scenarios. We present a bimodal chemotherapy response multi-instance learning framework, BiChemoCLAM, a novel multimodal deep learning framework that combines at
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: This study aims to evaluate the effectiveness of deep learning AI model in the diagnosis and grading of mucoepidermoid carcinoma.
METHODS: We developed a multiple instance learning based-deep learning model which consisted of two modules. One to perform slide-level classification of whole slide images into mucoepidermoid carcinoma and non-mucoepidermoid carcinoma classes and the second one to perform grading into low, intermediate, and high grades. A total of 194 whole slide images were included in the study. Of these, 92 corresponded to mucoepidermoid carcinoma, while the remaining
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.
Ultra-low-pass whole-genome sequencing (ULP-WGS) of cell-free DNA (cfDNA) offers a cost-efficient strategy for cancer detection, but its clinical application is limited by extreme data sparsity and poor model generalization. We developed Fragmentia-AI™ WGS, a mutation-calling-independent framework that uses a transformer-based multiple-instance learning architecture with sequential fine-tuning across tumor fraction (TF) strata to extract latent cancer-associated signals from ULP-WGS data. Model performance was evaluated in multiple independent cohorts, including a pan-cancer test set covering
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.
The computer analysis of Whole Slide Images (WSIs) has become increasingly prevalent in pathology-based diagnosis, although their analysis still presents considerable challenges due to the voluminous nature of the data. To address this issue, Multiple Instance Learning (MIL) has emerged as a viable approach in which WSIs are partitioned into tiles for processing. Nevertheless, previous MIL methodologies inadequately capture the essential spatial context between tiles, which is imperative for accurate diagnosis across various diseases. In parallel, approaches based on adapting Convolutional Neu
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.
Accurate and automated whole slide image (WSI) classification is important in early diagnosis of cancer, which is typically achieved using multiple instance learning (MIL). Existing MIL approaches for WSI classification still face practical challenges, particularly related to large numbers of patches cropped from a WSI with only slide-level labels. In these cases, training often suffers from overfitting due to the weak supervision provided by the slide-level labels. Therefore, it is crucial to exploit more information from limited slide-level data for WSI analysis. However, existing approaches
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.