全文获取类型
收费全文 | 619篇 |
免费 | 203篇 |
国内免费 | 27篇 |
专业分类
耳鼻咽喉 | 8篇 |
儿科学 | 3篇 |
妇产科学 | 2篇 |
基础医学 | 113篇 |
口腔科学 | 11篇 |
临床医学 | 116篇 |
内科学 | 42篇 |
皮肤病学 | 1篇 |
神经病学 | 32篇 |
特种医学 | 85篇 |
外科学 | 58篇 |
综合类 | 180篇 |
预防医学 | 61篇 |
眼科学 | 21篇 |
药学 | 37篇 |
2篇 | |
中国医学 | 45篇 |
肿瘤学 | 32篇 |
出版年
2024年 | 71篇 |
2023年 | 217篇 |
2022年 | 164篇 |
2021年 | 144篇 |
2020年 | 106篇 |
2019年 | 52篇 |
2018年 | 34篇 |
2017年 | 7篇 |
2016年 | 6篇 |
2015年 | 9篇 |
2014年 | 5篇 |
2013年 | 3篇 |
2012年 | 3篇 |
2011年 | 2篇 |
2010年 | 2篇 |
2009年 | 2篇 |
2008年 | 8篇 |
2007年 | 4篇 |
2006年 | 6篇 |
2005年 | 1篇 |
2004年 | 2篇 |
2002年 | 1篇 |
排序方式: 共有849条查询结果,搜索用时 17 毫秒
11.
目的通过对采集的细胞图像的定量识别,并结合基于机器学习的聚类分析,实现对混合培养的多种细胞基于形态的快速识别分选。方法对体外混合培养的A549和3T3两种细胞进行免疫荧光染色以表征其形态轮廓,利用CellProfiler对采集的荧光图片进行细胞形态特征的提取,再通过CellProfiler Analyst对提取的数据进行机器学习,训练出一种规则,形成一种泛化能力,以达到对混合培养的两种细胞进行识别分选的目的。结果训练分类器准确率为81.24%,可以实现A549和3T3细胞的二分类。结论机器学习有助于提升数据聚类分析的准确率,将其应用于细胞图像的识别,可为临床对组织切片进行快速病理检测提供预判断,从而减轻医生的工作量,提高诊断的准确率。 相似文献
12.
目的:基于三种机器学习算法——支持向量机(support vector machine,SVM)、分类回归树(classification and regression tree,CART)和随机森林(random forest,RF),构建重症监护室(intensive care unit,ICU)患者的ICU入住时长(length of ICU stay,LOS-ICU)分类预测模型,并与传统的定制版简化急性生理功能评分Ⅱ(simplified acute physiology score Ⅱ,SAPS-Ⅱ)模型进行比较。方法:使用美国大型重症医疗数据库(medical information mart for intensive care Ⅲ,MIMIC-Ⅲ),以ICU患者是否发生超长LOS-ICU(prolonged LOS-ICU,pLOS-ICU)作为结局指标,构建定制版SAPS-Ⅱ、SVM、CART和RF模型,使用递归特征消除法进行特征选择,基于五折交叉验证找出最佳预测模型。模型的预测性能评价指标包括Brier评分、受试者工作特征(receiver operation characteristic,ROC)曲线下面积(area under the ROC curve,AUROC)和估计校准度指数(estimated calibration index,ECI),模型性能指标之间的比较使用双侧t检验。使用本研究中预测性能最好的模型识别出来的各预测变量重要性排序结果,给出重要性排序前五位的预测变量。结果:最终共纳入40 200例ICU患者,发生pLOS-ICU的患者23.7%。其中,男性患者57.6%,患者平均年龄为(61.9±16.5)岁。五折交叉验证结果显示,相比于定制版SAPS-Ⅱ模型,三种机器学习模型的预测性能在各个指标上均有明显提升,且差异均具有统计学意义(P<0.01)。其中,RF模型在综合预测性能、区分度与校准度三个方面均表现最优,其Brier评分、AUROC和ECI分别为0.145、0.770和7.259。校准曲线结果显示,在高pLOS-ICU发生风险的ICU人群中,RF模型倾向于略微高估其风险;在低pLOS-ICU发生风险的ICU人群中,RF模型倾向于略微低估其风险。基于性能最优的RF模型识别的对pLOS-ICU预测最重要的五个变量依次为年龄、心率、收缩压、体温和动脉血氧分压与吸入氧分数之比。结论:基于机器学习方法构建ICU患者的pLOS-ICU预测模型相比于传统的定制版SAPS-Ⅱ模型,预测性能均有明显提升,其中,基于RF方法的pLOS-ICU预测模型性能最优,具有很大的临床应用潜力。 相似文献
13.
14.
人口老龄化已成为一个重大的世界性社会问题。我国65岁以上老年人口超过2.54亿,老年慢性病患病率及共病率高,导致其生活质量下降,致残率、死亡率增高和医疗费用支出的明显增长,给家庭和社会带来沉重的负担。目前基于物联网、大数据、人工智能等新技术已在医疗行业应用,传统的慢性病管理受到挑战。发展智慧医疗是医疗卫生改革的战略需要,也是行业革新的必然趋势,正逐渐成为疾病诊断和风险预测的源动力。开发准确有效的早期诊断及筛检技术,建立完善的疾病普查制度和风险评估、预警体系等是慢性病防治的关键点。国外已开发了乳腺癌、肺癌、糖尿病等疾病风险评估模型,但这些模型并不完全适合中国人群开展疾病风险评估及测量,因此有必要构建符合中国人群自身特点的疾病风险评估模型。如何突破传统的慢性病管理模式,构建精准医疗决策的解决方案成为医疗界共同关注的科学问题。在慢性病管理的实践中,多重慢性病危险因素分级及分层是核心难题。基于大数据云平台,利用机器学习技术进行医疗数据挖掘,形成老年慢性病干预评估的指标评价体系,从而实现创新性的老年慢性病管理模式。该模式将突破老年慢性病管理的难点和瓶颈,促使慢性病的预防/干预关口前移,实现精准管理。 相似文献
15.
目的应用机器学习算法构建氨基末端脑钠尿肽(N-terminal pro-brain natriuretic peptide, NT-proBNP)灰值患者心力衰竭判别模型并评价。方法收集2013年1月至2018年12月在上海市浦东新区公利医院进行NT-proBNP实验室检测的患者临床资料和实验室检测信息,数据清洗后纳入研究对象,并按7∶3的比例划分训练集和测试集。用L1范数正则化和递归特征消除方法对特征进行筛选。应用基于机器学习的Logistic回归、随机森林、梯度提升树和XGBoost算法构建模型,比较4种方法构建的模型对NT-proBNP灰值患者心力衰竭判别价值。结果按重要性筛选出模型因子年龄、性别、肌酸激酶同工酶、肌酐、肌红蛋白、肌钙蛋白Ⅰ、血红蛋白、白细胞计数。Logistic回归、随机森林、梯度提升树和XGBoost四种模型灵敏度分别为58.42%、56.83%、65.74%和60.04%;特异度分别为57.47%、68.18%、60.13%、65.93%。结论基于机器学习建立的NT-proBNP灰值患者心力衰竭判别模型有一定临床价值,本研究结果应用价值有待于更大样本进行验证。 相似文献
17.
目的:将舌象参数与基本生理指标相结合,运用机器学习算法建立糖尿病风险预测模型。方法:应用TDA-1型数字舌象仪和舌诊分析系统获取舌象参数,分析糖尿病前期组与糖尿病组基本生理指标、实验室检查与舌象参数统计学差异,借助4种经典算法建立糖尿病风险预测模型。结果:生理指标与舌象参数联合特征支持向量机糖尿病前期预测模型性能最佳,F1为0.81,Precision为0.71,Recall为0.94。生理指标与舌象参数联合特征神经网络2型糖尿病预测模型曲线下面积(area under the curve,AUC)为0.83,Precision为0.73。结论:将基本生理指标与舌象参数特征结合可以提高支持向量机糖尿病前期预测模型和神经网络2型糖尿病风险预测模型的分类效果,符合临床对于2型糖尿病风险预测的实际需要。 相似文献
18.
目的 评价支持向量机(SVM)、随机森林(RF)、极限梯度提升(XGBoost)3种机器学习算法与Logistic回归在重症缺血性脑卒中30天死亡结局的预测效果。方法 使用2008年至2019年MIMIC-IV数据库中符合纳排标准的2358例重症缺血性脑卒中患者资料,分别用SVM、随机森林、XGBoost3种机器学习算法与Logistic回归结合合成少数类过采样(SMOTE)技术建立早期死亡预测模型,并使用通过受试者工作特征曲线下面积(AUC)、准确度、F1-score、布里尔分数等指标评价预测效果。结果 SVM、随机森林、XGBoost与Logistic回归模型在原始类不平衡数据死亡预测中AUC值分别为0.78、0.81、0.84、0.83。应用SMOTE合成数据集后,SVM、随机森林、XGBoost与Logistic回归模型的AUC值分别为0.72、0.84、0.83、0.83。除SVM 外,机器学习算法与Logistic回归之间有相似的预测能力,但准确率、布里尔分数等优于Logistic回归,综合分类性能更优。结论 机器学习算法在重症缺血性脑卒中早期死亡预测中性能较传统方法更优,在解决重症患者预后预测研究问题中具有优势。 相似文献
19.
20.
毒性病理学是促进动物和人类健康发展最有价值的学科之一,药物非临床安全性评价毒性研究中对石蜡包埋、苏木精和伊红染色切片的组织病理学检查是毒性病理学评价的金标准。数字毒性病理学、人工智能(artificial intelligence, AI)尤其是机器学习(machine learning, ML)是全球颠覆性、快速发展的技术领域,其对组织病理学领域的影响正在迅速显现。组织病理学检查种类繁多算法的发展和应用,表明人工智能病理学平台可深度影响将来数字毒性病理学、精准医疗和个性化医疗。然而,与所有其他革命性的技术相同,人工智能病理学平台在实施和应用过程中存在诸多挑战。本文综述了人工智能和机器学习的发展、人工智能在毒性病理学中的应用、机器学习在数字毒性病理学中的应用以及人工智能对数字毒性病理学的影响,以期为我国毒性病理学中人工智能和机器学习的应用提供一定参考。 相似文献