全文获取类型
收费全文 | 1452篇 |
免费 | 433篇 |
国内免费 | 75篇 |
专业分类
耳鼻咽喉 | 17篇 |
儿科学 | 7篇 |
妇产科学 | 10篇 |
基础医学 | 115篇 |
口腔科学 | 42篇 |
临床医学 | 263篇 |
内科学 | 140篇 |
皮肤病学 | 4篇 |
神经病学 | 28篇 |
特种医学 | 211篇 |
外科学 | 130篇 |
综合类 | 484篇 |
预防医学 | 166篇 |
眼科学 | 91篇 |
药学 | 70篇 |
11篇 | |
中国医学 | 100篇 |
肿瘤学 | 71篇 |
出版年
2024年 | 37篇 |
2023年 | 395篇 |
2022年 | 351篇 |
2021年 | 373篇 |
2020年 | 324篇 |
2019年 | 136篇 |
2018年 | 71篇 |
2017年 | 11篇 |
2016年 | 8篇 |
2015年 | 2篇 |
2014年 | 8篇 |
2013年 | 12篇 |
2012年 | 17篇 |
2011年 | 15篇 |
2010年 | 21篇 |
2009年 | 14篇 |
2008年 | 24篇 |
2007年 | 18篇 |
2006年 | 13篇 |
2005年 | 16篇 |
2004年 | 13篇 |
2003年 | 9篇 |
2002年 | 6篇 |
2001年 | 14篇 |
2000年 | 9篇 |
1999年 | 6篇 |
1998年 | 5篇 |
1997年 | 2篇 |
1996年 | 3篇 |
1995年 | 1篇 |
1994年 | 8篇 |
1993年 | 2篇 |
1992年 | 4篇 |
1991年 | 2篇 |
1990年 | 4篇 |
1989年 | 4篇 |
1987年 | 2篇 |
排序方式: 共有1960条查询结果,搜索用时 15 毫秒
1.
随着人类基因组测序、生物大数据信息分析、分子病理检测和人工智能辅助病理诊断等技术进步及其应用, 临床医学发展迈向精准诊疗时代。这一时代背景下, 传统诊断病理学迎来前所未有的历史机遇, 正在向"下一代诊断病理学(next-generation diagnostic pathology)"迈进。下一代诊断病理学以病理形态和临床信息为诊断基础, 以分子检测与生物信息分析、智慧制样与流程质控、智能诊断与远程会诊、病灶活体可视化与"无创"病理诊断等创新前沿交叉技术为主要特征, 以多组学和跨尺度整合诊断为病理报告内容, 实现对疾病的"最后诊断", 并预测疾病演进和结局、建议治疗方案和评估治疗反应, 形成新的疾病诊断"金标准"。未来, 需要激发病理学科创新活力, 加快下一代诊断病理学成熟和应用, 重塑病理学科理论和技术体系, 发挥诊断病理学在疾病"防、诊、治、养"等过程中的重要作用, 促进临床医学进一步发展, 服务健康中国战略。 相似文献
2.
目的评估并比较基于不同机器学习算法建立的乳腺癌超声影像组学预测模型的诊断性能。 方法回顾性收集2017年1月至2019年4月就诊皖南医学院第一附属医院、有明确病理结果的乳腺肿块病例828例,以2018年8月31日为节点将其分为训练集(526例)和验证集(302例),提取肿块的超声影像组学特征并进行特征筛选,运用k最近邻(kNN)、逻辑回归(LR)、朴素贝叶斯(NB)、随机森林(RF)和支持向量机(SVM)5种机器学习算法分别建立预测模型,使用重复交叉验证方法做内部验证,计算比较各模型的敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV),并实施外部验证,绘制ROC曲线并比较ROC曲线下面积(AUC)以评价模型的鉴别诊断性能,绘制校准曲线评价模型校准度。 结果从提取的109个影像组学特征中筛选出19个特征建立了5种机器学习算法模型。在内部验证中,5种模型的敏感度、特异度、PPV、NPV比较,总体差异均有统计学意义(P均<0.001)。LR模型的特异度、PPV、NPV中位数分别为0.769、0.816、0.778,3项指标均高于其他4种模型;敏感度中位数为0.824,高于kNN、RF和SVM模型。此外,SVM模型的特异度、PPV、NPV中位数分别为0.706、0.774、0.759,虽均低于LR模型,但均高于其他3种模型。在外部验证中,LR、SVM、RF、kNN和NB的AUC依次为0.890、0.832、0.821、0.746和0.703,其中LR与SVM的AUC差异有统计学意义(P=0.012);此外,各模型在校准性能上表现并不一致,LR和SVM模型的校准曲线显示乳腺癌实际概率与预测概率之间的一致性较好。 结论以超声影像组学特征为基础,运用不同机器学习算法建立的乳腺癌超声预测模型,均表现出较高的诊断性能,其中LR模型表现最为突出;选择合适的机器学习算法有助于进一步提高预测模型的诊断性能,提供更加准确的量化预测结果。 相似文献
4.
目的探讨采用基于"人工智能(AI)的骨龄辅助评价系统(上海初云医疗科技有限公司与四川大学华西第二医院合作开发)"(以下简称为AI系统)对完全性生长激素缺乏症(CGHD)患儿诊断及骨龄评价准确性。 方法选择2014年7月至2019年11月,于四川大学华西第二医院确诊的66例来自四川地区CGHD患儿为研究对象,纳入研究组。选择同期于病例收集医院儿童保健科进行骨龄测定的67例来自四川地区身高达标儿童作为对照,纳入对照组。对每例受试儿进行左手腕关节正位X射线摄片骨龄测定,由2位医师采用《TW2骨龄评分法中国未成年人南方标准》(以下简称为TW2CHN)》与《TW3骨龄评分法标准》(以下简称为TW3),盲法评价受试儿TW2CHN-桡、尺、掌指骨(RUS)与TW2CHN-腕骨(carpal)、TW2CHN-20、TW3-RUS及TW3-carpal骨龄(以下简称为5种传统骨龄),以及以同性别、年龄身高达标儿童5种传统骨龄为标准,计算受试儿5种传统骨龄百分位数。同时,采用AI系统分别对每例受试儿采取TW2CHN与TW3法,评价其AI-TW2CHN-RUS、AI-TW2CHN-carpal、AI-TW2CHN-20、AI-TW3-RUS及AI-TW3-carpal骨龄(以下简称为5种AI骨龄)及其相应百分位数。以上述5种传统骨龄+5种AI骨龄(以下简称为10种骨龄)相应的P50、P25、P10、P3值(统称为Pn值)作为诊断CGHD患儿临界值,分别计算其诊断CGHD患儿的敏感度、特异度、约登(Youden)指数、准确率、阳性似然比、阴性似然比、阳性预测值、阴性预测值。采用Kappa值评价2组受试儿5种传统骨龄百分位数与对应的5种AI骨龄百分位数评价结果的一致性,以及2位医师对2组受试儿TW2CHN-RUS骨龄百分位数评价结果一致性。绘制上述10种骨龄百分位数诊断CGHD患儿的受试者工作特征(ROC)曲线,并计算曲线下面积(AUC)。采用配对t检验,对2组受试儿TW2CHN骨龄与TW3骨龄进行比较。本研究遵循的程序符合2013年新修订的《世界医学协会赫尔辛基宣言》要求。2组受试儿年龄、性别构成比等一般临床资料比较,差异均无统计学意义(P>0.05)。 结果①采用10种骨龄的Pn值分别作为诊断CGHD临界值,对133例受试儿CGHD诊断结果显示,除了TW3-RUS骨龄中,以骨龄≤P10作为诊断CGHD患儿临界值时的诊断准确率最高(85.0%),TW2CHN-RUS、TW2CHN-carpal、TW2CHN-20、TW3-carpal、AI-TW2CHN-RUS、AI-TW2CHN-carpal、AI-TW2CHN-20、AI-TW3-carpal、AI-TW3-RUS骨龄中,均为以骨龄≤P25作为临界值时,对CGHD的诊断准确率最高,分别为81.9%、75.2%、88.0%、78.2%、75.2%、73.6%、81.2%、72.9%、78.9%。②一致性检验结果显示,2组受试儿TW2CHN-RUS与AI-TW2CHN-RUS、TW2CHN-carpal与AI-TW2CHN-carpal、TW2CHN-20与AI-TW2CHN-20、TW3-RUS与AI-TW3-RUS、TW3-carpal与AI-TW3-carpal骨龄百分位数评价结果均为中等一致性,Kappa值分别为0.445、0.578、0.570、0.446、0.430(均为P<0.001)。③对2位医师对2组受试儿TW2CHN-RUS骨龄百分位数评价结果进行一致性检验显示,其Kappa值为0.790(P<0.001),一致性较高。④绘制10种骨龄百分位数评价结果诊断CGHD的ROC曲线分析结果显示,TW2CHN-RUS、TW2CHN-carpal、TW2CHN-20、TW3-carpal、TW3-RUS、AI-TW2CHN-RUS、AI-TW2CHN-carpal、AI-TW2CHN-20、AI-TW3-carpal、AI-TW3-RUS骨龄百分位数诊断CGHD患儿的AUC分别为0.932、0.859、0.915、0.895、0.844、0.823、0.805、0.866、0.860、0.764(均为P<0.001)。⑤133例受试儿的TW3-RUS、TW3-carpal、AI-TW3-RUS、AI-TW3-carpal骨龄,均分别显著低于TW2CHN-RUS、TW2CHN-carpal、AI-TW2CHN-RUS、AI-TW2CHN-carpal骨龄,并且差异均有统计学意义(t=21.746、25.287、16.498、9.290,P<0.001)。 结论TW2CHN法、TW3法对CGHD患儿骨龄评价及诊断均有临床价值,TW2CHN-RUS骨龄对于CGDH患儿诊断效能高。四川地区儿童TW3骨龄较TW2CHN骨龄低,TW3法可能不完全适用于四川地区儿童骨龄评价。AI系统对于四川地区CGHD患儿骨龄评价结果与传统骨龄评价结果具有中等一致性,可为临床医师评价受试儿骨龄提供帮助。 相似文献
5.
目的 梳理总结中医药人工智能领域近40年的研究情况,分析该领域研究主题演化过程,发现热点主题和研究前沿。方法 本研究检索了CNKI和WOS中中医药人工智能领域的文献,根据生命周期理论划分不同时间片,将文献摘要作为研究对象,采用LDA主题模型挖掘文本主题,分析主题的演化过程,识别热点主题。结果 纳入中英文文献2750篇,根据生命周期理论划分中医药人工智能领域发展阶段,分别建立全局和各阶段的LDA模型,挖掘出全局热点主题有中医专家系统、中医辅助诊断系统、中医药数据挖掘等,发现主题演化路径并进行可视化展示。结论 中医药与人工智能主要的结合点在中医智能系统、中医药知识组织和中医智能诊疗机器人这3方面,这3个方向的研究均离不开神经网络技术的支持,同时也结合了关联规则发现、复杂网络研究等方法。 相似文献
6.
7.
王传新 《中华检验医学杂志》2022,(1)
检验医学作为医学科学的重要支撑学科,在疾病早期诊断、病情监测、预后判断与风险评估等方面发挥着重要作用。21世纪是数字信息时代,高新检测技术、计算机科学及互联网大数据等,为检验医学的发展带来巨大的机遇与挑战,新时代下如何借助信息科技革命实现检验医学新发展是检验工作者面临的重要课题。该文回顾检验医学的发展历程,重点关注检验医学在新时代的发展定位及未来发展方向,以求开创检验医学发展新局面。 相似文献
8.
目的 评价人工智能(AI)肺结节影像诊断系统预测亚实性结节(SN)恶性概率值的效能。方法 搜集2017年至2019年经手术及病理结果证实的142个SN,将结节分为原位癌组、浸润性腺癌组、炎性结节组。将患者术前CT检查数据导入AI肺结节诊断系统,记录系统测量的SN的体积、平均CT值、能量值、恶性概率值。比较三组SN在CT平扫、增强扫描动脉期及延迟期中的体积、CT值、能量值及恶性概率值,并对平扫、动脉期及延迟期扫描的各组数据进行配对样本检验。分析根据各期CT图像对各组SN恶性概率值与CT值、体积、能量的相关性。结果 共纳入142个SN,其中1组为42个,2组为75个,3组为25个。AI系统对三组SN平扫、动脉期、延迟期所检测恶性概率值分别为1组中9.5(7,84.25)%、89(79.75,90)%、89(68.25,90)%;2组中84(26,89)%、89(85,90)%、89(85,90)%;3组中16(9,79)%、79(19,89)%、70(22,89)%,三组SN在扫描各期的恶性概率值均存在统计学差异(P<0.01)。三组SN在扫描各期的CT值、体积、能量值均存在统计学差... 相似文献
9.
中医药是中华民族的瑰宝,随着人工智能(Artificial Intelligence,AI)的迅猛发展,中医药与AI的结合将可以为中医药的传承和现代化提供助力。本研究将从搭建AI中医专家系统入手,阐述AI对提高中医诊断的作用,物联网搭建AI中医药服务,存在的问题和对策,以及中医药人工智能化的前景,以图为中医药的发展提供新的思路和方法。 相似文献
10.
目的探讨基于深度学习技术的MammoWorks?乳腺健康智能检测系统在乳腺肿瘤检测中的应用价值。 方法本回顾性研究收集2015年1月至2017年4月期间就诊于陕西省肿瘤医院、乳腺X线BI-RADS 5~6级的患者448例,均手术治疗且临床病理资料齐全。另外用随机数字表法收集同期参加健康体检乳腺X线检查提示BI-RADS 1级的215例正常人群作为对照。以上全部研究对象乳腺X线影像学资料经MammoWorks?乳腺检测系统分析,以患者的病理结果及正常人群的2年随访结果为金标准,分析MammoWorks?乳腺检测系统检测乳腺肿瘤的敏感度、特异度、准确率、阳性预测值、阴性预测值、阳性似然比、阴性似然比及每幅图的假阳性标记数等。率的比较使用χ2检验及Fisher确切概率法,每幅图假阳性标记数比较使用非参数检验(Kruskal-Wallis检验),并使用Kappa检验评价组间变量结果的一致性。 结果总计纳入663例女性,X线摄片2 652张。总计识别病灶2 284个,真阳性标记929个,假阳性病灶1 355个。真阳性病例333例,真阴性病例126例,假阳性病例89例,假阴性病例115例。MammoWorks?分析敏感度为74.3%(333/448),特异度为58.6%(126/215),阳性预测值为78.9%(333/422),阴性预测值为52.3%(126/241),准确率为69.2%(459/663),阳性似然比为1.80,阴性似然比为0.44。每幅图假阳性标记数为0.50(0.00~0.75)。2种拍摄体位(头尾位和内外侧斜位)下,MammoWorks?系统检测效能差异有统计学意义(Kappa=0.278,P<0.001)。在不同年龄、BI-RADS分级、肿瘤部位、病理分期、病理类型、分子分型的患者中,MammoWorks?检测效能差异无统计学意义(χ2=3.341、1.056、7.103、8.911、5.170、7.803,P均>0.050);在不同乳腺密度、病灶类型、肿瘤直径的患者中,MammoWorks?检测效能差异有统计学意义(χ2=7.985、15.543、18.652,P均<0.050)。每幅图片假阳性标记数仅在不同乳腺密度分组中差异有统计学意义(χ2=15.024,P<0.050)。 结论基于深度学习技术的MammoWorks?乳腺健康智能检测系统在乳腺肿瘤的辅助诊断中具有一定的应用价值,但其检测效能仍需进一步提高。 相似文献