本研究提出EyeBench基准，旨在评估视网膜图像增强模型的效果，并结合多维临床任务，为医疗专家提供指导，以提升模型的临床相关性和应用性。

本研究提出了一种新的理性逻辑回归（RLR）模型，旨在提升深度学习在电子健康记录（EHR）数据上的表现。RLR模型在临床任务中表现优异，具备良好的可解释性，能够提供有价值的临床见解。

本文系统性分类和评述了大型语言模型的提示技术，探讨其在自然语言处理中的应用与发展趋势。通过分析35项研究，指出提示设计的局限性，并提出目标导向的提示方法可显著提升模型性能。研究还涵盖了临床自然语言处理任务的实验，强调快速建模和自动提示设计的重要性，为未来研究提供了方向。

MedXChat 是一个医学多模态模型，具备 CXR 报告生成、视觉问答和文本到 CXR 合成等功能。该模型在 MIMIC 数据集上表现优异，采用创新的文本到 CXR 合成方法，生成高保真医学图像，展示了在临床任务中的有效性和改进潜力。

本文介绍了一种音频-视觉建模方法，可定位超声成像中的解剖区域。该自我监督方法学习到的解剖表征可提高下游临床任务性能，超过完全监督的解决方案。