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。

该文综述大语言模型在医疗领域的应用，包括多学科协作框架提升推理、EHRAgent自主执行临床任务、语言模型表征电子健康记录、自动生成临床笔记、糖尿病管理对话代理、临床记录问答系统，以及提供上下文解释以增强信任。

大型语言模型在临床语言理解、医学问答和患者试验匹配等医疗任务中应用广泛。自问自答提示等策略可提升性能；专用小型临床模型在电子健康记录解析上优于通用大模型；开源模型微调后性能接近专有模型。医疗应用需持续优化并加强伦理监管。

本文综述参数高效微调（PEFT）在医学图像与临床任务中的应用。研究通过600余次实验比较16种PEFT方法，最高提升22%；FairTune优化公平性，PEFT-MedAware仅用0.44%参数提升医学问答准确率；RoSA逼近全精调性能，少样本图像分类中微调归一化参数效果最佳。

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。