该研究提出了一种基于差异的主动学习方法，有效缩小类激活图与真实结果之间的差距。在WCE数据集评估中，该方法在仅标记10%训练数据的情况下，性能优于现有主动学习方法。此外，研究开发了基于视频胶囊内窥镜图像的出血区域分割策略，减少了对大量标注数据的依赖。

该文综述深度学习在医学影像中的应用：利用符合性预测提升决策透明度与可靠性，用于皮肤病变分类及不确定性量化；自动检测头颅CT的颅内出血、骨折、中线移位；弱监督分割出血区域；MRI研究显示扩大训练图像分布可提升模型泛化能力；并提出基于可靠性的训练数据清洗方法纠正标签错误。

该文综述深度学习在脑出血CT影像分析中的应用，涵盖基于Swin UNETR的蛛网膜下腔出血自动容积评估、弱监督颅内出血分割、RADnet脑出血检测、脑出血分割数据集BHSD、SAH患者死亡率预测，以及INSTANCE颅内出血分割挑战赛及其基准结果。

评估了Segment Anything Model (SAM)在组织病理学数据的零样本和微调场景下的性能，发现SAM在分割性能上相对较弱，但在推理时间和泛化能力方面相对较强。对SAM解码器进行修改，提高了交互式组织学图像分割的效果。

本文介绍了一种基于变分贝叶斯的半监督深度学习方法，用于UWB定位系统的误差校正。该方法融合了深度学习技术和统计工具，能够从有标记和未标记的数据样本中高效地累积知识。