本研究探讨了如何高效生成可重用学习对象（RLO），以解决教育材料结构化中的知识转移不足问题。通过Clavy工具，从多种医学知识源提取数据，生成适用于不同医疗场景的学习对象，显著提高了其可重用性，推动了医学教育的改善。

本研究提出FFA Sora模型，旨在帮助初学者解读视网膜荧光血管造影（FFA）图像。该模型结合Wavelet-Flow变分自动编码器和扩散变换器，将FFA报告转化为动态视频，提升医学教育效果，并解决数据共享中的隐私问题。

大型语言模型（LLMs）如ChatGPT在医学领域具有广泛的应用潜力。本文探讨了LLMs的构建、性能、临床应用及面临的挑战，旨在为医学LLMs的有效构建提供指导。

本研究提出MedQA-CS框架，通过借鉴医学教育中的客观结构化临床考试，结合公开数据和专家注释，提升大型语言模型在医疗领域的临床技能评估能力。结果表明，MedQA-CS比传统选择题更具挑战性，有助于建立更全面的评估标准。

本文讨论了医疗推理中大语言模型AI助理的可靠性和安全性问题，并提出通过开发更谨慎的大语言模型来解决。介绍了MEDIQ框架，用于模拟临床交互过程，提高交互性能。强调了在关键领域扩展大语言模型助理的信息寻求能力的重要性。

在2023 WAVE SUMMIT+深度学习开发者大会上，复旦大学的王烁研究员介绍了医学影像智能分析和心血管力学建模的最新进展，并展示了一款耳畸形医学教育及科普插件Fdear。Fdear可以通过拍照上传新生儿耳朵图片，进行耳畸形鉴别，并提供相关科普问答。该插件是由大样本的耳朵图片资料和专家诊断意见整合而成的数据集训练而成的。此合作有望推动人工智能与医疗健康的深度融合，提供更精准、高效的医疗服务。