本研究提出了一种粗知识感知对抗学习方法，以提高无监督视觉异常检测的准确率。通过对重构特征与正常特征的分布进行对齐，显著改善了检测性能，实验结果表明该方法在医学和工业数据集上表现优异。

本研究提出了一种新方法，利用“标签评论员”工具和现有AI模型自动评估医学数据集的标签质量，显著减少手动注释时间，提高准确性，减轻放射科医师的负担。

本文介绍了多种医学数据集和工具的开发，旨在提高医疗数据的可解释性和交互性。研究内容包括心力衰竭和白内障患者的电子病历分析、医学图像的上下文数据集、会话式医疗视觉-语言模型XrayGPT，以及多模态医疗问题摘要数据集，强调了图像与文本结合在医疗决策中的重要性。

本文探讨了自注意力机制的神经网络模型（如Transformer）在联邦学习中的应用，特别是在处理异构数据时的性能改进。研究提出了多种新方法，如Federated Knowledge Anchor (FedKA)，以解决模型遗忘问题并提高准确性。实验结果表明，这些方法在医学数据集上表现优越，有效应对数据异质性带来的挑战。

本文提出了一种新学习方法，通过设计连续的价值损失函数，促进分割与真值相同的拓扑结构。引入的边缘保留概率下采样方法提高了图像下采样质量，显著提升了IoU指标。同时，利用持久同调训练神经网络，实现了拓扑准确性，并验证了在医学数据集上的有效性。

介绍了HICH-IT医学数据集，用于高血压脑内出血的诊断和治疗。数据集包含文本信息和头部CT图像，结合深度学习算法进行图像分割和命名实体识别的特征学习。

该文介绍了一种使用GAN架构和新型生成器损失的单向域映射方法，能够实现适当的图像转换，并通过皮片残差建立一个输入相关的比例图来准确预测不确定性。在三个医学数据集上评估，该方法相较于四种最先进方法，表现更准确，具有很大的潜力。

本文介绍了一种不需要配对训练数据的单向域映射方法，使用 GAN 架构和新型生成器损失实现图像转换，并通过皮片残差建立输入相关的比例图来准确预测不确定性。该方法在三个医学数据集上的评估中表现出更高的准确性，显示出在无教师图像转换方面具有潜力。