我们提出了一种轻量级的图嵌入方法，利用多语言SNOMED知识库连接医学术语，揭示术语关系。该方法无需大规模预训练数据，在X光报告的疾病和图像分类中表现优异，比BERT模型更小、更高效，并支持跨语言知识传递。

本研究提出了一个名为SAT的模型，可在医疗场景中通过文本提示对任意物体进行分割。研究贡献包括整合多个知识源构建多模态医学知识树，使用大规模分割数据集进行训练，提出通用的分割模型，使用医学术语进行提示，并通过SAT-Nano模型对31个分割数据集进行评估。结果显示与36个专家nnUNets的性能相当。研究将公布代码和模型，并提供SAT-Ultra模型在更多数据集上进行训练。

本研究评估了使用Google Translate翻译心理保健信息的可行性，发现GT在翻译医学术语方面存在挑战，特别是在阿拉伯语、罗马尼亚语和波斯语中。研究结果强调了人工审核者在多语种医疗保健交流中的关键作用。