本研究提出了STRUC-MAS框架，旨在解决医学诊断中专家团队协作的复杂性。该框架通过自动学习全球模型，显著提高了急性肾损伤的预测准确率，强调了全球结构学习在分类和诊断推理中的重要性。

本研究探讨了拉曼光谱在医学诊断中的深度学习模型的可解释性问题，提出了可解释AI工具SpecReX，利用因果关系理论量化责任，揭示影响分类的光谱区域，为医学诊断中的可解释AI应用奠定基础。

本文提出了MMXU数据集，旨在改善医学诊断中对历史记录和疾病进展分析的不足。研究表明，通过引入MedRecord增强生成方法，整合历史记录能显著提高诊断准确率，缩小大型视觉语言模型与人类专家之间的差距，强调历史背景在医学图像解读中的重要性。

PathFinder是一种多模态多智能体系统，旨在提高医学诊断的准确性。该系统通过四个AI智能体协作，模仿病理学家的决策过程，提供全面的诊断和自然语言解释。实验表明，PathFinder在皮肤黑素瘤诊断中的准确性提高了8%，超越了病理学家的平均表现，推动了AI辅助诊断的发展。

本研究提出KG4Diagnosis框架，结合大型语言模型与自动知识图谱，涵盖362种常见疾病，显著提升医学诊断的效率与准确性，对未来医学诊断系统的开发具有重要意义。

本文探讨了人工智能在癌症影像学中的应用，介绍了多个数据集和工具的开发，包括遵循FAIR原则的公共图像库和Text2Cohort工具，旨在提高医学影像的可访问性和可用性。研究还提出了针对小儿脑肿瘤和乳腺癌的多中心数据集，强调了深度学习模型在医学诊断中的潜力及其面临的挑战。

本文介绍了自动耳识别技术的进展，重点讨论基于描述符的方法和深度学习模型的应用。研究表明，领域适应和耳像质量对耳辨识性能有显著影响，并提出了多种新技术和框架，推动了耳内窥镜图像识别及儿童耳朵识别的研究，为医学诊断提供了新的思路。

本文探讨了多任务学习在医学诊断中的应用，特别是在肺音和肺疾病分类方面。研究表明，随机森林分类器的准确率可达92%，有效减轻医生负担。此外，开发了轻量级卷积神经网络和音频-谱图视觉变换器等新方法，显著提高了呼吸声分类和肺病诊断的准确性。

本研究提出了一种正无标记（PU）学习方法，通过正样本和未标记数据训练二元分类器，应用于文本分类。该方法在PubMed文摘的主题提取中表现优异，并通过强化学习和伪标记技术提升性能。实验结果表明，该方法在多个数据集上优于现有技术，解决了正偏差问题，具有广泛的应用前景，尤其在医学诊断领域。

本研究利用信息论和贝叶斯估计方法，探索生物标记的预测和预后能力，以提升医学诊断的可靠性。通过深度学习分析多发性硬化症患者的MRI图像，实现精准医学，指导临床决策。同时，研究提出新方法评估个性化治疗效果，结合深度学习与结构因果模型，优化肺癌患者的预后预测。

本文介绍了一种基于布尔分类器的方法，通过离散化原始数据和特征选择，生成可解释且准确的分类器。实验结果表明，该方法在准确性上与随机森林和XGBoost相当，甚至在某些情况下超越了现有结果。该模型适用于信用评分和医学诊断等领域，强调了分类器可解释性与准确性之间的平衡。

本文介绍了一种新的半监督分类方法，利用无标签数据提升模型性能，尤其在医学诊断和糖尿病预测中。研究提出了PUtree和自我无监督学习框架等多种算法，显著改善了分类效果，并通过实验验证了其有效性。

本文探讨了深度神经网络中的不确定性量化方法，提出了一种基于概率的Conformal Prediction框架，以提高模型的可靠性和准确性。研究通过理论推导和实验验证了该方法在医学诊断等高风险场景中的有效性，并结合经典算法，优化了预测区间的大小。

本文综述了大型语言模型（LLMs）在表格任务中的应用，包括表格问答、数据分析和生成结构化文本。研究表明，结合“思维链”提示时，LLMs在少样本情况下表现优异，并提出了新方法以提升表格推理性能，展示了在医学诊断和数据合成等领域的潜力。

本文提出了一种基于函数空间变分推断的方法，将贝叶斯推断应用于神经网络，以结合先验信息提高预测不确定性评估的可靠性。研究表明，该方法在医学诊断等安全关键任务中表现优异，并在多种预测任务中取得了良好的不确定性估计和预测性能。

MRI分割是一种有价值的医学诊断方法，但现有方法难以处理领域变化的局部差异，并需要大量数据进行训练。研究人员提出了一种新颖的自适应领域泛化框架，结合了无学习跨领域表示和测试时适应策略。在两个多模态MRI数据集上验证了该方法，在六个跨模态分割任务中表现优于竞争方法，且在有限的训练数据下表现稳定。