DeepSeek是一个国产大模型，采用FP8混合精度训练和MoE架构，显著降低了算力需求，但在医疗影像等任务中存在精度问题。其半开放式开源策略吸引了开发者，但对英伟达架构的依赖可能导致技术脆弱。整体而言，DeepSeek体现了中国AI的创新与挑战。

本研究提出了一种名为UMIT的统一多模态多任务视觉语言模型，能够有效处理视觉问答、疾病检测和医学报告生成等任务，显著提高医疗影像分析的诊断准确性和工作效率。

本文建立了标准化的数据集和评估框架，以解决传统医疗影像质量控制中的劳动密集型和主观性问题。研究评估了多种大型语言模型在影像质量评估中的表现，发现Gemini 2.0-Flash在胸部X光任务中表现优异，而DeepSeek-R1在CT报告审核中具有最高召回率，显示出大型语言模型在医疗影像质量控制中的潜力。

本研究提出M3Builder，一种新型多智能体系统，旨在自动化处理医疗影像中的复杂任务。该系统在医疗影像机器学习任务中的完成率达到94.29%，展现出强大的自动化潜力。

DeepSeek是一个国产大模型，采用FP8混合精度训练和MoE架构，显著降低算力需求，但在医疗影像等任务中存在精度问题。尽管吸引开发者，仍深度依赖英伟达架构，面临技术风险。这反映了中国AI发展的复杂性。

本研究探讨了医疗影像分析中生成模型的训练数据记忆问题，指出其对患者隐私的潜在风险。通过分析MIMIC-CXR数据集，识别出影响记忆的提示和文本标记，发现去标识化可能增加隐私风险，并提出了改善隐私保护的策略。

DicomSCP是一款基于.NET Core的开源医疗影像PACS系统，提供DICOM存储、工作列表和查询检索等服务，旨在高效管理医学影像，支持打印、Web访问和日志管理，适合现代医疗机构使用。

本研究探讨了医疗影像中拓扑正确性对神经元和血管分割的重要性，指出现有评估标准存在缺陷，并提出改进建议，以建立更可靠的评估标准。

本研究提出了一种新算法，针对联邦学习中生成模型聚合算法的不足，特别是在医疗影像数据处理方面的挑战。该算法通过自适应重加权优化生成模型，实验结果在三个胸部X光数据集上表现优异。

本研究提出了一种高效的医疗影像AI模型训练方法，通过预训练模型生成图像嵌入并使用线性分类器，分类性能最高提升至87%，同时降低了计算资源需求。

本研究分析了医疗影像中人工智能技术面临的挑战，如高计算成本和数据获取困难。HOPPR平台通过提供计算基础设施和管理系统，加速了LVLM解决方案的部署，优化了放射科医生的工作流程。

本研究利用先进的预处理技术提升医疗影像数据集质量，实现正常与病理的分类，提供高质量的输入数据，具备良好的适应性，能够有效集成至临床决策支持系统。

本研究提出了一种利用有限注释数据生成伪标签的方法，以解决医疗影像语义分割对大量注释数据的依赖问题。结果表明，该方法在儿童腕骨和牙科X光图像分割中显著提高了Dice得分。

本研究提出了一种名为公平蒸馏（FairDi）的方法，旨在解决医疗影像模型中的偏见问题。通过优化偏见“教师”模型来指导“学生”模型的训练，FairDi在准确性和公平性上均有显著提升。

本研究针对医疗影像分割中的两个问题：标签获取繁琐且需专业知识，以及现有方法无法检测分布外像素。我们提出了一种新方法，通过OOD检测，从稀疏注释的多类别正例中学习，以提高分割的鲁棒性和泛化能力。