本研究针对体外受精（IVF）卵巢刺激阶段中人工智能（AI）与医学影像应用的现状进行了评估。研究发现，尽管AI算法在预测最佳激素剂量和取卵结果方面表现出潜力，但目前主要依赖二维超声影像且缺乏深入的图像分析。论文强调了整合深度学习等先进影像分析技术与可解释AI的重要性，指出利用多中心合作和更大数据集的必要性，以提高IVF治疗效果。

免疫治疗药物在癌症治疗中表现出高效性，但适用于免疫治疗的患者数量相对较小。作者提出了一种创新策略，利用非线性的细胞结构和深度下游分类器，从胸腹部 CT 图像中提取的2D特征来选择并增强。该流程能够与先进的嵌入式治疗设备无缝集成。作者进行了一个针对转移性膀胱上皮癌的案例研究，总体准确率达到了约93%。

通过对2个生物医学自然语言处理任务使用6个语言模型评估联邦学习在医学领域的应用，结果显示联邦学习模型在总体表现上优于单个客户数据训练的语言模型，有时甚至与整合数据训练的模型持平。当数据总量固定时，使用更多客户训练的语言模型表现较差，但基于预训练模型的转换器表现更加强劲。联邦学习训练的语言模型在客户数据独立同分布的情况下与整合数据训练的模型表现接近，但在非独立同分布数据下有明显差距。