介绍了MedTrinity-25M数据集，包含2500万张多模态医学图像，支持多种任务。通过在该数据集上预训练，模型在VQA-RAD和PathVQA上取得最先进性能。该数据集可用于支持大规模多模态医学AI模型的预训练，为医学领域基础模型的发展做出贡献。

本文介绍了一种用于分类多模态医学图像和表格数据的三分支神经融合（TNF）方法，并提出了两种解决多模态分类中标签不一致性挑战的解决方案。通过在三个分支中管理图像模态、表格模态和融合数据的混合输出，最终的决策是通过集成方法从三个分支的可能性中得出的。通过广泛的实验验证了 TNF 方法在各种卷积神经网络和基于 Transformer 的架构以及多个数据集上的优越性。

该文介绍了一种基于边缘保持稠密自编码器网络的多模态医学图像的端到端无监督融合模型。该模型通过特征图注意力池化改进了特征提取过程，提高了源图像中精细边缘细节信息的保留和融合图像的视觉感知。实验结果表明，该方法在多种医学图像对上训练，有效地捕捉源图像的强度分布和保留诊断信息，提供了改进的视觉和定量结果。

该文介绍了一种基于边缘保持稠密自编码器网络的多模态医学图像的端到端无监督融合模型，通过波尔特分解的特征图注意力池化改进了特征提取过程，提高了源图像中精细边缘细节信息的保留和融合图像的视觉感知。实验结果表明，该方法相比其他最先进的融合方法提供了改进的视觉和定量结果。