本研究提出了一种结合卷积神经网络和变换器模型的深度学习方法，用于视频胶囊内镜中的多类异常分类。该方法在验证集上实现了86.34%的平衡准确率和0.9908的平均AUC-ROC分数，显著提升了复杂异常的分类性能。

本文提出了一种基于深度学习的牙齿对齐和重建方法，利用三维结构和多模态分析框架，提升牙科模型质量，辅助临床决策。研究还探讨了牙齿检测、分割及异常分类技术，显示出良好的精确度和应用前景。