本研究针对心血管事件裁决中存在的人工干预过程繁琐、耗时且易产生差异的问题，提出了一种基于大型语言模型的自动化裁决框架。通过该框架，研究实现了高效的信息提取和裁决流程，显著降低了时间和成本，同时保证了临床试验结果的高质量和一致性，具有重要的临床应用潜力。

本研究分析了四种预训练语言模型在五种医疗条件下的表现，结果显示BioBERT在医疗文本分类中准确率最高，达到97%，而XLNet的准确率为96%。研究强调了专业模型与通用解决方案在医疗任务中的重要性。

本研究提出了一种新颖的联合表示方法，整合离散生物标志物与胸部CT提取的深度特征，显著提升心血管疾病风险预测性能，并分析各生物标志物的独立贡献，以支持医生决策。

本研究针对心血管疾病（CVD）的早期预测问题，提出了一种基于多通道变分自编码器（MCVAE）的新型二元分类网络，结合视网膜光学相干断层扫描（OCT）影像和眼底照片进行患者分类。研究结果显示，该模型有效识别未来心血管事件风险患者，具有良好的准确率和特异性，强调了这些影像学方法在大规模心血管疾病风险筛查中的潜在应用价值。

研究评估了心血管磁共振电影分割中的自监督预训练方法。结果表明，在标记数据稀缺时，自监督预训练能显著提升分割性能；但在数据充足时，对现有方法无明显提升。该研究为心血管成像自动化提供了新思路。

本研究介绍了CardioLearn，一种用于心脏疾病检测的深度学习云服务。该服务解决了传统ECG模型的诊断误差问题，并设计了便携式智能硬件设备和移动程序，方便随时检测心脏疾病。

通过生成对抗网络（GAN）模型，提出了一种基于图像转换的方法来解决超声图像中的领域自适应问题，该方法能够改善图像的纹理模式和降噪，同时保持图像的解剖结构。

本研究发现，对于小规模数据集，微调是较好的选择；对于足够大的数据集，从头开始训练也能取得可比较的性能。迁移学习适用于卷积神经网络和循环神经网络。研究结果强调了迁移学习在心电图诊断中的重要性，但根据可用数据量，研究人员可能选择不使用迁移学习，考虑到预训练的成本。

该研究提出了一种基于知识的推荐算法，结合规则逻辑和大型语言模型，用于改善心血管疾病的预防效果。该算法支持成年人在家自我管理心血管疾病风险因素，并在评估中表现出有用性。生成的推荐具有更大的信息和语义容量。

通过机器学习方法预测糖尿病肾病（DN）的患病率，使用LASSO回归模型和10-fold交叉验证选择了最佳特征，发现XGBoost模型在筛选DN方面表现最佳。血清代谢物与糖尿病持续时间之间存在显著的相互作用。通过XGBoost算法开发了用于筛选DN的预测模型，C2、C5DC、Tyr、Ser、Met、C24、C4DC和Cys可能成为DN的生物标志物。

基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估。模型在多个数据集上展示了卓越性能，实现了包括左心室射血分数回归和35种不同病症的诊断等一系列任务，且仅需少量训练数据即可实现临床级诊断准确率。

我们开发了一种全自动的方法，对冠状动脉周围的心周脂肪进行测量。通过训练一个三维全分辨率的神经网络来分割冠状动脉，然后自动测量心周脂肪。在测试中，得到了较高的准确性和衰减数值。这项工作展示了自动化心周脂肪测量在炎症和心脏疾病识别中的潜力。

本研究提出了一种基于自监督对比学习的非配对MRI超分辨率方法，利用有限的训练数据提高超分辨率性能。结果显示，即使在仅有有限数量的HR图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高。该方法强调了在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率MRI。

研究发现，成人维生素C水平与hs-CRP呈非线性负相关，血浆维生素C最多只能达到53.1 μmol/L。维生素C摄入量可以减少炎症和心血管风险，对整体健康和疾病预防具有重要价值。

研究了心血管疾病与吸烟、血压升高和胆固醇水平的关联，并使用了六种不同的机器学习模型进行比较分析。结果表明，XGBoost 是表现最佳的模型，可以提高冠状动脉梗塞预测的精确性。