微软与华盛顿大学合作开发的BiomedParse模型，通过文本提示高效解析九种生物医学成像模式，能够精准识别复杂形状对象，分割精度提升39.6%。该模型开源，支持跨模式操作，未来有望扩展更多应用。

介绍了MedMNIST-C数据集，包含12个数据集和9种成像模式，用于评估算法对真实世界工件和分布偏移的鲁棒性。数据集提供了人工损坏方法，可提高模型的鲁棒性。通过引入MedMNIST-C和开源库，为医学成像领域的鲁棒方法发展做出贡献。

研究人员创建了基准数据集MedMNIST-C，包含12个数据集和9种成像模式，用于评估算法对真实世界工件和分布偏移的鲁棒性。他们提供了人工损坏方法来提高模型的鲁棒性，并开源了相应的库。这对医学成像领域的鲁棒方法发展有贡献。