本研究提出了一种概念相似性推理网络（CSR），旨在提升计算机辅助诊断中的模型决策解释与干预能力。CSR通过提供图像区域的概念原型，实现了补丁级别的解释和空间交互，在三个生物医学数据集上可解释性性能最高提高4.5%。

本研究提出了PICLe框架，解决了低资源命名实体识别中上下文学习对示范选择的敏感性，利用部分正确的伪标注实现有效的任务转移，最终在多个生物医学数据集上超越了ICL。

本文提出了一种增强生物医学数据集质量的框架，利用回译技术提升检索和阅读器模型的效果。结合联邦学习和隐私保护方法，提出了联邦基础模型，增强了模型在异构数据环境下的性能。通过引入GNP算法和基础模型蒸馏，显著提高了模型的鲁棒性和推理效率。最后，提出了针对异构多模态的调优框架FedDAT，验证了其在多模态学习中的有效性。