本研究提出了一种基于视觉-语言模型的语义引导成像生物标志物，用于早期肺癌检测。该方法整合了放射科医生的评估特征，克服了现有模型的局限性，展现出优异的诊断能力，具有显著的临床应用潜力。

本研究提出了一种基于变压器架构的多频带脑网（MBBN），克服了传统神经成像模型在描述复杂脑动态方面的局限性。MBBN能够揭示频率依赖的网络互动，预测准确率提高30.59%，并为神经发育障碍提供新的生物标志物。

本研究开发了一种基于深度学习的自动化系统，利用18F-FDG PET对乳腺肿瘤进行分割和生物标志物提取，以评估新辅助化疗后的肿瘤演变，结果与手动分割高度相关。

本研究提出了一种基于局部纹理特征的自动二分类方法，用于锥形束CT中外部颈部吸收（ECR）的识别与评估。该方法能够准确检测ECR引起的微小信号变化，并通过纹理特征的聚类分析帮助区分缺损及识别钙化模式，为ECR的预后生物标志物开发奠定基础。

本研究提出了一种新的时间事件预训练框架，解决了3D医学成像模型在捕捉疾病相关生物标志物时缺乏时间上下文的问题。通过利用纵向电子健康记录进行大规模时间监督，显著提升了8个基准任务的预测性能。

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。

本研究结合蛋白质序列和表达数据，利用机器学习解决乳腺癌分子特征和临床预测问题。成功将患者分组，并准确预测生存率和生物标志物状态，提升了对肿瘤生物学的理解，对个性化治疗有重要影响。

本研究提出了一种新型循环生成对抗网络方法，用于从多重亮场成像中分离生物标志物的单一染色图像。该方法在光学密度域中处理输入图像，提高了合成图像的清晰度，并在不同样本中验证了其有效性。

表观遗传时钟是一种预测年龄的方法，通过调查DNA甲基化位点来选择预测年龄的位点。它在预测年龄方面有效，但与其他生物标志物相比没有显著优势。胚胎干细胞和多能干细胞的表观遗传年龄较年轻，而突变较多的癌症则更难预测年龄。表观遗传时钟可能更接近衰老的根本原因。

研究使用面部动作单元（AUs）和情感作为抑郁症生物标志物的方法，发现抑郁症和无抑郁症的参与者在悲伤和快乐的AUs强度方面存在显著差异，面部分析在抑郁症评估中具有潜力。

Spatial transcriptomics技术整合多模态信息到均匀的潜空间，解决模态偏差现象。MuST方法优于现有方法，识别和保留组织和生物标志物结构。MuST为复杂生物系统的精细分析提供多功能工具包。

通过贝叶斯网络分析上海1型和2型糖尿病数据集，揭示了关键生物标志物之间的复杂关系。贝叶斯网络在预测准确性方面表现出显著效果，为个性化糖尿病管理提供潜力。

本文介绍了一种用于评估新辅助化疗后乳腺DCE-MRI的长期变形注册方法，通过无监督关键点检测和选择性体积保持的有条件金字塔式注册网络，该方法能够精确量化肿瘤变化并保持肿瘤体积不变。实验证明该方法具有更好的注册性能和肿瘤体积保持能力，并且基于该方法的生物标志物在病理完全缓解预测中具有高准确性。该方法对于随访肿瘤分割和响应预测具有重要价值。

该研究使用图神经网络分析脑网络结构数据中与神经系统疾病相关的生物标志物。研究提出了一种可解释的GNN框架，通过显著区域选择机制和规则化池化层突显感兴趣区域，推断出对于识别疾病很重要的ROI。在自闭症神经影像数据集上应用PR-GNN框架，展示了其在分类准确性方面的优越性和与以往研究结果的一致性。

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。

提出了一种使用解剖感知的非监督可微分假设健康合成方法生成脑部变形场的新方法，并利用该方法派生的变形场提取通过慢性硬脑膜下血肿引起的脑部位移的生物标志物，结果表明自动获得的脑部变形场可能具有个性化慢性硬脑膜下血肿治疗的预测价值。

本研究提出了一种基于神经影像的可靠生物标志物识别方法HyperGALE，通过引入学习的超边和门控注意机制，该方法在解释复杂的脑图数据方面取得了显著改进，对自闭症谱系障碍标志物的特征有深入洞察。