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，结合离散生物标志物和胸部CT扫描的连续特征，以提高心血管疾病风险预测的准确性，帮助医生更好地进行决策。

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。

该研究提出了一种名为MuST的多模态结构转换方法，旨在整合空间转录组学数据中的多模态信息，解决模态偏差问题。通过拓扑发现策略和深度学习技术，MuST在识别组织和生物标志物结构方面表现优于现有方法，为复杂生物系统分析提供了新工具。

本研究利用机器学习分析血清代谢物对糖尿病肾病的影响，开发了XGBoost预测模型，AUC值达到0.966，识别出C2、C5DC等重要生物标志物。同时，研究探讨了糖尿病眼病的检测，使用卷积神经网络实现94%的准确率，展示了机器学习在眼科疾病预测中的应用潜力。

本文研究了半监督扩散模型在低质量T1w MR图像上预测年龄的有效性，相关性达到0.83，并与肌萎缩侧索硬化生存期相关。新方法通过多任务学习有效预测阿尔茨海默病进展，揭示生物标志物间的关键关系。同时，开发的条件分数扩散模型能够准确预测皮层厚度轨迹，提升早期诊断能力。

本文介绍了一种基于深度学习的3D组织图像处理平台MAMBA，能够更准确地预测患者结果。MAMBA利用3D形态特征提供临床决策支持，并揭示新的生物标志物。研究探讨了结合2D网络和特征减少模块的分类方法，提升前列腺癌诊断的准确性，并提出多种3D医学图像处理技术，以提高效率和准确度。

本文开发了一种透明的计算机大规模成像框架，能够区分正常和转移的人类细胞。该方法结合荧光显微镜图像、深度学习和可解释技术，深入分析细胞骨架变化，为未来的诊断工具提供潜在的生物标志物。

本文提出了一种基于时空相似性度量的多任务学习方法，用于有效预测阿尔茨海默病（AD）进展，并捕捉生物标志物之间的关系。实验结果表明，该方法在疾病预测和生物标志物变化关系的确定上优于传统方法，具有显著的临床应用价值。

本文介绍了利用图神经网络（GNN）和功能性磁共振成像（fMRI）数据识别自闭症谱系障碍（ASD）生物标志物的研究进展。研究提出了一种可解释的GNN框架，强调重要脑区，并展示了在分类准确性和生物标志物一致性方面的优势。此外，介绍了ContrastPool和BN-GNN等新方法，提升了脑网络分析的性能和解释能力。

该研究利用深度学习和傅立叶变换红外显微光谱技术，开发了 CaReNet-V2 模型，对乳腺癌进行分类和生物标志物预测。通过分析 60 个乳腺活检样本，模型实现了对乳腺癌分子亚型的准确预测，具有潜在的临床应用价值。

本研究利用机器学习模型动态识别慢性肾脏疾病患者，预测其是否需要肾脏替代治疗，灵敏度和特异度均超过90%。通过对近三百万医保受益人进行预测，为早期干预提供了基础。XGBoost模型在糖尿病肾病筛选中表现最佳，AUC值达0.966，可能成为生物标志物。