本研究提出CELD框架，解决糖尿病视网膜病变与其他疾病识别不足的问题。在有限标注数据下，模型分类能力逐步提升，最终在公开数据集上实现91%的准确率，为眼科疾病的早期检测提供支持。

本研究开发了一款基于机器学习的网络应用，帮助患者识别疾病并提供药物、预防措施及健康建议，从而提升健康管理能力。

本研究提出了一种名为PND-Net的深度学习方法，利用图卷积网络识别植物营养缺乏和疾病。通过区域特征学习和多尺度特征汇聚，分类准确率最高达96.18%。

现有植物疾病分类模型在实验室内表现良好，但在野外图像分类方面性能下降。为解决此问题，提出了一个包含多种疾病类别和文本描述的野外多模态植物疾病识别数据集，并设计了一个强大的基准模型，能有效解决小类别间差异和大类内变差问题。该模型不仅能分类疾病，还能在少样本或无训练情况下识别疾病。基准测试结果显示，该数据集给植物疾病识别任务带来了新挑战，有改进空间。

该研究提出了一种先进的网络架构，结合了对比学习和遮挡图像建模技术，用于植物害虫和疾病识别。该方法在大型多样化的数据集上表现出有效性和显著的检测准确性，提供了一种快速、高效且成本效益的植物害虫和疾病检测解决方案，有助于降低农业生产成本。代码和数据集将在GitHub上公开提供。

通过使用零射击的基于大型语言模型的方法，结合检索增强生成和 MapReduce 技术，我们在肺动脉高压领域展示了一种有效识别疾病的方法，该方法在诊断中明显优于医生逻辑规则（F1 分数为 0.62 比 0.75），从而有望增强罕见疾病群体的识别和推动临床研究以及关注空缺的发现。