本研究提出了一种新颖的混合规则时间点过程（HRTPP）框架，旨在提升医疗领域时间点过程模型的可解释性和预测精度。实验结果表明，HRTPP在预测性能和临床可解释性方面优于现有模型，并展示了其在疾病进展解释中的潜在应用。

本研究提出了一种医学视频生成框架，解决了患者个体纵向影像监测不足的问题。该框架能够生成个性化的疾病进展模拟，显著优于基线模型，具有帮助医疗提供者建模和提升医学教育的潜力。

该研究提出了一种新方法——阶段变量因果发现（CDSV），用于处理疾病进展中的因果关系变化。通过引入可移除变量和递归方法，开发了高效的因果发现算法，有效解决了因果推断中的数据限制问题。实验结果表明，该方法在有限样本情况下表现良好，并已开源供研究者使用。

该研究使用ADNI数据集，通过创新的数据预处理策略，探索阿尔茨海默病的早期检测和疾病进展。通过分析相关特征，构建并测试了三个机器学习模型，其中XGBoost模型表现最佳，准确率达到91%。该研究成功克服了缺失数据的挑战，为阿尔茨海默病的早期检测提供了有价值的见解。

该研究探索了自我监督学习算法在疾病进展方面的应用，重点研究了纵向自我监督学习算法及神经普通微分方程的潜力，并在糖尿病视网膜病变的数据集上验证了相关算法，结果表明二者结合潜力巨大。