本研究提出脑潜在进程模型（BrLP），有效提升了个体疾病进程预测的准确性，实验结果表明其在MRI扫描中的表现优于现有方法。

本文研究了基础模型在眼科领域的有效性，比较了RETFound与DINOv2在眼病检测和疾病预测中的表现。结果表明，DINOv2在糖尿病视网膜病检测中优于RETFound，而RETFound在心力衰竭预测中表现更佳，强调了选择合适模型的重要性。

本文介绍了一种新的图形领域体系结构，用于基于图形的深度学习用于疾病预测。该体系结构利用不同内核大小的滤波器来构建，并定义了几何“内核模块”，能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果，并提供了在模拟数据的不同输入情况下，常规GCNs和提出的模型的行为洞见。

我们提出了一个名为Heath-LLM的创新框架，结合大规模特征提取和医学知识权衡评分，具有整合健康报告、调整特征得分和提高疾病预测准确性的优势。实验结果表明该方法有潜力改变疾病预测和个性化健康管理。

本研究提出了一种新的疾病诊断建模方法，基于异构信息网络，能够处理缺失值和异构数据，实现更准确的疾病诊断。实验结果显示该方法在诊断编码、疾病预测和临床事件相似性方面优于基准模型。