介绍了FIRE方法，通过上下文过滤和知识过滤构建知识感知的上下文表示和上下文感知的知识表示。实验结果显示，FIRE在PERSONA-CHAT和CMU_DoG数据集上表现优于以前的方法，并具有更好的可解释性。

该研究提出了一种基于原型的知识过滤方法，利用不同但相关临床研究中收集的跨领域子宫颈图像，改善了定向子宫颈数据集上模型的性能。实验证据表明，该方法在顶级准确率、精确度、召回率、F1分数和ROC-AUC上分别比最先进的子宫颈畸形视觉检查法提高了4.7%、7.0%、1.4%、4.6%和0.05。