本研究开发了一种基于自然语言处理的AI预测模型，用于预测神经外科术后意外重症监护病房入住。通过分析电子健康记录，模型将意外入院的召回率从36%降低至4%，显著提高了预测的准确性和可靠性。

本研究利用GPT-4o进行零-shot合成数据生成，解决了获取真实神经外科数据的挑战，增强了小样本临床数据，提高了机器学习模型对神经外科结果的预测能力。

本研究提出了一种新模型，通过结合手术工具的历史位置信息和解剖特征，预测工具的未来运动轨迹，强调了解剖特征在神经外科手术决策中的重要性。

Mathador-LM是一个评估大型语言模型数学推理的新基准，结合规则解释与问题求解，动态生成实例以防止测试集泄露。研究表明，现代模型在Mathador-LM上的表现显著低于平均5年级学生。

基于解剖识别的深度学习方法，通过无监督学习从手术视频中构建手术路径，解决内窥镜手术中的定位问题。

该文介绍了一种新颖的方法，通过学习预期的外观来进行术中患者到图像的注册。该方法在脑外科手术中的神经导航背景下应用，优于现有方法，并达到了当前临床标准的准确性。

该论文研究了图神经网络在视觉场景理解和手术技能评估方面的应用。通过分析手术过程的复杂视觉数据，图神经网络可以提取特征并预测手术技能。SurGNN 提出了两种并行的方法，有监督和自监督。该方法在 EndoVis19 和自定义数据集上取得了最先进的结果。