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。

本研究探讨了利用大型语言模型GPT-4o进行零-shot合成神经外科数据生成，以应对真实数据获取中的数据稀缺和隐私限制问题。该方法有效增强了小样本临床数据，提升了机器学习模型预测神经外科结果的能力。

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。

TractoGPT是一种基于GPT的全自动白质束分割方法，旨在解决脑结构连通性、神经外科规划和神经疾病研究中的挑战。该方法通过训练流线、聚类和融合数据表示，能够跨数据集泛化并保持白质束形状信息。实验结果表明，TractoGPT在DICE、重叠和覆盖得分上优于现有方法。

该研究探讨了大型语言模型在数学推理中的能力与挑战，评估了模型在不同数学技能上的表现，发现其在算术推理方面存在不足。研究提出了改进策略，如双向指令调优和关键注意力头微调，以提升模型的计算能力。

该研究提出了多种基于内窥镜的深度估计方法，如双目内窥镜深度声明网络和自监督卷积神经网络，旨在提高手术视频中工具定位和深度估计的准确性，推动微创外科技术的发展。

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。