科学家研发了一种基于石墨烯的人工味觉系统，能够以90%的准确率识别酸、甜、苦、咸等味道。该系统模拟人类味觉，有助于神经疾病患者恢复味觉，且在识别复杂饮品时分类准确率高达92.3%。

本研究提出了一种核心-外围状态空间模型(CP-SSM)，有效解决了传统机器学习在脑区关系处理中的不足。实验结果表明，CP-SSM在功能连接组分类中优于Transformer模型，降低了计算复杂性，为神经疾病诊断提供了新的方向。

本研究评估了深度学习在脑电信号分析中的应用，提出了标准化基准，以应对神经疾病诊断中的数据集异质性和任务变异性问题，从而提高模型的可重复性和智能医疗解决方案的发展潜力。

本研究提出了一种“脑适配器”方法，通过轻量级瓶颈层和对比语言-图像预训练策略，解决3D医学图像处理中的空间信息缺失问题。实验结果显示，该方法在神经疾病诊断准确性方面表现优异，具有改善实际诊断流程的潜力。

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。