本研究解决了在不同时间对同一患者肝脏CT扫描进行肿瘤进展评估时的配准问题，特别是在肝脏检查中，由于各种非刚性变形和病理变化，配准过程复杂。本文提出了一种基于几何和解剖信息的配准方法，实验结果显示该方法相比其他配准技术能够提供更平滑的变形，同时保持肿瘤负担，从而提高了肿瘤进展评估的准确性。

本研究利用数字病理图像和深度学习模型，提高乳腺癌筛查和风险评估的准确性。通过多模态神经网络和新型特征相关模型，显著提升乳腺癌检测性能，强调多模态成像在癌症诊断中的重要性，并探讨了深度学习在乳腺癌成像中的应用及未来挑战。

提出了一种基于长期一致性指导的扩散模型 (LoCI-DiffCom) 用于完成缺失的婴儿脑图像数据，该模型在高度稀疏的序列中工作，仅依赖于两个时间点的数据，并表现出良好的性能，有助于更好地描绘早期发育轨迹。

该研究提出了一种使用时间感知神经常微分方程（NODE）分析疾病进展的新框架，通过自监督学习中的“时间感知头”利用时间信息进行数据增强，将NODE和SSL结合，提供了显著的性能改进。该策略在糖尿病视网膜病变进展预测中取得了统计显著的AUC和Kappa指标改进，突显了使用SSL启发式方法进行预训练的效果。此外，该框架促进了NODE的稳定训练，取得了突破。

本文研究了在存在未观察到的混淆因素的情况下，从观察数据中估计因果效应的复杂问题。提出了一种基于混淆平衡表征学习的非线性 CIV 回归，CBRL.CIV，以消除混淆偏差并平衡观察到的混淆因素，无需线性假设。实验证明了CBRL.CIV的竞争性能和在处理非线性情况方面的优越性。