本研究针对解读CTPA扫描和生成准确放射科报告的复杂性，提出了Abn-BLIP模型。该模型采用可学习查询和跨模态注意机制，显著提高了异常检测和报告生成的准确性和全面性，超越了现有的医疗视觉语言模型，展示了多模态学习策略在改善放射科报告方面的潜力。

本研究提出了一种新算法PEP-Net，结合3D残差网络和极端梯度提升，旨在预测肺栓塞患者的30天院内死亡率。研究结果显示，PEP-Net在193名急性肺栓塞患者的CT扫描中准确率达到94.5%，显著优于传统模型，为肺栓塞预后提供了新参考。

本文探讨了深度学习在肺栓塞诊断中的应用，结合CTPA成像和临床数据，提出多模态融合方法以提高预测准确性。研究表明，深度学习模型在生存率预测方面优于传统方法，并通过对比学习和特征增强技术优化了肺栓塞的自动分割效果，为临床诊断提供了更强大的工具。

通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。

本文介绍了多种基于深度学习的医学图像分割方法，如自动肺栓塞分割、结肠镜图像病变定位和视网膜血管分割。这些方法通过创新的网络架构和算法，提高了分割准确性，减少了对标注数据的依赖，展现了在临床诊断中的潜力。