本研究提出RCMed，一个全方位的医疗AI助手，利用层次化的视觉-语言对齐技术，提高多模态输入和输出的准确性，改善细胞分割和解剖特征定位，推动以人为本的AI医疗进步。

FetalCLIP是一种用于胎儿超声图像分析的视觉语言基础模型，通过对210,035幅配对图像与文本的数据集进行预训练，有效捕捉胎儿解剖特征。研究表明，该模型在多项应用中表现优异，适用性广泛且对标注数据需求低，将对该领域产生重大影响。

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。

本文介绍了DrasCLR自监督学习框架在3D医学成像中的应用，旨在提取解剖特征并减少对标注数据的需求。研究表明，该框架在肺部图像的预测和分割任务中表现优异，强调了解剖上下文的重要性。此外，研究还探讨了自监督学习在内窥镜视频分析和脑电信号处理中的应用，显示出其在降低数据标注时间和成本方面的潜力。