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。

该研究提出FetalCLIP模型，旨在解决胎儿超声图像分析中的数据稀缺和复杂性问题。通过对210,035幅图像与文本的数据集进行多模态学习，FetalCLIP有效捕捉胎儿解剖特征，表现优异，适用性广泛且对标注数据需求低。

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。

本文探讨了三铰链回旋体的解剖特征嵌入，提出了一种新的自监督框架以建立不同大脑之间的对应关系。该方法基于Kolmogorov-Arnold网络，实验结果表明其有效克服了传统方法的局限性。