本研究提出了一种新方法GRAPHTREX，用于临床文本中的时间关系提取。该方法结合了跨度实体关系提取和异构图变换器，显著提高了时间关系提取的F1分数，为改进诊断和预后模型奠定了基础。

上海交大发布RP3D-Diag数据集，涵盖4万多个临床案例和5000多种疾病，构建了多模态放射学诊断模型。该模型在20多个外部数据集上表现优异，解决了现有模型的单一领域和模态问题，为精准医疗提供了重要支持。

本文介绍了多个眼科疾病诊断模型的研究进展，包括无监督学习框架EyeLearn、预训练模型FLAIR和VisionFM，以及自我监督框架OCT-SelfNet。这些模型结合多模态数据和先进的机器学习技术，显著提高了眼科疾病的检测和诊断能力，具有广泛的临床应用潜力。

本研究提出了一种结合声学、认知和语言特征的多模式系统，利用人工神经网络检测阿尔茨海默病，取得了高分类精度。研究还探讨了机器学习算法在痴呆症预测中的稳定性，发现支持向量机和朴素贝叶斯算法表现最佳。同时，通过MRI数据研究早期阿尔茨海默病的检测，强调了数据标准化和模型可解释性的重要性。

本研究针对疟疾诊断模型在不同临床环境下的泛化能力不足的问题进行探索。通过细调和增量学习等方法，研究表明结合特定地点的数据可以显著提高模型性能，为更广泛的临床应用提供了可能性。

本文介绍了多种认知诊断框架，如NeuralCD、ReliCD和ASG-CD，旨在提高智能教育中学生掌握水平评估的准确性和可解释性。这些框架在处理复杂交互和不确定性方面表现出色，推动了认知诊断模型的发展。

本研究提出了一种多模态乳腺肿瘤诊断模型，通过学习静态图像和动态视频特征，提升良性与恶性分类性能，AUC达到90.0%。该模型基于深度学习，结合对比增强影像技术，显示出在乳腺癌诊断中的高可行性。

研究人员设计了ThyGPT，一种人工智能增强型计算机辅助诊断模型，用于评估甲状腺结节风险。实验证明ThyGPT优于传统方法和孤立模型，有望改变放射科医生的工作流程。

该研究提出了一种多模态乳腺肿瘤诊断模型，融合静态图像和动态视频特征，提高了良/恶性分类的性能，AUC达到90.0%，准确率为81.7%。在放射科医生指导下，验证了动态视频特征聚合后的实验结果。

本文提出了一种新颖的可识别认知诊断框架，通过灵活的诊断模块直接诊断考生特征和问题特征，并利用预测模块重建响应日志，验证了框架的可识别性、可解释性和诊断结果的精确性。