本文提出了一种可解释的多模态机器学习模型，用于预测非小细胞肺癌患者对奥希替尼的耐药性。研究表明，该模型在多机构数据集上的c-index达到0.82，显著优于单一模态模型，表明整合多种数据类型能有效提升预后预测的准确性。

本研究提出了一种多任务网络ICH-SCNet，旨在对脑内出血（ICH）进行分割和预后预测，通过整合跨模态交互机制，显著提升了模型性能，超越了现有方法。

本研究利用信息论和贝叶斯估计方法，探索生物标记的预测和预后能力，以提升医学诊断的可靠性。通过深度学习分析多发性硬化症患者的MRI图像，实现精准医学，指导临床决策。同时，研究提出新方法评估个性化治疗效果，结合深度学习与结构因果模型，优化肺癌患者的预后预测。

该文综述了AI与影像组学在头颈癌放疗中的应用，包括随机森林、CNN、ViT及3D扩散模型结合PET/CT多模态数据，用于肿瘤自动分割、预后预测和复发风险评估，部分模型在HECKTOR挑战赛中表现优异，并验证了多分辨率分形纹理特征及自动分割算法的泛化能力。

该文综述深度学习在心血管诊疗中的应用，涵盖：半监督模型CUSSP自动诊断瓣膜病；自监督对比学习模型分析心脏核磁共振报告，评估心功能并诊断35种病症；可穿戴设备通过心震信号预测主动脉血流；深度神经网络实现心射频成像瓣膜自动定位；DenseNet与U-Net自动提取CT二尖瓣形状；多模态模型预测心脏再同步治疗反应；机器学习预测癫痫手术预后；BEHRT模型用于电子病历疾病轨迹预测；XGBoost提升冠脉梗塞预测；多视角集成方法提升心电图自动诊断。