本研究提出了一种基于变换器的多模态框架，旨在提高医疗器械风险分类的准确性。该框架结合文本和视觉信息，利用跨注意力机制和自我训练策略，在有限监督下实现更好的泛化，实验结果显示准确率高达90.4%。

本研究提出了新的CEHA数据集，填补了东非地区暴力冲突细粒度事件的空白，丰富了冲突风险分类，并支持低资源环境中的模型评估。

本研究提出了一种基于临床知识的尿路感染（UTI）风险分类框架，利用可解释的人工智能技术分析电子健康记录（EHR）数据，识别不同风险组的临床和人口统计差异，为临床决策提供AI驱动的洞见。

本研究提出Cervix-AID-Net模型，通过阴道镜图像对宫颈癌前期风险进行分类，分类精度达到99.33%和99.81%，对宫颈癌的预防和早期检测具有重要意义。

本文介绍了S-Eval，一个新的安全评估基准，结合大型语言模型和测试策略，自动构建高质量测试套件。研究提出了四级风险分类体系，评估了20个流行模型的安全风险，结果显示S-Eval优于现有基准。此外，研究探讨了提示注入和代码滥用等新风险，强调了安全性与效用之间的权衡，并提出了量化方法。整体来看，LLMs在安全性方面仍需改进。