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。