本研究通过自研机器学习算法分析乳腺MRI中的乳腺密度，发现MRI乳腺密度与X线摄影密度相关，但某些成分仅MRI可得，提出整合MRI密度以改进乳腺癌风险预测的新方向。

本研究提出利用大型语言模型（LLMs）来改进药物过量风险预测，克服传统机器学习模型在医疗记录分析中的局限性。实验结果表明，LLMs在某些情况下优于传统模型，具备较高的预测准确性，显示其在临床决策支持中的潜力。

本研究提出了BayFlood，一种基于预训练视觉-语言模型的城市洪水检测方法。该方法通过零样本分类和空间贝叶斯模型，解决了标签不足的问题，有效预测洪水风险并识别高风险人群，提升了预测准确性和不确定性量化能力。

本研究提出了一种新模型，结合BiLSTM-CRF、XGBoost和逻辑回归，旨在提高糖尿病风险预测的准确性，为临床决策提供支持。

本研究提出了一种新颖的联合表示方法，整合离散生物标志物与胸部CT提取的深度特征，显著提升心血管疾病风险预测性能，并分析各生物标志物的独立贡献，以支持医生决策。

AI-Copilot Progress Report for Jira是一款提高冲刺进展跟踪效率的应用程序。用户只需点击一次即可获得进展报告和风险预测。该应用还提供定期项目报告和实时冲刺进展监控。用户可以预览任务列表并订阅电子邮件报告。好处包括提高效率、便利性、明智决策和定制化。用户需要安装插件并通过项目页面访问Leiga进展报告来开始使用。如需支持，用户可以访问支持页面或联系支持团队。

本研究探索了医疗数据领域中联邦学习的数学形式化和异质性分类，并对七种常见的联邦学习算法进行了性能评估。研究目标是通过不同的联邦医院数据集预测中风复发的风险，讨论了数据异质性对联邦学习性能的影响。

本文研究了在社交媒体数据上进行风险预测的问题，特别是对Reddit用户进行病态赌博障碍的分类。通过将时间特征和情感特征纳入模型，实验证明了序列模型在性能上优于基于连接的模型。提出的架构在包含EmoBERTa和TD层的情况下取得了高F1分数，在赌博障碍数据集上超过了现有基准。

该研究提出了一种新的方法，使用双编码器对比有序学习框架，将腹主动脉钙化量化为有序回归问题，并预测未来心血管事件的风险。在两个临床数据集上评估，具有高灵敏度和高准确性。

该研究使用英国国家医疗服务的电子健康记录，构建预测模型，预测突然死亡的风险。研究强调了预测突然死亡的挑战和对机器学习模型在医疗应用中的理解和解释的需求。