该文综述医学视觉问答（Med-VQA）研究：采用遮蔽图像/语言建模与图文对比学习的自监督预训练，结合编码器-解码器与自注意力实现跨模态表示；构建PMC-VQA大规模数据集（14.9万图、22.7万问答对）；用领域特定对比学习预训练缓解数据不足；结合多模态提示检索提升精度达30%；提出元学习量化方法；开发BESTMVQA基准评估系统；并设计上下文感知及手术问答系统。