本研究提出了一种基于模糊语义的首阶逻辑方法，用于医学图像中神经的描述和识别。通过结合解剖学知识与模糊语义，开发了一种空间推理算法，帮助外科医生有效提取和识别神经，以制定手术计划。

本研究探讨了在隐私限制下，日本医学问答中基于知识图谱的检索增强生成框架（KG-based RAG）的有效性。结果表明，KG-based RAG对小规模开源LLMs的影响有限，效果依赖于外部检索内容的质量和相关性。

本研究探讨了深度学习在医学影像领域中不同标签可用度下的应用，分析了自2018年以来约600项相关研究，介绍了不完全和缺失监督的学习范式，促进对当前研究状态的理解，并讨论未来的研究挑战。

本研究提出了一种知识挖掘策略，利用大型视觉模型SAM的知识来提升医学图像分割中小型深度学习模型的性能。通过将SAM在未标注图像上的输出转化为“伪标签”，显著改善了U-Net++模型在有限标注数据上的训练效果，验证了知识挖掘的应用价值。

本研究探讨大型语言模型（LLMs）在医疗研究中解读试验结果时是否受到误导信息的影响。结果表明，LLMs比人类更容易受到误导，但通过特定提示可以减轻这种影响。

本研究提出了一种基于预训练MobileNetV2模型的深度学习框架，旨在提高肺癌CT图像分析的准确性和效率。实验结果表明，该模型在测试集上达到了99.6%的准确率，有助于提升肺癌诊断效率并降低医疗成本。

本研究针对中文医学文献中的论文章节识别问题，提出了结构双向长短期记忆（SLSTM）模型，结合传统机器学习与深度学习，实验结果显示准确率和召回率接近90%。

本研究提出KARE框架，通过结合知识图谱的检索与推理，解决大型语言模型在医疗决策中的幻觉问题，并提升医学知识的细粒度。KARE利用多源知识图谱，提高信息检索的准确性和可解释性，实验结果显示其在死亡率和再入院预测方面优于现有模型。

Meta公司发布了SAM 2，可以实时分割静态图像和动态视频内容。牛津大学团队开发了MedSAM-2，基于SAM 2的医学图像分割模型，具有出色的性能和泛化能力。SAM在医学图像分割领域具有潜力，其他团队也在探索其应用。

科学领域的人工智能依赖于低门槛的开源工具，以便在医学领域广泛采用。这些工具，如AI-Rad Companion、CAT-ViL、Derm Foundation、Ersilia、上海人工智能实验室的“普医2.0”模型组、RJUA-QA数据集和paperai，旨在改善医学图像解读、手术视频可视化、皮肤病学定制机器学习模型、被忽视疾病研究和医学文献发现。它们为研究人员和医疗专业人员提供了宝贵的资源。

By providing plausible label maps for one medical image, the Tyche machine-learning model could help clinicians and researchers capture crucial information.