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。

本研究提出了一种联合实体关系提取模型，针对中文医学文本中的复杂语义问题，开发了CH-DDI数据集和SEA模块。实验结果表明，该模型在实体识别和关系提取方面表现优异，F1得分分别为96.73%和78.43%。

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。

本研究提出了一种新的长尾医学诊断框架（LMD），旨在解决计算机辅助诊断中的样本不平衡问题。通过关系感知表示学习和迭代分类器校准，该方法有效提升了少数类的分类效果，实验结果表明其性能显著优于现有方法。

本研究提出了MedBioLM模型，通过微调和检索增强生成技术，提高医学与生物学问答的准确性和可靠性，显示出大型语言模型在生物医学研究和临床决策支持中的重要潜力。

本研究提出K-COMP方法，旨在解决医学领域问答中的理解困难。通过自动生成先验知识并与压缩文献结合，显著提高了问答模型的准确性和信任度。

本研究提出FineMedLM-o1模型，旨在提升医学大语言模型在复杂临床场景中的推理能力。通过结合高质量合成医学数据和测试时训练（TTT），模型在医学基准测试中平均性能提升23%，TTT进一步提高14%，显示出其有效性。

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。

本研究提出了BioBridge框架，旨在解决儿科急诊科人满为患的问题。该框架利用自然语言处理技术，提高了电子医疗记录的决策效率，并通过理解双语和代码切换数据，显著改善了多项性能指标，展示了其在医疗记录数据处理中的实用性和有效性。

本研究提出了一种量化感知训练管道，以解决MedSAM模型在医学图像分割中对计算资源的高需求问题。该方法通过OpenVINO推理引擎进行部署，实验结果表明在提高处理速度的同时保持了可接受的准确性，具有重要的临床应用潜力。

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%。

本研究提出了一种系统选择切片的方法，以提升深度学习分割模型在横断面医学图像中的性能。实验结果表明，在相同标注预算下，标注较少切片并增加多个体积的标注更为有效，而无监督主动学习的切片选择效果不如随机或固定间隔选择。

本研究提出了一种基于自动失真识别的无参考医学图像质量评估方法，旨在提高MRI引导放疗中的图像质量。通过分析106,000幅MR图像，该方法有效提升了图像质量指数，改善了肿瘤追踪的准确性，具有重要的临床应用价值。

本研究提出了一种新颖的医学图像分割架构MAPUNetR，结合变换器模型与U-Net框架，解决了分辨率保持和模型透明性问题。实验结果表明，该模型在BraTS 2020数据集上的Dice分数达到0.88，显示出显著的临床应用潜力。

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。

本研究解决了3D医学图像处理中有损压缩的问题。实验显示，CT和MRI数据可在不影响分割质量的情况下实现最多20倍压缩。深度神经网络模型能准确预测压缩与未压缩数据的差异，确保质量无损。