本文提出了一种新颖的神经网络参数化方法，通过将分布式表征与神经网络相结合，解决了基因组数据维数过高导致深度学习模型泛化性能较差的问题，并在人口分化的任务上取得了显著的参数数目和分类器误差率的降低。

Nov, 2016

DeepSeeNet是一种基于深度学习的系统，使用双眼CFP图像来自动分类患者的年龄相关性黄斑变性病情，并通过AREDS简化严重程度评分患者级别，并表现出比视网膜专家更高的分类精度和透明度。

Nov, 2018

使用支持向量机和卷积神经网络两种机器学习模型，对文献进行分类并成功地实现对遗传突变与癌症风险及种群遗传变异的相关性进行预测，并提供新的临床决策支持工具。

Apr, 2019

利用影像学数据，神经网络和决策树模型可用于预测2型糖尿病发病率及输出类似于血红蛋白A1C 实验室测量的可解释值，并演示输入向量小扰动对系统的灵敏度可用于预测先前未见的病人群体。

Sep, 2022

通过比较计算模型，本研究发现深度神经网络(DNN)在估计乳腺癌多基因风险评分(PRS)方面胜过其他机器学习技术和统计算法，包括BLUP、BayesA和LDpred。DNN能够将案例人群分为高基因风险和正常基因风险两个亚群，并准确预测疾病风险，其中DNN在50%患病率测试样本中实现了18.8%的召回率和90%的精确度，可推广至12%患病率的一般人群中的20%精确度下达到65.4%的召回率。此外，通过DNN模型的解释还发现了在关联研究中被赋予不显著p值的重要变异体，这些变异体可能通过非线性关系与表型相关联。

Jul, 2023

通过融合眼底图像、年龄和性别，采用深度学习技术开发了一种多模态深度学习系统HyMNet，用于提高高血压检测的准确性。该系统结合了眼底图像和心血管代谢风险因素，通过 DenseNet-201 架构和全连接神经网络进行联合训练，并取得了相比单模态模型更高的高血压检测AUC 0.791。

Oct, 2023

该研究开发了一个名为LARA的长期胎心率监测自动分析系统，结合了深度学习和信息融合方法，其核心是一个卷积神经网络模型。该系统通过处理长期胎心率数据并生成风险分布图和风险指数作为分析结果，具有良好的性能。研究观察到具有较高风险指数的长期胎心率监测数据更有可能导致不良结果。该研究首次引入了LARA作为长期胎心率监测的自动分析系统，并为未来其在临床价值方面开展进一步的探索奠定了基础。

Jan, 2024

通过收集来自台湾医院数据库的五年电子健康记录，该研究提出了一个新颖的大型语言多模型（LLMMs）框架，将临床笔记和实验室检测结果的多模态数据结合起来预测慢性疾病风险，观察到将clinicalBERT和PubMed-BERT与注意力融合相结合可以在多类慢性疾病和糖尿病预测中达到73%的准确率，将实验室检测值转化为文本描述后，利用Flan T-5模型可以达到76%的ROC曲线下面积（AUROC），从而显著提高了糖尿病早期预测的准确性。

Mar, 2024

基于超网络的医学成像与表格数据融合框架，通过将图像处理与电子病历数值和测量值相结合，旨在提高各种医学应用的准确性。

Mar, 2024

该研究解决了在高分辨率医学图像分类中，传统参数微调方法成本高、内存消耗大的问题。通过引入精细化提示调优方法（FPT+），该研究提出了一种轻量侧网络与大规模预训练模型的结合方式，显著降低了内存使用。实验结果表明，FPT+在各种医学图像数据集上表现优越，仅使用1.03%的可学习参数和3.18%的内存，展示了其潜在的应用价值。

Aug, 2024