本文提出 MDNet，一种基于计算机视觉和自然语言处理的医学影像诊断模型，它可以自动阅读影像，生成诊断报告，并直接对症状进行图像检索，可视化诊断过程，实现端到端的优化训练，从而显著提高了在膀胱癌影像和报告数据集上的诊断准确率。

Jul, 2017

提出了一种名为 TreeDNN 的架构及其训练方法，用于多个数据集的多任务训练，同时减少 ROM 存储要求并提高系统的响应速度。

Dec, 2022

通过自动提取医疗文本中的医疗决策树，我们提出了一种新的任务 Text2MDT，探索构建临床决策支持系统的能力。使用两种方法进行 Text2MDT 任务的研究，一个是只依赖大型语言模型（LLM）指导的端到端框架，另一个是将 Text2MDT 任务分解为三个子任务的流水线框架。实验结果表明，使用 LLMs 的端到端方法在 Text2MDT 数据集上表现出色，优于流水线方法。

Jan, 2024

我们提出了一种新的任务特定损失函数来校准神经网络，以减少过于自信的错误，并结合多分类置信度和准确性（MDCA）损失函数，通过进行温度缩放的后校准，实现期望校准错误（ECE）的提升 5.98% 和最大校准错误（MCE）的提升 17.9%，相较于最佳性能 SOTA 算法。

Jan, 2024

利用大型语言模型，结合跨模态基础模型 CLIP，提取视觉输入的语义有意义的表示，并利用轻量诊断模型，对模型失败与偏差进行分析，从而了解黑盒模型的性能

May, 2023

使用 LLMs 方法识别患者电子健康记录中表明特定诊断风险增加或减少的证据，以提高证据获取并减少诊断错误。通过神经附加模型在临床医生不确定时点进行预测，具有个体化的风险估计，旨在减少诊断延误和因不完整鉴别引起的错误。使用 LLMs 推断细粒度的过去真实诊断标签，确保输入文本在自信诊断之前。通过模型学习的相关性，从初始证据集中筛选出更精确的证据，通过模拟临床医生在预定义鉴别诊断列表中选择来详细评估我们方法的实用性。

Feb, 2024

通过神经网络模型和机器学习技术，我们发现患者的原型可以用于识别与治疗反应相关的患者群体，并生成适当的治疗方案，这可能有助于精准医学治疗抑郁症。

Mar, 2023

本文提出了一种针对属性图的伪度量（TMD），并研究了它与泛化的关系，显示出 TMD 捕捉了与图分类相关的属性，且良好相关性对于泛化的 GNNs 来说性能下降。

Oct, 2022

本研究探索了如何利用深度学习中的损失设计思路来提高决策树的鲁棒性，发现传统的损失修正和对称损失方法并不有效，指出需要探索其他方向来改善决策树对标签噪声的鲁棒性。

May, 2024

ML Health 为监测机器学习模型预测性能潜在下降提出了一种诊断方法，并将该方法应用于一种实现了全生产生命周期的系统中，来自动化追踪并生成进一步调查的警报。

Feb, 2019