- SAM-U: 多盒提示触发的不确定性评估，用于可靠的医学图像 SAM
本研究提出了多框提示触发的不确定性估计方法用于展示分割病灶或组织的可靠性，并发现多框提示增强了 SAM 的性能，并为每个像素赋予了不确定性。
- MM基于逻辑的 Benders 分解策略在答案集编程中用于慢性门诊排班
本研究应用基于逻辑的 Benders 分解方法（LBBD）将其首次应用于解决 Answer Set Programming（ASP）中的优化问题，以提高 ASP 技术的实用性，并以医疗保健为案例研究，实验结果表明此方法的有效性。
- 评估临床试验中的数据偏倚
该论文提出了一种解决数据偏见问题的方法，即通过定义可能存在于数据集中的数据偏见类型并使用适当的度量对其进行表征和量化，提供识别、衡量和减轻不同数据来源数据偏见的指南，适用于前瞻性和回顾性临床试验。
- 信任问题：不确定性估计不足以在医疗表格数据上实现可靠的 OOD 检测
本文旨在解决医疗数据的机器学习模型预测不确定性问题，针对混合型数据（例如电子病历）进行大量测试，并对现有的不确定性估计技术进行评测，发现几乎所有技术都无法较好地识别配对之外的病人。
- 在卫生保健领域进行差分隐私预测：追踪您的长尾
本研究研究了隐私保护机制对健康医疗领域数据挖掘和机器学习的影响和局限性，旨在通过使用最新的差分隐私数据挖掘算法来训练隐私保护的模型，并对这些模型进行全面的实证研究。该研究还探讨了隐私保护学习在医疗保健中的好处和成本。
- EMNLP如何寻找神奇的特征：基于子序列分类指导的认知功能障碍检测
通过序列机器学习模型和领域知识来预测哪些特征有助于提高性能，为 cognitive impairment detection 等需要解释性的领域的分类提供了示例。
- 医疗中的伦理机器学习
介绍在机器学习在医疗保健领域中出现的伦理问题，强调了遵循社会公正的伦理问题。提出了一个道德机器学习在医疗保健领域中的提出管道，包括问题选择，后期落地的考虑，以及推荐一些解决这些挑战的建议。
- IROF: 一种用于解释方法的低资源评估度量
本文提出了一种新的方法 IROF 来评估神经网络模型的解释方法，与其他方法相比，IROF 需要更少的计算资源且不需要人类干预，从而在评估过程中能够规避人为偏见。
- 基于缺失的解释：利用相关性负例实现对比解释
该论文提出了一种新方法，通过对黑盒分类器（如深度神经网络）进行对比解释来证明输入数据的分类，从而找出应当在图像中呈现的具有重要目标的关键点以及应当缺省的某些背景像素，这样的解释方式适用于人类理解并广泛运用于医疗保健和刑事犯罪等领域中。作者在 - NIPS精细化因果关系诊断预测
本篇论文研究了利用因果关系来改进医疗领域中的疾病诊断预测模型，通过因果关系的推断提高医生的决策能力和模型的预测准确性。
- MM一个无障碍人工智能系统
我们介绍了一项旨在开发开源且用户友好的人工智能系统，以用于生物医学和医疗保健领域复杂数据的机器学习分析，其中遗传编程技术可以帮助实现，并且强调了以前项目中遗传编程已经自动进行了机器学习分析的具体示例。
- 临床时间序列数据的多任务学习和基准测试
该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。