- 基于不同脑部疾病和模态的 MRI 数据库联合学习的可行性和益处
通过联合训练多模态 MRI 数据库的不同脑病理学和模态集合，能够实现对训练过程中遇到的病理分割和新型病理的分割，并且提供实际的好处，该方法为今后的研究方向提供了有用的指导。
- 前沿 AI 伦理：预测和评估生成智能带来的社会影响
分析和讨论生成智能系统的科学成就、对社会的潜在影响以及对个体提出的规范问题，着重关注多模态大型语言模型在复杂的人工智能系统中以无监督的方式执行行动的可能性。
- 利用卷积神经网络和变分自编码器检测呼吸系统疾病的方法
通过呼吸音检测病理学，使用 ICBHI 基准数据集，利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态，取得了高达 0.993 F-Score 的分类结果。
- 面向医学影像的通用无监督异常检测
通过引入一种新颖的无监督方法 RA，可自动生成逼真的健康影像重构，从而识别更广泛的病理性异常，超过现有先进方法在多种影像模态中的表现，提高医学影像的诊断准确性。
- 无需注释的病理定位的通用视觉语言预训练
该研究提出了一种适用于医学图像的注释免费病理定位 (AFLoc) 的通用视觉语言预训练模型，通过多层语义结构对齐医学报告中的多粒度医学概念与丰富图像特征，以适应观察到的和新出现的不同病理表达方式，验证了其在复杂临床环境中的适用性。
- AeroPath: 具有具有挑战性病理学的气道分割基准数据集
为了改善患者的预后，尤其是肺癌患者，早期诊断和治疗至关重要。本研究提出了一个新的公共基准数据集（AeroPath），包含 27 个 CT 图像，患者的病理范围从气肿到大肿瘤，以及相应的气管和支气管标注。同时，我们提出了一种多尺度融合设计的自 - 心电图特征重要性排名：心脏病专家 vs. 算法
本研究使用心电图特征作为实际数据来源，比较不同方法在识别三种特定病理状态与健康状态时的表现，结果显示部分方法具有较好的性能。
- CVPR随机正常 - 异常运输的深度分解
使用基于随机对流 - 扩散方程的机器学习模型，通过传输速度、扩散和异常值分解，可区分正常和异常的对流扩散行为，成功地检测中风患者的异常区域和恢复其下层速度和扩散张量字段。
- ICML变分自编码器的失效模式及其对下游任务的影响
本研究针对变分自编码器（VAEs）的训练路径学问题进行了详细的探究，对其失败模式进行了具体的描述，并且将其与某些下游任务的不良影响联系起来。
- COLINGMAP 译码足矣吗？神经机器翻译中模式的不足
论文针对神经机器翻译 (NMT) 系统中出现的一些问题进行了研究，发现这些问题主要与最大后验概率推断 (MAP) 解码以及解码过程中使用的决策规则有关，而非 NMT 的统计假设或最大似然估计算法。作者倡导使用考虑翻译分布整体性的决策规则，证 - 超解释揭示图像分类模型的病态
该研究发现，高得分的卷积神经网络在流行的基准测试中显示出令人担忧的病理现象，使它们即使在缺乏语义明显特征的情况下也能显示高准确度，这被称为过度解释其输入。研究提出了一种新的方法来发现复杂数据集的足够输入子集，并使用该方法显示 ImageNe - ICML深度神经网络的分类：良性和病态
介绍了一种新颖的方法，用于初始状态下深度神经网络的表征，并应用于全连接和卷积网络，能容易地整合批量归一化和跳跃连接，并对信号和噪声的统计矩的深度演化进行表征，从而表征超参数选择所编码的假设空间中的病理存在或缺失。对于前馈网络，无论是否批量归 - 用于乳腺癌组织学图像分类的分层 ResNeXt 模型
介绍了一种分层卷积神经网络系统来对乳腺癌组织学图像进行四种病理分类，使用 BACH 挑战数据集进行评估，测试集上的准确率达到了 0.99，在 BACH 的挑战测试中取得了 0.81 的准确率，排名第八。
- 深度多智能体强化学习中的负向更新间隔
这篇论文研究了多智能体强化学习中的路径效应问题，发现现有的弱化和反应性方法在处理复杂领域的多个病理时无法保持一致，提出了一种名为 Negative Update Intervals-DDQN 的新算法，能够在大型观测空间和具有多种病理的环境 - 基于联合主成分分析 / 图像重建方法的正常与病理图像脑部提取
本文提出了一个大脑图像处理方法，能够考虑到强病理情况下的大脑提取，包括正常大脑组织与病理组织，使用主成分分析、总变差项、和稀疏项分解图像，在固定的配准空间进行统计建模，成功提取了正常与带病理图像，实验结果表明，该方法的性能胜过其他流行模型， - 学习变分网络以重建加速 MRI 数据
利用数学变分模型与深度学习相结合的可变网络，快速高质量重建临床加速多线圈 MR 数据，从而提高图像质量和去除残留伪影，保留 MRI 图像的自然外观和病理特征，可有效地整合到临床工作流中。
- 基于 Hamiltonian 蒙特卡罗法的分层模型
本文介绍了哈密顿蒙特卡洛方法在层次模型中的应用，以克服常规推论方法的病态现象，进而有效地对应用统计学中的复杂交互进行建模。