本文提出了一种模拟放射科医生诊断流程的统一多任务框架IMT-CXR，通过疾病识别、属性表征等证据驱动的阶段实现胸部X光片的可解释性分析。
ORACLE-CT提出了一种解剖感知的聚合框架，通过多器官支持池化机制解决CT分类中局部病灶证据与全局特征聚合不匹配的问题。
该论文将肾脏CT病灶表征重新定义为逐病灶的集合预测任务，使单一模型能够输出每个肾脏中数量可变的病灶及其四种临床属性。同时构建了包含多粒度标注的大规模CT数据集以支持该任务的训练与零样本评估。
本文提出了一种从骨髓涂片图像中进行急性髓系白血病辅助诊断的细胞到患者级深度学习流程，并在多中心数据集上进行了验证。
本文提出CDPM-Align方法，通过多尺度引导对齐的扩散模型预训练来增强表征学习，以实现鲁棒的少样本解剖标志点检测。
本文提出了一种结合原始MRI扫描与91个放射组学特征的双分支多模态网络，用于脑肿瘤分类。该模型通过融合图像与定量特征，模拟了临床医生的多模态诊断推理过程。
本文提出了一种名为AUCp的新型伪AUC指标，使得在异常检测任务中能够仅利用无标签验证数据完成推理模型的选择。
本文提出了一种基于DINO系列自监督视觉Transformer的切片级分析流程，用于基于CBCT图像的颞下颌关节骨关节炎检测，并探究了不同主干网络在CBCT上的迁移能力与适配需求。
本文在固定训练协议下，系统量化了不同输入维度（2D、2.5D、3D）对CNN和Transformer在肺部CT任务中性能与计算资源消耗的影响，构建了评估三维模型实际性价比的资源-性能边界。
本研究生成了合成性局灶性皮质发育不良MRI数据，并验证了在低数据场景下，该合成数据能够有效提升自动检测模型的性能，从而减少对人工标注数据的依赖。
本研究利用线性规划生成具有可控人口统计学特征的数据集，系统评估了患者性别和年龄偏差对基于ResNet的皮肤病变分类模型的影响，并对比了单任务、多任务及对抗学习三种策略在该偏差下的表现。
本文提出了一种多模态自适应门控中间融合框架Multi-FRuGaL，通过分解感知与冗余感知机制，有效处理包含缺失模态的异构医疗数据，以实现癌症的诊断与预后。