面向临床决策支持的小语言模型在微调后往往答得比问题所需长得多，而现有长度控制依赖偏好数据、奖励模型或专有教师模型。PECA在QLoRA监督微调目标中加入一个可微的简洁项：当生成超过token预算后提高结束符概率，无需偏好数据、辅助模型，单张消费级GPU即可训练。在1.7B参数的Qwen3-1.7B-Instruct上，PECA把平均回答长度从256.0个token降到69.7个token，即减少72.8%，同时把MedMCQA选择题诊断准确率从40.8%提高到44.0%。
Raysemble把单张正位X光片上的骨重建拆成“形状”和“摆放”两件事：先在归一化网格上预测每块骨的形状，再用预测深度和相机几何确定它在毫米空间中的中心与尺度。在23名留出患者、43张CT生成的模拟正位片上，不做刚性对齐时它平均取得65.24% Dice、9.09 mm HD95和3.32 mm ASSD，在15种配置中领先；在输入完全相同的对照中，Dice比VolumeNeRF高5.86个百分点。
InertiaMPDD把抑郁筛查从单一录音级标签扩展为“与健康参照的偏离”这一可测量证据：它用冻结的多模态表征训练一个预测下一状态的潜变量预测器，再从预测残差中提取参照偏离、残差衰减率和雅可比谱半径三个描述量，用于独立筛查或对人群判定做个体校正。在四个数据集的五个队列上，融合路径在D-Vlog上达到98.41 F1、在LMVD上达到84.98 F1；但在AVEC2014上，参照描述量的区分能力较弱，融合F1为66.67。
临床影像常按机构、模态和标注结构分批到来，分割模型既要适应新的成像分布，又要学会新增的病灶类别，同时不能忘掉旧知识。FGCARL 把双向特征统计对齐与 Fisher 信息加权的参数约束放进同一个增量学习框架，不需要回放历史患者数据。在从 UCSF-BMSR 迁移到 BraTS-METS 2023 的域与类同时变化设定中，配 Swin UNETR 的 FGCARL 在新域三个肿瘤区域上平均 Dice 为 68.28%，高于对比中最强的 CLAMTS 的 60.94%。
面向中医妇科的家庭健康咨询与分诊，MAGR-TCM把741份临床病案整理成含10231个实体、32051条关系的知识图谱，再让四个分工不同的智能体沿“病—证—治则—方—药”链条逐步推理。在30例独立测试病案上，它的RAGAS忠实度得分为0.821，高于GraphRAG的0.766、LightRAG的0.651和Naive RAG的0.590；在含10例急症与20例常规病例的安全测试集中，红旗机制全部正确拦截与放行，敏感度和特异度均为1.000。这些结果来自回顾性、专家标注的病案评估，尚未在真实家庭用户中做前瞻验证。
多模态配对数据通常被用来把两个编码器拉到同一个嵌入空间里。DuoJEPA反过来保留每个模态各自的LeJEPA自监督空间，只在每个编码器后加一层无残差的transformer翻译层，把嵌入译到对方空间，并用完全在目标空间内计算的对比损失训练。在CheXpert Plus胸片与报告上，它的零样本AUC为86.6、跨模态检索分数为78.5，而相同编码器和数据下重实现的LeVLJEPA为60.0和64.2，同时配对余弦检验未检出两个自有空间直接对齐。
患者来源异种移植（PDX）把人体肿瘤种到免疫缺陷小鼠身上试药，但穷举所有肿瘤与药物组合在时间和成本上不可行。GrAFT-PDX 用贝叶斯模型把肿瘤生长轨迹与小鼠死亡风险联合建模，借低秩张量分解在肿瘤系、治疗和时间三个维度上共享信息，从而补全未做的实验并预测死亡时间。在 PDXe 大规模筛选数据上，它预测死亡时间的对数概率高于 Royston-Parmar 等生存基线，肿瘤反应预测与强基线相当，且不使用基因组输入也能保留已知的基因-药物关联。
SIM把MRI重建的训练数据来源从临床采集的原始k空间换成按多线圈成像物理规律生成的仿真样本，并用通用Transformer把数据量和模型容量一起放大。在14个公开与自建数据集上，它跨7个中心、5家厂商、0.3至7 T场强和十余种采集协议做零样本重建，PSNR比次优方法高1.06至3.95 dB；在150例盲法阅片中，SIM在某一加速倍数下诊断可用性达到100%，该倍数在原文中未给出。
Curiosity-0826-4B 把基于 Epic Cosmos 病历的生成式医疗事件基础模型从成人扩展到儿科，并加入死亡与右删失的显式表示。模型参数从 1B 增至 4.3B、上下文从 8K 增至 16K，在两者都支持的任务上总体持平或超过 Curiosity-0226-1B，实验室值预测的平均绝对误差降低 18–46%。儿科哮喘新发与急性发作的 AUROC 与成人参照队列相当，镰状细胞危象则低于成人。
手术视频的技能评分长期依赖固定量表，换一套措辞相近的评估条目就要重新训练。Predictive Rubric Alignment（PRA）改为预测评分者对各级别文字描述嵌入的加权组合，再把预测向量投影到相邻描述连成的路径上读出分数。在AIxSuture缝合视频上，使用学习条目查询的PRA-item取得0.848的准确率和0.829的宏F1，宏F1比Video Swin-T高0.113；只用两个条目训练的PRA-cond还能对JIGSAWS未见过条目给出正相关评分。