Die Studien fokussieren auf die Entwicklung von Deep-Learning-Algorithmen für die Erkennung und Diagnose von Krankheiten wie diabetische Retinopathie, Hautkrebs, Herz-Kreislauf-Erkrankungen, Brustkrebs und Mesotheliom. Dabei wurden auch Smartphone-basierte Retina-Imaging-Systeme eingesetzt. In anderen Studien wurden Deep-Learning-Modelle verwendet, um Gesichtsphänotypen genetischer Störungen zu identifizieren und COVID-19 anhand von CT-Bildern zu diagnostizieren. Darüber hinaus wurden Machine-Learning-Methoden in der assistierten reproduktiven Technologie eingesetzt, um die Auswahl von hochimplantationsfähigen Embryonen zu verbessern.
Einige Arbeiten befassen sich mit der Interpretierbarkeit von Deep-Learning-Modellen in der medizinischen Bildgebung und der Vorhersage von Krankheiten wie Alzheimer und Diabetes anhand von Netzhautfotografien. Zudem wurden Ansätze zur Erklärung von Entscheidungen von Klassifikatoren mithilfe von Gradientenbasierten Methoden untersucht. Weitere Arbeiten beschäftigen sich mit der Entdeckung von interpretierbaren Steuerungen in GANs sowie der Analyse von Zellbiologie und Embryonenqualität mit Deep Learning.
Die Artikel diskutieren auch die Bedeutung verschiedener Parameter wie Trophektodermmorphologie und Blastozystenbewertung für vorhergesagte Lebensgeburten nach In-vitro-Fertilisation. Studien haben gezeigt, dass die Morphologie des inneren Zellhaufens als biomarker für die Vitalität von Blastozysten verwendet werden kann. Darüber hinaus wurden neue Architekturen für AI-Anwendungen in der Alzheimer- und Demenzstadiumklassifizierung sowie die Verwendung von GANs für die Prädiktion von Blastozystenentwicklungspotenzialen untersucht.