乳腺癌是由于乳腺上皮細胞異常增殖所導致的惡性疾病，多見于女性患者，臨床上常用乳腺癌組織病理圖像進行診斷。現階段深度學習技術在醫學圖像處理領域取得突破性進展，在乳腺癌病理分類任務中效果優于傳統檢測技術。本文首先闡述了深度學習在乳腺病理圖像的應用進展，從多尺度特征提取、細胞特征分析以及分類分型三個方面進行了概述，其次歸納總結了多模態數據融合方法在乳腺病理圖像上的優勢，最后指出深度學習在乳腺癌病理圖像診斷領域面臨的挑戰并展望未來，這對推進深度學習技術在乳腺診斷中的發展具有重要的指導意義。
心臟瓣膜病作為第3大心血管疾病，發病率僅次于冠狀動脈粥樣硬化性心臟病和高血壓，嚴重時可導致心室肥厚或心力衰竭。因此，早期檢測心臟瓣膜病具有重要意義。近年來，深度學習在心臟瓣膜病輔助診斷中的應用取得顯著進展，大幅提高了檢測準確率。本文針對深度學習在心臟瓣膜病輔助診斷中的研究展開綜述，首先介紹常見心臟瓣膜病的病因、病理機制與影響，然后探討心電信號、心音信號及多模態數據在心臟瓣膜病檢測中的優勢與局限性。對比傳統風險預測方法與大語言模型預測方法在心血管疾病風險預測中的應用，指出大語言模型在風險預測中的潛力。最后指出當前深度學習在該領域面臨的主要挑戰，并對未來的研究方向進行展望。