公司基于新加坡杜克-国大医学院开发了基于FedScore的联邦学习框架该框架是一个用于生成评分系统的隐私保护联邦学习框架，可以跨多个医疗机构以促进跨机构协作。研究表明模型显示出良好的准确性和稳定性，泛化程度好、平均AUC值较高，最接近合并模型，标准差则低于合并模型。

基于FedScore的联邦学习框架

Federated-learning framework based on fedscore

AutoScore框架可以在各种临床应用程序中自动生成的临床评分，支持临床决策。例如，著名的弗雷明汉高血压风险评分使用七个常规收集的变量来识别高风险患者，以便进行早期干预和有效管理，包括生活方式改变计划和降压治疗。与机器学习中复杂的事后解释相比，临床医生更喜欢本质上可解释和透明的模型，特别是那些在临床使用的模型。

基于AutoScore的通用评分

Universal scoring based on AutoScore

基于心率变异性(HRV/HRnV)参数并结合一些深度学习的特征，加上病史、年龄和风险因素等进行风险分层和高危预警。该分诊技术全程无需医生参与且在大规模数据的泛化能力和抗噪性能上有着显著增强，适合在养老院和社区医院进行大规模部署和和可持续性开发。

基于心率变异性和深度学习的胸痛分诊

Triage of chest pain based on heart rate variability and deep learning