Abstract Large language models (LLMs) have exploded a new heatwave of AI for their ability to engage end-users in human-level conversations with detailed and articulate answers across many knowledge domains. In response to their fast adoption in many industrial applications, this survey concerns their safety and trustworthiness. First, we review known vulnerabilities and limitations of the LLMs, categorising them into inherent issues, attacks, and unintended bugs. Then, we consider if and how the Verification and Validation (V&V) techniques, which have been widely developed for traditional software and deep learning models such as convolutional neural networks as independent processes to check the alignment of their implementations against the specifications, can be integrated and further extended throughout the lifecycle of the LLMs to provide rigorous analysis to the safety and trustworthiness of LLMs and their applications. Specifically, we consider four complementary techniques: falsification and evaluation, verification, runtime monitoring, and regulations and ethical use. In total, 370+ references are considered to support the quick understanding of the safety and trustworthiness issues from the perspective of V&V. While intensive research has been conducted to identify the safety and trustworthiness issues, rigorous yet practical methods are called for to ensure the alignment of LLMs with safety and trustworthiness requirements.

Photoacoustic imaging, an emerging modality that seamlessly combines advantages of optical absorption contrast and ultrasound resolution, holds great promise for noninvasive imaging of biological tissues. Its applications span across diverse fields, such as dermatology, oncology, cardiology, and neurology. However, achieving accurate image reconstruction and physiological parameters quantification from raw photoacoustic signals presents a significant challenge. This challenge primarily arises from the inherent heterogeneity of tissues, encompassing variations in optical fluence and acoustic properties. In addition, incomplete information acquired from a limited view also leads to artifacts, image distortions, and reduced spatial resolution. Furthermore, robust spectral unmixing approach is another key step to restore the initial biochemical components' distribution with complex or unknown background absorption. To overcome these hurdles, researchers have proposed numerous state-of-the-art techniques, aiming to improve the accuracy and reliability of quantitative photoacoustic imaging (qPAI) in heterogeneous tissue. This review aims to comprehensively overview recent developments over the past decade, for addressing four main challenges frequently encountered in qPAI: limited-view reconstruction, acoustic heterogeneity, optical fluence fluctuations, and robust spectral unmixing, which serves as a reference for readers seeking to understand the specific challenges and corresponding solutions in this field.