该研究提出了一种基于深度卷积神经网络的监督式多标签分类框架，用于预测14种常见胸部疾病的风险，同时针对常见胸透数据集中不确定样本占据的显著比例，提出了标签平滑技术。在超过200k的数据集上训练，该模型在5项病理学的验证集中实现了0.940的平均AUC分数，表现高于独立测试集中的其他三位医学专家，该方法在CheXpert排行榜上排名第一。

Nov, 2019

利用深度卷积神经网络（CNNs）构建了一个多标签分类框架，能够准确检测14种常见胸部疾病和病灶的存在，通过对UGCXR数据集的训练，该模型取得了目前最高的AUC分数0.940， 平均优于独立评审组中的2.6位放射科医生，表现优于目前CheXpert测试集上的其他分类器。

May, 2020

本文提出了一种用于Chest X-ray的多标签分类深度学习框架，通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练，处理多个数据集之间的差异性，提高了分类准确度。在三个数据集上实验，AUC达到了0.8349，表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。

Jun, 2020

本文介绍了Chest X-rays疾病识别与深度学习技术中使用的many-to-one distribution learning和K-nearest neighbor smoothing方法，通过对现有的公共数据集进行测试，结果表明该模型在疾病识别方面的表现优于现有的最先进方法。

Feb, 2021

本文提出了一种能够同时预测CXR图像中多个已见与未见疾病的多标签广义零样学习(CXR-ML-GZSL)网络，借助一个丰富的医学文本语料库提取的语义向量指导图像表示的学习，该网络在NIH Chest X-ray数据集上的实验表明其能够优于两个强基线方法。

Jul, 2021

本文提出了一种新的针对嘈杂的多标签CXR学习的方法，该方法检测并平滑地重新标记数据集中的样本，然后使用它们来训练通用的多标签分类器，实验证明该方法在许多CXR多标签分类基准测试中具有最先进的准确性和鲁棒性。

Mar, 2022

利用少量训练数据，跨域迁移，多标签元学习等方法，提出了一个称为综合交叉域多标签少样本学习（GenCDML-FSL）的集成框架，用于胸部X射线异常分类，实验证明其优于传统方法。

Sep, 2023

通过将transformer骨干结构与多分支输出模块相结合，HydraViT方法提高了胸部X-ray图像的多标签分类性能。

Oct, 2023

在医学图像识别中，我们提出了一个长尾多标签疾病分类的问题，并通过一个公开的挑战(CXR-LT)提供了一个大规模数据集来解决这个问题。我们总结了表现最好的解决方案的共同主题，并提出了对于长尾多标签医学图像分类的实用建议，最后，我们利用这些观察结果提出了基于视觉语言模型的少标签和零标签疾病分类的前进方向。

Oct, 2023

本研究针对现有原型学习在多标签疾病诊断中面临的挑战，提出了一种新的跨图像与图内原型学习框架（CIPL），利用跨图像语义来解开多个疾病的纠缠，提升模型对复杂病灶的理解。此外，通过引入两级对齐正则化策略，增强了解释的稳健性和预测性能。实验结果表明，CIPL在多个疾病诊断的公开数据集中达到了最先进的分类准确率。

Nov, 2024