本文介绍了使用MIMIC-CXR数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型DualNet体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示DualNet体系结构的性能提升。

Apr, 2018

本文提出了一个基于深度卷积神经网络的乳腺癌筛查检查分类方法，并在超过200,000个检查（超过1,000,000张图像）上进行了训练和评估。该网络在筛查人群中预测乳腺癌的AUC为0.895，其高准确度的原因是采用了两阶段训练程序，并通过可靠的读者研究验证了准确性。最后，研究发现由我们的神经网络预测恶性概率与放射科医生的预测平均值相结合会更加准确。

Mar, 2019

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

本研究研究了深度学习应用于胸部X光片的自动诊断疾病方面存在的问题，提出了针对偏斜类别的解决方案，并通过简单的迁移学习方法进行了验证。

Sep, 2020

本文回顾了使用深度学习对胸部X射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。

Mar, 2021

模型初始化技术在医学计算机视觉中的深度学习模型性能和可靠性的提高至关重要。本研究探讨了三种深度模型初始化技术：Cold-start、Warm-start和Shrink and Perturb start，并重点研究了成人和儿科人群的胸部X射线影像。我们还提出了新颖的集成方法：F-score-weighted Sequential Least-Squares Quadratic Programming（F-SLSQP）和Attention-Guided Ensembles with Learnable Fuzzy Softmax，以整合来自多个模型的权重参数，并利用它们的集体知识和互补表示形式。研究结果表明，使用ImageNet预训练的权重初始化的模型在内部和外部测试中表现出卓越的泛化能力，与随机初始化的模型相比具有一致的性能，并且这些模型的权重级别集成在测试过程中具有更高的召回率(p<0.05)。因此，本研究强调了使用ImageNet预训练权重初始化的好处，尤其是与权重级别的集成一起使用，以创建强大且具有广泛适用性的深度学习解决方案。

Sep, 2023

在医疗图像分类中，基于扩散模型的预训练方法（如DiffChest）能够准确识别混杂因素、提供洞察力，并在诊断多种胸部疾病方面取得了相当不错的准确性。

Sep, 2023

基于深度学习的残差卷积神经网络模型在多类别胸部感染诊断中展示了93%的准确率，但对纤维化等不同类别的性能差异表明了自动医学图像诊断的复杂性和挑战，同时为未来的研究提供了方向和改进建议。

Nov, 2023

使用改进的DenseNet架构，本研究对卷积神经网络在放射学诊断中的变革性能力进行了研究，重点关注其可解释性、有效性和伦理问题，并通过比较分析验证了它在特异性、敏感性和准确性方面的出色表现，同时指出了连续模型改进上的需求，团队合作和伦理考虑也被提出，以便在放射学诊断中负责任地部署卷积神经网络。

Nov, 2023