本研究针对新型冠状病毒肺炎（COVID-19）疫情下胸部 X 光计算机断层成像在筛查患者中的应用开展了探究，同时对基于深度神经网络的计算机辅助系统的脆弱性进行了评估。结果表明，该类系统存在对单一扰动敏感的缺陷，然而使用迭代算法生成的通用对抗扰动（UAP）能够引发 DNN 模型失败，影响诊断准确性。该研究希望通过研究 DNN 模型的安全隐患，推动 COVID-19 的自动化让诊断更加准确可靠。

May, 2020

本文提出一种端到端的基于生成对抗一类学习的异常 X 光识别方法，使用三种深度神经网络建立了正常胸部 X 光图像的内在结构模型，实现了对异常胸部 X 光的准确检测和区分，取得了 0.841 的 AUC 得分。

Mar, 2019

通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

Nov, 2023

医学深度学习系统可以被巧妙地构造对抗性例子攻击破坏，难以在实际临床设置中应用，本文发现医学深度学习模型对于对抗攻击比对自然图像模型更脆弱，但医学对抗攻击可以通过简单的检测器容易检测出来，这些发现可作为更可解释和安全的医学深度学习系统设计的依据。

Jul, 2019

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

通过使用生成对抗网络进行病理图像的模拟，摆脱常见医疗问题过度呈现和罕见条件数据匮乏等问题，将生成的图像和真实图像结合，使用 DCNN 检测肺部 X 光片的五个类别，通过生成的图像均衡数据集，DCNN 的性能得到了提高。

Nov, 2017

本文通过研究表明，图像分类网络对于对抗性攻击的脆弱性与其性能之间是一种互相联系的关系，因为网络中最容易受攻击的输入图像方向也是它们用于实现其分类性能的方向。此外，这种关系对于构建既精确又具有抵抗对抗攻击能力的神经网络具有深远的影响。

Jul, 2018

本文提出了一种名为 “对抗性平滑偏置场攻击” 的新型对抗攻击方式，利用该攻击方式对胸部 X 射线图像进行处理能够有效欺骗深度神经网络（DNN）在自动化诊断肺部疾病方面的应用。在真实的胸部 X 射线数据集上，该攻击方式不仅在图像逼真度和攻击可转移三方面都表现出不同于现有研究的性质，而且还揭示了基于 DNN 的 X 射线自动诊断在偏置场情况下的潜在威胁，可以有助于开发偏置场鲁棒的自动化诊断系统。

Sep, 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

该论文研究了针对皮肤镜像中皮肤边缘检测分类的卷积神经网络的敌对攻击技术，以及对抗训练的防御技术对其鲁棒性提升的效果。

Dec, 2022