我们开发了一种自动深度学习系统，可以从前面的骨盆 X 光片中检测髋骨骨折，它可以应用于临床数据，并演示了类似于人类放射科医师的诊断性能，将 ROC 曲线下面积达到 0.994。该系统有望提高诊断效率，减少昂贵的额外检查，扩大专家级医学图像解释的接入，改善患者整体效果。

Nov, 2017

提出了一个针对 X 光诊断中骨盆和髋部骨折的两阶段方法，首先使用深度全卷积网络在训练数据中挖掘出可能的真实阳性和确定的硬阴性感兴趣区域，其次使用挖掘出的感兴趣区域训练一个更加一般化的模型来执行局部分析以对骨折进行分类。在 23 位受试者中的初步读者研究中，该方法表现出与人类医师 (甚至胜过急诊医生和外科医生) 不相上下的性能。

Sep, 2019

通过使用卷积神经网络（CNN）从髋部 DXA 图像中提取特征，并结合临床变量、形态测量和纹理特征，我们提出了一种新颖的分段模型，用于评估老年人和中年人髋部骨折风险。该分段模型通过将集合模型 1（仅临床变量）的不确定性加入决策流程，以确定是否需要进一步预测 DXA 特征，而集合模型 2（临床变量和 DXA 成像特征）的表现最佳，实现了 AUC 为 0.9541，准确率为 0.9195，敏感性为 0.8078，特异性为 0.9427。此外，该分段模型建议 54.49% 的患者不需要进行 DXA 扫描，既提高了准确性又降低了费用与辐射。

May, 2024

本研究提出了基于课程学习的的策略来支持从 X 射线图像中分类识别近端股骨骨折，并将基于医学决策树和多个专家的注释不一致性等医学知识作为依据，使我们能够为每个训练样本分配一个难度等级。通过启动学习 “简单” 示例并向 “困难” 的示例移动，我们证明了该模型可以在更少的数据情况下达到更好的性能，与类均匀和随机策略相比，提出的基于医学知识的课程表现在准确性方面达到了高达 15％的优势，并实现了有经验的创伤外科医生的表现水平。

Apr, 2020

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

通过交叉校验三个不同医院的 158,323 幅胸部 X 光片，证明在不同医院系统中使用卷积神经网络进行肺炎筛查的性能较低，并且在实际临床应用中，基于模型训练的测试数据得出的性能估计可能高估了实际性能。

Jul, 2018

本研究提出了一种基于深度学习的系统，可以自动从一份放射学报告中检测出 14 个关键点，并测量 3 种解剖角度，从而对髋关节发育不良（DDH）的疾病等级进行分类。通过提出的打分系统，本研究可以为骨科医生提供可靠且可解释的临床决策支持。

Sep, 2022

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

通过胸部计算机断层扫描和分割多种解剖结构的地图，提出使用分类器预测老年人 5 年死亡率的新方法。所提出的模型可在预防和个性化医疗方面产生深远影响。

Jul, 2016

本研究使用卷积神经网络进行深度学习，尝试从两个医疗系统的大型超声心动图数据集中预测患者的年龄、种族和性别，并评估影响因素的变化。结果表明，深度学习模型可以较准确地预测年龄和性别，但未能可靠地预测种族。该研究进一步说明了医疗人工智能中存在的偏见和不公平问题。

Jul, 2022