提出了一种文本/图像深度学习系统，通过融合自然语言处理技术相互作用，在病人扫描图像中生成语义标签，预测辐射学水平中的语义主题并自动生成关键词。

May, 2015

使用LSTM从胸部X光片中预测14种病理模式，提出并讨论了与临床实践相关的替代评估指标，其结果在NIH提供的最大公开胸部X光数据集上获得了最新的技术成果。

Oct, 2017

该文介绍了使用深度学习模型快速有效地处理医学影像中的异常病变并生成语义化标注的方法。研究利用DeepLesion数据集和三元组网络模型结构，可以有效地检索、聚类、和分类这些异常病变。该方法可以进一步应用于病人内部异常的匹配和缺失标注挖掘等临床应用。

Nov, 2017

本文研究了实现强健的皮肤病诊断的实用方法，并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法，并应用卷积神经网络（CNNs）来实现疾病定向诊断和病变定向分类的分类器，并采用来自六个公开皮肤病学大全的75665个皮肤病图像来进行训练与测试，结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。

Dec, 2018

通过使用小规模的医学图像体积样本来智能地从剩下的样本中挖掘出存在的缺失标注，我们提出了一个强大的系统来从DeepLesion数据集中高精度地提取缺失的病变。

Jan, 2020

提出了一种新的多任务病变检测方法，应用于多种用于医学成像分析的单病例数据集中，利用临床先验知识和多头多任务病变检测器来检测深度病损数据集中的遗漏注释，从而提高三维体积通用病变检测的性能，与当前最先进的方法相比，平均灵敏度提高了29%。

May, 2020

该研究旨在开发一种通用的病变检测算法，通过利用粗略标注和临床知识，在多个异构数据集上进行训练，实现在多种病变类型下的准确检测。

Sep, 2020

提出了一种简单而有效的框架，名为CARE（Class Attention to Regions of the Lesion），通过在卷积神经网络（CNNs）的训练过程中引入注意力机制来处理数据不平衡问题。实验证明，该方法能够有效帮助网络专注于罕见疾病的损伤区域，显著提高了罕见疾病的分类性能。

Jul, 2023

通过多模态数据源自动标注医学放射照片，利用机器学习技术进行医学诊断和治疗的自动化流程。

Jul, 2023

通过引入创新的探索式训练方法，结合不完整注释和预测记录来选择可靠的矿化病灶进行重新训练，我们提出的框架在两个医学图像数据集上展现了卓越的性能，超越了现有最优方法。

Sep, 2023