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

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

通过考虑疾病的严重程度和不确定性，从胸部X射线报告中重新提取疾病标签，设计了具有专家不确定性感知损失函数的多关系图学习方法，实验结果表明模型在疾病严重程度和不确定性方面优于最先进的方法。

Sep, 2023

通过为模型选择更接近目标数据集领域的初始化方法，结合已有文献中的技术，以及利用合成数据增强尾部标签，可以显著提高深度学习模型在胸部X光图像中推断罕见异常的性能。

Sep, 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

通过深度学习技术，我们使用多种预训练的卷积神经网络 (CNN)、Transformer、混合 (CNN+Transformer) 模型和经典模型，在“ChestX-ray14”数据集上进行实验。最佳的单一模型是CoAtNet，其在接收器工作特性曲线下的面积（AUROC）为84.2%。通过将所有经过训练的模型的预测组合，使用加权平均集成方法，其中每个模型的权重是通过差分进化确定的，我们进一步提高了AUROC至85.4%，在该领域超越了其他最先进的方法。我们的研究结果表明，深度学习技术尤其是集成深度学习，有潜力提高从胸部X射线图像中自动诊断胸部疾病的准确性。

Nov, 2023