本文介绍了一种使用自监督和无监督学习相结合的方法创造新的边特征的框架，并结合基于 Popular GNN 架构提取的节点特征，通过一个端到端的训练方案用于节点分类。在三个生物数据集上验证了这种方法，该方法对基线 Graph Attention Network (GAT) 和 Graph Convolutional Network (GCN) 模型有更好的效果，并且通过关注边和节点特征的机制，能够解释决定 COVID-19 的过程和严重程度的细胞类型和基因，为潜在疾病生物标记物和治疗靶点的不断发现做出贡献。

Jun, 2020

用单细胞 RNA 测序结合图注意力网络的方法预测多发性硬化症患者的疾病状态，准确率达 92％，并发现了与预测相关的重要细胞类型和基因。同时，该方法为单细胞数据推断一个新的特征空间，并利用注意力权重学习一个可以在可视化中呈现的新低维度嵌入，这是首次将图注意力和深度学习应用于预测单细胞数据的疾病状态。

Feb, 2020

本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

Jul, 2020

本文提出了一种使用多实例学习和数据增强相结合的方法，能够自动准确地对 COVID-19 进行严重程度评估，并在 229 例 COVID-19 病例的 CT 图像上进行了评估，结果表明其平均准确率达到 95.8％，优于以前的研究。

Feb, 2021

通过实验评估了 3 种不同的深度学习模型以及两种传输学习方法，结果表明 L**3-Net 作为特征提取器在所有实验设置中具有 12.3％的精确度 - 召回曲线下面积的优势，并且在模型微调时优势为 10％。此外，我们注意到仅微调预训练模型的全连接层通常会导致性能下降，平均下降 6.6％。最后，我们评估了不同模型在商用移动设备上的内存占用。

Jul, 2023

利用多个有用的信息来源，将感染区域和特定的热点地图引入深度网络中，以提高新型肺炎的 CT 诊断性能。

Sep, 2020

本研究使用卷积神经网络检测 COVID-19，使用谱图和 F0 等特征解释神经网络判定过程，生成热图来捕捉模型决策过程，结果显示谱图相关能量高的区域对决策过程起主导作用，同时 F0 也有帮助。研究表明，即使在训练集中存在虚假数据的情况下，所研究的模型也可以做出无偏差的决策，为基于解释性人工智能的研究提供了参考。

Nov, 2022

利用三阶段数据驱动方法，通过 COVID-19 症状和其内在人口变量的因果关系、相似性聚类和人口症状识别模型，揭示了病毒症状之间的关系，并为减轻病毒严重程度提供了见解。

Jun, 2024

本研究开发了基于深度学习模型的方法来预测新冠疫情在美国的传播趋势，并通过门控循环单元结构整合了人口统计信息和疫情时间序列数据，最终确定了主导的人口统计因素。

Aug, 2020

该研究介绍了一种基于自监督学习的方法，通过在医学图像中结合区域解剖学和患者特征学习对肺部 CT 图像进行分析，从而在 COVID-19 病人中定量量化疾病的临床进展并标识图像中与疾病相关的区域。

Dec, 2020