通过对深度学习算法在新型冠状病毒 COVID-19 检测中的应用进行全面探讨，研究人员指出，基于胸部 CT 和 X 射线图像的深度学习算法可以有效地检测肺炎，从而实现对 COVID-19 的早期诊断和预防传播。同时，文章还简要讨论了最新的咳嗽分析应用和人类移动估计技术，以限制 COVID-19 的传播。

Dec, 2020

本文提出使用 MobileNetV2 模型的轻量级深度学习技术进行 COVID-19 检测的开发和性能评估，该模型与重量级模型相比性能相当且可大幅降低计算资源的成本和内存需求，为中低收入国家提供低成本和移动的点‑of‑care 检测系统提供了有效的解决方案。

May, 2023

使用胸部计算机断层扫描图像来检测冠状病毒感染已引起广泛关注，本研究利用深度学习模型对感染者进行精确分类，并包含了对不同类型的医学图像进行 Covid-19 分类的工作，以提高 Covid-19 诊断的准确性和速度。

Oct, 2023

COVID19 预测和检测的深度学习方法在此研究中得到了改进，并且高精度的预测模型可为医疗系统、决策者和研究者做出准确决策以减少 COVID-19 及其它传染病。

Oct, 2023

本文介绍了一种新的深度学习框架 COVIDX-Net，用于协助放射科医师在 X 射线图像中自动诊断 COVID-19，该框架表现出很好的分类性能。

Mar, 2020

利用深度学习模型对新冠肺炎胸部放射照片进行诊断，在公共数据集中取得了 98% 左右的敏感性。

Apr, 2020

该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法，同时考虑 X 射线和 CT 扫描图像，使得 COVID-19 检测的测试准确率分别为 84.67％和 98.78％，并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比，为 COVID-19 检测和感染区域定位提供了有前景的结果。

Apr, 2020

探讨利用基于放弃权重的贝叶斯卷积神经网络 (BCNN) 估计深度学习解决方案的不确定性来提高人机团队的诊断性能，提高临床实验使用人工智能（AI）的效果。

Mar, 2020

该论文着重介绍了使用机器学习以增强 COVID-19 诊断中的医学影像学方法，例如深度学习可以在几分钟内无需人工干预准确地区分肺部的损伤。此外，机器学习可以辅助放射科医生做出更精确的临床决策，例如检测和区分不同呼吸系统感染以及在 CT 和 X 射线图像中分割感染，即使损伤的大小和形状不同。该文章批判性评估了在 CT 和 X 射线图像的分割、分类和检测中使用的机器学习方法，这些方法被广泛应用于临床和医院设置中以在各个方面详尽地呈现肺部情况。普遍预期这项技术将继续在医疗保健领域占据核心地位，并推动防疫工作的进一步进展。

Jan, 2024

本研究旨在构建一个多来源的 X 线与 CT 扫描图像的综合数据集，在其中运用深度学习和迁移学习算法构建出高效、响应迅速的 COVID-19 诊断方法，实验表明该方法可以达到 98% 预训练网络准确率和 94.1% CNN 修改准确率。

Mar, 2020