本研究开发了一个可由医疗专业人士使用的免费原型系统，以帮助他们了解深度学习工具在胸部 X 射线诊断中的实际应用。该系统可用作第二意见，用户可处理图像以确认或协助诊断。本文详细讨论了系统的三个主要组成部分：离群检测、疾病预测和预测解释。

Jan, 2019

研究发现通过使用基于卷积神经网络的算法 CheXNet，可以高于目前实践放射科医师的水平从胸部 X 光片中检测出肺炎，该算法使用了目前最大的公开数据集 ChestX-ray14，并可以检测数据集中的 14 种疾病并达到最先进的结果。

Nov, 2017

本文提出了 ChestNet 模型，它将注意力机制融合到深度卷积神经网络中，以有效诊断胸部疾病，其结果表明，在使用官方病人方式分割的 Chest X-ray 14 数据集上，该模型优于其他无需额外训练数据使用的方法。

Jul, 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

本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

Jul, 2018

本研究提出了一种自监督深度神经网络，在未标记的胸部 X 射线数据集上进行预训练，并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果，而不需要大量标记的训练数据。

Mar, 2021

本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

Mar, 2018

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

本文介绍了一个新的胸部 X 光数据库，名为 “ChestX-ray8”，其中包括 108948 个患者的 32,717 个独特患者的前瞻性 X 光图像 和使用自然语言处理从相关放射学报告中提取的八个疾病图像标签。作者展示了这些常见的胸部疾病可以通过弱监督的多标签图像分类和疾病定位框架进行检测甚至空间定位，并证明了这一点。尽管初始数量结果报告良好，但基于深度卷积神经网络的 “阅读胸部 X 射线”（仅通过图像级标签训练）仍然是完全自动化的高精度 CAD 系统的艰巨任务。

May, 2017

本文提出了基于 Text-Image Embedding 网络的自动标注框架和胸透报告系统，利用临床自由文本的先验知识，结合卷积循环神经网络的多层注意力模型，对图像和文本进行嵌入和分类，并在未标记数据上相对于现有技术取得了更好的分类结果（平均 AUC 增加 6%）。

Jan, 2018