该论文提出了一种基于随机注意力机制的递归神经网络模型，该模型能够学习在检测胸部 X 射线扫描中，哪些区域应该被视觉化探索，以便得出是否存在特定放射性异常的结论。

Jan, 2017

本篇论文提出了一种弱监督的对比损失方法，用于提高放射学报告生成的文本质量，实验结果表明该方法在两个公共基准数据集上在临床正确性和文本生成指标方面优于以前的工作。

Sep, 2021

通过结合结构化患者数据和非结构化临床记录，我们提出了一种新颖的多模态深度神经网络框架，用于生成描述医学图像结果的胸部 X 射线检查报告，并通过引入条件交叉多头注意力模块来融合这些异构数据模态，弥合视觉和文字数据之间的语义差距。与仅依赖图像的模型相比，实验证明通过使用附加模态可以显著改善结果，在 ROUGE-L 指标上达到了文献相关最高的性能。此外，我们采用了人工评估和临床语义相似度测量以及词重叠度指标来提高定量分析的深度。由经过认证的放射科医师进行的人工评估确认了该模型在识别高级结果方面的准确性，但也强调需要更多的改进以捕捉细微的细节和临床背景。

Nov, 2023

该文提出了一种利用卷积神经网络和视觉变压器结合的方法，用于从多视角合并信息以提高 X 射线图像分类性能，实验表明该方法超越了单视角模型以及传统的多视角分类架构。

Feb, 2023

该论文介绍了一种使用两个不同的 word LSTMs 的层次 LSTM 模型来分别产生异常和正常语句以增加生成段落的变异性，并通过比较生成语句的独特性来分析其区别。希望这些发现能够促进新度量方法的发展，以更好地验证自动生成医学报告的方法。

Aug, 2019

本文提出了一个可以考虑到临床精度的全自动胸部 X 光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

Apr, 2019

通过一种具有领域知识的自动生成算法和深度学习网络，对于胸部 X 光片的影像可实现自动标记并生成描述性报告，其精度优于现有的状态评价指标，如先前的自动化方法无法准确检测广泛的放射学发现。

Jul, 2020

通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

Sep, 2023

提出了一种基于医学专家注意力的新型数据增强方法 FocusContrast，它考虑疾病相关的异常信息，通过模仿医学专家的视觉注意力生成对比视图，可在膝关节 X 射线数据集的分类准确性上比现有的自监督学习方法如 SimCLR，MoCo 和 BYOL 提高了 4.0 ~ 7.0％。

May, 2023

本文提出一种端到端的基于生成对抗一类学习的异常 X 光识别方法，使用三种深度神经网络建立了正常胸部 X 光图像的内在结构模型，实现了对异常胸部 X 光的准确检测和区分，取得了 0.841 的 AUC 得分。

Mar, 2019