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

本研究介绍了一个包含超过 10 万张胸部 X 射线扫描的数据集，其中 18000 张图像被 17 名经验丰富的放射科医生手动标注，包括 22 个异常部位的局部标签和 6 个可疑疾病的全局标签，该数据集的发布将为胸部异常的检测和定位的机器学习算法的发展提供帮助。

Dec, 2020

使用智能手机拍摄胸部 x 线照片并对其进行自动化解释需要可靠的算法。为了解决这个问题，我们介绍了一个基于 CheXpert 数据集的 CheXphoto 数据集，该数据集包含了智能手机拍摄的照片和经过合成变换的数字 x 线照片，旨在测试和提高深度学习算法对智能手机照片的鲁棒性。

Jul, 2020

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

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

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

本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

Jun, 2023

本文回顾了使用深度学习对胸部 X 射线摄影进行分析的所有研究，并对图像级预测（分类和回归）、分割、定位、图像生成和领域自适应的工作进行了分类。同时详细介绍了商业应用，并提供了关于现有技术水平和未来潜在方向的全面讨论。

Mar, 2021

本研究介绍了 XrayGPT，一种新型的会话式医疗视觉 - 语言模型，可以分析并回答关于胸部 X 光片的开放式问题。通过将医疗视觉编码器 MedClip 与微调的大型语言模型 Vicuna 进行对齐，并使用简单的线性变换，我们的模型能够具备出色的视觉会话能力，从而深入理解放射学和医学领域的知识。

Jun, 2023