本研究旨在使用自分类分类器，结合各种人工智能方法，通过血液检测样本和放射学图像将 COVID-19 患者与其他人区分开。提出的模型在数据集上实现了 94.09％的准确率，并在更短时间内提供结果。此外，还将放射学图像分为四类，并通过提取肺叶并进行分类来实现了 91.1％的准确率。总的来说，本研究强调了人工智能在 COVID-19 的检测和管理中的潜力，并强调了在该领域继续进行研究和发展的重要性。

Apr, 2024

提出了一种基于肺部空腔边缘提取的轮廓注意力保持方法来提高由于医学复杂纹理特征挑战而难以泛化的医学成像领域中的计算机断层扫描图像 AI 诊断系统的鲁棒性和推广能力。

Nov, 2022

本文提出了一种基于深度神经网络的电子病历的快速筛查框架，该框架可用于识别易受攻击的医疗记录事件并防止其被改变。

Feb, 2018

本研究提出一种使用区块链和联邦学习训练全球深度学习模型的框架，通过收集不同来源的少量数据来解决 COVID-19 的诊断问题和数据共享问题，展示了在 CT 图像识别方面比传统诊断方法更准确的表现。

Jul, 2020

本研究针对新型冠状病毒肺炎（COVID-19）疫情下胸部 X 光计算机断层成像在筛查患者中的应用开展了探究，同时对基于深度神经网络的计算机辅助系统的脆弱性进行了评估。结果表明，该类系统存在对单一扰动敏感的缺陷，然而使用迭代算法生成的通用对抗扰动（UAP）能够引发 DNN 模型失败，影响诊断准确性。该研究希望通过研究 DNN 模型的安全隐患，推动 COVID-19 的自动化让诊断更加准确可靠。

May, 2020

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

通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

Nov, 2023

本研究开发出基于人工智能的自动 CT 图像分析工具，检测、量化和跟踪冠状病毒，使用多个国际数据集进行测试，证明其可区分冠状病毒患者和非患者，并评估患者疾病进展情况。该研究在检测冠状病毒、量化和跟踪疾病负担方面取得了高度准确的结果，证明了基于人工智能的 CT 图像分析的可行性。

Mar, 2020

使用弱监督的深度学习算法，从 CT 图像中检测和分类 COVID-19 感染，达到准确诊断及区分 COVID-19 和非 COVID-19 病例的目的。

Apr, 2020

通过病人症状，临床数据和医疗成像的大数据集，机器学习模型能够分析预测 COVID-19，其中症状为基础的模型表现良好，但图像为基础的模型的精确度通常较高。

Dec, 2023