本研究通过训练深度学习模型，提出了一种能够诊断14种疾病的级联深度神经网络，其表现优于基线并与其他已发布的方法竞争，探讨了针对ChestX-ray14数据集的训练DCNN的损失函数选取和使用级联建模标签依赖性以及提高深度学习模型准确性的问题。

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

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Chest X-rays疾病识别与深度学习技术中使用的many-to-one distribution learning和K-nearest neighbor smoothing方法，通过对现有的公共数据集进行测试，结果表明该模型在疾病识别方面的表现优于现有的最先进方法。

Feb, 2021

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

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

通过将DenseNet121卷积神经网络与自注意力机制相结合的SA-DenseNet121模型，可以在胸部X射线中识别多种胸部疾病，并在诊断工作流程中提供支持，改善效率并减少诊断错误。

Apr, 2024

利用新颖的局部化技术和卷积神经网络，我们通过胸部 X 光图像检测胸廓疾病，并且使用 Lung Disease Prediction Network（LeDNet）来提高准确性。我们通过局部化方法提取胸部 X 光图像的肺部区域面具，并将其叠加在原始 X 光图像上，形成面具叠加图像，然后使用 DenseNet-121 分类模型选择特征进行疾病分类预测。我们的实验证明了原始 CheXpert 图像和面具叠加图像的分类结果并进行了准确性和损失曲线分析。

Jul, 2024

本研究解决了依赖传统医学方法对胸部X光图像诊断时的延迟和不准确问题。论文提出了一种新颖的检测模型AttCDCNet，通过添加注意力模块和使用焦点损失来优化诊断过程，实验证明该模型在COVID-19影像数据集上的表现超越了传统DenseNet121模型，准确率达到94.94%。

Oct, 2024