通过考虑医生和病人之间的对话，我们将自动诊断重新定义为症状序列生成任务，并基于变压器（Diaformer）提出了一个简单而有效的自动诊断模型，采用症状注意机制和三种无序的训练机制来提高自动诊断的准确性。在三个公共数据集上的实验结果表明，Diaformer 模型在疾病诊断方面优于基线模型，准确率分别提高了 1%、6%、11.5%。

Dec, 2021

通过使用基于 Transformer 的生成模型 DDxT，该论文展示了一种自动化的差异诊断方法，其在消除了大量可能的病理学情况后能够生成可能的病理学选择，并使用神经网络预测真实的病理学，相较于以往基于强化学习的方法在当前基准测试中取得了更优秀的结果。总体而言，这种自动化的 Transformer-based DDx 生成模型有潜在成为紧急情况下医生的有用工具的可能性。

Dec, 2023

通过医患互动，将医学知识与病症识别相结合，建立一种诊断助手，显著提高疾病识别的能力，并整合视觉感知信息以增强诊断助手的功能。

May, 2024

通过预测任务和设计的多核因果卷积，CausalFormer 学习时序数据的因果表达，并通过回归相关传播解释训练后的模型全局结构以构建因果图，从而在发现时序因果性方面实现了最先进的性能。

Jun, 2024

该研究提出一种基于知识图谱的对话系统，用于自动医疗诊断，将丰富的医学知识图谱和自然语言理解相融合，在对话管理中实现主题转换，有效提高了对话系统的准确性。

Jan, 2019

本文提出了一种新的方法 HiFormer，它通过使用 Swin Transformer 模块和基于 CNN 的编码器设计了两种多尺度特征表示来有效地跨越 CNN 和 Transformer 进行医学图像分割。在编码器解码器结构的跳跃连接中，我们提出了 Double-Level Fusion（DLF）模块，以确保从两个上述表示中获得的全局和局部特征的细粒度融合。在各种医学图像分割数据集上的广泛实验表明，HiFormer 在计算复杂度、定量和定性结果方面优于其他基于 CNN、Transformer 和混合方法。

Jul, 2022

本文提出在任务对话环境中利用强化学习方法进行自动疾病诊断，设计并实现了一个层次化框架，在无法避免的繁琐的疾病症状检查中展现了更高的精确度。

Apr, 2020

本文介绍了基于多模态变压器的 DocFormer 架构，它以无监督预训练方式运行，能够更好地理解各种格式和布局的文档，并结合了文本、视觉和空间特征，实现了多模态自注意层和共享学习空间嵌入等特点，使其在四个数据集上均取得了业界领先的结果。

Jun, 2021

本文提出了一种称为 Dilated Transformer 的方法，该方法在全球和局部范围内交替捕捉成对的补丁关系进行自我关注。我们基于 Dilated Transformer 的设计构建了一种名为 D-Former 的 U 型编码器 - 解码器分层结构，用于 3D 医学图像分割。实验表明，我们的 D-Former 模型在低计算成本下，从头开始训练，优于各种有竞争力的基于 CNN 或 Transformer 的分割模型。

Jan, 2022

我们提出了一个基于 Transformer 的诊断辅助模型，可以以统一的方式处理多模态输入，该模型在辨别肺部疾病方面表现出了比仅使用图像模型和非统一多模态诊断模型更高的识别率，并在 COVID-19 患者的不良临床预后方面表现出了更高的预测能力。

Jun, 2023