本文提出了一种能够同时预测CXR图像中多个已见与未见疾病的多标签广义零样学习(CXR-ML-GZSL)网络，借助一个丰富的医学文本语料库提取的语义向量指导图像表示的学习，该网络在NIH Chest X-ray数据集上的实验表明其能够优于两个强基线方法。

Jul, 2021

研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督3D变形器模型来识别肺结节，与普遍使用的3D卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

Apr, 2022

本文介绍了一种基于自编码器预训练的视觉Transformer模型（ViT）在医学图像分类任务上的性能优化方法，并探讨了策略和技术详细研究。

Oct, 2022

通过对基于视觉转换器的人工智能方法在肺癌成像应用方面的最新发展进行综述，本文提供了对视觉转换器如何提高肺癌的人工智能和深度学习方法的性能的关键洞察。此外，该综述还确定了推动该领域发展的数据集。视觉转换器是研究人员的首选之一，然而也报告了许多其他结构，其中将视觉转换器与卷积神经网络或UNet模型相结合。视觉转换器模型在发展肺癌应用的人工智能方法方面越来越受欢迎，但计算复杂性和临床相关性是未来研究的重要因素。该综述为人工智能和医疗保健领域的研究人员提供了宝贵的见解，以推进肺癌诊断和预后的最新技术。请访问lung-cancer.onrender.com/获取交互式仪表盘。

Sep, 2023

建立一种计算机辅助诊断系统，用于支持医生在内支气管超声（EBUS）手术中进行转移癌的初步诊断，通过安排EBUS手术后其他部位的立即检查，消除了等待报告的需要，将等待时间减半以上，并使患者能够更早地发现其他癌症，从而实现早期治疗计划的早期规划和实施。同时，通过引用现有的建议模型和设计模型架构来分类肺转移细胞图像，本研究证实了少样本学习在转移癌分类中的优越性，并表明使用Batch Spectral Regularization（BSR）作为损失函数和修改Finetune能增强该模型的能力。

Apr, 2024

使用监督对比视觉转换器（SupCon-ViT）的新方法，借助迁移学习和监督对比学习的优势，改进了浸润性导管癌（IDC）的分类准确性和泛化能力，并在基准乳腺癌数据集上取得了最先进的性能，F1分数为0.8188，精确度为0.7692，特异度为0.8971，超过现有的方法。该模型在有限标记数据的场景下表现出韧性，因此在标记数据有限的真实临床环境中具有高效性，研究结果表明，监督对比学习结合预训练的视觉转换器似乎是进行IDC准确分类的可行策略，从而为通过组织病理学图像分析更高效可靠的乳腺癌诊断铺平了道路。

Apr, 2024

使用大规模语言模型和Transformer架构，基于ViT模型，在多标签分类任务中对胸部X射线图像进行准确的肺部疾病诊断。

May, 2024

肺癌的计算机辅助诊断使用大型视觉语言模型，通过CADe和CADx方法实现肺结节的分割和良性/恶性的特征对齐，具有较高的敏感度（0.86）。

Jul, 2024

本研究针对组织病理图像中的少样本分类问题展开，填补了该领域应用不足的空白。研究评估了多种最先进的少样本学习方法在不同场景下的表现，发现最佳方法在不同的少样本场景下达到了70%以上、80%以上和85%以上的准确率，表明了针对专业领域如组织病理图像的计算机视觉技术的显著进展。

Aug, 2024

本研究解决了非小细胞肺癌（NSCLC）的早期检测和亚型分类的复杂问题，通过融合CT和PET扫描图像、临床健康记录及基因组数据，提出了一种创新的多模态数据整合方法。研究结果表明，该新方法在NSCLC检测和分类的精度上取得了显著提升，准确率达94.04%，具有潜在的转变诊断和治疗规划的影响。

Sep, 2024