本文介绍了一个包含约 5,000 个三维 CT 扫描的标注 COVID-19 的数据库（COV19-CT-DB），其中分为训练集、验证集和测试集，并且提供了基于 CNN-RNN 网络的深度学习方法以及其在该数据库上的性能报告。

Jun, 2021

该研究报告介绍了 2024 年计算机视觉与模式识别会议的 “Domain adaptation, Explainability, Fairness in AI for Medical Image Analysis (DEF-AI-MIA)” 研讨会中组织的 DEF-AI-MIA COV19D 竞赛，该竞赛包括 Covid-19 检测和 Covid-19 领域适应两项挑战，并使用来自 COV19-CT-DB 数据库的数据进行训练和测试，展示了基线模型的性能。

Mar, 2024

利用计算机断层扫描技术，通过采用集成学习策略（包括迁移学习和预训练 ResNet34 和 DenseNet121）和 COVID-19 特定的预处理，结合医疗信息（感染 - 肺比率、患者年龄和性别等），该方法实现了对 COVID-19 感染的检测和预测，AUC 分别为 83.7％和 79.0％，其成果可与目前在该领域中存在的其他方法进行比较。

May, 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

展示了一种集成可靠、快速部署的先进 AI 系统，用于自动分析 CT 图像以检测 COVID-19 感染概率，并通过分类和分割组件减少医生检测时间，提高 COVID-19 检测效率。AI 系统还通过锚集相似性分配 3D CT 扫描的感染概率，提供解释性，协助医生及时确认和隔离感染患者。

Mar, 2024

这篇论文通过使用人工智能技术进行医学图像分析，特别是利用 CT 扫描图像进行疾病诊断，探讨了准确的 Covid-19 检测和适应问题，并提出了基于 CNN 的分割方法来分割肺部区域和感染部位。研究结果表明，该方法在 F1-score 方面表现出高效率和显著改进。

Mar, 2024

在 COVID-19 爆发期间，CT 是诊断 COVID-19 患者的有用方法。为了解决隐私问题，我们建立了一个开放的数据集，COVID-CT，其中包含 216 名患者的 349 张 COVID-19 CT 图像和 463 张非 COVID-19 CT 图像。我们研究表明，这个数据集对于开发基于 AI 的 COVID-19 诊断模型是有用的，如多任务学习和自监督学习方法，其 F1 达到 0.90，AUC 为 0.98，准确率为 0.89。

Mar, 2020

本文提出了一种使用多实例学习和数据增强相结合的方法，能够自动准确地对 COVID-19 进行严重程度评估，并在 229 例 COVID-19 病例的 CT 图像上进行了评估，结果表明其平均准确率达到 95.8％，优于以前的研究。

Feb, 2021

该论文着重介绍了使用机器学习以增强 COVID-19 诊断中的医学影像学方法，例如深度学习可以在几分钟内无需人工干预准确地区分肺部的损伤。此外，机器学习可以辅助放射科医生做出更精确的临床决策，例如检测和区分不同呼吸系统感染以及在 CT 和 X 射线图像中分割感染，即使损伤的大小和形状不同。该文章批判性评估了在 CT 和 X 射线图像的分割、分类和检测中使用的机器学习方法，这些方法被广泛应用于临床和医院设置中以在各个方面详尽地呈现肺部情况。普遍预期这项技术将继续在医疗保健领域占据核心地位，并推动防疫工作的进一步进展。

Jan, 2024

本文通过建立可解释的视觉 Transformer 深度学习技术，旨在基于胸部 X 线片预测 COVID-19 肺炎的诊断结果，以期进行更快速、准确和规范的人群筛查，通过对病人的三维数据进行二分类的训练，分析和探究了两种深度学习方法，即建立在传统卷积神经网络（CNN）基础上的 DenseNet 和基于关注模型的视觉 Transformer，结果表明视觉 Transformer 表现更佳，F1 分数为 0.76。

Jul, 2021