CheX-nomaly 模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强 U-net 模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

Nov, 2023

本文提出了一种多标签胸部 X 光分类模型，能够准确分类图像发现，同时将发现位置定位到正确的解剖区域。该模型包括两个模块 - 检测模块和解剖依赖模块，并采用图卷积网络实现解剖部位之间的有关系学习。实验结果表明，与现有的多标签胸部 X 射线图像分类方法相比，该方法是有效且能够提供精确的位置信息。

May, 2021

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

通过考虑纵向数据，结合患者以前的影像学研究报告，使用 CXR-BERT 进行奖励的强化学习，改善胸部 X 射线报告生成的效率以提高诊断准确性。

Jul, 2023

这篇论文考虑建模图片之间的关系以生成更有信息量的图片表示，提出了 ImageGCN，一个端到端的图卷积网络框架，可用于归纳式多关系图片建模，并应用于胸部 X 光图像进行疾病识别的实验，得到了优于基线方法和可与最先进方法相媲美甚至更好的定位和识别效果。

Mar, 2019

本研究提供了基于场景图的 Chest ImaGenome 数据集，利用自然语言处理和基于图集的边界框检测构建了局部标注，并通过放射学家构建的 X 线诊断本体论将每个 CXR 的注释连接为以解剖学为中心的场景图。

Jul, 2021

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

本文介绍了一种基于位置感知的 Dense Networks（DNetLoc）的方法，结合高分辨率图像数据和异常的空间信息进行异常分类，并利用最大的公开数据集对其进行了评估。我们在 ChestX-Ray14 基准数据集上实现了最佳平均 AUC 分数，并在明确使用病理位置信息时取得了改进的 AUC 分数。

Mar, 2018

研究发现通过使用基于卷积神经网络的算法 CheXNet，可以高于目前实践放射科医师的水平从胸部 X 光片中检测出肺炎，该算法使用了目前最大的公开数据集 ChestX-ray14，并可以检测数据集中的 14 种疾病并达到最先进的结果。

Nov, 2017

本文介绍了使用 MIMIC-CXR 数据集训练并评估深度卷积神经网络来识别多种常见胸部疾病的结果，提出了一种可以同时处理前后位胸透图像的新型 DualNet 体系结构，并通过与使用单独基准前位和侧位分类器进行比较来展示 DualNet 体系结构的性能提升。

Apr, 2018