本研究证明了使用弱标签可以通过卷积神经网络实现胸部 X 光片中肺部结节的检测，提出了两种分类图像的网络体系结构，使用标注的结节在训练时提供视觉注意机制，以指导模型的本地化性能。

Dec, 2017

本研究探讨利用长短时记忆网络（LSTMs）对放射学检查图像序列，包括报告进行建模，以提高分类性能，并发现对LSTM的简单修改可以显著提高分类性能，从而更好地检测胸部X光片上的异常，如心脏增大，实变，胸腔积液和食管裂孔疝。

Jul, 2018

通过时间性影像对临床结果或疾病严重性进行预测，利用自我注意力的TCN和自监督的视觉Transformer来学习最反映疾病轨迹的表示，并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。

Mar, 2022

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

使用基于Transformer的多模态策略，将电子健康记录中的临床特征和胸部CT扫描图像进行无监督解开耦合，并利用时间-距离缩放的自注意力来共同学习其表达式，从而实现SPN分类的高效准确。

Apr, 2023

本研究旨在设计基于3D神经网络、融合时空特征的SlowFast网络以及增强噪声鲁棒性的SwAV方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

May, 2023

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

我们提出了一种创新模型，结合了卷积神经网络和视觉变换器的优势，将每个3D CT图像视为视频，每个切片视为帧，将肺结节视为对象，使其能够进行时间序列应用，以克服模型训练过程中的硬件限制，实现对2D数据的高效处理，并利用3D图像上下文进行准确识别。通过对公开可用的Lung Nodule Analysis 2016数据集应用10折交叉验证技术，验证了我们提出的网络的有效性。我们的网络在平均敏感性指标上达到了97.84％的准确度以及96.0％的竞赛性能指标（CPM），其参数较少。与肺结节识别领域最先进的技术进行对比分析，证明了我们提出的模型的显著准确性。

Oct, 2023

自我监督学习（SSL）是一种从无标签数据中提取有用特征表示并在有限标记样本的下游任务中进行精细调整的方法。本论文比较了基于自然数据和自我预训练的转换器模型在医学图像分析中的鲁棒性，发现自然预训练模型对肺肿瘤分割的CT图像差异具有更高的适应性，同时Swin架构从这种预训练中受益更多。

May, 2024

本文针对肺癌早期诊断的重要性，探讨了计算机辅助诊断系统在CT图像分析中的应用及其局限性。通过回顾深度学习在肺结节检测、分割和分类中的最新进展，揭示了其相较于传统机器学习方法的优势，显著提升了早期肺癌的检测准确性和效率。

Oct, 2024