使用机器学习技术，采用抗干扰训练方法，利用基础的临床数据，开发了两个能较好地预测患者 COVID-19 状态的连续神经网络模型，并提高了模型隐私保护能力，可有效减少医疗信息泄漏。

Jan, 2022

通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

Nov, 2023

本文提出了一种基于显著性图的 Adversarial Counterfactual Attention（ACAT）框架，可以没有手动注释地分隔医学影像中感兴趣区域，显著提高了病灶 CT 扫描和肺部 COVID-19 相关发现的分类精度。

Mar, 2023

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

这篇论文概述了我们在 “计算机视觉与模式识别会议（CVPR）” 的 “医学图像分析中的领域适应、可解释性和公平性 AI（DEF-AI-MIA）” 研讨会上，参加第四届 COV19D 竞赛的提交内容。竞赛包括两个挑战，第一个是从 COV19-CT-DB 数据库的一千多个 CT 扫描中训练一个分类器来检测 COVID-19 的存在。第二个挑战是通过获取来自挑战 1 的数据集并添加一小部分扫描（有些注释有些没有）来执行领域适应。我们对 CT 扫描进行了预处理以分割肺部，并输出了包含单独和整体肺部的体积。然后我们在这些输入上训练了 3D ResNet 和 Swin Transformer 模型。我们使用这些模型的整合对未标记的 CT 扫描进行了注释，并选择高置信度的预测结果作为微调的伪标签。结果竞赛 1 的最佳交叉验证 F1 得分为 93.39％，竞赛 2 的平均 F1 得分为 92.15。

Mar, 2024

本研究针对新型冠状病毒肺炎（COVID-19）疫情下胸部 X 光计算机断层成像在筛查患者中的应用开展了探究，同时对基于深度神经网络的计算机辅助系统的脆弱性进行了评估。结果表明，该类系统存在对单一扰动敏感的缺陷，然而使用迭代算法生成的通用对抗扰动（UAP）能够引发 DNN 模型失败，影响诊断准确性。该研究希望通过研究 DNN 模型的安全隐患，推动 COVID-19 的自动化让诊断更加准确可靠。

May, 2020

通过深度学习模型和图像分析构建的管道实现对肺部 CT 扫描图像中 COVID-19 的检测，并在竞赛数据集的验证集中表现优于去年的团队。

Mar, 2024

基于深度学习的领域自适应 (Domain Adaptation) 方法 COVID19-DANet 能够在不同数据集下有效检测使用计算机断层扫描 (CT) 影像的 COVID-19 患者，并取得了令人鼓舞的结果。

Nov, 2023

通过提出的一种基于深度学习的自动分割算法，在公开数据集上展示出该算法对于 COVID-19 对胸部 CT 影像分割的突出表现，为实现对 COVID-19 肺部感染的量化诊断打下了基础。

Apr, 2020

利用多个有用的信息来源，将感染区域和特定的热点地图引入深度网络中，以提高新型肺炎的 CT 诊断性能。

Sep, 2020