利用深度学习模型对新冠肺炎胸部放射照片进行诊断，在公共数据集中取得了 98% 左右的敏感性。

Apr, 2020

本研究旨在构建一个多来源的 X 线与 CT 扫描图像的综合数据集，在其中运用深度学习和迁移学习算法构建出高效、响应迅速的 COVID-19 诊断方法，实验表明该方法可以达到 98% 预训练网络准确率和 94.1% CNN 修改准确率。

Mar, 2020

使用深度学习算法中的卷积神经网络技术和迁移学习技术，对 1427 张通过公共医疗库获得的 X 光片中的 Covid-19 病人，普通肺炎和正常情况的病人进行自动检测，最终在 Covid-19 的检测准确率为 97.82%。

Mar, 2020

研究利用卷积神经网络和胸部 X 射线图像对 COVID-19 进行快速而可靠的诊断，结果表明，使用三层卷积层的 CNN 模型可以高达 96% 的精度进行 COVID-19 的筛查。

Sep, 2021

使用深度学习算法和经过微调的 EfficientNetB4 模型，结合放射学影像技术（尤其是胸部 X 射线）快速准确地识别 COVID-19 患者，并提供了有效的肺部疾病检测方法，为医疗图像诊断领域带来了有益的研究。

Nov, 2023

本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

Jun, 2023

使用 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究，实验结果表明该方法优于现有的方法，可作为临床医生正确判断 COVID-19 的工具。

Nov, 2023

提出了一种基于统计分析结果和小型 CNN 的图像诊断方法，该方法在 COVID-19 诊断方面可以达到最先进的性能和可解释性，应用于胸部 X 光照射的人群中的病例筛查。

Apr, 2020

本文介绍了一种新的深度学习框架 COVIDX-Net，用于协助放射科医师在 X 射线图像中自动诊断 COVID-19，该框架表现出很好的分类性能。

Mar, 2020

本文探讨使用胸部 X 光影像诊断 COVID-19 疾病的实用性，经深度卷积神经网络调整后，在十折交叉验证中，102 例 COVID-19 病例全部正确分类，AUC 为 0.997；在一组测试集上，20 例未见过的 COVID-19 病例全部正确分类。

Apr, 2020