本研究提出了一种基于深度学习的疾病诊断系统，采用注意力机制和情节记忆来实现生命周期学习，以应对序列疾病诊断任务，并在多个医院收集的临床笔记数据集上取得了最先进的诊断表现。

Feb, 2021

机器学习在疾病诊断和决策方面的应用正变得越来越流行。本文开发了一种 Python 包，将公共卫生数据集转换为易于访问的通用格式，以便于构建有用的疾病诊断预测系统，并提出了两种新的模型架构进行疾病诊断多类别预测，一种使用结构化数字数据，另一种结合自然语言处理方法和可解释的可视化。这些模型都能够高准确度地预测多种诊断。

Jun, 2020

本研究通过评估四个不同医学图像场景中各种连续学习方法的性能表明，单一模型可以顺序地学习来自不同专业的新任务，并达到与传统方法相当的性能，从而证明了在医学领域跨机构共享或回收模型的可行性，进一步推动了通用医学影像人工智能的发展。

Nov, 2023

利用大型语言模型、智能设备和医学数据库，开发了一种名为 DrHouse 的多轮问诊虚拟医生系统，通过结合传感器数据、实时更新的医学数据库和新型诊断算法，显著提高了诊断准确性和可靠性，且通过用户研究证明了其广泛应用前景。

May, 2024

本研究利用深度神经网络和卷积神经网络，设计了一种低成本的设备原型，能够通过输入症状和个人背景信息进行自动诊断，实现对多种疾病的有效诊断和治疗，准确率高达 90%。该工具能够为全球人们提供低成本的重要诊断和治疗手段。

Dec, 2018

本文介绍了一种创新的多模态融合深度学习方法，以克服传统单模态识别技术的缺点，包括信息不完整和诊断准确性有限。通过应用先进的深度学习模型（包括卷积神经网络（CNN），循环神经网络（RNN）和变换器）从基于图像、时间和结构化数据源提取高级特征。融合策略组件旨在确定适合特定疾病识别任务的最佳融合模式。在实验部分，我们比较了拟议的多模态融合模型与现有的单模态识别方法的性能。研究结果表明，在多个评估指标上，多模态融合模型具有显著的优势。

May, 2024

通过创新的多模态深度学习模型，本文旨在深度整合医学图像和临床报告等异构信息。使用卷积神经网络提取高维特征，捕捉关键视觉信息；利用双向长短时记忆网络结合注意机制，在临床报告文本中进行深度语义理解，准确捕捉与疾病相关的关键陈述。通过设计的多模态融合层，有效实现图像和文本的联合表征学习。实证研究中，利用大型医学图像数据库和相应的临床报告进行模型训练和验证，实验结果明显展示了多模态深度学习模型在疾病分类、损伤定位和临床描述生成方面的显著优越性。

May, 2024

通过将传感器数据分类任务转化成游戏，并引入深度强化学习和注意力机制，我们建立了一个具有竞争力的分类器，该分类器适用于具有复杂情况的应用领域，如医疗保健和娱乐等。

Apr, 2018

本文提出了一种基于设备的联邦对比学习框架用于皮肤病诊断，该框架使用深度学习、联邦学习和自监督学习等技术，可以利用多个设备上的无标注数据进行预训练，并在有限的标注数据上进行调整，实现了对皮肤病的高效诊断。

Feb, 2022

本文提出了一种更为有效的 M2L 学习框架来减少传感器数量，并利用多种模式的补充信息，通过设计模型来加强模式之间的协作，以便更好地表征每种模式，以提高诊断性能。实验结果表明，该框架可以获得与使用全部模式时类似的性能。

Feb, 2022