本文用因果学方法构建了结构性因果模型 (SCM)，利用反向门控调整选取肺部 X 光的有效视觉信息，去除混杂物对真实因果性学习的影响，实验结果表明，我们所提出的方法能够胜过开源 NIH ChestX-ray14 在分类性能方面。

May, 2023

本文研究了利用病人历史记录信息的 CNN 图像分类模型。模型使用了 Chest X-Ray 成像技术，利用机器学习算法进行自动评估，展示出使用病人历史记录等附加信息时分类模型的性能显著提高。

Oct, 2022

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

应用监督对比学习可以减轻胸部 X 射线诊断中的偏见，解决深度学习诊断方法中的公平性和可靠性问题。

Jan, 2024

本文提出了一种用于 Chest X-ray 的多标签分类深度学习框架，通过领域和标签的权重独立二进制任务方法以及任务特定的生成对抗网络训练，处理多个数据集之间的差异性，提高了分类准确度。在三个数据集上实验，AUC 达到了 0.8349，表明本文方法在使用外部数据集来提高内部分类方面具有很高的效果。

Jun, 2020

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

本论文提出基于深度强化学习的诊断模型，并引入先验知识来指导诊断算法的学习，通过不断探索来提高诊断的准确性和模型的泛化能力，并在 NIH ChestX-ray 14 和 CheXpert 数据集上取得了竞争性的结果。

Jun, 2023

该研究针对在资源受限的医疗环境中对低分辨率的胸部 X 光片进行诊断的挑战，通过引入多级协作关注知识（MLCAK）方法，利用视觉变换器（ViT）的自我关注机制，将高分辨率图像的关键诊断知识迁移至低分辨率的胸部 X 光片，提高了诊断准确性，尤其针对低分辨率的胸部 X 光片分析所设计的多任务框架，在本研究中使用 Vindr CXR 数据集验证了能够从低分辨率图像（如 28 x 28）诊断疾病的显著改进，从而暗示了传统依赖高分辨率图像（如 224 x 224）的关键转变。

May, 2024

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

通过整合多种先进设计，例如数据增强、特征提取器、分类器设计、损失函数加权、外生数据补充等，以及简单的测试时数据增强和集成，我们的框架在 ICCV CVAMD 2023 CXR-LT 比赛的测试集上最终实现了 0.349 的 mAP，排名前五。

Aug, 2023