CheXpert是一个包含224,316个患者的65,240个胸部X射线片的大型数据集，通过自动检测放射学报告中14个观察结果的存在来捕捉放射X线解释中固有的不确定性，并且利用不同的不确定性方法来训练卷积神经网络，将此数据集作为标准基准来评估胸部X射线解释模型的性能。

Jan, 2019

本文介绍了一种基于BERT的医学图像报告标注方法，利用了可用规则系统的规模和专家注释的质量，经过预训练和微调得到的CheXbert模型，在胸透数据集上表现优异，超过了以往最好的规则系统，成为该领域最先进技术。

Apr, 2020

通过一种具有领域知识的自动生成算法和深度学习网络，对于胸部X光片的影像可实现自动标记并生成描述性报告，其精度优于现有的状态评价指标，如先前的自动化方法无法准确检测广泛的放射学发现。

Jul, 2020

使用 BERT 模型直接从放射学报告映射到图像标签的方法，优于现有的医学报告标签方法，与放射科医生标注的胸部 X 光图像的平均 F1 分数为0.12至0.21。

Feb, 2021

本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力，并提出了一种深度学习的 CheXpert 标签预测模型，该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练，并在少量手动标记的报告数据集上进行了微调。结果表明，本方法的有效性显著优于基于规则的模型，并强调了即使在稀疏数据场景下，采用深度学习模型的好处和规则标记器作为弱监督工具的用处。

Jun, 2023

通过使用设计精心的提示，我们展示了GPT作为熟练标注器的潜力。利用只有GPT标记的数据，我们训练了基于BERT的标注器CheX-GPT，其操作速度更快、更高效。为了评估标注器的性能，我们引入了一个公开可用的专家标注测试集MIMIC-500，包含来自MIMIC验证集的500个案例。我们的研究结果证明了CheX-GPT不仅在标注准确性上优于现有模型，而且在效率、灵活性和可扩展性方面也表现出色，得益于我们引入的MIMIC-500数据集进行强大的基准测试。代码和模型可以在此链接找到。

Jan, 2024

使用MAPLEZ方法，使用基于规则的系统从CXR报告中提取和增强发现标签，包括存在性、位置、严重程度以及放射科医生对发现的不确定性，并在分类监督中取得了显著的模型质量提升

Mar, 2024

该研究提出了一种专门用于生成中文胸部X射线报告的疾病标定器，该标定器利用双BERT架构处理诊断报告和临床信息并基于疾病和身体部位的关联构建了一个分层标签学习算法，从而提高了文本分类性能。利用该疾病标定器，建立了一个包含51,262个报告样本的中文胸部X射线报告数据集。最后，对一部分专家注释的中文胸部X射线报告进行了实验证明了该疾病标定器的有效性。

Mar, 2024

CheXpert Plus是放射学领域最大的公开发布的文本数据集，其中包含3600万个文本标记，包括1300万个印象标记。它代表了放射学领域最大的文本去识别努力之一，其中近100万个PHI跨度被匿名化。这是仅有的第二个在放射学领域发布的大规模英语成对数据集，首次实现了跨机构的大规模训练。我们希望这个数据集能够促进AI模型的研究，进一步协助放射科医生并改善医疗护理。

May, 2024

本研究解决了X射线图像医学报告生成领域数据集不足及模型能力提升有限的问题。通过对现有主流模型的全面基准测试，提出了一种多阶段预训练的大型模型，并展示了其在特征空间对齐及实验结果上的显著优势。这一工作为后续算法的训练与评估提供了坚实基础。

Oct, 2024