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

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

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

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

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

本文提出了一个可以考虑到临床精度的全自动胸部 X 光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

Apr, 2019

本研究介绍了一个包含超过 10 万张胸部 X 射线扫描的数据集，其中 18000 张图像被 17 名经验丰富的放射科医生手动标注，包括 22 个异常部位的局部标签和 6 个可疑疾病的全局标签，该数据集的发布将为胸部异常的检测和定位的机器学习算法的发展提供帮助。

Dec, 2020

通过结合文本提示和边界框，我们提出了一种新颖的多任务架构和训练方法，用于解决医学图像的报告生成和解释性问题。我们称之为胸部 X 射线解释器（ChEX）。通过在 9 个不同的胸部 X 射线任务中进行评估，包括定位图像解释和报告生成，我们展示了 ChEX 与 SOTA 模型的竞争力，并进一步分析证明了 ChEX 的交互能力。

Apr, 2024

通过非专家标注从自由文本医疗报告中提取自动注释，扩大训练数据集，以增加机器学习算法在医学图像分析中的进展，并比较非专家标注与专家标注的一致程度。

Sep, 2023

通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

Sep, 2023