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

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

本文介绍了一种基于Transformer网络的医学影像分类方法，通过自动标注专家医学报告中的图像标签，克服了大规模数据集标注的困难，其表现相当于专家放射科医师，高于专业医生，该方法可行性很高，并提供了在线代码以帮助研究人员标记自己的MRI数据集以供医学应用。

Feb, 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

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

本文调查了超过300篇最近的论文，提供了在医学图像分析中标签有效的学习策略方面最新进展的综合概述，并深入研究了标准的半监督、自监督和多实例学习方案，以及最近出现的积极的和注释有效的学习策略。此外，文章还具有独特的特点，详细分析了领域中的当前挑战，并提出了未来研究的潜在途径。

Mar, 2023

本研究旨在开发一种算法，用于自动从德国胸腔放射学报告中提取用于X光分类模型注释的标签，并基于CheXpert架构设计了一个自动标注提取模型，并创建了一个基于Web的注释界面以进行迭代改进，结果表明，自动标签提取能够减少手动标注的时间并提高整体建模性能。与手动标记数据相比，使用自动提取标签训练的模型表现出了很高的竞争力，并且强大地优于使用公开数据训练的模型。

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

在医学领域中，大型深度神经网络（DNNs）需要高质量的标记数据，但通常数据稀缺。本文提出使用距离函数来解决高维数据下的标记问题，该方法通过查询专家对数据集的代表性样本进行标记以生成弱标签，并在医学时间序列和医学图像案例研究中取得了显著的精度和F1分数提升。

Jul, 2024