本文提出了一种能够同时预测 CXR 图像中多个已见与未见疾病的多标签广义零样学习 (CXR-ML-GZSL) 网络，借助一个丰富的医学文本语料库提取的语义向量指导图像表示的学习，该网络在 NIH Chest X-ray 数据集上的实验表明其能够优于两个强基线方法。

Jul, 2021

本文提出了跨域 few-shot 学习的 Broader Study of Cross-Domain Few-Shot Learning （BSCD-FSL）基准，并对该基准的广泛实验表明了目前最先进的元学习方法被早期的元学习方法意外地超越，同时发现所有方法的准确性倾向于与数据集的相似性相关，这验证了该基准的价值，可指导未来的研究方向。

Dec, 2019

本研究旨在解决深度学习模型在应用于不同领域时泛化能力有限的问题，通过探究连续学习的技术，如联合训练、弹性权重整合和无遗忘学习等方法可以在目标域上提高深度学习模型的性能，并有效地缓解源域上的灾难性遗忘。在 ChestX-ray14 和 MIMIC-CXR 数据集上进行的实证研究表明，联合训练是最佳方法，而无遗忘学习的结果也相当不错。

Jan, 2020

本篇研究旨在解决跨领域少样本增量学习问题，提出了一种跨域增强约束和跨域数据增强方法，并在 MedMNIST 数据集上进行实验，发现相较于其他类似方法，该方法的分类性能更好。

Apr, 2023

本文提出了一种新的元 - 混合网络，提出了利用少量标记目标数据来指导模型学习的想法，通过重新提出并将混合模块集成到元学习机制中，以及通过提出新的解缠模块和域分类器来提取解缠的领域无关和领域特定特征的方法，实现了缩小域差距的目的，从而使模型能够很好地推广到目标数据集。

Jul, 2021

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

通过应用 Siamese 神经网络和一系列技术，研究医学图像数据集对少样本学习和数据不平衡的影响，提出了解决数据稀缺和分布不平衡问题的方法，并对不同分类器在准确性上进行了评估和比较。

Jan, 2024

BarlowTwins-CXR 通过自监督学习策略显著提高了胸部 X 射线图像异常定位的效率和准确性，超越了传统的迁移学习方法，并有效地解决了跨域场景中的领域不一致问题。我们的实验结果表明，利用自监督学习可以提高在医学环境中具有有限异构数据的模型的泛化能力。

Feb, 2024

本文通过评估胸部放射照相图像数据集中的移域偏移，考察不同数据集在深度学习模型的训练和测试中的性能差异，并证明在 CheXpert 和 MIMIC-CXR 数据集上训练的模型更能够在其他数据集上实现更好的泛化。

Sep, 2019

由于医学领域中标注数据的稀缺性，少样本学习可能对医学图像分析任务有用。我们设计了一种使用随机子空间集成的少样本学习方法，用于诊断胸部 X 光片（CXR）。我们的设计在计算上高效，比使用流行的截断奇异值分解（t-SVD）进行子空间分解的方法快近 1.8 倍。所提出的方法通过最小化一种新型损失函数来训练，该损失函数有助于在区分子空间中创建分离良好的训练数据簇。因此，最小化损失函数最大化了子空间之间的距离，使它们具有区分性并有助于更好的分类。在大规模公开的 CXR 数据集上进行的实验结果表现出了有希望的结果。项目的代码将在此 https URL 上提供。

Aug, 2023