本研究提出了一种远程领域转移学习方法，通过应用该方法于 COVID-19 的肺 CT 影像数据，结合 Reduced-size Unet Segmentation 模型和 Distant Feature Fusion 分类模型，成功实现了高效且准确的 COVID-19 诊断。

Dec, 2020

医学物联网能够革新医疗保健，通过实时健康数据收集帮助早期疾病检测和个性化护理，并借助机器学习进行异常检测，结合联邦学习和可解释的人工智能方法以保护用户隐私。

Mar, 2024

本文提出了一种智能信任云管理方法，以确保 5G 边缘计算和 D2D 启用 IoMT 系统中的安全和可靠通信，并能有效解决信任不确定性问题和提高恶意设备检测准确性。

Jul, 2022

本研究提出了一种名为 PSGL 的方法，通过攻击廓清晰度和深度神经网络的训练过程，并引入贴近梯度方法来防御模型反演攻击，并在公开数据集上取得 14.0％、17.9％和 36.9％的诊断准确率提升。

Jan, 2022

利用深度学习技术在医学影像领域可靠地检测和分类脑肿瘤是一项重要挑战，本研究通过对稀有病例的异常检测和分类，采用 YOLOv8n 检测模型和 Vision Transformer 模型，在实际医学影像场景中取得了有竞争力的结果。

Jan, 2024

提出一个基于深度学习和 ChatGPT 的决策支持系统来辅助医疗保健机构和病人进行诊断、治疗和管理健康情况。该系统包含三个阶段：数据收集和标注，模型训练和诊断报告生成，可以提高决策能力，降低成本和提高医疗机构的能力，通过大量的实验得出自动诊断通过医疗图像具有良好的性能。

May, 2023

本研究比较分析了深度学习（DL）在处理物联网（IoT）任务中，如攻击分类和设备类型识别方面，如何超越机器学习（ML）的优点。通过训练和评估使用多个多样化的 IoT 相关数据集的 DL 模型，我们获得了有关这些模型在不同 IoT 配置下的适应性和实际性的宝贵见解。结果表明 DL 能够超越手动设计特征的限制，在攻击检测方面取得了优越的结果，并在设备类型识别方面达到了可比较的成果。此外，在实验中还出现了显著的特征提取时间差异：传统方法每个数据包需要约 29 毫秒，而 DL 只需 2.9 毫秒完成同样的任务。这个显著的时间差以及 DL 的卓越性能和手动设计特征的局限性，对物联网社区提出了强烈的行动呼吁。这促使我们从为每个数据集探索新的 IoT 特征转向解决将 DL 集成到 IoT 中的挑战，使其成为实际物联网场景的更有效解决方案。

Nov, 2023

通过使用生成对抗网络（GAN）模型，提出了一种新的基于随机对象模型（SOM）的基于马尔可夫链蒙特卡罗（MCMC）的理想观察者（IO）方法，扩展了 IO 评估的适用领域，从而在医学图像系统的 IO 分析方面发挥了重要作用。

Apr, 2023

基于 Google 的 MobileNetV2 模型，利用来自埃及开罗的 Baheya 医院的数据集，该研究引入了一种复杂的转移学习模型，用于对乳腺癌肿瘤进行分类，分为正常、良性和恶性三类，采用 1576 张超声图像（265 张正常、891 张良性、420 张恶性）。该模型实现了 0.82 的准确率，0.83 的精确率，0.81 的召回率，0.94 的 ROC-AUC，0.88 的 PR-AUC 和 0.74 的 MCC。它研究了图像强度分布和错误分类，为未来的应用提供了改进。通过解决数据集不平衡问题，该研究确保了一个具有普适性的模型。此外，本论文探讨了基于 Streamlit 的实时肿瘤分类部署，展示了 MobileNetV2 在医学成像中的适用性，并为肿瘤诊断领域的未来研究设定了一个基准。

Dec, 2023

提出了一种 CNN-LSTM 混合模型，用于物联网恶意软件识别，并使用 K 折交叉验证评估了其性能，其准确率达到 95.5%，超越了现有方法。研究表明，CNN 算法有助于构建学习模型，而 LSTM 分类器在分类方面表现出了更高的准确性。与普遍技术的比较分析证明了所提模型的有效性，突出了其提升物联网安全性的潜力。该研究主张进一步探索支持向量机作为替代方案，强调了分布式检测策略的必要性，并强调了预测分析对于更强大的物联网安全性的重要性。该研究为在物联网生态系统中制定更具韧性的安全措施提供了平台。

Dec, 2023