针对慢性阻塞性肺疾病（COPD）的早期风险预测问题，首次提出了基于深度学习的 DeepSpiro 方法，通过构建稳定的体积 - 流量曲线、提取关键特征、解释模型以及基于关键补丁凹陷的风险预测，能够准确预测高风险患者未来 1 至 5 年及更长时间内的 COPD 风险，实验结果表明其 AUC 值为 0.8328。

May, 2024

提出 DeepCFD 模型，基于卷积神经网络，有效地逼近非均匀稳态层流的问题，从真实数据中学习 Navier-Stokes 方程的完整解，可在低误差率的情况下加速高达三个数量级。

Apr, 2020

本文介绍了将 CFD 和深度学习结合的 CFDNet 框架，用于加速雷诺平均纳维 - 斯托克斯模拟的收敛，加速效果达到 1.9-7.4 倍。

May, 2020

本研究使用深度学习模型生成患者特异性体积网格和直接估计血流动力学数据，在简化博弈过程的同时，提供更高效的计算流体力学模拟和分割方法。

Feb, 2024

通过多中心数据集，使用高斯纹理特征和加权逻辑分类器诊断慢性阻塞性肺疾病 (COPD)，并发现其优于已有的弱监督学习方法。

Jan, 2017

本文介绍了一种基于深度学习的新型框架（C（NN）FD），实时预测燃气轮机中轴向压缩机制造和构建变化对整体性能的影响。通过预测流场并计算相应的整体性能，该方法具有普适性，而仅过滤 CFD 解决方案的相关部分使得该方法可扩展到工业应用。

Jun, 2023

使用 3D NF 模型 CT-3DFlow 在胸部 CT 数据中进行患者级肺部病理检测，通过无监督训练健康的 3D 肺部 CT 补丁，检测其与对数似然分布的偏差作为异常，聚合患者 CT 扫描的补丁级别似然值以提供患者级别的正常 / 异常预测， 在一个单独的胸部 CT 测试数据集上通过专家注释评估了异常分布检测性能，优于其他最先进方法。

Mar, 2024

通过自我监督对比预处理模型，将 COPD 的二元分类转化为异常检测任务，提出了 cOOpD 算法，并获得了两个公共数据集中 AUROC 方面的最佳表现。

Jul, 2023

本文提出了一种基于深度学习的框架，利用计算机辅助技术快速准确地进行冠状动脉血液动力学分析， 通过迭代学习算法可以用 CCTA 图像预测冠状动脉的血液动力学分布，并与计算流体动力学分析结果相吻合，为冠状动脉疾病发展的机制揭示提供新思路。

May, 2023

该研究提出一种基于卷积神经网络的两阶段分类框架，用于检测使用胸部计算机断层扫描图像进行 COVID-19 和社区获得性肺炎 (CAP) 的分类。该框架的切片级分类准确率达到 94％以上。在 COVID-19，CAP 和健康分类的更精细的三路分类方面，该框架的验证准确度超过 89.3％。经 IEEE ICASSP 2021 信号处理大挑战 (SPGC) 验证，该框架的总体准确率达到 90％，敏感度分别为.857, .9 和.942，以在评估中排名第一。

Apr, 2021