通过集成学习技术，本研究提出了一种基于预训练卷积神经网络的计算机辅助肺炎诊断方法，通过联合提取来自三种模型的特征，提高了肺炎检测的准确性。该方法在测试阶段取得了 93.91% 的准确率和 93.88% 的 F1 值。

Dec, 2023

使用数字 X 光图像自动检测细菌性和病毒性肺炎，最高分类精度为 98%，95%，和 93.3%，结果表明该方法可以在医疗检测和机场检测中用于快速诊断肺炎。

Apr, 2020

本研究通过医学图像分析提出机器学习技术，利用胸部 X 光片图像预测肺炎，研究发现 DenseNet121 模型在 Pneumonia 检测中表现优于其他模型，达到 99.58% 的准确率，该研究展示了机器学习在精确检测肺炎中的重要性并为防止肺炎传播提供了技术支持。

Aug, 2023

通过深度学习技术，我们使用多种预训练的卷积神经网络 (CNN)、Transformer、混合 (CNN+Transformer) 模型和经典模型，在 “ChestX-ray14” 数据集上进行实验。最佳的单一模型是 CoAtNet，其在接收器工作特性曲线下的面积（AUROC）为 84.2%。通过将所有经过训练的模型的预测组合，使用加权平均集成方法，其中每个模型的权重是通过差分进化确定的，我们进一步提高了 AUROC 至 85.4%，在该领域超越了其他最先进的方法。我们的研究结果表明，深度学习技术尤其是集成深度学习，有潜力提高从胸部 X 射线图像中自动诊断胸部疾病的准确性。

Nov, 2023

通过视觉转换器技术的端到端框架，提出了一种用于肺部疾病诊断的方法，其中涵盖了数据增强、模型训练和评估等步骤。在 Covid 19 放射学数据库等数据集上测试和评估了一种专门的紧凑型卷积转换器模型，该模型在训练和验证阶段均取得了更好的准确性。

Jul, 2023

使用大规模语言模型和 Transformer 架构，基于 ViT 模型，在多标签分类任务中对胸部 X 射线图像进行准确的肺部疾病诊断。

May, 2024

本论文提出了一种创新的 Vision Transformer 算法用于诊断和量化 COVID-19 的严重程度，通过使用基础网络提取常见的胸片异常结果，并利用其嵌入特征作为 Transformer 模型的语料库，实现了针对 CXR 的目标。实验结果显示，该模型在诊断和严重程度量化任务上具有卓越的泛化能力和最先进的性能，这是广泛部署所必需的。

Apr, 2021

本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

Jun, 2023

研究发现通过使用基于卷积神经网络的算法 CheXNet，可以高于目前实践放射科医师的水平从胸部 X 光片中检测出肺炎，该算法使用了目前最大的公开数据集 ChestX-ray14，并可以检测数据集中的 14 种疾病并达到最先进的结果。

Nov, 2017

本研究使用分层卷积网络构架和 ECOC 编码策略，提出一种通过 CXR 图像准确划分潜在 COVID-19 患者的方法，以增加检测能力并减轻压力。

Nov, 2020