基于深度学习的领域自适应 (Domain Adaptation) 方法 COVID19-DANet 能够在不同数据集下有效检测使用计算机断层扫描 (CT) 影像的 COVID-19 患者，并取得了令人鼓舞的结果。

Nov, 2023

利用人工智能从胸部放射影像中预测 COVID-19 病情结果是当前对抗 COVID-19 大流行的一个重要科学目标。本研究提出了一种新的多数据集多任务训练框架，通过整合来自不同来源、与常规多任务学习方法不同的相关数据集，预测 COVID-19 胸部 X 光片的预后结果，该框架假设评估严重程度有助于模型对预后严重程度组进行分类，从而提高其鲁棒性和预测能力。通过对 18 种不同的卷积神经网络骨干进行不同的评估策略，在预后分类任务中显著改进了性能，这是显而易见的，相比于单一任务基准和标准迁移学习策略，在广泛的统计分析支持下，显示出巨大的应用潜力。

May, 2024

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

本文研究了使用迁移学习的方法，通过根据 VGG-16 和 VGG-19 的经典体系结构进行分类器块与超参数调整，以自动检测胸部 X 光图像中的 COVID-19。实验结果展示了迁移学习在医学成像领域中的实用性，不仅可以防止过拟合和收敛问题，还可以获得最优的分类性能。

Apr, 2023

利用少量训练数据，跨域迁移，多标签元学习等方法，提出了一个称为综合交叉域多标签少样本学习（GenCDML-FSL）的集成框架，用于胸部 X 射线异常分类，实验证明其优于传统方法。

Sep, 2023

通过使用预训练模型，该研究利用较少的样本进行 Few Shot Learning，并比较了经典的深度迁移学习和该方法，并在 Covid-19 二进制分类案例中报告了 FSL 结果。

Aug, 2022

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

应用监督对比学习可以减轻胸部 X 射线诊断中的偏见，解决深度学习诊断方法中的公平性和可靠性问题。

Jan, 2024

通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

Nov, 2023

本研究采用孪生网络对三个大型医学数据集上的胸部 X 光片进行异常检测，系统评估了不同数据增强方法对于自监督学习中所学表示质量和鲁棒性的影响，最终确定了一组能够在抗干扰性和泛化性上优于传统模型的最佳增强方法。

Jan, 2023