该论文介绍了MIMIC-CXR-JPG v2.0.0数据集，这是一个从2011年至2016年收集的大型数据集，包括377,110个胸部X光片，提供了14个标签，旨在为医学计算机视觉领域提供数据和标准。

Jan, 2019

利用深度卷积神经网络（CNNs）构建了一个多标签分类框架，能够准确检测14种常见胸部疾病和病灶的存在，通过对UGCXR数据集的训练，该模型取得了目前最高的AUC分数0.940， 平均优于独立评审组中的2.6位放射科医生，表现优于目前CheXpert测试集上的其他分类器。

May, 2020

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

本研究提供了基于场景图的Chest ImaGenome数据集，利用自然语言处理和基于图集的边界框检测构建了局部标注，并通过放射学家构建的X线诊断本体论将每个CXR的注释连接为以解剖学为中心的场景图。

Jul, 2021

本文提出了一种新的针对嘈杂的多标签CXR学习的方法，该方法检测并平滑地重新标记数据集中的样本，然后使用它们来训练通用的多标签分类器，实验证明该方法在许多CXR多标签分类基准测试中具有最先进的准确性和鲁棒性。

Mar, 2022

本文研究了利用大规模图像-文本配对数据集进行视觉语言预训练模型的发展，解决医疗领域中缺乏数据的问题，并通过扩展图像-标签对为图像-文本对，利用多个图像和多个部分的放射学报告来提高模型性能。同时设计了两个对比损失，ICL和TCL，来学习医学图像和报告的研究级特征。我们的模型在相同条件下优于现有的最先进模型。此外，扩大数据集能够提高我们预训练模型的分类性能，尽管在检索性能方面有所牺牲。代码可在此网址获得。

Oct, 2023

通过使用设计精心的提示，我们展示了GPT作为熟练标注器的潜力。利用只有GPT标记的数据，我们训练了基于BERT的标注器CheX-GPT，其操作速度更快、更高效。为了评估标注器的性能，我们引入了一个公开可用的专家标注测试集MIMIC-500，包含来自MIMIC验证集的500个案例。我们的研究结果证明了CheX-GPT不仅在标注准确性上优于现有模型，而且在效率、灵活性和可扩展性方面也表现出色，得益于我们引入的MIMIC-500数据集进行强大的基准测试。代码和模型可以在此链接找到。

Jan, 2024

通过WoLF框架，我们解决了现有CXR理解框架的若干问题，通过捕捉多方位的病人记录进行准确诊断，通过解耦CXR报告中基于解剖结构的知识进行报告生成的性能增强，并通过AI评估协议在VQA和报告生成方面展示了卓越的性能。

Mar, 2024

通过对Chest X-ray照片的解释和生成自然语言描述，结合高级推理，评估可用于医学报告生成的视觉-语言模型的性能，发现这些模型往往会产生具有自信的语言，从而导致临床解释的减慢。因此，我们开发了一种基于Agent的视觉-语言方法，使用线性探测和短语锚定工具生成基于不确定性的放射学报告，准确定位和描述病理学。通过开发评估平台进行用户研究，结合自然语言处理指标、Chest X-ray基准和呼吸专家的临床评估，我们的结果显示出在AI生成报告的准确性、解释性和安全性方面的相当大的改进。同时，强调需要更大规模的配对(照片和报告)数据集以及数据扩增来解决这些大型视觉-语言模型中的过拟合问题。

Jul, 2024

本研究解决了当前缺乏用于训练基于图像的放射学报告生成模型的手动注释胸部X射线数据集的问题。提出的PadChest-GR数据集包含4,555个双语胸部X射线研究和详细的临床相关发现本地化注释，为放射学模型的训练和评估提供了重要资源。其显著发现是PadChest-GR是首个专门为放射学报告生成模型设计的手动整理数据集。

Nov, 2024