肺癌和 COVID-19 是世界上患病率和死亡率最高的疾病之一。针对早期阶段疾病的病灶识别对医生而言是困难且耗时的，因此，多任务学习是一种从少量医学数据中提取重要特征（如病灶）的方法，因为它能更好地进行泛化。我们提出了一种新颖的多任务框架，用于分类、分割、重建和检测。据我们所知，我们是第一个将检测添加到多任务解决方案中的研究者。此外，我们还检查了在分割任务中使用两种不同的骨干网络和不同的损失函数的可能性。

Aug, 2023

利用全球最大的公开医疗数据库中的呼吸声音，结合经验模式分解和谱分析等方法，训练多个机器学习模型对不同健康状况进行分类诊断，从而大大提高辅助和远程诊断能力。

Sep, 2023

本文旨在通过建立分類模型和策略識别呼吸声異常的方法来自動辨别呼吸和肺部疾病，提出使用深度 CNN-RNN 模型基于 Mel-spectrograms 进行呼吸声分类，并采用局部日志量化策略来减少模型权重的内存占用，该模型在 ICBHI'17 科学挑战呼吸声数据库的呼吸周期四级分类上达到 66.31% 的分数，在使用患者特定数据重新训练模型后，还能以 71.81% 的成绩进行交叉验证，而局部日志量化训练后的权重则能够显著降低内存需求，这种类型的患者特定再培训策略在开发可靠的长期自动患者监测系统特别是在可穿戴式医疗解决方案中可能非常有用。

Apr, 2020

本文提出了一种基于混合 CWT 和 EMD 的频谱图特征的轻量级卷积神经网络（CNN）结构，以对肺音进行疾病分析分类，与传统 VGG16 模型相比，该 CNN 模型在三元慢性分类和六类病理分类方面分别提高了 0.52％和 1.77％的准确度，并且在时间和计算复杂度上有所改进。

Sep, 2020

本研究利用深度学习方法分析呼吸声音，并探究肺音分析算法应用于气管音效应，证实将肺音、气管音同时用于训练模型的效果更好，尤其是混合训练的模型具有较大的灵活性。

Jul, 2021

这项研究使用深度学习算法和新型增强技术，通过预处理于视听数据集上的模型实现了高效的呼吸声分类以及肺病诊断，取得了 ICBHI 数据集上 4.08% 的最高成绩。

May, 2023

在大数据和数字医疗领域，电子健康记录（EHR）已成为丰富信息的来源，具有改善患者护理和医学研究的潜力。近年来，机器学习模型不断增多，用于分析 EHR 数据以预测患者未来的健康状况。其中，一些研究主张采用多任务学习（MTL）来共同预测多种目标疾病，以提高预测性能，然而，目前针对 EHR 数据的 MTL 框架存在重要限制，因为它们过于依赖人为专家来识别任务组合以进行联合训练和设计模型架构。为了减少人工干预并改进框架设计，我们提出了一种名为 AutoDP 的自动化方法，它能够同时搜索任务组合和架构的最佳配置。为了解决任务组合和架构包含的庞大搜索空间，我们采用基于代理模型的优化，使我们能够高效地发现最优解。对真实世界的 EHR 数据的实验结果表明了提出的 AutoDP 框架的有效性。它在手工设计和自动化的最先进方法上取得了显著的性能改进，同时也保持了可行的搜索成本。

Mar, 2024

该研究提出了一种基于多任务深度学习方法的快速有效的 COVID-19 患者识别方法，同时考虑 X 射线和 CT 扫描图像，使得 COVID-19 检测的测试准确率分别为 84.67％和 98.78％，并提出了一种定量分析策略以确定 X 射线和 CT 图像中的感染区域百分比，为 COVID-19 检测和感染区域定位提供了有前景的结果。

Apr, 2020

本研究提出一种基于 3D CNN 的肺结节分类策略，在训练中使用了迁移学习和多任务学习方法，针对肺癌诊断中的风险分层问题，取得了最先进的成果。

Apr, 2017

研究开发了一个肺音数据库，使用各种机器学习模型实现了呼吸相和异常肺音的检测，在多项定义任务中，双向门控循环单元模型展示了最佳的 F1 评分和接收器操作特性曲线下的面积。

Feb, 2021