通过引入临床概念到分类过程中，我们提出了一种基于概念瓶颈模型的预处理方法，改善了肺癌检测的分类性能（F1＞0.9），同时生成比现有技术更可靠、临床相关的解释，解决了现有后期 XAI 技术在医疗数据上解释能力较差的问题。

Mar, 2024

通过深度学习和图像处理，研究提出了一种多类别分类方法来增加胸部疾病的诊断精确性，通过与多个经过预训练的迁移学习模型进行比较，该方法在 COVID-19、肺结核和肺炎的诊断上表现出了高准确度。

Oct, 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 19 层 CNN 网络结构对 COVID-19 在胸部 X 光图像中的识别进行了研究，实验结果表明该方法优于现有的方法，可作为临床医生正确判断 COVID-19 的工具。

Nov, 2023

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 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

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

本项目提出了一种基于 DenseNet 和 GRADCAM 的多标签胸透疾病诊断模型，能够在 X 线图像中准确检测出多种胸部病理，并实现了深度学习算法的模型可解释性。

Feb, 2022

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

本研究旨在构建一个多来源的 X 线与 CT 扫描图像的综合数据集，在其中运用深度学习和迁移学习算法构建出高效、响应迅速的 COVID-19 诊断方法，实验表明该方法可以达到 98% 预训练网络准确率和 94.1% CNN 修改准确率。

Mar, 2020