利用对比学习和嵌入相似性改进小儿肺炎诊断的方法 - 使用成年人胸部 X 射线图像
通过模型融合的方式，将卷积神经网络和视觉 Transformer 网络结合起来，以提高基于胸部 X 射线图像的肺炎诊断的准确性。融合模型在 Kaggle 小儿肺炎数据集上取得了 94.87% 的准确率，比基准模型表现更好。
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
该研究旨在开发一种能够在胸部 X 光片中识别肺炎是否存在的软件，该软件采用基于机器学习的迁移学习技术建立了一个计算模型。经过训练后，该模型在新图像中表现出显著的肺炎识别结果，对于测试样本，敏感性达到 98％，特异性达到 97.3％。因此可以得出结论，可以开发出一种能够在胸部 X 光片中识别肺炎的软件。
Sep, 2023
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
该研究提出了一种基于深度卷积神经网络的监督式多标签分类框架，用于预测 14 种常见胸部疾病的风险，同时针对常见胸透数据集中不确定样本占据的显著比例，提出了标签平滑技术。在超过 200k 的数据集上训练，该模型在 5 项病理学的验证集中实现了 0.940 的平均 AUC 分数，表现高于独立测试集中的其他三位医学专家，该方法在 CheXpert 排行榜上排名第一。
Nov, 2019
本研究提出了一种使用只有 CXR 图像识别由 COVID-19 引起的肺炎的分类方案，并探索了多个纹理描述符和基础分类器的早期和晚期融合技术。使用 RyDLS-20 数据库进行实验，该数据库包含由不同病原体引起的肺炎的 CXR 图像以及健康肺的 CXR 图像。最终结果证明了该方法对于 COVID-19 识别任务具有很高的识别率和应用潜力。
Apr, 2020
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
提出了一种基于统计分析结果和小型 CNN 的图像诊断方法，该方法在 COVID-19 诊断方面可以达到最先进的性能和可解释性，应用于胸部 X 光照射的人群中的病例筛查。
Apr, 2020