本研究全面评估了基于自学习的 DINOv2 模型在放射学领域的应用，通过超过 100 个实验在不同模态下进行疾病分类和器官分割等任务，发现 DINOv2 在分割任务中表现优越，在疾病分类中具有竞争力的结果。这些发现为优化医学影像的预训练策略和加强 DINOv2 在自然图像与放射图像分析之间的桥梁作用提供了深入的见解。

Dec, 2023

在计算机视觉和医学图像领域的多模态系统中，语言监督的预训练被证明是从图像中提取语义有意义特征的有价值方法。然而，由于文本包含的信息有限，得到的特征受到了限制。在医学图像中，这一点尤为严重，因为放射科医生的书面结果侧重于特定观察，而相关图像 - 文本数据的稀缺性增加了挑战。本文通过在仅使用单模态医学图像数据进行预训练，引入了 RAD-DINO，一种基于生物医学图像的编码器，其性能在各种基准测试中比最先进的基于生物医学语言的监督模型取得了相似或更好的表现。

Jan, 2024

我们提出了一种自监督方法 DINO-CXR，通过对胸部 X 射线的分类进行自监督预训练，证明了该方法在肺炎和 COVID-19 检测方面的有效性，并在准确性方面胜过了最先进的方法，在 AUC 和 F-1 得分方面取得了可比较的结果，同时少使用了标记数据。

Aug, 2023

本文提出了首个高清（1280×1280）X 射线预训练视觉模型，采用了大规模数据集和自动编码器框架，引入了一种新颖的上下文感知遮蔽策略，验证了模型在 X 射线报告生成和疾病识别等下游任务上的有效性。

Apr, 2024

提出了一种基于深度学习技术的生成式编码解码模型，通过对大量胸部 X 光图像进行预先训练并提取医疗概念，结合词级别的注意力机制，成功生成精准较为自然的放射学报告。

Jul, 2019

本文针对医疗影像任务，通过对自我监督和半监督学习等多种方式进行比较，研究发现半监督自编码器在预测胸部 X 光成像下的死亡风险方面具有更好的性能。

Jun, 2023

EVA-X 是基于 X-ray 图像的自监督学习方法，能够捕捉未标记图像中的语义和几何信息，通过广泛的实验证明在胸部疾病分析和定位方面表现出色，并减轻了医学 AI 领域的数据标注负担，具有不少于 20 种不同胸部疾病的能力，在 11 种不同检测任务中取得了领先的结果，对于基础医学模型的发展和应用具有巨大推动作用。

May, 2024

该研究分析了一个公开可访问的胸部 X 光基础模型，发现模型存在性别和种族等保护特征的嵌入，这可能导致临床决策的性能退化和不公平性，因此，建议对基础模型进行充分的偏见和子组织性能分析。

Sep, 2022

人工智能在医学影像应用中取得了专家级性能。然而，研究发现目前的视觉语言基础模型在胸部 X 射线诊断中普遍存在算法公平性问题，导致偏见对待历史上被边缘化的群体，并延迟特定人群的重要医疗护理，严重加剧现有的护理差异，对公平医疗保障带来挑战。

Feb, 2024

本研究提出了一种策略来克服大规模自然 - 医学分布偏移，并使用预先训练的潜在扩散模型在公开可用的胸部 X 射线（CXR）及其对应的放射学（文本）报告语料库上进行调整，评估了生成的高保真 CXR 的图像质量和文本 - 图像对齐的能力，并观察到使用数据增强的方式训练动态成像分类器的证据。

Nov, 2022