使用自监督训练的 RayDINO 和小型任务特定适配器达到了最先进的结果，改善了对未见过的人群的泛化能力，同时减轻了偏见，展示了基础模型的真正潜力：多功能性和健壮性。

May, 2024

利用 MLVICX 来增强自监督胸部 X 射线数据的表现力并取得 3% 以上的性能提升。

Mar, 2024

本文介绍了一个新的胸部 X 光数据库，名为 “ChestX-ray8”，其中包括 108948 个患者的 32,717 个独特患者的前瞻性 X 光图像 和使用自然语言处理从相关放射学报告中提取的八个疾病图像标签。作者展示了这些常见的胸部疾病可以通过弱监督的多标签图像分类和疾病定位框架进行检测甚至空间定位，并证明了这一点。尽管初始数量结果报告良好，但基于深度卷积神经网络的 “阅读胸部 X 射线”（仅通过图像级标签训练）仍然是完全自动化的高精度 CAD 系统的艰巨任务。

May, 2017

本研究提出了一种自监督深度神经网络，在未标记的胸部 X 射线数据集上进行预训练，并将学到的表示迁移到下游任务 —— 呼吸系统疾病的分类。在四个公共数据集上获得了有竞争力的结果，而不需要大量标记的训练数据。

Mar, 2021

使用可解释的工具变量（IV) 学习框架，将电子健康记录与深度学习模型相结合处理躯干 X 线图像，消除偏误关联并获得准确的因果表征，最终实现了较好的性能表现。

May, 2023

本文提出了一种基于弱监督深度学习框架的方法，该框架配备了压缩和激励块、多图传输和最大 - 最小池化，用于分类胸部疾病以及定位可疑病变区域，实验证明所提出的模型具有更好的性能。

Jul, 2018

在资源有限的环境中，如远程医疗设施和移动设备中，管理高维海量医学图像数据并从中进行可靠的医学分析是一项关键挑战。本文提出了一种名为 Evolution-aware VAriance（EVA）的新型核心集选择策略，通过双窗口方法捕捉模型训练的演进过程，通过方差度量更精确地反映样本重要性的波动。对医学图像数据集进行了大量实验证明了我们策略在以往最佳方法，尤其是在高压缩率下的有效性。EVA 在仅使用 10% 的训练数据时达到了 98.27% 的准确率，相比之下完整的训练集为 97.20%。与随机选择相比，没有一种基准方法可以在 5% 的选择率下超过其，而 EVA 则比随机选择高出 5.61%，展示了其在高效的医学图像分析方面的潜力。

Jun, 2024

该论文提出了一种基于随机注意力机制的递归神经网络模型，该模型能够学习在检测胸部 X 射线扫描中，哪些区域应该被视觉化探索，以便得出是否存在特定放射性异常的结论。

Jan, 2017

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

通过引入 CheXinstruct 数据集、设计临床大规模语言模型、图像编码器和网络以及引入 CheXbench 基准来解决医疗影像领域中胸部 X 射线图像自动解释的挑战，并证明 CheXagent 在这些任务中优于先前开发的通用和医学领域基础模型。

Jan, 2024