CheXpert 是一个包含 224,316 个患者的 65,240 个胸部 X 射线片的大型数据集，通过自动检测放射学报告中 14 个观察结果的存在来捕捉放射 X 线解释中固有的不确定性，并且利用不同的不确定性方法来训练卷积神经网络，将此数据集作为标准基准来评估胸部 X 射线解释模型的性能。

Jan, 2019

通过六个公开数据库的统一和精细的解剖学标注，提出了一个广泛的胸部 X 射线多中心分割数据集。在这个数据集中，使用 HybridGNet 模型进行严格的验证和高质量的分割，提供了每个掩膜的个性化质量指数和数据集的整体质量评估。该数据集对于胸部 X 射线分析方法的开发和评估具有重要价值。

Jul, 2023

通过使用设计精心的提示，我们展示了 GPT 作为熟练标注器的潜力。利用只有 GPT 标记的数据，我们训练了基于 BERT 的标注器 CheX-GPT，其操作速度更快、更高效。为了评估标注器的性能，我们引入了一个公开可用的专家标注测试集 MIMIC-500，包含来自 MIMIC 验证集的 500 个案例。我们的研究结果证明了 CheX-GPT 不仅在标注准确性上优于现有模型，而且在效率、灵活性和可扩展性方面也表现出色，得益于我们引入的 MIMIC-500 数据集进行强大的基准测试。代码和模型可以在此链接找到。

Jan, 2024

本文介绍了一个标记大规模、高分辨率的胸部 X 光数据集，用于自动探索医学图像和相关报告，并在报告中标记了 174 个不同的放射学发现，19 个不同的差异诊断和 104 个不同的解剖部位位置，这些标记数据可用于训练监督模型关于放射学图像的分析与识别。此数据集可在 http URL 下载。

Jan, 2019

本研究介绍了一个包含超过 10 万张胸部 X 射线扫描的数据集，其中 18000 张图像被 17 名经验丰富的放射科医生手动标注，包括 22 个异常部位的局部标签和 6 个可疑疾病的全局标签，该数据集的发布将为胸部异常的检测和定位的机器学习算法的发展提供帮助。

Dec, 2020

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

使用智能手机拍摄胸部 x 线照片并对其进行自动化解释需要可靠的算法。为了解决这个问题，我们介绍了一个基于 CheXpert 数据集的 CheXphoto 数据集，该数据集包含了智能手机拍摄的照片和经过合成变换的数字 x 线照片，旨在测试和提高深度学习算法对智能手机照片的鲁棒性。

Jul, 2020

使用 BERT 模型直接从放射学报告映射到图像标签的方法，优于现有的医学报告标签方法，与放射科医生标注的胸部 X 光图像的平均 F1 分数为 0.12 至 0.21。

Feb, 2021

本文研究了利用大规模图像 - 文本配对数据集进行视觉语言预训练模型的发展，解决医疗领域中缺乏数据的问题，并通过扩展图像 - 标签对为图像 - 文本对，利用多个图像和多个部分的放射学报告来提高模型性能。同时设计了两个对比损失，ICL 和 TCL，来学习医学图像和报告的研究级特征。我们的模型在相同条件下优于现有的最先进模型。此外，扩大数据集能够提高我们预训练模型的分类性能，尽管在检索性能方面有所牺牲。代码可在此网址获得。

Oct, 2023

本研究旨在开发一种算法，用于自动从德国胸腔放射学报告中提取用于 X 光分类模型注释的标签，并基于 CheXpert 架构设计了一个自动标注提取模型，并创建了一个基于 Web 的注释界面以进行迭代改进，结果表明，自动标签提取能够减少手动标注的时间并提高整体建模性能。与手动标记数据相比，使用自动提取标签训练的模型表现出了很高的竞争力，并且强大地优于使用公开数据训练的模型。

Jun, 2023