使用自监督学习的方法，基于 Vision Transformers，改进了胸部 X 射线上结核病的检测，实现了零样本儿科结核病的检测，证明自监督学习在结核病检测任务上的有效性。

Feb, 2024

结核病是全球主要的健康威胁，深度学习在计算机辅助结核病诊断方面取得了进展，但训练数据有限。为此，本文建立了一个大规模数据集 TBX11K，其中包含 11200 个带有肺结核区域边界框标注的胸部 X 光图像。此数据集可用于训练高质量计算机辅助结核病诊断模型，并提出了一种基准模型 SymFormer，通过对 CXR 图像的边界对称性进行处理来学习判别性特征。SymFormer 在 TBX11K 数据集上取得了最先进的性能，并提供了数据、代码和模型。

Jul, 2023

提出了 LightTBNet，一种新颖的轻量级、快速和高效的深度卷积网络，专门用于从 X 射线图像中检测结核病，拥有出色的性能和快速预测，适用于在结核病高发地区使用的便携设备。

Sep, 2023

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

通过分析手机麦克风中的咳嗽声的声学特征，该研究开发了一个集成模型来检测结核病，该模型通过患者咳嗽声数据和人口统计学数据进行训练，在 15 秒内获得结果，可通过移动应用程序轻松访问。

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

本研究旨在通过使用 MODS 方法和无镜头显微镜来便利和自动化诊断结核病，同时使用 U-Net 网络对数据集进行自动分割，以预测结核病的发生。结果显示出对结核病细胞的自动分割表现出很好的精确度，因此可有望用于结核病的自动诊断。

Apr, 2021

通过从 X 光合成生成 CT 图像，可以提高腐败性疾病分类准确性，特别地，我们研究了结核病，并展示了合成 CT 图像比基线 X 光提高了 7.50％的结核病标识能力和 12.16％的结核病特性区分能力。

Sep, 2021

该研究通过使用机器学习，特别是结合表格数据，更准确地预测结核病（TB）的治疗结果，将这一预测任务转化为二元分类问题，并通过来自印度国家结核病控制计划的 50 万多个病人记录的数据生成风险评分。数据预处理是该研究的关键组成部分，在验证集上获得了 98% 的召回率和 0.95 的 AUC-ROC 得分。该研究还探索了自然语言处理（NLP）在模型学习中的应用，通过各种指标和消融研究证实了该方法的有效性。研究通过讨论我们的研究对结核病根除工作的潜在影响，并提出了未来的研究方向，展示了机器学习在医疗保健中的潜力。

Mar, 2024

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