研究通过自监督区域建模与对比学习训练方法，提出了一种新的自监督3D变形器模型来识别肺结节，与普遍使用的3D卷积神经网络相比，该模型可以极大地提高肺结节筛查的性能。

Apr, 2022

研究利用预训练的Vision Transformer模型对肺癌病理组织切片（来自数据集LC25000）进行多标签肺癌分类，比较了零样本和少样本ViT的性能表现，结果表明预训练的ViT模型在零样本设置下表现良好，在少样本设置下有较高的准确度、精度、召回率、敏感度和特异性，并且在Fig-Shot设置下获得了最佳结果（在validation集和test集上均为100%）

May, 2022

本文提出了 CLIP-Lung 作为肺结节恶性预测的文本知识引导框架，通过融合深度学习和临床文本信息提高了肺结节恶性预测的性能和可解释性。

Apr, 2023

本研究提出了一个端到端的基于深度学习的自动化框架，用于在低资源环境下实现肺结节的早期检测和分类，并对其进行了评估，结果表明在分割和检测精度方面超过了现有研究，并证明在肺癌筛查方面具有潜在的准确性和效率提高。

Apr, 2023

本文探讨利用特定领域预训练模型（如CXR-BERT、BlueBERT和ClinicalBERT）替换CLIP的BERT权重以提高CLIP的性能，并针对低流行病的疾病检测评估了具有特定领域预训练的零样本分类模型，虽然替换权重降低了常见病的模型表现，但我们发现预训练文本确实对低流行病疾病具有更好的性能，鼓励未来使用多种不同的训练语言模型的集成模型以实现最大性能。

Jun, 2023

本研究提出了使用编码器-解码器神经网络在全分辨率下处理胸透图像，基于JSRT数据集进行肺结节定位，并使用自我融合模型在10折交叉验证中取得85%的敏感度和每张图像的8个误报，外部数据集测试结果为77%敏感度和7.6的误报率。

Jul, 2023

我们提出了一种创新模型，结合了卷积神经网络和视觉变换器的优势，将每个3D CT图像视为视频，每个切片视为帧，将肺结节视为对象，使其能够进行时间序列应用，以克服模型训练过程中的硬件限制，实现对2D数据的高效处理，并利用3D图像上下文进行准确识别。通过对公开可用的Lung Nodule Analysis 2016数据集应用10折交叉验证技术，验证了我们提出的网络的有效性。我们的网络在平均敏感性指标上达到了97.84％的准确度以及96.0％的竞赛性能指标（CPM），其参数较少。与肺结节识别领域最先进的技术进行对比分析，证明了我们提出的模型的显著准确性。

Oct, 2023

CheX-nomaly模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强U-net模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

Nov, 2023

提供公开数据集和可靠工具，用于精确分类不同类型的肺部疾病，以便提供精确的治疗建议。

Jun, 2024

本文针对肺癌早期诊断的重要性，探讨了计算机辅助诊断系统在CT图像分析中的应用及其局限性。通过回顾深度学习在肺结节检测、分割和分类中的最新进展，揭示了其相较于传统机器学习方法的优势，显著提升了早期肺癌的检测准确性和效率。

Oct, 2024