本研究针对解读CTPA扫描和生成准确放射科报告的复杂性，提出了Abn-BLIP模型。该模型采用可学习查询和跨模态注意机制，显著提高了异常检测和报告生成的准确性和全面性，超越了现有的医疗视觉语言模型，展示了多模态学习策略在改善放射科报告方面的潜力。

本研究提出PEP-Net算法，结合3D残差网络与极端梯度提升，成功预测肺栓塞患者30天院内死亡率，准确率达到94.5%，优于传统模型。

COVID-19大流行病反应凸显了深度学习方法在通过CT对肺部疾病进行自动分割的潜力。研究使用多态训练优化了一个网络，结合6000多个手动和自动标签的CT扫描，开发了一种用于肺部、气道、肺动脉和肺病变分割的端到端方法。在地面玻璃浑浊度和病变分割方面取得了最先进的性能。提供了一个开源实现的链接。

通过使用 CTPA 成像、临床数据和 PE 严重指数（PESI）评分来预测 PE 的死亡率，研究采用深度学习模型来预测 PE 的死亡率，并将疾病相关的成像特征和 / 或临床变量纳入 DL 模型中进行预测，结果表明多组学 DL 模型在 PE 存活预测中的 c-index 值明显高于仅使用 PESI 指数的模型。