本研究针对慢性阻塞性肺病（COPD）当前采用的临床指标不足的问题，提出了一种基于变压器的深度学习技术，能够处理高维原始肺功能图数据并预测与COPD相关的临床终点。研究发现，该方法在提升计算效率的同时，准确性优于现有方法，并通过模型权重识别出肺功能图中对预测结果重要的部分，从而增强了解释能力，并提供了与医学知识一致的临床见解。

本文针对肺相关疾病的早期诊断问题，通过研究三种类型的肺X光图像分类，提出了一种基于MobileNetV2的定制模型MobileNet-Lung，结合了特征层的注意力机制，成功提高分类准确率至0.933。该研究填补了现有模型在肺病分类精确度上的不足，具有显著的临床应用价值。

使用多任务学习方法，在医学诊断中对肺音和肺疾病进行同时分类，结果表明该方法在同时分类肺音和肺疾病方面取得了良好的效果，并应用于慢阻肺患者的风险水平计算中，使用随机森林分类器达到了 92% 的准确率，从而减轻了医生的负担。