作者在美东探望朋友时感染COVID-19，症状轻微但感到不适。经历几天咳嗽、鼻塞和食欲不振后确诊为阳性。虽然身体逐渐恢复，但仍有咳嗽和味觉减退，发现COVID-19并未完全消散。

本研究解决了COVID-19后遗症（PASC）患者肺纤维化风险评估的不足。我们提出一种新颖的多中心胸部CT分析框架，结合深度学习和放射组学，实现了82.2%的分类准确率和85.5%的AUC，旨在为早期检测PASC相关肺纤维化提供重要的临床指导。

本研究提出了一种基于深度学习的高精度模型，利用胸部X光图像对COVID-19患者的严重程度进行分类，旨在提高预后分类的效率，促进决策加速和资源优化配置。

本文提出了一种基于VGG16、VGG19和ResNet50三种预训练卷积神经网络的自动化COVID-19诊断系统。研究表明，ResNet50在分析6259幅影像时，准确率达到97.77%，为新冠肺炎的早期检测提供了有效解决方案。

本研究提出了一种新型混合深度学习模型，结合VGG16、DenseNet121和MobileNetV2提取CT图像特征，采用主成分分析进行降维，最终通过支持向量分类器进行分类，检测准确率达到98.93%。

本研究提出了一种新的深度学习诊断系统，利用集成学习框架和预训练的深度卷积神经网络（DCNNs）识别胸部X光图像中的COVID-19病例。模型在COVIDx数据集上实现了98%的三类分类准确率和99.50%的二类分类准确率，显著优于传统方法。

本研究解决了COVID-19咳嗽声分类中的困难，提出了一种使用深度神经决策树和森林的新颖方法，具有较强的鲁棒性。关键发现表明，模型在不同数据集上的表现优于现有方法，体现了通过数据集整合提高检测精度的潜力。

本研究提出了一种名为CAD-Unet的深度网络架构，结合胶囊网络，以提高COVID-19肺部感染在CT图像中的分割精度。实验结果表明，该模型在公共数据集上的表现优于现有方法，具有良好的临床应用前景。

本研究提出了一种结合神经网络与符号知识的神经符号方法，提升了对COVID-19期间社交媒体心理健康情感的分析能力。该方法在大规模数据集上表现优异，F1分数超过92%，有效支持健康监测任务。

本研究开发了一种基于人工智能的CT图像分析工具，能够检测和跟踪COVID-19患者，评估疾病进展。通过深度学习模型COVID-Net和COVIDx数据集，提高了放射学筛查效率，并探讨了优化X射线和CT等临床工具的方案，预计该技术将在医疗领域发挥重要作用。

本研究针对社交媒体中抑郁症建模的自然语言处理方法进行综述，填补了疫情后研究的空白。文章提供了COVID-19对抑郁症建模影响的深入见解，探讨了先进方法和新数据集的应用，并审视了数据收集与处理中的伦理问题。该研究的发现有助于更好地理解疫情对心理健康影响的复杂性。

本研究审计了美国和南非YouTube对COVID-19虚假信息的搜索结果，发现南非的虚假信息检索显著高于美国。这表明YouTube搜索算法在不同地区存在差异，呼吁平台加强监管。

本研究解决了COVID-19疫情期间因反华情绪加剧而导致的歧视问题，特别是针对华人的不公现象。通过利用大型语言模型（LLMs），我们提出了一种情感分析框架，对社交媒体上的反华情绪进行了纵向分析，发现反华推文的激增与COVID-19病例的增加存在显著相关性。这一发现强调了疫情如何影响公众情感，并指出政治叙述和错误信息对社会舆论的影响。

本研究开发了一种基于人工智能的CT图像分析工具，能够高效检测和跟踪COVID-19患者。经过多个国际数据集测试，模型准确率达到96.1%至99.7%。研究还提出了深度学习框架COVIDX-Net，显示出良好的分类性能，强调了人工智能在COVID-19检测中的重要性。

本研究针对因 COVID-19 大流行所引发的面部识别系统在使用口罩时面临的新挑战，探讨了面部反欺诈算法在合成遮挡下的表现。研究发现，遮挡会显著降低这些算法的性能，揭示了后疫情时代其在生物识别认证中应用的脆弱性。