本研究解决了自动诊断胸部疾病中长期标签多标签数据分类的问题，提出了CheX-DS模型，通过集成学习结合了DenseNet和Swin Transformer的优势。研究发现，该模型在处理数据不平衡方面表现出色，能够有效提升肺部X光图像分类的准确性，平均AUC评分达到83.76%。

本文探讨了利用深度学习改善胃肠道癌症诊断的框架，提出了多种算法和模型，包括基于混合卷积神经网络的异常检测和结合CNN与Transformer的混合模型，这些方法在多个数据集上取得了高准确率。此外，研究介绍了GastroVision数据集，以促进AI在胃肠疾病检测中的应用。

多模态磁共振成像在鼻咽癌的早期诊断和管理中至关重要。研究团队发布了首个包含277名患者的MRI数据集，利用深度学习开发了多个高精度的自动化诊断系统，推动了癌症诊断技术的发展。

该研究使用深度卷积神经网络进行乳腺癌筛查检查分类，AUC为0.895。结合放射科医生预测可提高准确性。

该研究使用DenseNet-3D将EEG通道转化为三维排列，并提取时空特征，以94.4%的解码精度超越最先进方法。代码可在GitHub上获取。