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%。

内窥镜在胃肠道异常识别中至关重要。本文提出一种轻量级深度学习模型，结合知识蒸馏和多头注意力机制，适用于资源有限的环境。通过KVASIR-V2和Hyper-KVASIR数据集验证，表现出良好性能。

在马来西亚的研究中，首次试图鉴别鼻咽癌、鼻咽炎和正常病例之间的差异。通过使用具有21个密集层的DenseNet架构对来自七个不同患者和两家医院的七个全切片图像进行实验，将组织区域分块并进行分类。测试结果显示，在概念验证中，鼻咽癌的准确率达到94.8%，在真实测试场景中为67.0%。

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。