该论文介绍了MIMIC-CXR-JPG v2.0.0数据集，包含377,110个胸部X光片及14个标签，旨在推动医学计算机视觉研究。研究提出了多种模型和方法，如CheXRelNet和TiBiX，利用多模态数据和强化学习提高胸部X光报告生成的准确性和效率，并探讨合成数据对深度学习分类器性能的影响，强调整合多样患者数据的重要性。

本文介绍了一种基于自然语言信息的医学图像检测架构，提出了MIMIC-CXR数据集和LITERATI方法，以提高肺炎识别的准确性。研究表明，基于机器学习的模型在胸部X光片中识别肺炎的敏感性和特异性分别达到98%和97.3%。此外，开发的PneumoniaAPP应用程序在儿童肺炎诊断中准确率达到88.20%。该研究为医学图像分析提供了新的思路和工具。

本文介绍了一种名为MedViLL的多模态自然语言处理模型，使用多模态注意力掩码机制，在医学领域内的多个任务中进行了评估，证明了其在影像报告分类、检索、问题回答和放射学报告生成等方面的优越性能表现，尤其是在MIMIC-CXR、Open-I和VQA-RAD三个影像报告数据集上的实现。