本研究探讨了肺炎诊断中的不确定性，提出使用卷积神经网络（CNN）进行监督学习。通过MobileNetV2和ResNet101V2架构，提升了肺炎检测的有效性和稳定性，结果显示MobileNetV2在训练稳定性和过拟合控制方面表现优越。

本研究提出了一种基于预训练MobileNetV2模型的深度学习框架，旨在提高肺癌CT图像分析的准确性和效率。实验结果表明，该模型在测试集上达到了99.6%的准确率，有助于提升肺癌诊断效率并降低医疗成本。

本研究针对家用睡眠呼吸暂停筛查领域的准确性不足问题，提出了一种基于心电图（ECG）和呼吸信号特征的轻量级神经网络模型。该模型能够有效检测睡眠阶段和相关呼吸异常，最终实现了高达0.978的睡眠呼吸暂停（OSA）检测准确率，显示出其在家用健康监测方面的广泛应用潜力。