病毒目前正在全球蔓延，目前很有人最关心的如何使用新技术来应对COVID19病毒(也称为新型冠状病毒)的当前传播，让我们看看人工智能在这次疫情当中有哪些“表现”: 1.监控方式 (1)从图深基于学习的模型，⽤用于检测2019新冠状病毒肺炎 • 基于深度学习的模型在⾼分辨率计算机断层扫描上检测2019年年新型冠状病毒性肺炎的前瞻性研究(Chen等⼈)在这⾥，我们使⽤UNet++从CT扫描中提取相关特征并将其分类。我们对来⾃106名⼊院患者的4万次扫描进⾏了训练。作者发现该模型在准确性和召回率⽅面表现良好。具体来说:“该模型的每位患者敏感性为100%，特异性为93.55%，准确性为95.24%，PPV为84.62%，NPV为100%;在回顾性数据集中，每幅图像的敏感性为94.34%，特异性为99.16%，准确性为98.85%，PPV为88.37%，NPV为99.61%。对于27名潜在患者，该模型的性能可与放射线专家相媲美。在该模型的帮助下，放射科医⽣的阅读时间大减少了 65%。” 因此，总⽽⾔之，该模型在优化放射科医生的工作流程⽅⾯非常有效。这是人工智能 在现实世界中产⽣积极影响的⼀个很好的例子。因此，放射科医⽣生可以在相同的时间内检查更多的CT。重要的是要注意，但是，在仅27位前瞻性测试和44位回顾性测试患者的测试集上，例外得分似乎很高。而且，所有这些患者都来自同一家医院。尽管这表明该模型学到了一些东西，但尚不清楚它在更大和更多样化的测试人群中的坚固程度。 • 使用CT图像筛选冠状病毒疾病(COVID-19)的深度学习算法 纸上的图解使⽤CT图像筛选冠状病毒疾病(COVID-19)的深度学习算法 (2) 用于筛选2019年年冠状病毒疾病的深度学习系统肺炎 本文与上述两项相似，不同之处在于数据集中的患者总数稍大。他们从中国三所医院的⼤大约509名患者(包括175名健康患者)中收集了样本。有趣的是，他们的准确度/召回分数明显低于Chen等。造成这种情况的原因可能是，尽管有更多的患者，但他们使⽤更少的扫描来训练模型。
2.为公众绘制疫情地图 是否有数字基础设施可以帮助城市中的⼈人们远离受影响最严重的地区?在进⾏行此操作之前，当然会存在与此相关的沉重的隐私和社会问题-看到它可能被污名化地⽣生活在某些区域中，或者可以由一个区域中的各个所有者尝试管理。但是，考虑这方面很有趣。尤其是由于这通常是私人计划，因此可能会引起关注，因为健康数据可能会流向不想要的地⽅方，而不是由州或多边组织采取明确的⾏动来这样做。 在过去的几周中，Kraft博士一直在动员世界各地的创新者进行头脑⻛暴，并开发一个新的“ WAZE for COVID-19”应⽤用程序。位智是Google拥有的GPS导航软件应⽤用。但是，丹尼尔·卡夫特(Daniel Kraft)在奇点⼤大学(Singularity University)的演讲中表明，全球正在开发多种此类解决⽅方案。一个 显示活动热点的示例例是一个名为TrackVirus的应⽤用程序。COVID-19个⼈人联系日志，以及使⽤用GoogleMap功能来增加对疾病最严重地区的了解。结合使⽤用AI和机器器学习以及热筛选。然⽽，测试非常重要，即智能测试和早期测试。 3.开发疫苗 有⼈谈论使⽤用AI来帮助开发疫苗。 “总部位于⾹香港的新兴公司Insilico Medicine已向全球制药公司部分开放了其药物化合物数据库，希望能够迅速找到致命的Covid-19疾病的治疗⽅方法。这家拥有5年年历史的⼈人⼯工智能软件开发⼈人员上周在 其⽹网站上发布了了数百种化合物的分⼦子结构，这些化合物旨在研究冠状病毒的关键“靶标”。现在，它正在寻求药物化学家的反馈，旨在与合作伙伴合成和测试多达100位药物。” 那么，AI可以可以从哪些⻆角度辅助疫苗的开发呢? (1)预测蛋白质的结构及其与化合物的相互作⽤用，以促进新的抗病毒药物/疫苗的使⽤用或推荐当前的药物。 这⾥的方法依赖于对蛋⽩白质等分⼦进行深度学习。这是一个小众领域，通常需要较⾼高的学习曲线。 但是，这⾥的突破可能会为疫苗或有效的抗病毒药铺平道路。下⾯列出的大多数技术以某种方式使 ⽤用卷积神经⽹网络来建模分⼦子或分⼦子相互作⽤用。然而， a.基于深度学习的新型冠状病毒2019-nCov药物筛选(Zhang等)。本⽂文使⽤用深度学习进⾏行行研究，以 预测当前使⽤用的抗病毒药物可能会对冠状病毒患者产⽣生帮助。作者使用改良的DenseNet(卷积被完 全连接的层代替)来预测蛋白质-配体的相互作⽤用。然后，他们可以使用带有冠状病毒RNA序列列和化 学化合物的模型来预测哪种药物效果最好。作者得出结论，有必要进⾏行行更更多的研究，但建议腺苷， 维达布林和其他化合物可能会有所帮助。 b.预测可能对其起作用的市售抗病毒药物。⼀一种新型的冠状病毒(2019-nCoV)，通过药物-靶标相互作⽤用深度学习模型在中国武汉进⾏，这与上面讨论的论⽂相似，但是作者研究了了市售药物并采取 了完全不同的建模方法。在这⾥，作者使用一个名为“分⼦变压器-药物靶标”或MT-DTI的⽹网络。令⼈ 着迷的是，那些熟悉BERT的人可能已经猜到它的核心是相同的体系结构。但是，在这种情况下，⽹络是在SMILES数据集上训练的，这是一个将分子表示为文本的大型数据集，以对每个分⼦进行编码和解码。实际上，这可以以与⽂文本数据⼏几乎相同的方式形成分子的有效表示。然后，作者对该预训 练模型进⾏了微调，以预测“市售抗病毒药物与靶蛋⽩白之间的结合亲和力值”。他们发现“预计2019- nCoV 3C样蛋⽩白酶与阿扎那⻙韦结合。” 具体而⾔言，阿扎那⻙是一种用于治疗HIV / AIDS的抗病毒药 物。这为如何适应不同领域中的新深度学习架构提供了了一个很好的⽤例(尽管显然，这不不应被视为医学建议)。 c. Deepmind使⽤用了了来⾃自GISAid及其AlphaFold库的可用数据来预测Covid-19病毒的蛋⽩白质结构。 AlphaFold是用于计算化学的深度学习库。有了这些蛋白质结构(如果正确)，研究⼈员将深⼊了解病毒的分子结构，这有可能为更更快地找到疫苗或抗病毒药铺平道路路。
4.医学预测与预后 预测感染率和传播/患者预后，以使医院/卫⽣生官员可以更更好地计划资源配置和响应。 实际上，没有太多的模型(⾄至少是公开记录的模型)明确尝试对冠状病毒的传播进⾏行行建模。但是， 大量的先前研究已经研究了预测季节性流感和其他暴发的信息。有趣的是，目前用于预测疾病扩散 和患者死亡率的⼤大量量⽅方法都是基于浅层方法。我认为在关注+转移学习(有关流感爆发数据)上使⽤用深度学习模型有很多潜⼒，可以在该领域取得更好的结果。 • 在《使⽤用以下三种临床特征预测重度Covid-19感染患者的危急程度:基于机器器学习的武汉市预后模型和临床数据》⽂文章中，作者描述了使用XG-Boost模型来预测患者是否感染了Covid -19岁会根据年龄和其他危险因素幸免于感染。这有助于形成有关谁应该最远离疾病的建议。 • 从小数据集中找到准确的早期预测模型:以2019-nCoV型新型冠状病毒爆发为例: • 基于数据的COVID-19暴暴发的分析，建模和预测 • 使⽤用卡尔曼滤波器器预测冠状病毒的传播 5.帮助诊断X射线或CT等医学图像是否显示冠状病毒。 通过CT扫描诊断冠状病毒相关性肺炎可能会缩短诊断时间并实现更好的治疗。随着大量患者涌入重症监护病房，放射科医⽣生会很快变得不不知所措。成像⽅方⾯面的深度学习可以减轻负担。此外，了解疾病如何在CT扫描中表现出来，可以帮助您更更深入地了解疾病本身。 6.挖掘社交媒体数据以更好地估计传播/症状和公众的感知 该⼯工作领域专注于挖掘社交媒体数据以获取有关疾病的相关信息。尽管社交媒体在某种程度上非常嘈杂，但它可能包含有关症状/在公众中传播的更更多信息。在这一点上，没有⼈再次(至少公开地) 进行过针对明挖冠状病毒⽽而明确挖掘社交媒体数据的研究。但是，有很多有关相关事件的出版物。
