昨天，一篇题为“COVID-19 and artificial intelligence: protecting health-care workers and curbing the spread”的新闻登上医学顶刊《柳叶刀》，文中介绍了AI在这次抗击疫情的过程中扮演的角色。
比如，加拿大的一个名叫BlueDot的健康监测就通过AI驱动的算法，在12月31日就早早向其客户发出了疫情的消息；总部位于香港的Insilico Medicine最近宣布：它的AI算法设计了六种可以阻止病毒复制的新分子。
文章还重点介绍了AI在CT识别领域发挥的重要作用。
AI医生20秒分析CT图像，准确率达到96%
中国不仅是这次疫情的中心，而且在利用人工智能帮助控制COVID-19疫情方面也发挥了巨大作用。北京一家人工智能公司Infervision使用其算法从肺部图像上识别出COVID-19。
通过肺部CT扫描，AI可以快速检测可能的冠状病毒性肺炎的病变，测量其体积、形状和密度，并从图像中比较多个肺部病变的变化，所有这些都可提供定量报告以帮助医生快速做出判断。“手动读取CT扫描可能需要15分钟，人工智能可以在10秒钟内完成图像读取。”
英国剑桥大学病毒学家Velislava Petrova表示：“随着越来越多的扫描完成，该算法将与病毒一起学习并提高准确性。”她解释说：“人工智能的价值是通过在当前的COVID-19疫情等情况下减轻临床医生的负担而发挥作用的。”
此外，达摩院基于5000多个病例的 CT 影像样本数据，学习训练样本的病灶纹理，研发了全新的AI算法模型，可在20秒内快速完成新冠肺炎影像的分析，分析结果准确率达96%，大幅提升诊断效率，接下来将在全国上百家医院部署。
15000次模型训练迭代，AI 2秒诊断COVID-19，准确率82.9％
下面再分享另一个将AI应用于筛选COVID-19的CT图像的研究。
近日，来自天津医科大学肿瘤医院和国家超级计算天津中心等的研究人员在medRxiv预印平台在线发表了一篇题为“A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19)”的文章。
论文地址：
https://www.medrxiv.org/content/10.1101/2020.02.14.20023028v2
研究人员收集了453例病原体确诊的COVID-19病例以及先前被诊断为典型的病毒性肺炎的CT图像，修改了Inception迁移学习模型以建立算法，然后进行内部和外部验证。
结果显示，内部验证的总准确率为82.9%，特异性为80.5%，敏感性为84%。外部测试数据集的总准确率为73.1%，特异性为67%，敏感性为74%。该算法在图像处理单元上以每个2秒的速度执行，可以通过共享的公共平台远程完成。
接下来新智元将为大家解读这一研究。
训练CNN模型提取特征，全连接网络的分类模型训练和多个分类器的预测
研究人员研究了包括西安交通大学第一附属医院，南昌大学第一医院和西安医学院西安第八医院提供的99例CT图像，其中44例核酸阳性，55例核酸阴性。
深度学习算法框架。使用改进的Inception网络随机抽取ROI进行训练，以提取特征。然后，该算法进行预测。
从44例核酸阳性选择195个ROI，50例核酸阴性选择258个ROI，然后建立了一个基于Inception网络的迁移学习神经网络。该网络大致分为两部分：第一部分使用预训练的初始网络将图像数据转换为一维特征向量，第二部分使用完全连接的网络，主要作用是进行分类预测。对模型训练进行15000次迭代，总共使用236个ROI来训练模型，并提取217个ROI进行验证。
生成特征后，最后一步是根据这些特征对肺炎进行分类，使用分类器的组合来提高分类的准确性，并将决策树和Adaboost相结合来提高效率。使用准确性，敏感性，特异性，曲线下面积（AUC），阳性预测值（PPV），阴性预测值（NPV），F1得分和Youden指数比较了分类性能。
15000次模型训练迭代，准确率82.9％
通过两名放射科医生审阅这些CT图像，并绘制出总共453张代表性图像（COVID-19阴性为258张，COVID-19阳性为195张）进行分析。这些图像被随机分为训练集和验证集。
COVID-19肺炎特征的一个例子。蓝色箭头指向毛玻璃样征，黄色箭头指向胸膜凹陷征。
首先，我们从所有患者的图像中随机选择两到三张图像进行训练，其余图像用于内部验证。模型训练已被迭代15000次，步长为0.01。训练损失曲线如下图所示。
为了测试模型的稳定性和泛化性，随机选择了237张图像（来自COVID-19阴性的118张图像和来自COVID-19阳性的119张图像）来构建模型。然后将其余图像用于外部验证。模型训练已被迭代15000次，步长为0.01。训练损耗曲线如图3B所示。
深度学习算法在内部验证时得出的AUC为0.90（95％CI，0.86至0.94），在外部验证时得出的AUC为0.78（95％CI，0.71至0.84）。AUC如下图所示。使用最大的尤登指数阈值概率，灵敏度分别为80.5％和67.1％，特异性84.2％和76.4％，准确率为82.9％和73.1%，负预测值分别为0.88、0.81，Youden指数分别为0.69和0.44，F1得分分别为0.77和0.64。该算法以每例2秒的速度在图形处理单元上执行。
核酸检测有局限，需要准确诊断疾病的快速替代方法
PUI的及时诊断和分类对于控制新兴传染病（例如当前的COVID-19）至关重要。由于基于核酸的实验室测试的局限性，迫切需要寻找可被一线医疗人员用来快速，准确诊断疾病的快速替代方法，例如本论文使用深度学习方法，分析分类速度约为2秒，可以通过共享的公共平台远程完成，进一步开发该系统可以大大缩短疾病控制的诊断时间。
未来，研究人员打算将CT图像的分层特征与其他因素（例如遗传，流行病学和临床信息）的特征链接起来，以进行多模型分析以增强诊断能力。
继《经济学人》后，《柳叶刀》发文悼念李文亮
2月18日，《柳叶刀》发表讣告，悼念去世的李文亮医生。而就在前不久，《经济学人》也为李文亮医生发了一篇讣告，题为“The man who knew”。或许，连李医生自己也不会想到，他会以这样的方式登上顶刊。
李文亮在武汉大学学习临床医学，2014年在武汉市中心医院担任眼科医生。该医院一直是COVID-19爆发中心的医疗机构之一。他在看到七名患有非典型肺炎症状的患者后立即发出了警报。
约翰·霍普金斯大学彭博学院健康安全中心主任Tom Inglesby说：“对于致命的、全新暴发的疾病，世界上最重要的预警系统之一就是医生或护士意识到正在出现某种新疾病，然后发出警报。即使在最好的情况下，也需要智慧和勇气来站出来。”
在与武汉工作的中国科学院院士乔杰正告诉《柳叶刀》：“我为所有为抗击这种新兴传染病而死去的医生深表哀悼，特别是李文亮博士。我们为他对患者的奉献精神感到鼓舞，我们将继续与该病毒作斗争，以最终胜利安慰死者。”
全文地址：
https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30382-2/fulltext#%20
