2020 全球新冠肺炎之下，了不起的 AI 人

本文作者：楊鯉萍

2020-03-24 17:39

導(dǎo)語：AI 下的 COVID-19 的算法檢測、估量與追蹤

雷鋒網(wǎng) AI 源創(chuàng)評論按：目前，新型冠狀病毒（COVID-19）仍在全球范圍內(nèi)蔓延。在這樣的情況下，除開奮戰(zhàn)在前線的醫(yī)護人員們，小到個人、大到國家，都在努力做好防疫工作。

而計算機科學(xué)家、機器學(xué)習(xí)研究者群體，也在以他們的方式來應(yīng)對該病癥，包括：編譯數(shù)據(jù)集，并構(gòu)建從中學(xué)習(xí)的算法等。盡管目前大部分人無法參與到研發(fā)過程中，但我們可以見證他們的成果并為之喝彩。

因此，雷鋒網(wǎng) AI 源創(chuàng)評論整理了部分?jǐn)?shù)據(jù)集與算法論文如下，并向所有為疫情做出貢獻的人致以敬意。

2020 全球新冠肺炎之下，了不起的 AI 人

圖片來源: Sompong Rattanakunchon/Getty Images

數(shù)據(jù)集類

COVID-19 病例數(shù)據(jù)集

目前，Google 的數(shù)據(jù)科學(xué)競賽平臺 Kaggle 上已公開了一個 COVID-19 病例數(shù)據(jù)集，并且每天都會更新。

其中包含的數(shù)據(jù)，包括患者的年齡、位置、何時開始出現(xiàn)癥狀、何時暴露、何時進入醫(yī)院等等，均基于實際情況錄入，具有可靠性。據(jù)統(tǒng)計，已有近 300 人在自己的分析中使用了該數(shù)據(jù)。

數(shù)據(jù)集地址：
https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset

covid-chestxray 數(shù)據(jù)集

蒙特利爾大學(xué)的一位研究人員收集并發(fā)布了包含數(shù)十個 CT 掃描和胸部 X 射線圖像的數(shù)據(jù)庫。這些圖像取自公開的 COVID-19 疾病研究數(shù)據(jù)。

2020 全球新冠肺炎之下，了不起的 AI 人

數(shù)據(jù)集地址：
https://github.com/ieee8023/covid-chestxray-dataset

全球感染分布圖

約翰·霍普金斯大學(xué)建立了一個令人印象深刻的「儀表盤」，詳細展示了全球 COVID-19 病例數(shù)據(jù)。這些數(shù)據(jù)會定期更新，從而使大家能對疾病的傳播及其死亡率有了全球視野。

目前，該項目已在 GitHub 上開源代碼，可以自行復(fù)制和修改。

2020 全球新冠肺炎之下，了不起的 AI 人

開源地址：
https://github.com/CSSEGISandData/COVID-19

大型新冠肺炎開放數(shù)據(jù)集

艾倫人工智能（AI）研究所、陳扎克伯格基金會（CZI）、喬治敦大學(xué)安全與新興技術(shù)中心（CSET）、微軟、美國國立衛(wèi)生研究院國家醫(yī)學(xué)圖書館（NLM），以及 OSTP 今日聯(lián)合發(fā)布了「新冠肺炎開放研究數(shù)據(jù)集」。

2020 全球新冠肺炎之下，了不起的 AI 人

據(jù)介紹，該數(shù)據(jù)集包含與新冠肺炎、新型冠狀病毒及冠狀病毒組有關(guān)的 29000 多篇學(xué)術(shù)文獻，其中超過 13000 篇是完整文獻。

這一數(shù)據(jù)集是迄今可用于數(shù)據(jù)和文本挖掘研究的最廣泛的機器可讀冠狀病毒文獻合集，將主要用于醫(yī)學(xué)和機器學(xué)習(xí)等相關(guān)領(lǐng)域研究，幫助人們更快更好地應(yīng)對新冠肺炎疫情。

全球疫情信息實時查詢網(wǎng)站：
https://www.bing.com/covid

地區(qū)資源網(wǎng)站數(shù)據(jù)集

還有一些數(shù)據(jù)集則直接來自治療患者的醫(yī)院，以及部分地區(qū)的數(shù)據(jù)資源網(wǎng)站，例如：

北京市政務(wù)數(shù)據(jù)資源網(wǎng)開放但由市衛(wèi)生健康委員會提供的數(shù)據(jù)集「新型冠狀病毒感染的肺炎病例信息」。（https://data.beijing.gov.cn/）
山東公共數(shù)據(jù)開放網(wǎng)在平臺首頁的「疫情防控」欄目下開放了由省衛(wèi)生健康委員會提供的 5 個數(shù)據(jù)集。（http://data.sd.gov.cn/ ）

2020 全球新冠肺炎之下，了不起的 AI 人

論文類

針對 COVID-19 病例研究，截至目前也出現(xiàn)了一些算法，以下是其中部分論文：

基于肺部 CT 的 COVID-19 診斷準(zhǔn)確性評估

該論文是近日科亞醫(yī)療的原創(chuàng)性研究成果，也是在世界頂級期刊《Radiology》首個發(fā)表的基于人工智能的新冠診斷準(zhǔn)確性評估論文。

該方法采用了前沿的深度學(xué)習(xí)技術(shù)，開發(fā)了針對新冠肺炎 COVID-19 的 3D 檢測神經(jīng)網(wǎng)絡(luò) --- COVNet，使其從肺部 CT 中提取各類影像特征用于鑒別新冠肺炎。

最終，在獨立測試集中驗證表明，COVNet 對新冠肺炎的鑒別靈敏度和特異性分別高達 89.76％和 95.77％，ROC（受試者工作特征）曲線下面積 AUC 為 0.96。同時驗證了模型對社區(qū)獲得性肺炎的鑒別準(zhǔn)確性（靈敏度 86.85％，特異性 92.28％，AUC 為 0.95）。

2020 全球新冠肺炎之下，了不起的 AI 人

論文地址：
https://doi.org/10.1148/radiol.2020200905

深度學(xué)習(xí)對 CT 圖像中 COVID-19 的肺部感染定量研究

上海研究人員設(shè)計了一種系統(tǒng)，該系統(tǒng)可以與人工檢查結(jié)果配合，從而將 CT 圖像的分析時間從數(shù)小時減少到大約 4 分鐘。

具體而言，研究人員開發(fā)了基于深度學(xué)習(xí)（DL）的分割系統(tǒng)，訓(xùn)練 VB-Net 神經(jīng)網(wǎng)絡(luò)對 CT 掃描圖像中的 COVID-19 感染區(qū)域進行分割。

通過在 300 例 COVID-19 患者的胸部 CT 掃描中，比較自動分段的感染區(qū)域與手動劃定的感染區(qū)域，從而評估系統(tǒng)的性能。

而為了加快數(shù)據(jù)標(biāo)注的速度，該方法采用了人機回圈 (Human-in-the-loop) 優(yōu)化的方法對每個病例進行注解，從而大大減少總分割時間。

最終，該系統(tǒng)在自動分割和手動分割之間的戴斯相似系數(shù)為 91.6%±10.0%，感染百分比（POI）的平均預(yù)測誤差為 0.3%。

論文地址：
https://arxiv.org/abs/2003.04655v2

異常的呼吸模式分類器助力大規(guī)模篩查 COVID-19

在這里，研究人員通過分析人的呼吸速度，尋找一種篩查 COVID-19 的聽覺方法。這項研究不是結(jié)論性的，但它是一種以較少侵入性方式測試病毒的新思路。

根據(jù)最新臨床研究，COVID-19 的呼吸模式與流感和普通感冒的呼吸模式不同；感染 COVID-19 的人有呼吸暫?，F(xiàn)象，并且呼吸更快。

2020 全球新冠肺炎之下，了不起的 AI 人

對呼吸模式進行分類的 BI-AT-GRU 模型

因此，論文提出根據(jù)呼吸特征對新型冠狀病毒的患者進行篩查。具體而言，研究人員使用了深度相機和深度學(xué)習(xí)來完成這項篩查任務(wù)。

但基于實際情況中的數(shù)據(jù)量不足以進行深度模型訓(xùn)練，論文中首先提出了一種新的呼吸模擬模型，來彌補訓(xùn)練數(shù)據(jù)不足的問題。

隨后該論文首次利用雙向注意力機制的 GRU 模型來對 6 種臨床上重要的呼吸模式進行分類，這一方法可以拓展到大型的應(yīng)用場景中，對現(xiàn)有的篩查方法形成補充。

論文地址：
https://arxiv.org/abs/2002.05534v1

使用深度學(xué)習(xí) CT 圖像分析進行自動檢測和患者監(jiān)測的初步結(jié)果

由于非對稱胸部 CT 已被證明是檢測、量化和追蹤該疾病的有效工具，因此可以開發(fā)深度學(xué)習(xí)算法，來幫助分析大量的胸部 CT 圖像。

因此，研究人員開發(fā)了該基于 AI 的自動 CT 圖像分析工具，并證明它們可以將冠狀病毒患者與未患該疾病的人區(qū)分開。

論文提出的系統(tǒng)具有輸入胸部 CT 圖像并標(biāo)記懷疑具有 COVID-19 病例的功能。此外，對于分類為陽性的病例，系統(tǒng)會輸出肺部異常定位圖和測量值。

最終，胸部 CT 冠狀病毒與非冠狀病毒的分類結(jié)果為 0.996 AUC（95％CI：0.989-1.00），這是在中國控制和感染患者的數(shù)據(jù)集上的結(jié)果。實際使用的結(jié)果：靈敏度為 98.2％，特異性為 92.2％。

目前，該研究正在擴展到更大的人群，證明基于 AI 的圖像分析可以在檢測冠狀病毒以及量化和跟蹤疾病方面取得高精度的結(jié)果。

論文地址：
https://arxiv.org/abs/2003.05037

三種臨床特征預(yù)測重度 COVID-19 患者但危急程度

在當(dāng)前階段，對疾病的嚴(yán)重程度進行快速、準(zhǔn)確和早期的臨床評估至關(guān)重要。在尚無確定的生物標(biāo)志物作為標(biāo)準(zhǔn)的情況下，這個方法，能夠?qū)π鹿诟呶；颊哌M行快速檢測、早期干預(yù)并有可能降低他們的死亡率。

在此研究中，研究人員運用最先進的機器學(xué)習(xí)框架，選擇了 3 種生物標(biāo)志物來預(yù)測個體患者的生存率：LDH（乳酸脫氫酶）、淋巴細胞和 hs-CRP（超敏 C-反應(yīng)蛋白）。

研究人員開發(fā)了基于 XGBoost 機器學(xué)習(xí)的預(yù)后模型，并采用來自中國武漢的近 3,000 例患者的電子健康記錄。最終，該模型使用患者最新血樣樣本能夠以 90％以上的準(zhǔn)確度預(yù)測 COVID-19 重癥患者是否存活；使用其他血液樣本則能達到 90％的預(yù)測準(zhǔn)確度。

這也表明三種生物標(biāo)記物可以準(zhǔn)確預(yù)測疾病的嚴(yán)重程度，因此可大大減輕臨床參數(shù)監(jiān)測的壓力和其他相關(guān)的醫(yī)療負(fù)擔(dān)。