文章主题：AI, 新冠病毒, 疫情, 医学
新智元编译：近期，医学界的重要期刊《柳叶刀》深度剖析了人工智能（AI）在抗击新冠病毒过程中的重要作用。除预警疫情、药物研发之外，AI技术已经开始涉足医生的职责领域，取代部分医生在CT影像诊断上的工作。同时，《柳叶刀》杂志也发表了对李文亮医生的悼念文章，以表达对这位勇敢面对疫情的医生的敬意。
近日，《柳叶刀》杂志发布了一篇名为“COVID-19 and artificial intelligence: protecting health-care workers and curbing the spread”的文章，昨日该文成为了医学领域的焦点。在这篇文章中，作者详细阐述了人工智能在抗击新冠疫情过程中所发挥的关键作用。
作为一名具备专业素养的文章写作高手，我将重新组织原文内容，并确保其长度不短于原文。例如，加拿大的BlueDot健康监测公司借助AI驱动的算法，于12月31日迅速向客户传达了疫情信息。而总部位于香港的Insilico Medicine公司近期宣称，其AI设计了一种能够阻止病毒复制的六种新型分子。
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%
中国在全球抗击新冠疫情的过程中扮演着举足轻重的角色，不仅在病毒防控方面做出了巨大贡献，同时在运用人工智能技术助力疫情防控方面也表现出了卓越的能力。北京一家名为Infervision的人工智能公司便充分发挥了其先进的算法技术，成功地在肺部影像学领域实现了COVID-19的準确识别。这不仅为全球抗疫工作提供了有力支持，同时也彰显了中国在人工智能领域的创新实力与广泛应用前景。
借助于肺部CT扫描技术，人工智能能够迅速而准确地检测出冠状病毒性肺炎的病变。它可以对病变的体积、形状和密度进行全面测量，并通过比较多个肺部病变图像的变化，提供一份精确的定量报告，从而协助医生迅速做出诊断判断。相比之下，人工手动阅读CT扫描图像需要花费15分钟的时间，而人工智能仅需10秒钟就能完成图像的快速解读。
剑桥大学的病毒学家Velislava Petrova指出：“随着更多的数据被收集和分析，这个算法将会不断学习和优化，从而提高其对病毒的识别准确度。”她进一步阐述道：“人工智能的最大优势在于，它可以在诸如COVID-19这样的复杂疫情背景下，帮助减轻临床医生的工作压力。”
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
AI时代，拥有个人微信机器人AI助手！AI时代不落人后！
免费ChatGPT问答，办公、写作、生活好得力助手！
搜索微信号aigc666aigc999或上边扫码，即可拥有个人AI助手！
