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年新型冠状病毒性肺炎的前瞻性研究（Chen等人）在这里，作者使用UNet ++从CT扫描中提取相关特征并将其分类。作者对来自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。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们远离受影响最严重的地区？在进行此操作之前，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，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风暴，并开发一个新的“ WAZE for COVID-19”应用程序。位智是Google拥有的GPS导航软件应用。但是，丹尼尔·卡夫特（Daniel Kraft）在奇点大学（Singularity University）的演讲中表明，全球正在开发多种此类解决方案。一个显示活动热点的示例是一个名为TrackVirus的应用程序。COVID-19个人联系日志，以及使用Google Map功能来增加对疾病最严重地区的了解。结合使用AI和机器学习以及热筛选。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AI来帮助开发疫苗。
“总部位于香港的新兴公司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疾病的治疗方法。这家拥有5年历史的人工智能软件开发人员上周在其网站上发布了数百种化合物的分子结构，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，以促进新的抗病毒药物/疫苗的使用或推荐当前的药物。
这里的方法依赖于对蛋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卷积神经网络来建模分子或分子相互作用。然而
a.基于深度学习的新型冠状病毒2019-nCov药物筛选（Zhang等）。本文使用深度学习进行研究，以预测当前使用的抗病毒药物可能会对冠状病毒患者产生帮助。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。然后，他们可以使用带有冠状病毒RNA序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。一种新型的冠状病毒（2019-nCoV），通过药物-靶标相互作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，这可以以与文本数据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之间的结合亲和力值”。他们发现“预计2019-nCoV 3C样蛋白酶与阿扎那韦结合。” 具体而言，阿扎那韦是一种用于治疗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一个很好的用例（尽管显然，这不应被视为医学建议）。
c. Deepmind使用了来自GISAid及其AlphaFold库的可用数据来预测Covid-19病毒的蛋白质结构。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，这有可能为更快地找到疫苗或抗病毒药铺平道路。
4.医学预测与预后
预测感染率和传播/患者预后，以使医院/卫生官员可以更好地计划资源配置和响应。
实际上，没有太多的模型（至少是公开记录的模型）明确尝试对冠状病毒的传播进行建模。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量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：基于机器学习的武汉市预后模型和临床数据》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暴发的分析，建模和预测
• 使用卡尔曼滤波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，放射科医生会很快变得不知所措。成像方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。
未来已来，在疫情面前科技让我们不再对着病毒“赤手空拳”，
普及新技术成为疫情之下的新课题
图灵联邦携手人工智能行业大佬开启
[ 人工智能前沿及未来展望讲座 ]
就在本周六（3.21）带你剖析当代人工智能与人工智能应用
閱讀更多 圖靈聯邦 的文章
