Rolul și provocarea inteligenței artificiale în diagnosticul CT al noului pneumonie cu coronavirus

Pentru mai multe informatii:ali.ma@wecistanche.com

Repere

Această lucrare ia în considerare în mod nou științificitatea și normativitatea bazate pe cerințele metodologice ale unui studiu clinic, considerând procesul de dezvoltare a software-ului de inteligență artificială (AI) ca studii clinice de cercetare de diagnosticare a imaginii de tomografie computerizată (CT). Lucrarea prezintă, de asemenea, 4 moduri de a promova software-ul de diagnosticare AI, ajutând în problemele clinice reale și aducând pacienților beneficii clinice reale.

Click pentru efecte secundare cistanche și Cistanche pentru imunitate

Abstract

La începutul lui 2020, noul coronavirus pneumonie(COVID-19)a izbucnit în China. Multe produse medicale au apărut rapid în domeniul inteligenței artificiale (IA), care a jucat un rol important în lupta împotriva pandemiei. Acest articol rezumă starea actuală de cercetare și aplicare a IA în radiologie și controlul pandemiei și analizează problemele comune ale tehnologiei AI în cercetareaCOVID-19diagnostic. Include în principal gândurile despre designul studiului clinic, dificultățile în implementarea cercetării și provocările în verificarea fiabilității modelelor AI. Ca răspuns la dificultățile de mai sus, sunt propuse sugestii pentru optimizarea științificității și a calității cercetării diagnostice AI.

Cuvinte cheie:COVID-19pandemie, Inteligență artificială, Tomografie computerizată, Cercetare clinică

Rolul important al produselor diversificate de inteligență artificială în anti-epidemie

La începutul lui 2020, a izbucnit epidemiapneumonie noul coronavirus(Coronavirus, COVID-19) pune punerea în aplicare a prevenirii și controlului bolilor într-o mare provocare. De exemplu, cum să măsurați rapid temperatura corpului tuturor într-un nod de trafic cu un flux mare de trafic; cum să eliminați rapid potențialele medicamente eficiente dintre posibilitățile masive; cum să screening cazurile suspecte într-o populație mare; cum să faceți față lipsei de profesioniști medicali și infecțiilor încrucișate în timpul tratamentului pacienților diagnosticați. Inteligența artificială (Al, ca unul dintre cele mai populare domenii din ultimii ani, rezolvă unele dintre probleme prin aplicarea de noi produse AI, care îmbunătățește eficiența prevenirii, controlului și diagnosticării bolilor.

Inteligența artificială ajută la monitorizarea și simularea tendinței de dezvoltare a epidemiei prin analizarea traseului activității oamenilor, pentru a avertiza din timp asupra zonelor potențiale de răspândire. AI poate, de asemenea, să analizeze căile de propagare, să localizeze contactele apropiate ale pacienților diagnosticați și să ia rapid carantină și tratament. Termocamera cu infraroșu cu tehnologie de recunoaștere a imaginii AI efectuează detectarea febrei în locuri publice pentru a localiza persoanele cu temperatură corporală anormală[1]. În dezvoltarea de noi medicamente, AI ajută la screeningul celor mai puternice medicamente antivirale și antiinflamatoare din sute de medicamente pentru dezvoltare ulterioară [2]. În diagnostic și tratament, modelul Deep Neural Network (DNN) a fost adoptat pentru a recunoaște datele grafice de tomografie computerizată (CT plus AI) pentru a ajuta medicii să pună rapid diagnostice.

Provocări cu care se confruntă „CT plus AI” pentru a ajuta la diagnosticarea COVID-19

Aplicarea Inteligenței Artificiale în radiologie a atras o atenție deosebită. DNN a fost utilizat pe scară largă în diferite tehnologii de scanare medicală, de exemplu, diagnosticul pneumoniei pe radiografia digitală toracică (DR)[3-5], detectarea nodulilor pulmonari canceriși [6] și tuberculoza [7], detectarea fracturilor, și predicția vârstei osoase prin radiografie [8-10].examinarea și evaluarea radiografiilor mamare [11,12]; depistarea și diagnosticarea nodulilor pulmonari [13,14], pneumoniei [15], maselor hepatice [16], cancerului pancreatic[17] și fracturilor de compresie vertebrală [18]pe imagini CT; conturează ventriculul din inimă imagistica prin rezonanță magnetică [19]. O inspecție cu ultrasunete, modelul AI poate efectua diagnosticul și analiza cantitativă a imagisticii cardiace [20.21]. precum și depistarea ecografică a nodulilor tiroidieni și diagnosticul de benign și malign [22,23](Tabelul 1).

În diagnosticul noilor pneumonii cu coronavirus, CT, DR și ultrasunetele sunt utilizate în mod obișnuit tehnici de examinare imagistică, în procesele și scenariile respective în funcție de propriile caracteristici. CT este prioritară în stadiul incipient al depistarii leziunilor printre ei. Deoarece „Programul de diagnostic și tratament al pneumoniei COVID-19 (Versiunea de încercare 5)” este lansat, diagnosticul imagistic CT este, de asemenea, inclus în standardele de diagnostic clinic ale noului COVID-19 [24]. Cu toate acestea, diagnosticul unui singur pacient necesită observarea manuală a mai mult de o sută de imagini CT, Cu un număr mare de nevoi clinice, medicii suferă un volum mare de muncă cu eficiență scăzută. Tehnologia AI activată de software poate rezolva aceste blocaje clinice. Inspecția CT a devenit soluția de imagistică preferată pentru actualul software AI de diagnosticare a pneumoniei datorită preciziei sale ridicate, standardelor unificate și acumulării profunde de date și tehnologie din industrie [27. În aplicațiile practice, modelele de diagnosticare pot identifica imaginea pneumoniei printr-un algoritm specific pentru a prezice dacă este bolnavă [27-29]. Modelul de analiză cantitativă a plămânilor poate detecta locația leziunii, număra numărul de leziuni, conturează domeniul de aplicare a leziunii, poate calcula rata de infecție a zonei leziunii pulmonare și poate coopera cu software-ul de urmărire pentru a gestiona progresia bolii și a evalua prognostic [28]. Ajutat de software, volumul de muncă al medicilor este redus, iar viteza și acuratețea diagnosticului și tratamentului sunt îmbunătățite, cu toate acestea, este important să se sublinieze unele probleme comune în cercetarea diagnosticului CT al pneumoniei cu coronavirus asistată de Al, după cum urmează:

Design de studiu

În noul diagnostic CT al pneumoniei COVID-19, proiectarea modelului ar trebui luată în considerare în mod divers pentru a adapta diferite faze de diagnostic și tratament în etapa cea mai inițială a dezvoltării modelului de diagnostic „CT plus AI”. De exemplu, grupul de control utilizat pentru antrenamentul modelului de screening precoce ar trebui să fie diferențiat de grupul ales în antidiastolă: 1) Deciziile în problema de screening precoce preferă sensibilitatea ridicată pentru a separa cazurile suspecte de populația sănătoasă, prin urmare, eșantioanele de caz de control instruite de către modelul AI ar trebui să fie imagini CT ale plămânilor sănătoși față de imagini ale plămânilor nesănătoși. Cazurile de plămâni nesănătoși sunt compuse din mai multe tipuri de pneumonie suspecte pentru a asigura performanța modelului unei rate scăzute de diagnosticare ratată. 2) În scenariul antidiastolic, capacitatea de specificitate ridicată este esențială pentru a distinge noul pneumonie cu coronavirus de acele pneumonii cauzate de alte infecții. Mai concret, având în vedere circumstanțele clinice reale, designul de control ideal ar trebui să compare două grupuri cu simptome clinice similare sau antecedente epidemiologice, cum ar fi febră, tuse, anomalii ale imaginii pulmonare CT, dar rezultate negative și pozitive la testul de acid nucleic (sau alte standarde de aur diagnostice) . Un astfel de design a fost menit să consolideze caracteristicile radiomice mai distinctive ale noii pneumonii cu coronavirus. În plus, metrica de evaluare aleasă pentru evaluarea performanței modelului trebuie luată în considerare cu atenție. De exemplu, atunci când se evaluează un model de diagnostic „CT plus AI”, raportul de precizie nu este un indicator adecvat care poate evalua pe deplin modelul. Dezechilibrul dintre probele pozitive și negative de date de testare ar duce la o problemă de supraestimare a performanței (de exemplu, un set de test format din 96 de cazuri pozitive și 4 negative ar putea atrage un model naiv, oferind o precizie ridicată de până la 96 la sută, chiar dacă modelul doar spune pozitiv).Software-ul de diagnostic AI este aplicat în probleme clinice specifice pentru o mai bună capacitate și eficiență. Înainte de implementare, obiectivele studiului trebuie clarificate și clarificate pentru problemele clinice specifice. Apoi ar trebui realizată o proiectare a metodologiei într-un mod științific. De asemenea, trebuie formulat un plan complet de cercetare. Obiectele de studiu, regula de incluziune-exclusivitate și valorile evaluării obiectivelor ar trebui luate în considerare pe deplin. Conducerea cu design științific, riscul de părtinire poate fi minimizat, pot fi obținute dovezi de cercetare de înaltă calitate și pot fi furnizate îndrumări de încredere pentru aplicarea clinică.

Implementarea cercetării

Procesul de instruire al modelului DNN de inteligență artificială este bazat exclusiv pe date. Se bazează pe un număr mare de mostre de imagini etichetate cu precizie în timpul fazei de antrenament. Cu cât cantitatea de date este mai mare, cu atât performanța discriminativă a modelului este mai bună. Sistemul de diagnosticare a retinopatiei diabetice, ca dispozitiv medical AI, dezvoltat de gigantul tehnologic american Google a trecut de a doua fază a studiilor clinice. Procesul de instruire al sistemului folosește 130 de milioane de imagini din 10,000 cazuri, ceea ce este aproape de nivelul experților medicali [30]. În schimb, deși unitățile medicale desemnate au acumulat noi date de imagine CT cu coronavirus în cooperare cu producătorii de tehnologie pentru instruirea și dezvoltarea de software în epidemie, suma totală este relativ mică, iar distribuția este relativ dispersă, plus resursa limitată a experților în imaginea CT. etichetarea în etapa inițială, rezultând doar un set mic de date disponibil pentru formarea modelului și greu de garantat calitatea etichetării. Datele insuficiente de antrenament pot face ca modelul DNN să „amintească” informații din imaginile CT care nu sunt relevante pentru diagnosticul real datorită caracteristicilor sale structurale cu putere expresivă puternică, provocând supraadaptare și reducând capacitatea de a judeca datele viitoare. Pentru a obține un efect de antrenament suficient în condițiile unui volum mai mic de date, este adesea necesar să se proiecteze o structură de model intern mai complexă și abilități de antrenament a modelului, ceea ce crește și dificultatea implementării.

Luare în considerare asupra excepționalismului nou al COVID-19

Pe baza experienței clinice, imaginea CT toracică a noii pneumonii cu coronavirus are caracteristicile unei „imagine similare, dar diferite boli”. Este greu de distins după ochii omului, ceea ce crește dificultatea în antidiastolă. Dificultatea este mai proeminentă dacă dimensiunea eșantionului de antrenament este mică. În plus, ca unul dintre criteriile de diagnostic ale noului COVID-19, rezultatele trusei de acid nucleic arată specificitate ridicată, dar sensibilitate scăzută. Dacă este folosit pentru etichetarea probelor de antrenament ca standard de aur, eșantioanele pozitive reale ar tinde să fie marcate greșit drept negative. Antrenamentul cu datele etichetate greșit va reduce direct performanța modelului.

Verificarea fiabilității diagnosticului AI

Nu este de încredere să se evalueze efectul diagnosticului doar prin testul intern al datelor după implementarea modelului de diagnosticare AI. Elementul de confuzie de sub datele cauzate de diferite modele de echipamente CT, regiuni geografice, mediul clinic real, variația virusului și alți factori ar putea afecta rezultatul de diagnostic al modelului. Modelul abia poate avea capacitatea de a face față acestor factori de confuzie cu teste de date interne limitate. Când software-ul de diagnosticare AI este pus în uz clinic fără validare completă, acesta poate fi repetat doar prin instruire și optimizare offline, deoarece nu poate îmbunătăți nivelul de diagnostic și tratament continuând să învețe cazuri noi, cum ar fi medicii umani. În comparație cu diagnosticarea greșită a unui medic uman, potențialele riscuri iatrogenice cauzate de limitările software-ului de calculator vor fi mai proeminente. Conform noii versiuni a „Catalogului de clasificare a dispozitivelor medicale” (CFDA 2017 Nr.143), software-ul de diagnostic AI, ca dispozitiv medical, ar trebui să procedeze cu un audit sistematic și o simulare extinsă, chiar și studii clinice prospective, pentru a verifica pe deplin acuratețea. și fiabilitatea diagnosticului clinic. Grupul de Inteligență Artificială al Institutului Național de Control al Alimentelor și Drogurilor (NIFDC) a stabilit un sistem de securitate al dispozitivelor medicale AI și a stipulat metoda de testare bazată pe verificarea setului de date standard [30]. În prezent, nu există o bază de date standard pentru noua entitate de boală COVID-19, așa că este dificil să se verifice acuratețea de repetabilitate ridicată a software-ului AI existent în majoritatea diagnosticelor de scanare medicală din lumea reală.

Îmbunătățiți calitatea și standardizarea științifică a modelului de diagnostic „CT plus AI”.

Aplicarea inteligenței artificiale în industria medicală este încă într-un stadiu incipient în China, în timp ce a primit o atenție puternică și o dezvoltare rapidă în ultimii ani, care a fost chiar inclusă în planul strategic național [30]. Multe produse de inteligență artificială au arătat perspective promițătoare în domeniul medical. În următoarea etapă, pentru comercializare, accentul industriei va fi pe cercetarea de proiectare din punct de vedere științific și pe standardizarea procesului de implementare și verificare; să dezvolte inteligenta artificială în industria medicală în mod sănătos, să standardizeze gestionarea produselor de diagnosticare asistate de Al conform specificațiilor New Medical Apparatus. Deși multe produse de inteligență artificială care au apărut în timpul epidemiei au adus confort medicilor în diagnosticarea și tratamentul bolii, rigoarea științifică generală și fiabilitatea calității necesită încă îmbunătățiri și perfecționări suplimentare.

Îmbunătățiți designul studiului tehnologiei AI în problemele clinice

În prezent, majoritatea cercetărilor privind noul diagnostic asistat de COVID{0}} CT utilizează metode retrospective de caz-control. Unul dintre avantaje este obținerea rapidă a diverselor informații de la subiecții de cercetare limitati, în timp ce există riscul de părtinire. Probele din studiile caz-control ar trebui luate din totalul cazurilor de diagnostic sau selectate aleatoriu dintre acestea, cu toate acestea, din cauza surselor limitate, probele nu pot reprezenta toți pacienții. Eșantionarea de control special poate fi utilizată pentru a reduce părtinirea și pentru a spori nivelul de evidență în funcție de situația reală, de exemplu, selectarea cazurilor din aceeași instituție medicală, folosind două sau mai multe grupuri de control și potrivirea variabilelor. În evaluarea performanței modelului de diagnostic, graficul ratei pozitive adevărate și ratei pozitive false (curba caracteristică de funcționare a receptorului (curba ROC)) poate fi utilizată pentru a compara interpretarea algoritmului AI cu evaluarea medicului sau aria sub curbă (AUC) ca referința la performanța modelului. Chiar și așa, este încă dificil de explicat pe deplin beneficiile clinice bazându-se exclusiv pe comparație sau indicatori, alți factori de luare a deciziilor clinice, în realitate, trebuie luați în considerare și pentru o evaluare cuprinzătoare.

Îmbunătățirea acurateței etichetei, extinderea numărului și dimensiunii mostrelor de instruire în timpul procesului de implementare a modelului

În stadiul primar, modelele antrenate printr-un număr mic de mostre de imagini CT au prezentat deja o tendință bună. De-a lungul timpului, mai multe cazuri ar îmbunătăți suportul de bază mai bun în formarea modelului. Cu cât sunt mai multe imagini învățate, cu atât potențialul mai mare de a învinge dificultatea „aceleași imagini, cazuri diferite” în diagnosticul COVID-19. Ca răspuns la această situație, pe baza datelor de imagine CT, modelul poate extinde, de asemenea, domeniul de informații prin combinarea semnalelor clinice ale pacientului, epidemiologie, examen de laborator și alte date pentru a evalua cuprinzător boala și pentru a îmbunătăți acuratețea diagnosticului. Îmbunătățirea acurateței etichetării probelor poate fi realizată prin optimizarea strategiei standard de aur. Aplicați mai multe intervale de test de acid nucleic pentru a compensa posibilitatea unui singur rezultat fals negativ sau verificați încrucișat rezultatul referindu-se la alte truse de diagnosticare, cum ar fi detectarea anticorpilor IgM/lgG.

Stabiliți o nouă bază de date standard de testare a pneumoniei cu coronavirus

După implementarea și verificarea internă a modelării AI, este necesară verificarea externă a fiabilității printr-un sistem standard de testare a bazei de date. În ceea ce privește sistemul de baze de date standard stabilit pentru bolile fundului de ochi și nodulii pulmonari, entitățile bolii provin din diferite instituții medicale din țară, inclusiv din zone subdezvoltate. Datele conțin o varietate de specificații și sunt compatibile cu dispozitive din diferite modele și parametri. Medicii care participă la etichetarea datelor de testare au experiență în cercetarea medicală AI și au fost bine pregătiți. O echipă specială de cercetare va fi formată din medici cu mare acuratețe, stabilitate, plus experiență clinică îmbogățită. Setul de date standard de testare șterge urmele companiei și ale mașinii și controlează cu strictețe părtinirea datelor pentru a asigura o evaluare corectă și obiectivă a performanței într-un mediu închis [30]. Pentru a rezuma, este dificil să stabiliți o nouă bază de date standard COVID-19 CT bazându-vă exclusiv pe instituții individuale. Națiunea ar trebui să ofere sprijinul corespunzător în perioada specială a epidemiei. De exemplu, înființați rapid un nou grup special de inteligență artificială COVID-19 care să ghideze și să coordoneze cooperarea și partajarea resurselor tuturor părților din țară și să formuleze în comun o bază de date specială pentru teste de boli și alte standarde de verificare.

Standardizați gestionarea datelor din cercetarea medicală cu inteligență artificială

La 3 iulie 2019, Centrul de Evaluare a Dispozitivelor Medicale a lansat „Punctele cheie ale revizuirii software-ului dispozitivelor medicale asistate la luarea deciziilor asistate de învățare profundă” (puncte cheie). Acesta oferă îndrumări tehnice pentru produsele medicale AI înregistrate ca dispozitive medicale de tip al treilea și elimină blocajul politicii înainte de lansarea produsului. Cu toate acestea, nu există restricții legale cu privire la etică și securitatea datelor. Inteligența artificială privind cercetarea medicală trebuie să se conformeze eticii și să protejeze securitatea și confidențialitatea datelor individuale. Dacă se pot formula legi și reglementări naționale sau regionale privind protecția vieții private a pacienților, în timp ce se poate stabili o platformă standardizată de gestionare a datelor pentru cercetare, un proiect de cercetare poate fi revizuit în mod eficient pentru a descoperi cu promptitudine potențialele riscuri în procesul de proiectare și implementare. Îndrumările privind securitatea datelor vor fi implementate pentru a evita riscul de a împiedica și distruge sănătatea umană.

Referinte:

1 zc [Internet]. Cum să utilizați inteligența artificială pentru a detecta și a lupta împotriva noului coronavirus [citat 20 martie 2020].

2. Huang Q[Internet]. Echipa academicianului Li Lanjuan a lansat: aceste două medicamente pot inhiba eficient noul coronavirus [citat 20 martie 2020].

3. Wang XS, Peng YF, Lu L și colab. ChestX-Ray8: Baza de date cu raze X toracice la scară spitalicească și repere privind clasificarea și localizarea frecvente a bolilor toracice slab supravegheate. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, pp. 3462-3471.

4. Li Z, Wang C, Han M, et al. Identificarea și localizarea bolilor toracice cu supraveghere limitată. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Învățare profundă în radiografia toracică: detectarea constatărilor și prezența modificării. Plus unu. 2018;13(10):e0204155. Publicat 4 octombrie 2018.

6. Nam JG, Park S, Hwang EJ și colab. Dezvoltarea și validarea algoritmului de detectare automată bazat pe învățarea profundă pentru nodulii pulmonari maligni pe radiografiile toracice. Radiologie, 2019.

7. Lakhani P, Sundaram B. Învățare profundă la radiografia toracică: clasificarea automată a tuberculozei pulmonare prin utilizarea rețelelor neuronale convoluționale. Radiologie. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Detectarea fracturilor de șold cu performanță la nivel de radiolog folosind rețele neuronale profunde. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: set mare de date pentru detectarea anomaliilor în radiografiile musculo-scheletale. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internet]. Învățarea profundă arată promițătoare pentru evaluarea vârstei osoase [citat 2017 15 noiembrie].

11. Yee KM[Internet]. Algoritmul AI se potrivește radiologilor la examenele de screening mamare [citat 2017 decembrie 13].

12. Lehman CD, Yala A, Schuster T, et al. Evaluarea mamografică a densității sânilor folosind Deep Learning: implementare clinică. Radiologie, 2019. 290(1): p. 52-58.

13. Ridley EL. Algoritmul de învățare profundă poate stratifica riscul nodulului pulmonar [citat 26 noiembrie 2017].

14. Ali I, Hart GR, Gunabushanam G, et al. Detectarea nodulilor pulmonari prin învățare de întărire profundă. Front Oncol. 2018;8:108. Publicat 2018 Apr 16. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Învățare profundă pentru clasificarea bolii pulmonare fibrotice pe tomografie computerizată de înaltă rezoluție: un studiu de cohortă de caz. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, et al. Învățare profundă cu rețeaua neuronală convoluțională pentru diferențierea maselor hepatice la CT dinamică cu contrast: un studiu preliminar. Radiologie. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD și colab. Reprezentarea formei comune și clasificarea pentru detectarea PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Detectarea fracturilor de compresie pe CT. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: Segmentare cardiacă cu ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Clasificarea vizuală rapidă și precisă a ecocardiogramelor folosind învățarea profundă. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Interpretare complet automatizată a ecocardiogramei în practica clinică. Tiraj, 2018. 138(16): p. 1623-1635.

22. Li XC, Zhang S, Zhang Q și colab. Diagnosticul cancerului tiroidian folosind modele de rețele neuronale convoluționale profunde aplicate imaginilor ecografice: un studiu retrospectiv, multicohort, de diagnostic. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, et al. O abordare îmbunătățită de învățare profundă pentru detectarea cancerului papilar tiroidian în imagini cu ultrasunete. Sci Rep. 2018;8(1):6600. Publicat 26 aprilie 2018.

24. Oficiul Comisiei Naționale de Sănătate [Internet]. Diagnosticul și tratamentul pneumoniei cu noul coronavirus (versiunea de probă a cincea) [citat 4 februarie 2020].

25. Alibaba DAMO Academy [Internet]. Ce părere aveți despre noua tehnologie de diagnosticare AI pentru imagistica CT a pneumoniei cu coronavirus dezvoltată de Academia Ali Damo, cu o rată medie de recunoaștere de 96% în mai puțin de 20 de secunde? [ 2020-02-19].

26. Imagistica unită. Cucerirea descoperirii „epidemiei” - noul sistem de analiză a asistentului inteligent al pneumoniei cu coronavirus uAI a fost lansat oficial [citat 10 februarie 2020]

27. Gozes O, Frid-Adar M, Greenspan H, et al. Ciclul de dezvoltare rapidă a IA pentru pandemia de coronavirus (COVID-19): rezultate inițiale pentru detectarea automată și monitorizarea pacienților cu ajutorul analizei imaginilor CT de învățare profundă. ArXiv abs/2003.05037 (2020): n. pag.

28. Huang L, Han R, Ai T, et al. Serial Cantitative Chest CT Assessment of COVID-19: Deep-Learning Approach. Radiologie: Imagistica cardiotoracică 2020 2:2.

29. Li L, Qin LX, Xu ZG și colab. Inteligența artificială deosebește COVID-19 de pneumonia dobândită de comunitate pe tomograful toracic. Radiologie. 2020;200905.

30. Jin YH, Qiu M J. China Artificial Intelligence Medical White Paper. Shanghai: Institutul de Inteligență Artificială al Universității Jiao Tong din Shanghai, 2019. (chineză)