蔡曉瓊，郭晶磊，黃繼漢，蘇前敏

1.上海工程技術(shù)大學(xué)電子電氣工程學(xué)院，上海201620；2.上海中醫(yī)藥大學(xué)基礎(chǔ)醫(yī)學(xué)院，上海201203；3.上海中醫(yī)藥大學(xué)藥物臨床研究中心，上海201203

前言

新型冠狀病毒肺炎（Coronavirus Disease 2019,COVID‐19）是由嚴(yán)重急性呼吸綜合征冠狀病毒2 型（SARS‐CoV‐2）引起的急性呼吸道傳染?。?‐2］，現(xiàn)已成為前所未有的公共衛(wèi)生危機(jī)，對(duì)人類生命安全構(gòu)成嚴(yán)重威脅。由于COVID‐19 的嚴(yán)重性，世界衛(wèi)生組織已將風(fēng)險(xiǎn)評(píng)估提高到最高水平，并宣布其為全球大流行［3］。截至2021年4月6日，根據(jù)約翰斯·霍普金斯大學(xué)發(fā)布的全球COVID‐19 疫情實(shí)時(shí)現(xiàn)狀報(bào)告，全球累計(jì)感染COVID‐19 病例已超過1.3 億，累計(jì)死亡人數(shù)超過285 萬，且呈增長趨勢［4］。經(jīng)臨床觀察發(fā)現(xiàn)，COVID‐19 的典型臨床癥狀包括干咳、呼吸困難、頭痛和發(fā)燒［5］，其他癥狀包括肌肉酸痛、困惑、胸痛和腹瀉，嚴(yán)重者或引起急性呼吸窘迫綜合征和敗血性休克，最終導(dǎo)致多器官衰竭甚至死亡［6］。因此，早期識(shí)別和及時(shí)治療危重病例至關(guān)重要。

隨著運(yùn)算能力和內(nèi)存存儲(chǔ)的快速增長、空前豐富的數(shù)據(jù)以及先進(jìn)算法的發(fā)展，人工智能（Artificial Intelligence,AI）已在應(yīng)對(duì)新型流感、SARS和MERS等流行病中發(fā)揮了重要作用，其應(yīng)用領(lǐng)域包括計(jì)算機(jī)視覺、語音識(shí)別、自然語言理解、數(shù)字病理數(shù)據(jù)分析等［7‐8］。自COVID‐19疫情爆發(fā)以來，研究者們進(jìn)行了多項(xiàng)基于AI的觀察性研究，包括探索疾病風(fēng)險(xiǎn)，監(jiān)測疾病軌跡，以及根據(jù)臨床數(shù)據(jù)、患者特征和醫(yī)學(xué)影像數(shù)據(jù)等各種數(shù)據(jù)來源開發(fā)診斷/預(yù)后模型等［9］。劉思遠(yuǎn)等［10］對(duì)AI在COVID‐19放射影像診斷、病例預(yù)測、疾病追蹤和藥物研發(fā)方面的應(yīng)用進(jìn)行了系統(tǒng)的綜述；本文在其基礎(chǔ)上對(duì)最新研究進(jìn)展及其他領(lǐng)域研究進(jìn)行補(bǔ)充概述?；诮贏I在COVID‐19不同場景中應(yīng)用的研究，本文介紹了最有發(fā)展前景的研究領(lǐng)域及相關(guān)技術(shù)，主要從輔助檢測與診斷，網(wǎng)絡(luò)信息監(jiān)測，生物醫(yī)學(xué)與藥物研發(fā)，疫情爆發(fā)識(shí)別、追蹤與預(yù)測以及臨床研究中的實(shí)際應(yīng)用這5個(gè)方面探討AI在抗擊COVID‐19中的應(yīng)用，旨在為疫情后期防控及今后大流行病的及時(shí)防治提供新的解決方案。

1 AI用于COVID‐19輔助檢測與診斷

基于深度學(xué)習(xí)的AI技術(shù)由于其出色的特征提取能力在醫(yī)學(xué)圖像領(lǐng)域發(fā)揮著重要作用。先進(jìn)的計(jì)算機(jī)輔助檢測與診斷技術(shù)依賴于最新的神經(jīng)網(wǎng)絡(luò)模型，如全卷積神經(jīng)網(wǎng)絡(luò)、ResNet、DenseNet、VGGNet、AlexNet、Inception和Xception等［11‐13］。近年來，AI輔助醫(yī)學(xué)影像檢測與診斷技術(shù)已在肺癌檢測與診斷、早期乳腺癌診斷、結(jié)腸息肉病變檢測和前列腺癌病變位置/惡性程度診斷等方面作出巨大貢獻(xiàn)［14‐17］。在COVID‐19疫情初期，逆轉(zhuǎn)錄聚合酶鏈反應(yīng)（RT‐PCR）是診斷COVID‐19的金標(biāo)準(zhǔn)，但其缺點(diǎn)在于檢測時(shí)間較長，且受到檢測試劑盒的數(shù)量限制。另一方面，檢測結(jié)果假陰性的情況可能會(huì)延遲治療時(shí)間，同時(shí)增加病毒傳播的風(fēng)險(xiǎn)，故快速檢測/診斷COVID‐19很有必要。AI技術(shù)已廣泛應(yīng)用于COVID‐19的醫(yī)學(xué)影像檢測/診斷研究，鄧靚娜等［18］和唐思源等［19］對(duì)影像學(xué)/AI輔助診斷技術(shù)在COVID‐19中的應(yīng)用進(jìn)行了初步概述。本文也對(duì)最新研究與技術(shù)方法進(jìn)行了系統(tǒng)性總結(jié)。

1.1 AI在COVID‐19圖像分割中的應(yīng)用

運(yùn)用AI技術(shù)處理COVID‐19圖像時(shí)，分割是必不可少的步驟之一。分割主要是提取胸部X射線圖像或CT圖像中的感興趣區(qū)域，如肺區(qū)、肺葉及肺部感染/病變區(qū)域，進(jìn)行進(jìn)一步評(píng)估和量化。對(duì)COVID‐19患者的CT掃描圖像進(jìn)行語義分割是一個(gè)至關(guān)重要的步驟，不僅有助于疾病的診斷，還有助于量化疾病的嚴(yán)重程度，從而實(shí)現(xiàn)對(duì)感染人群的優(yōu)先治療。Wu等［20］提出一種基于混合弱標(biāo)簽的深度學(xué)習(xí)方法，從CT圖像中學(xué)習(xí)感染與整合信息：源于患者資料的多種信息和人工標(biāo)記的感染輪廓。該深度學(xué)習(xí)模型主要包括基于強(qiáng)標(biāo)簽的肺部感染區(qū)域語義分割網(wǎng)絡(luò)（2D U‐Net）訓(xùn)練和基于患者資料弱標(biāo)簽整合后的語義分割網(wǎng)絡(luò)（2D U‐Net+期望最大化算法）訓(xùn)練這兩個(gè)部分。通過伊朗、意大利、韓國和美國的多機(jī)構(gòu)CT數(shù)據(jù)集來驗(yàn)證該模型的性能，結(jié)果發(fā)現(xiàn)該研究可用于預(yù)測感染區(qū)域以及與人工注釋具有良好相關(guān)性的整合區(qū)域。Wang等［21］對(duì)未經(jīng)增強(qiáng)的胸部CT掃描圖像進(jìn)行基于U‐Net網(wǎng)絡(luò)的模型訓(xùn)練以分割肺部渾濁，該模型可以自動(dòng)分析肺病變體積并預(yù)警陽性病例，從而加快患者分類。通過以放射學(xué)報(bào)告作為參考標(biāo)準(zhǔn)的外部數(shù)據(jù)集驗(yàn)證分類性能發(fā)現(xiàn)該方法用于標(biāo)記COVID‐19陽性病例的時(shí)間中位數(shù)為0.55 min；用于鑒別損傷負(fù)荷增加時(shí)，敏感性為96.2%，特異性為87.5%；用于輔助分類時(shí)，曲線下面積（Area Under Curve,AUC）為0.953，敏感性為92.3%，特異性為85.1%，陽性預(yù)測值和陰性預(yù)測值分別為0.790和0.948。在最新的一項(xiàng)研究中，Saood等［22］比較了SegNet和U‐Net這兩種結(jié)構(gòu)不同的深度學(xué)習(xí)技術(shù)，用于對(duì)CT肺部圖像中感染組織區(qū)域進(jìn)行語義分割，結(jié)果顯示在應(yīng)對(duì)二分類問題時(shí)，SegNet平均精度為0.954，標(biāo)準(zhǔn)差為0.029，而U‐Net平均精度為0.950，標(biāo)準(zhǔn)差為0.043；作為多類分割器時(shí)，SegNet平均精度為0.907，標(biāo)準(zhǔn)差為0.060，而U‐Net平均精度為0.908，標(biāo)準(zhǔn)差為0.065。

考慮到COVID‐19 在胸部X 射線中最常見的分布模式為雙側(cè)受累、外周分布和磨玻璃混濁［23］，Oh等［24］提出一種基于補(bǔ)丁的隨機(jī)補(bǔ)丁裁剪深度神經(jīng)網(wǎng)絡(luò)體系架構(gòu)，采用擴(kuò)展的FC‐DenseNet103 網(wǎng)絡(luò)執(zhí)行語義分割來提取肺和心臟輪廓，結(jié)合以ResNet‐18 作為骨干網(wǎng)絡(luò)的分類網(wǎng)絡(luò)，通過絕對(duì)多數(shù)投票法獲得最終的COVID‐19 病例分類結(jié)果。在驗(yàn)證集上，該模型的敏感性為92.5%，準(zhǔn)確率為88.9%，精確度為83.4%，召回率為85.9%，特異性為96.4%，F(xiàn)1 評(píng)分達(dá)0.844。另外，Roy等［25］設(shè)計(jì)的分割模型能夠在肺部B超圖像中，對(duì)包含背景、健康標(biāo)志物和不同階段下COVID‐19 生物標(biāo)志物的區(qū)域進(jìn)行分割與辨別，達(dá)到96%的像素精度和0.75 的二分類Dice 評(píng)分，該研究方案還可用于解釋模型預(yù)測的空間不確定性估計(jì)。

1.2 AI在COVID‐19圖像分類中的應(yīng)用

先進(jìn)的AI技術(shù)可以輔助COVID‐19病例分類與檢測并獲得較高的分類效果，減少人工處理時(shí)間，從而提高疫情防治效率。Abbas等［26］對(duì)基于類分解的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)進(jìn)行調(diào)整，提出一種DeTraC模型，用以提高預(yù)訓(xùn)練模型在從胸部X射線圖像中檢測COVID‐19病例的性能。研究對(duì)比了10 種預(yù)訓(xùn)練模型，并證明了DeTraC的類分解方法在使用遷移學(xué)習(xí)進(jìn)行知識(shí)轉(zhuǎn)化過程中的魯棒性與貢獻(xiàn)，其中VGG19的分類效果最佳：AUC為0.965 49，準(zhǔn)確率為97.35%，敏感性為98.23%，特異性為96.34%。Wang等［27］提出一種基于ResNet50和特征金字塔網(wǎng)絡(luò)的模型，對(duì)不同病例的胸部X射線圖像進(jìn)行訓(xùn)練，以區(qū)分健康志愿者、社區(qū)獲得性肺炎及COVID‐19。結(jié)果顯示，該模型對(duì)鑒別COVID‐19患者的效果較好，性能預(yù)測值達(dá)到99%，且無需任何模擬或預(yù)訓(xùn)練。在最新的一項(xiàng)胸部X射線圖像研究中，Pathan等［28］采用灰狼優(yōu)化算法和鯨魚優(yōu)化‐蝙蝠算法集成技術(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化，提高了模型的分類效果：COVID‐19病例的識(shí)別準(zhǔn)確率達(dá)到100%，兩種數(shù)據(jù)集的三分類準(zhǔn)確率分別為98.8%和96%。Wang等［29］運(yùn)用線性分類器、K近鄰算法、套索回歸和隨機(jī)森林這4種分類器對(duì)肺部CT圖像中的感染區(qū)域進(jìn)行分類，以區(qū)分COVID‐19陽性和陰性，結(jié)果表明套索回歸模型的性能效果與專業(yè)放射科醫(yī)生一致（Kappa=0.89）。韓冬等［30］采用計(jì)算機(jī)輔助分析平臺(tái)對(duì)患者胸部CT圖像的肺炎區(qū)域進(jìn)行自動(dòng)分割，計(jì)算得出肺炎密度分布特征并降維至32個(gè)特征后，通過將上述特征作為自變量進(jìn)行支持向量機(jī)（Support Vector Machine, SVM）建模，發(fā)現(xiàn)多項(xiàng)式SVM模型鑒別診斷效果較好，其AUC為0.897，準(zhǔn)確性、敏感性和特異性均為0.906。Chen等［31］探討了利用遷移學(xué)習(xí)對(duì)胸部CT 圖像的識(shí)別，結(jié)果顯示預(yù)訓(xùn)練的ResNet50 模型獲得的最佳性能是94.87%的敏感性，88.46%的特異性，識(shí)別COVID‐19的準(zhǔn)確率為91.21%，測試集中的三分類（正常、COVID‐19和其他肺炎）總體準(zhǔn)確率為89.01%，而通過預(yù)訓(xùn)練的ResNet18獲得最佳的總體準(zhǔn)確率為94.08%，AUC為0.993。

1.3 AI在COVID‐19其他圖像任務(wù)中的應(yīng)用

據(jù)世界衛(wèi)生組織關(guān)于疫情防控的相關(guān)建議，在公共場所佩戴口罩是最有效的保護(hù)措施。在病毒完全消失之前，口罩有助于降低疫情傳播風(fēng)險(xiǎn)，同時(shí)可預(yù)防通過空氣傳播感染的其他傳染性疾病。為了從人群中快速識(shí)別未佩戴口罩的目標(biāo)，Loey 等［32］提出一種基于深度學(xué)習(xí)和經(jīng)典機(jī)器學(xué)習(xí)算法的口罩檢測模型，該模型由ResNet50 特征提取模塊與經(jīng)典機(jī)器學(xué)習(xí)分類模塊構(gòu)成，對(duì)比發(fā)現(xiàn)SVM 在訓(xùn)練過程中耗費(fèi)最少的時(shí)間得到了最高的準(zhǔn)確性。類似地，Singh等［33］使用兩種先進(jìn)的目標(biāo)檢測方法（YOLOv3 和faster R‐CNN）進(jìn)行口罩識(shí)別，發(fā)現(xiàn)使用YOLOv3 算法的模型可能更適用于真實(shí)世界的監(jiān)控?cái)z像頭或其他設(shè)備中，因?yàn)槠淇梢赃M(jìn)行單階段檢測，并且相比其他目標(biāo)檢測模型，推理時(shí)間更短。在全球范圍內(nèi)爆發(fā)COVID‐19 的情況下，大多數(shù)人臉識(shí)別系統(tǒng)由于面部佩戴口罩而檢測失敗，Priyadharshini 等［34］提出了一種用于人耳識(shí)別的6 層深度卷積神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，對(duì)IITD‐II 數(shù)據(jù)集和AMI 數(shù)據(jù)集的識(shí)別率分別達(dá)到97.36%和96.99%，并使用AMI Ear 數(shù)據(jù)集在非控制環(huán)境下驗(yàn)證了該系統(tǒng)的魯棒性。

2 AI在網(wǎng)絡(luò)信息監(jiān)測中的應(yīng)用

社交媒體已成為危機(jī)期間促進(jìn)風(fēng)險(xiǎn)傳播的重要渠道，可用于衡量公眾對(duì)突發(fā)公共衛(wèi)生事件的關(guān)注度，如H7N9、埃博拉病毒、MERS 和登革熱等［35‐38］。自COVID‐19 爆發(fā)以來，公眾主要通過世界衛(wèi)生組織、各國疾病預(yù)防控制中心及專業(yè)新聞媒體的官方網(wǎng)站/社交渠道等途徑獲得可靠的疫情相關(guān)信息。其次，由于網(wǎng)絡(luò)信息的可訪問性與及時(shí)性，國內(nèi)外公共社交平臺(tái)（如新浪微博、Reddit、Twitter、YouTube、Instagram）和在線醫(yī)學(xué)論壇在傳播相關(guān)信息時(shí)也顯示了其重要性。作為一種快速處理大批量數(shù)據(jù)的數(shù)據(jù)挖掘工具，AI已被應(yīng)用于實(shí)時(shí)監(jiān)測社交網(wǎng)絡(luò)動(dòng)態(tài)，早期識(shí)別COVID‐19 癥狀及挖掘相關(guān)主題的社交情緒以改善疫情傳播情況［39］。

為了從輿論中發(fā)現(xiàn)與COVID‐19 相關(guān)的問題，Jelodar 等［40］采用基于主題建模的自然語言處理方法，從Reddit 社交新聞?wù)军c(diǎn)中挖掘與COVID‐19 相關(guān)的討論，并設(shè)計(jì)基于長短期記憶網(wǎng)絡(luò)的深度學(xué)習(xí)模型對(duì)相關(guān)用戶評(píng)論進(jìn)行情感分類，了解大眾對(duì)COVID‐19問題的正面或負(fù)面意見，為相關(guān)決策提供參考，以改善健康策略。Cresswell 等［41］開發(fā)了一種基于集成的新型AI 模型，通過結(jié)合最先進(jìn)的詞庫規(guī)則技術(shù)與深度學(xué)習(xí)方法，對(duì)Facebook 和Twitter 平臺(tái)內(nèi)英國地區(qū)發(fā)布的帖子與推文進(jìn)行情感分類與情感空間映射，發(fā)現(xiàn)平均積極情緒遠(yuǎn)遠(yuǎn)超過消極情緒，且情緒類型之間存在6 倍差異。另一部分研究則針對(duì)美國用戶在Twitter 平臺(tái)上發(fā)布的英語社交媒體數(shù)據(jù)進(jìn)行調(diào)查與分析，確定醫(yī)療環(huán)境、情感支持、商業(yè)經(jīng)濟(jì)、社會(huì)變革和心理壓力等COVID‐19 相關(guān)語義主題，還準(zhǔn)確地預(yù)測了在研究期間個(gè)人構(gòu)念的流行趨勢［42‐44］。這類統(tǒng)計(jì)學(xué)貢獻(xiàn)對(duì)于確定在線社區(qū)的積極和消極行為及收集用戶意見以幫助研究人員和臨床醫(yī)生更好地了解人們?cè)谖＜鼻闆r下的行為具有較高參考價(jià)值。Ebadi等［45］利用機(jī)器學(xué)習(xí)方法提取了研究主題、出版物相似度和情感的時(shí)間演變，發(fā)現(xiàn)PubMed 和ArXiv 平臺(tái)內(nèi)現(xiàn)有出版物類型存在顯著差異。前者出版的相關(guān)文章類型更具多樣性，而后者更側(cè)重于監(jiān)測/診斷COVID‐19 的智能系統(tǒng)/工具。通過對(duì)各層面進(jìn)行綜合分析，可以幫助決策者更好地了解COVID‐19 的研究動(dòng)態(tài)，有助于戰(zhàn)略制定或調(diào)整。

此外，基于AI 的網(wǎng)絡(luò)信息監(jiān)測還可以幫助患者在武漢封閉期間及早獲得關(guān)注，以便政府和衛(wèi)生部門識(shí)別高危患者并采取相應(yīng)措施。Huang 等［46］通過新浪微博及時(shí)獲取公眾需求信息，收集疑似或?qū)嶒?yàn)室確診患者的特征、患者在武漢市的分布情況以及幫助者與患者之間的關(guān)系。研究發(fā)現(xiàn)，在新浪微博上尋求幫助的患者均來自武漢，大多數(shù)是老年人，伴有發(fā)熱癥狀，并且胸部CT發(fā)現(xiàn)有毛玻璃樣渾濁。

3 AI在生物醫(yī)學(xué)與藥物治療中的應(yīng)用

由于疫情早期缺乏特異性藥物，臨床研究者將現(xiàn)有藥物作為主要研究對(duì)象，進(jìn)行大量的重復(fù)性試驗(yàn)。結(jié)果表明瑞德西韋（Remdesivir）、羥氯喹（Hydroxychloroquine）、洛匹那韋/利托那韋（Lopinavir/ritonavir,LPV/r）和免疫調(diào)節(jié)劑這4種被大量研究的非特異性抗病毒藥物對(duì)COVID‐19均無顯著療效［47‐50］。因此，在沒有經(jīng)臨床驗(yàn)證的藥物和疫苗的情況下，部分研究者開始運(yùn)用AI技術(shù)以輔助新藥設(shè)計(jì)、現(xiàn)有藥物挖掘及疫苗研發(fā)［51‐54］。Gysi等［55］結(jié)合AI、網(wǎng)絡(luò)傳播和網(wǎng)絡(luò)距離算法構(gòu)建藥物再利用網(wǎng)絡(luò)醫(yī)學(xué)框架，通過比較COVID‐19疾病模塊與其他299個(gè)疾病模塊之間的距離推出兩種疾病的相關(guān)性，進(jìn)一步評(píng)估現(xiàn)有藥物再利用方法的性能。該方法不僅從918種藥物中預(yù)測出6種潛在的候選藥物，還提出一種快速確定治療方法的算法工具集，旨在為傳統(tǒng)新藥開發(fā)期間填補(bǔ)疾病治療空白。而Santana等［56］使用深度學(xué)習(xí)模型對(duì)SARS‐CoV‐2主蛋白酶（Main Protease,Mpro）抑制劑進(jìn)行從頭設(shè)計(jì)和生物活性預(yù)測，為快速確定應(yīng)對(duì)的抗病毒藥物提供可能。類似地，Ghosh 等［57］分析發(fā)現(xiàn)雜環(huán)核如二唑、呋喃和吡啶對(duì)Mpro抑制具有明顯的積極作用，而噻吩、噻唑和嘧啶則可能呈消極作用。在當(dāng)前針對(duì)SARS‐CoV‐2的活性化合物稀缺的情況下，AI提供的解決方案可加快特效藥/新藥的研發(fā)與優(yōu)化。此外，部署安全有效的疫苗亦是減輕疾病嚴(yán)重程度與控制病毒傳播的關(guān)鍵。Saad‐Roy等［58］基于輝瑞/BioNTech、Moderna和牛津/阿斯利康這3種現(xiàn)有疫苗來選擇參數(shù)（包括流行病學(xué)與病毒進(jìn)化方面的考慮因素等），對(duì)疫苗注射機(jī)制進(jìn)行建模假設(shè)，模型預(yù)測結(jié)果表明在部分群體免疫力的某些條件下，一劑政策可能會(huì)增加抗原進(jìn)化的可能性，這一發(fā)現(xiàn)為當(dāng)前COVID‐19及預(yù)防未來的流行病部署疫苗的若干考慮奠定了基礎(chǔ)。

4 AI在COVID‐19識(shí)別、追蹤與預(yù)測中的應(yīng)用

Susceptible‐Infected‐Recovered（SIR）模型是傳染病模型中最經(jīng)典的模型之一，該模型的3個(gè)變量分別代表易感者（S）、感染者（I）和康復(fù)者（R）［59］，傳統(tǒng)的SIR模型忽略傳播率β與恢復(fù)率γ的時(shí)變性以及二次感染的可能性，無法直接用于COVID‐19傳播預(yù)測。為提高疫情監(jiān)測的敏感性與準(zhǔn)確性，Katris［60］利用改進(jìn)的時(shí)間序列模型（TES、ARIMA和ANN模型的組合模型）、對(duì)數(shù)正態(tài)分布和tSIR流行病學(xué)模型建立了一種基于時(shí)間序列的數(shù)據(jù)驅(qū)動(dòng)統(tǒng)計(jì)模型，通過希臘疫情數(shù)據(jù)對(duì)預(yù)期發(fā)病率和疫情下降趨勢進(jìn)行預(yù)測，并使用指數(shù)曲線法計(jì)算出基本傳染數(shù)R0。同時(shí)，該方案也適用于其他流行病的追蹤與預(yù)測，為流行病學(xué)建模提供了新思路。Singh等［61］在收集印度全國/各州的疫情傳播數(shù)據(jù)（包括確診病例數(shù)、人口統(tǒng)計(jì)和環(huán)境因素等）的基礎(chǔ)上，通過卡爾曼濾波預(yù)測算法對(duì)未來的COVID‐19病例數(shù)增長趨勢及發(fā)展情況進(jìn)行預(yù)測，發(fā)現(xiàn)其結(jié)果與7 d內(nèi)確診病例數(shù)高度相關(guān)，更適用于短期傳播預(yù)測。Al‐qaness等［62］提出一種新型短期時(shí)間序列預(yù)測模型，通過混沌迭代的海洋捕食者算法增強(qiáng)自適應(yīng)神經(jīng)模糊推理系統(tǒng)預(yù)測能力，避免傳統(tǒng)自適應(yīng)神經(jīng)模糊推理系統(tǒng)的缺點(diǎn)，有助于高風(fēng)險(xiǎn)地區(qū)決策者制定應(yīng)對(duì)計(jì)劃。由于檢測率不一及統(tǒng)計(jì)病例數(shù)的時(shí)滯等復(fù)雜因素使得難以在現(xiàn)有數(shù)據(jù)中進(jìn)行準(zhǔn)確追蹤/識(shí)別，Zohner等［63］提出一個(gè)基于Python的網(wǎng)絡(luò)應(yīng)用（COVID‐TRACK），以便實(shí)時(shí)追蹤與COVID‐19相關(guān)的測試、發(fā)病率、住院率和死亡人數(shù)等多種信息。該動(dòng)態(tài)應(yīng)用程序以清晰簡潔的方式提供了對(duì)現(xiàn)有數(shù)據(jù)的多角度和整體看法，可在未來幾個(gè)月內(nèi)跨地區(qū)監(jiān)測疫情趨勢，為COVID‐19及未來爆發(fā)期間的政策制定提供參考。

5 AI在COVID‐19臨床研究中的應(yīng)用

臨床研究是指以人類志愿者（也稱為參與者）為主要研究對(duì)象，旨在增加與疾病治療、診斷和預(yù)防相關(guān)的醫(yī)學(xué)知識(shí)的研究，其主要類型為臨床試驗(yàn)（或干預(yù)性研究）和觀察性研究［64］。為進(jìn)一步探討AI技術(shù)對(duì)COVID‐19的影響，收集了中國臨床試驗(yàn)注冊(cè)中心網(wǎng)絡(luò)平臺(tái)相關(guān)研究的注冊(cè)信息，通過人工審核注冊(cè)題目與研究方案進(jìn)行歸類總結(jié)，以分析AI在COVID‐19臨床研究中的實(shí)際應(yīng)用情況。目前共有32項(xiàng)基于AI技術(shù)的COVID‐19臨床研究在平臺(tái)中完成注冊(cè)（含已撤回研究），應(yīng)用領(lǐng)域有輔助診斷、預(yù)警/預(yù)測模型構(gòu)建、遠(yuǎn)程監(jiān)測/管理平臺(tái)搭建、智能采樣機(jī)器人、AI輔助治療、疫苗研發(fā)系統(tǒng)及智能化醫(yī)療設(shè)備開發(fā)，具體應(yīng)用情況如圖1所示。值得注意的是，廣州醫(yī)科大學(xué)附屬第一醫(yī)院與上海中醫(yī)藥大學(xué)附屬曙光醫(yī)院發(fā)起了兩項(xiàng)（鼻）咽拭子采樣機(jī)器人研究（注冊(cè)號(hào)分別為ChiCTR2000030861 和ChiCTR2000035985），期望通過遙控與局部自主結(jié)合的方式實(shí)現(xiàn)遠(yuǎn)程（鼻）咽拭子采樣工作，實(shí)現(xiàn)檢測的標(biāo)準(zhǔn)化、流程化、便捷化與智能化，同時(shí)避免醫(yī)護(hù)人員與患者直接接觸以降低醫(yī)護(hù)人員感染風(fēng)險(xiǎn)。綜上所述，AI在早期疫情防控中已發(fā)揮了重要作用，而臨床研究者開始將目光聚焦于“AI+臨床需求”，令A(yù)I真正應(yīng)用于COVID‐19臨床工作的各個(gè)方面，并持續(xù)高效地為臨床醫(yī)生提供支持。

圖1 AI在COVID-19臨床研究中的應(yīng)用Fig.1 Application of artificial intelligent in clinical study on COVID-19

6 結(jié)論與展望

本文總結(jié)了AI 技術(shù)應(yīng)對(duì)COVID‐19 的研究進(jìn)展，發(fā)現(xiàn)其主要從以下幾個(gè)重要方面為疫情防治做出貢獻(xiàn)：（1）基于醫(yī)學(xué)影像的輔助檢測與診斷，與其他臨床數(shù)據(jù)相結(jié)合，實(shí)現(xiàn)針對(duì)特定患者的預(yù)測；（2）利用智能物聯(lián)網(wǎng)收集與整合網(wǎng)絡(luò)數(shù)據(jù)，進(jìn)行大規(guī)模篩查與監(jiān)測，挖掘高價(jià)值信息；（3）探索預(yù)防措施與治療方案，具體包括藥物再利用、新藥研發(fā)及疫苗開發(fā)等；（4）識(shí)別、追蹤和預(yù)測疫情爆發(fā)，快速制定應(yīng)對(duì)方案；（5）與臨床研究相結(jié)合，探索AI 在醫(yī)學(xué)領(lǐng)域的實(shí)際應(yīng)用前景，以提高防治效率。

在有限的醫(yī)療資源面臨疫情巨大消耗的情況下，使用AI 技術(shù)來輔助診斷、監(jiān)測、尋找治療方法和公共衛(wèi)生決策，有助于提高抗擊大流行病的效率，但基于AI 的COVID‐19 應(yīng)用程序在開發(fā)過程中仍面臨諸如數(shù)據(jù)可用性與異質(zhì)性、臨床數(shù)據(jù)共享不足、模型的安全性和可解釋性的挑戰(zhàn)。因此在應(yīng)對(duì)未來的大流行病時(shí)，首先，應(yīng)及時(shí)提供相關(guān)的生物、臨床和開放數(shù)據(jù)（科學(xué)出版物和數(shù)據(jù)庫），以便后續(xù)的數(shù)據(jù)轉(zhuǎn)化、挖掘及分析；其次，在提高模型精確度的同時(shí)也必須提供足夠的可解釋性依據(jù)，以證明預(yù)測結(jié)果在醫(yī)學(xué)中的有效性與準(zhǔn)確性；最后，物聯(lián)網(wǎng)、5G、云計(jì)算、邊緣計(jì)算和大數(shù)據(jù)技術(shù)與醫(yī)療的結(jié)合也是當(dāng)下研究熱點(diǎn)，探索新一代信息技術(shù)對(duì)應(yīng)對(duì)大流行病傳播具有現(xiàn)實(shí)意義與實(shí)際應(yīng)用價(jià)值。

綜上所述，AI積極用于應(yīng)對(duì)COVID‐19是一項(xiàng)革命性、創(chuàng)新性的舉措，在此基礎(chǔ)上的快速解決方案能夠增強(qiáng)預(yù)防、及時(shí)控制、提高診斷、高效治療、精準(zhǔn)預(yù)后，同時(shí)也要考慮其在醫(yī)療領(lǐng)域中亟待解決的一些問題。目前，實(shí)現(xiàn)將“AI+醫(yī)療”解決方案調(diào)整為新常態(tài)的應(yīng)對(duì)機(jī)制以應(yīng)對(duì)疫情后期及未來可能發(fā)生的流行病，仍需計(jì)算機(jī)科學(xué)家與醫(yī)學(xué)領(lǐng)域?qū)＜业墓餐εc大量實(shí)踐。利用“AI+醫(yī)療”算法模型準(zhǔn)確生成結(jié)果、整合各種信息類型和來源、確保內(nèi)部工作機(jī)制可解釋，為醫(yī)療領(lǐng)域提供信息科學(xué)的前沿應(yīng)用，提升醫(yī)護(hù)人員診療效率和醫(yī)療服務(wù)能力。