El paper i el repte de la intel·ligència artificial en el nou diagnòstic de TC de pneumònia per coronavirus

Per a més informació:ali.ma@wecistanche.com

Destacats

Aquest article considera novament la cientificitat i la normativitat basada en els requisits metodològics d'un assaig clínic, pel que fa al procés de desenvolupament de programari d'intel·ligència artificial (IA) com a assaigs clínics d'investigació de diagnòstic d'imatges de tomografia computeritzada (TC). El document també planteja 4 maneres de promoure el programari de diagnòstic d'IA que ajudin en problemes clínics reals i ofereixen als pacients beneficis clínics reals.

Feu clic per als efectes secundaris de cistanche i per a la immunitat

Resum

A principis de 2020, la nova pneumònia coronavirus(COVID-19)va esclatar a la Xina. Molts productes relacionats amb la medicina han aparegut ràpidament en el camp de la Intel·ligència Artificial (IA), que ha tingut un paper important en la lluita contra la pandèmia. Aquest article resumeix l'estat actual de la investigació i l'aplicació de la IA en radiologia i control de pandèmies i analitza els problemes comuns de la tecnologia d'IA en la recerca deCOVID-19diagnòstic. Inclou principalment les reflexions sobre el disseny d'estudis clínics, les dificultats en la implementació de la investigació i els reptes en la verificació de la fiabilitat dels models d'IA. En resposta a les dificultats anteriors, es proposen suggeriments per optimitzar la cientificitat i la qualitat de la investigació diagnòstica d'IA.

Paraules clau:COVID-19pandèmia, Intel·ligència artificial, Tomografia computeritzada, Investigació clínica

El paper important dels productes diversificats d'intel·ligència artificial en la lluita contra l'epidèmia

A principis de 2020, l'esclat de lapneumònia pel recent coronavirus(Coronavirus, COVID-19) posar la implementació de la prevenció i el control de malalties en un gran repte. Per exemple, com mesurar ràpidament la temperatura corporal de tothom en un centre de trànsit amb un gran flux de trànsit; com detectar ràpidament els possibles fàrmacs efectius entre possibilitats massives; com detectar casos sospitosos en una gran població; com fer front a l'escassetat de professionals mèdics i la infecció creuada durant el tractament dels pacients diagnosticats. La intel·ligència artificial (Al, com un dels camps més populars dels darrers anys, resol alguns dels problemes mitjançant l'aplicació de nous productes d'IA, que milloren l'eficiència de la prevenció, el control i el diagnòstic de malalties.

La IA ajuda a supervisar i simular la tendència de desenvolupament de l'epidèmia mitjançant l'anàlisi del rastre de l'activitat de les persones, per avisar aviat les àrees potencials de propagació. La IA també pot analitzar les vies de propagació, localitzar els contactes propers dels pacients de diagnòstic i posar-se ràpidament en quarantena i tractament. La càmera tèrmica d'infrarojos amb tecnologia de reconeixement d'imatges AI realitza la detecció de febre en llocs públics per localitzar persones amb temperatura corporal anormal[1]. En el desenvolupament de nous fàrmacs, la IA ajuda a detectar els fàrmacs antivirals i antiinflamatoris més potents de centenars de fàrmacs per a un desenvolupament posterior [2]. En el diagnòstic i el tractament, es va adoptar el model de xarxa neuronal profunda (DNN) per reconèixer les dades gràfiques de la tomografia computada (TC) ("TC més IA) per ajudar els metges a fer diagnòstics ràpidament.

Reptes als quals s'enfronta "TC més IA" per ajudar al diagnòstic de COVID-19

L'aplicació de la Intel·ligència Artificial en radiologia ha cridat especial atenció. El DNN s'ha utilitzat àmpliament en diverses tecnologies d'exploració mèdica, per exemple, el diagnòstic de pneumònia a la radiografia digital de tòrax (DR)[3-5], la detecció de nòduls pulmonars cancerosos [6] i la tuberculosi [7], la detecció de fractures, i predicció de l'edat òssia mitjançant raigs X [8-10].examen i avaluació de radiografies de mama [11,12]; detecció i diagnòstic de nòduls pulmonars [13,14], pneumònia [15], masses hepàtiques [16], càncer de pàncrees [17] i fractures per compressió vertebral [18] en imatges de TC; perfila el ventricle de la ressonància magnètica del cor [19]. Una inspecció d'examen d'ultrasò, el model AI pot realitzar el diagnòstic i l'anàlisi quantitativa de la imatge cardíaca [20.21]. així com la detecció de nòduls tiroïdals per ultrasons i el diagnòstic de benignes i malignes [22,23] (Taula 1).

En el diagnòstic de la pneumònia per nou coronavirus, la TC, la DR i l'ecografia s'utilitzen habitualment en tècniques d'examen per imatge, en processos i escenaris respectius segons les seves pròpies característiques. La TC és la prioritat en la fase inicial de la detecció de lesions entre ells. Atès que es publica el "Programa de diagnòstic i tractament de la pneumònia COVID{-19 (versió d'assaig 5)", el diagnòstic d'imatge per TC també s'inclou als estàndards de diagnòstic clínic del nou COVID-19 [24]. No obstant això, el diagnòstic d'un sol pacient requereix l'observació manual de més de cent imatges de TC, amb un gran nombre de necessitats clíniques, els metges pateixen una gran càrrega de treball amb poca eficiència. La tecnologia d'IA habilitada per programari pot resoldre aquests colls d'ampolla clínics. La inspecció de TC s'ha convertit en la solució d'imatge preferida per al programari actual d'IA de diagnòstic de pneumònia a causa de la seva alta precisió, estàndards unificats i una profunda acumulació de dades i tecnologia de la indústria [27. En aplicacions pràctiques, els models de diagnòstic poden identificar la imatge de pneumònia mitjançant un algorisme específic per predir si està malalt [27-29]. El model d'anàlisi quantitativa pulmonar pot detectar la ubicació de la lesió, comptar el nombre de lesions, descriure l'abast de la lesió, calcular la taxa d'infecció de l'àrea de lesió pulmonar i cooperar amb el programari de seguiment per gestionar la progressió de la malaltia i avaluar-la. pronòstic [28]. Amb l'ajuda del programari, es redueix la càrrega de treball dels metges i es millora la velocitat i la precisió del diagnòstic i el tractament, però, és important destacar alguns problemes comuns en la investigació del diagnòstic de TC de pneumònia per coronavirus amb ajuda d'Al, de la següent manera:

Estudiar disseny

En el nou diagnòstic de TC de pneumònia COVID-19, el disseny del model s'ha de considerar de manera diversa per adaptar les diferents fases de diagnòstic i tractament en l'etapa més inicial del desenvolupament del model de diagnòstic "TC més IA". Per exemple, el grup de control utilitzat per entrenar el model de cribratge precoç s'ha de diferenciar del grup escollit en antidiàstole: 1) Les decisions en el problema de cribratge precoç prefereixen una alta sensibilitat per separar els casos sospitosos de la població sana, per tant, les mostres de casos de control entrenades per el model d'IA hauria de ser imatges de TC de pulmons sans contra imatges de pulmons no saludables. Els casos de pulmons insalubres es componen de múltiples tipus de pneumònia sospitosa per garantir el rendiment del model d'una baixa taxa de diagnòstic perdut. 2) En l'escenari antidiàstole, la capacitat d'alta especificitat és essencial per distingir la nova pneumònia per coronavirus d'aquella pneumònia causada per altres infeccions. Més concretament, donades les circumstàncies clíniques reals, el disseny de control ideal hauria de comparar dos grups amb símptomes clínics o antecedents epidemiològics similars, com ara febre, tos, anomalies d'imatge pulmonar de TC, però resultats negatius i positius en la prova d'àcid nucleic (o altres estàndards d'or diagnòstics). . Aquest disseny tenia com a objectiu consolidar les característiques radiòmiques més distintives de la nova pneumònia per coronavirus. A més, la mètrica d'avaluació escollida per avaluar el rendiment del model s'ha de considerar acuradament. Per exemple, quan s'avalua un model de diagnòstic "TC més IA", la relació de precisió no és un indicador adequat que pugui avaluar completament el model. El desequilibri entre les mostres positives i negatives de les dades de la prova conduiria a un problema de sobreestimació del rendiment (per exemple, un conjunt de proves format per 96 casos positius i 4 negatius podria atraure un model ingenu amb una alta precisió de fins al 96 per cent, fins i tot si el model només digues el positiu). El programari de diagnòstic d'AI s'aplica en un problema clínic específic per a una millor capacitat i eficiència. Abans de la implementació, cal aclarir i aclarir els objectius de l'estudi per als problemes clínics específics. Aleshores s'ha de dur a terme un disseny metodològic de manera científica. També s'ha de formular un pla de recerca complet. Els objectes d'estudi, la regla d'inclusió-exclusiva i les mètriques d'avaluació dels punts finals s'han de tenir en compte plenament. Liderant amb el disseny científic, es pot minimitzar el risc de biaix, es pot obtenir proves d'investigació d'alta qualitat i es pot proporcionar una orientació fiable per a l'aplicació clínica.

Implementació de la recerca

El procés d'entrenament del model DNN d'intel·ligència artificial està basat exclusivament en dades. Es basa en un gran nombre de mostres d'imatge etiquetades amb precisió durant la fase d'entrenament. Com més gran sigui la quantitat de dades, millor serà el rendiment discriminatiu del model. El sistema de diagnòstic de la retinopatia diabètica, com a dispositiu mèdic d'IA, desenvolupat pel gegant tecnològic nord-americà Google ha superat la segona fase dels assaigs clínics. El procés d'entrenament del sistema utilitza 130 milions d'imatges de 10,000 casos, que s'aproxima al nivell dels experts mèdics [30]. En canvi, tot i que les unitats mèdiques designades van acumular noves dades d'imatge de TC de coronavirus en cooperació amb fabricants de tecnologia per a la formació i desenvolupament de programari en l'epidèmia, la quantitat total és relativament petita i la distribució és relativament dispersa, a més de l'escàs recurs d'experts en imatges de TC. etiquetatge en l'etapa inicial, el que resulta en un conjunt de dades reduït disponible per a la formació de models i difícil de garantir la qualitat de l'etiquetatge. Les dades d'entrenament insuficients poden fer que el model DNN "recordi" informació a les imatges de TC que no és rellevant per al diagnòstic real a causa de les seves característiques estructurals amb un fort poder expressiu, provocant un sobreajust i reduint la capacitat de jutjar dades futures. Per aconseguir un efecte d'entrenament suficient sota la condició de menys volum de dades, sovint és necessari dissenyar una estructura interna de model més complexa i habilitats d'entrenament del model, que també augmenta la dificultat d'implementació.

Consideració de l'excepcionalitat nou del COVID-19

A partir de l'experiència clínica, la imatge de TC de tòrax de la nova pneumònia per coronavirus té les característiques d'una "imatge semblant però una malaltia diferent". És difícil de distingir pels ulls humans, la qual cosa augmenta la dificultat de la antidiàstole. La dificultat és més destacada si la mida de la mostra d'entrenament és petita. A més, com un dels criteris de diagnòstic del nou COVID-19, els resultats del kit d'àcids nucleics mostren una alta especificitat però poca sensibilitat. Si s'utilitza per etiquetar mostres d'entrenament com a estàndard d'or, les mostres positives reals tendirien a marcar-se incorrectament com a negatives. L'entrenament amb les dades etiquetades per error reduirà directament el rendiment del model.

Verificació de la fiabilitat del diagnòstic d'IA

No és fiable avaluar l'efecte del diagnòstic només mitjançant la prova de dades interna després de la implementació del model de diagnòstic d'IA. El factor de confusió que hi ha a sota de les dades causades per diferents models d'equips de TC, regions geogràfiques, entorn clínic real, variació del virus i altres factors, podria afectar el resultat diagnòstic del model. El model amb prou feines pot tenir la capacitat de fer front a aquests factors de confusió amb proves de dades internes limitades. Quan el programari de diagnòstic d'IA es posa en ús clínic sense una validació completa, només es pot repetir mitjançant la formació i l'optimització fora de línia, ja que no pot millorar el nivell de diagnòstic i tractament continuant aprenent casos nous com els metges humans. En comparació amb el diagnòstic errònia d'un metge humà, els possibles riscos iatrogènics causats per les limitacions del programari informàtic seran més destacats. Segons la nova versió del "Catàleg de classificació de dispositius mèdics" (CFDA 2017 núm. 143), el programari de diagnòstic d'IA, com a dispositiu mèdic, hauria de procedir amb una auditoria sistemàtica i una simulació extensa, fins i tot assajos clínics prospectius, per verificar completament la precisió. i la fiabilitat del diagnòstic clínic. El Grup d'Intel·ligència Artificial de l'Institut Nacional de Control d'Aliments i Drogues (NIFDC) va establir un sistema de seguretat de dispositius mèdics d'IA i va estipular el mètode de prova basat en la verificació estàndard del conjunt de dades [30]. Actualment, no hi ha una base de dades estàndard per a la nova entitat de malaltia COVID-19, de manera que és difícil verificar l'alta precisió de repetibilitat del programari d'IA existent en la majoria de diagnòstics d'exploració mèdica del món real.

Millorar la qualitat i l'estandardització científica del model de diagnòstic "TC plus AI".

L'aplicació de la intel·ligència artificial a la indústria mèdica encara es troba en una fase inicial a la Xina, mentre que ha rebut una forta atenció i un ràpid desenvolupament en els darrers anys, que fins i tot s'ha inclòs en el pla estratègic nacional [30]. Molts productes d'intel·ligència artificial han mostrat perspectives prometedores en l'àmbit mèdic. En la següent etapa, per a la comercialització, el focus de la indústria es centraria en la investigació del disseny científicament i l'estandardització del procés d'implementació i verificació; desenvolupar la intel·ligència artificial a la indústria mèdica de manera saludable, estandarditzar la gestió dels productes de diagnòstic assistits per Al segons l'especificació del nou aparell mèdic. Tot i que molts productes d'IA que van sorgir durant l'epidèmia han aportat comoditat als metges en el diagnòstic i el tractament de malalties, el rigor científic general i la fiabilitat de la qualitat encara necessiten una millora i perfecció addicionals.

Millorar el disseny de l'estudi de la tecnologia d'IA en problemes clínics

Actualment, la majoria de les investigacions sobre el nou diagnòstic assistit per TC de COVID-19 utilitzen mètodes de control de casos retrospectius. Un dels avantatges és obtenir ràpidament informació diversa de subjectes de recerca limitats, tot i que hi ha el risc de biaix. Les mostres dels estudis de casos i controls s'han de prendre de casos de diagnòstic totals o seleccionar-se aleatòriament entre ells, però, a causa de les fonts limitades, les mostres no poden representar tots els pacients. El mostreig de control especial es pot utilitzar per reduir el biaix i millorar el nivell d'evidència segons la situació real, per exemple, seleccionant casos de la mateixa institució mèdica, utilitzant dos o més grups de control i comparant variables. En l'avaluació del rendiment del model de diagnòstic, el gràfic de taxa de positiu veritable i de taxa de fals positiu (corba característica de funcionament del receptor (corba ROC)) es pot utilitzar per comparar la interpretació de l'algorisme d'IA amb l'avaluació del metge o l'àrea sota la corba (AUC) com la referència del rendiment del model. Tot i així, encara és difícil explicar completament els beneficis clínics basant-se únicament en comparacions o indicadors, altres factors de presa de decisions clíniques, en realitat, també s'han de tenir en compte per a una avaluació integral.

Millora de la precisió de l'etiqueta, ampliant el nombre i la dimensió de les mostres d'entrenament durant el procés d'implementació del model

En l'etapa primària, els models entrenats amb un petit recompte de mostres d'imatge de TC ja han mostrat una bona tendència. Amb el temps, més casos millorarien un millor suport bàsic en la formació de models. Com més imatges s'aprenguin, més gran serà el potencial per conquerir la dificultat de "les mateixes imatges, casos diferents" en el diagnòstic de COVID-19. En resposta a aquesta situació, basant-se en dades d'imatge de TC, el model també pot ampliar el domini d'informació combinant els senyals clínics del pacient, l'epidemiologia, l'examen de laboratori i altres dades per avaluar exhaustivament la malaltia i millorar la precisió del diagnòstic. La millora de la precisió de l'etiquetatge de mostres es pot aconseguir mitjançant l'optimització de l'estratègia estàndard d'or. Apliqueu diversos intervals de prova d'àcid nucleic per compensar la possibilitat d'un únic resultat fals negatiu, o comproveu el resultat fent referència a altres kits de diagnòstic, com ara la detecció d'anticossos IgM/lgG.

Establir una nova base de dades estàndard de proves de TC de pneumònia per coronavirus

Després de la implementació i la verificació interna del modelatge d'IA, es requereix una verificació de fiabilitat externa mitjançant un sistema de prova de base de dades estàndard. Pel que fa al sistema de bases de dades estàndard establert de malalties del fons i nòduls pulmonars, les entitats de la malaltia provenen de diferents institucions mèdiques d'arreu del país, incloses zones subdesenvolupades. Les dades contenen una varietat d'especificacions i són compatibles amb dispositius de diferents models i paràmetres. Els metges que participen en l'etiquetatge de dades de la prova tenen experiència en investigació mèdica en IA i han estat ben entrenats. Un equip especial de recerca estarà format per metges amb gran precisió, estabilitat i experiència clínica enriquida. El conjunt de dades de prova estàndard esborra les traces de l'empresa i de la màquina i controla estrictament el biaix de les dades per garantir una avaluació del rendiment justa i objectiva en un entorn tancat [30]. En resum, és difícil establir una nova base de dades estàndard de COVID-19 CT confiant únicament en institucions individuals. La nació hauria de proporcionar el suport corresponent durant el període especial de l'epidèmia. Per exemple, establiu ràpidament un nou grup especial d'intel·ligència artificial COVID-19 per guiar i coordinar la cooperació i l'intercanvi de recursos de totes les parts del país, i formular conjuntament una base de dades especial de proves de malalties i altres estàndards de verificació.

Estandarditzar la gestió de dades de la investigació mèdica amb intel·ligència artificial

El 3 de juliol de 2019, el Centre d'Avaluació de Dispositius Mèdics va publicar "Punts clau de la revisió del programari de dispositius mèdics per a la presa de decisions assistides a l'aprenentatge profund" (punts clau). Proporciona l'orientació tècnica dels productes mèdics d'IA registrats com a dispositius mèdics de tercer tipus i elimina el coll d'ampolla de la política abans del llançament del producte. Tanmateix, no hi ha restriccions legals sobre l'ètica i la seguretat de les dades. La intel·ligència artificial en investigació mèdica ha d'ajustar-se a l'ètica i protegir la seguretat i la privadesa de les dades individuals. Si es poden formular lleis i regulacions nacionals o regionals sobre protecció de la privadesa dels pacients, mentre es pot establir una plataforma de gestió de dades estandarditzada per a la investigació, es pot revisar de manera eficaç un projecte de recerca per descobrir ràpidament els possibles riscos en el procés de disseny i implementació. S'implementaran orientacions de seguretat de dades per evitar el risc d'obstaculitzar i destruir la salut humana.

Referències:

1 zc [Internet]. Com utilitzar la IA per detectar i lluitar contra el nou coronavirus [citat el 20 de març de 2020].

2. Huang Q[Internet]. L'equip de l'acadèmic Li Lanjuan va publicar: aquests dos fàrmacs poden inhibir eficaçment el nou coronavirus [citat el 20 de març de 2020].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: base de dades de raigs X de tòrax a escala hospitalària i punts de referència sobre classificació i localització feblement supervisades de malalties comuns del tòrax. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, pàg. 3462-3471.

4. Li Z, Wang C, Han M, et al. Identificació i localització de malalties toràciques amb supervisió limitada. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Aprenentatge profund en radiografia de tòrax: detecció de troballes i presència de canvis. PLoS One. 2018;13(10):e0204155. Publicat el 4 d'octubre de 2018.

6. Nam JG, Park S, Hwang EJ, et al. Desenvolupament i validació d'un algorisme de detecció automàtica basat en l'aprenentatge profund per a nòduls pulmonars malignes en radiografies de tòrax. Radiologia, 2019.

7. Lakhani P, Sundaram B. Aprenentatge profund a la radiografia de tòrax: classificació automatitzada de la tuberculosi pulmonar mitjançant l'ús de xarxes neuronals convolucionals. Radiologia. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Detecció de fractures de maluc amb un rendiment a nivell de radiòleg mitjançant xarxes neuronals profundes. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: gran conjunt de dades per a la detecció d'anomalies en radiografies musculoesquelètics. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internet]. L'aprenentatge profund és prometedor per a l'avaluació de l'edat òssia [citat el 15 de novembre de 2017].

11. Yee KM[Internet]. L'algoritme d'IA coincideix amb els radiòlegs en els exàmens de cribratge de mama [citat el 13 de desembre de 2017].

12. Lehman CD, Yala A, Schuster T, et al. Avaluació de la densitat mamària de la mamografia mitjançant l'aprenentatge profund: implementació clínica. Radiologia, 2019. 290(1): p. 52-58.

13. Ridley EL. L'algoritme d'aprenentatge profund pot estratificar el risc de nòduls pulmonars [citat el 26 de novembre de 2017].

14. Ali I, Hart GR, Gunabushanam G, et al. Detecció de nòduls pulmonars mitjançant l'aprenentatge de reforç profund. Front Oncol. 2018;8:108. Publicat el 16 d'abril de 2018. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Aprenentatge profund per classificar la malaltia pulmonar fibròtica en la tomografia computada d'alta resolució: un estudi de cohorts de casos. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, et al. Aprenentatge profund amb xarxa neuronal convolucional per a la diferenciació de masses hepàtiques en TC dinàmica millorada amb contrast: un estudi preliminar. Radiologia. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, et al. Representació de la forma conjunta i classificació per a la detecció de PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Detecció de fractures per compressió en TC. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: Segmentació cardíaca amb ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Classificació de visualització ràpida i precisa dels ecocardiogrames mitjançant l'aprenentatge profund. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Interpretació d'ecocardiograma totalment automatitzada en la pràctica clínica. Circulació, 2018. 138(16): pàg. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Diagnòstic del càncer de tiroide mitjançant models de xarxes neuronals convolucionals profundes aplicats a imatges sonogràfiques: un estudi diagnòstic retrospectiu, multicohort. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, et al. Un enfocament d'aprenentatge profund millorat per a la detecció del càncer papil·lar de tiroide en imatges d'ecografia. Ciència Rep. 2018;8(1):6600. Publicat el 26 d'abril de 2018.

24. Oficina de la Comissió Nacional de Salut [Internet]. Diagnòstic i tractament de la pneumònia del nou coronavirus (versió de prova cinquena) [citat el 4 de febrer de 2020].

25. Alibaba DAMO Academy [Internet]. Què en penseu de la nova tecnologia de diagnòstic d'IA per TC de pneumònia per coronavirus desenvolupada per l'Acadèmia Ali Damo, amb una taxa de reconeixement mitjana del 96 per cent en menys de 20 segons? [ 2020-02-19].

26. Imatge unida. Conquerint l'avenç "epidèmic": el nou sistema d'anàlisi intel·ligent d'assistent de pneumònia de coronavirus de l'UAI es va llançar oficialment [citat el 10 de febrer de 2020]

27. Gozes O, Frid-Adar M, Greenspan H, et al. Cicle de desenvolupament ràpid d'IA per a la pandèmia del coronavirus (COVID-19): resultats inicials per a la detecció automàtica i el seguiment dels pacients mitjançant l'anàlisi d'imatges TC de Deep Learning. ArXiv abs/2003.05037 (2020): n. pàg.

28. Huang L, Han R, Ai T, et al. Avaluació quantitativa en sèrie de TC de tòrax de COVID-19: enfocament d'aprenentatge profund. Radiologia: imatge cardiotoràcica 2020 2:2.

29. Li L, Qin LX, Xu ZG, et al. La intel·ligència artificial distingeix la COVID-19 de la pneumònia adquirida a la comunitat a la tomografia de tòrax. Radiologia. 2020;200905.

30. Jin YH, Qiu M J. China Artificial Intelligence Medical White Paper. Xangai: Institut d'Intel·ligència Artificial de la Universitat Jiao Tong de Xangai, 2019. (xinès)