Le rôle et le défi de l'intelligence artificielle dans le nouveau diagnostic CT de pneumonie à coronavirus

Pour plus d'informations:ali.ma@wecistanche.com

Points forts

Cet article considère de manière novatrice la scientificité et la normativité basées sur les exigences méthodologiques d'un essai clinique, en considérant le processus de développement de logiciels d'intelligence artificielle (IA) comme des essais cliniques de recherche diagnostique d'images de tomographie informatisée (CT). Le document soulève également 4 façons de promouvoir les logiciels de diagnostic d'IA aidant à résoudre les problèmes cliniques réels et apportant aux patients de réels avantages cliniques.

Cliquez pour cistanche effets secondaires et Cistanche pour l'immunité

Résumé

Début 2020, la nouvelle pneumonie à coronavirus(COVID-19)a éclaté en Chine. De nombreux produits liés au médical sont rapidement apparus dans le domaine de l'Intelligence Artificielle (IA), qui a joué un rôle important dans la lutte contre la pandémie. Cet article résume l'état actuel de la recherche et de l'application de l'IA en radiologie et dans le contrôle des pandémies et analyse les problèmes courants de la technologie de l'IA dans la recherche deCOVID-19diagnostic. Il comprend principalement les réflexions sur la conception des études cliniques, les difficultés de mise en œuvre de la recherche et les défis de la vérification de la fiabilité des modèles d'IA. En réponse aux difficultés ci-dessus, des suggestions sont proposées pour optimiser la scientificité et la qualité de la recherche diagnostique en IA.

Mots clés:COVID-19pandémie, Intelligence artificielle, Tomographie informatisée, Recherche clinique

Le rôle important des produits d'intelligence artificielle diversifiés dans la lutte contre l'épidémie

Début 2020, le déclenchement de lapneumonie liée au nouveau coronavirus(Coronavirus, COVID-19) placent la mise en œuvre de la prévention et du contrôle des maladies dans un grand défi. Par exemple, comment mesurer rapidement la température corporelle de chacun dans un hub de trafic avec un flux de trafic important ; comment éliminer rapidement les médicaments efficaces potentiels parmi les possibilités massives ; comment dépister les cas suspects dans une large population ; comment faire face à la pénurie de professionnels de la santé et aux infections croisées lors du traitement des patients diagnostiqués. Intelligence artificielle (Al, l'un des domaines les plus populaires ces dernières années, résout certains des problèmes grâce à l'application de nouveaux produits d'IA, ce qui améliore l'efficacité de la prévention, du contrôle et du diagnostic des maladies.

L'IA aide à surveiller et à simuler la tendance de développement de l'épidémie en analysant la trace de l'activité des personnes, pour donner une alerte précoce aux zones de propagation potentielles. L'IA peut également analyser les voies de propagation, localiser les contacts étroits des patients diagnostiqués et prendre rapidement la quarantaine et le traitement. L'imageur thermique infrarouge avec technologie de reconnaissance d'image AI effectue une détection de fièvre dans les lieux publics pour localiser les personnes ayant une température corporelle anormale[1]. Dans le développement de nouveaux médicaments, l'IA aide à sélectionner les médicaments antiviraux et anti-inflammatoires les plus puissants parmi des centaines de médicaments pour un développement ultérieur [2]. Dans le diagnostic et le traitement, le modèle Deep Neural Network (DNN) a été adopté pour reconnaître les données graphiques de la tomodensitométrie (CT) ("CT plus AI) afin d'aider les médecins à établir rapidement des diagnostics.

Défis rencontrés par "CT plus IA" pour aider au diagnostic de COVID-19

L'application de l'intelligence artificielle en radiologie a attiré une attention particulière. Le DNN a été largement utilisé dans diverses technologies de numérisation médicale, par exemple, le diagnostic de la pneumonie sur la radiographie numérique thoracique (DR)[3-5], la détection des nodules pulmonaires cancéreux [6] et de la tuberculose [7], la détection des fractures, et prédiction de l'âge osseux par radiographie [8-10].examen et évaluation des radiographies mammaires [11,12] ; détection et diagnostic des nodules pulmonaires [13,14], des pneumonies [15], des masses hépatiques [16], du cancer du pancréas [17] et des fractures vertébrales par tassement [18] sur les images CT ; décrit le ventricule dans l'imagerie par résonance magnétique cardiaque [19]. Une inspection d'examen échographique, le modèle d'IA peut effectuer le diagnostic et l'analyse quantitative de l'imagerie cardiaque [20.21]. ainsi que la détection des nodules thyroïdiens échographiques et le diagnostic des tumeurs bénignes et malignes [22,23](Tableau 1).

Dans le diagnostic de la nouvelle pneumonie à coronavirus, la tomodensitométrie, la RD et l'échographie sont des techniques d'examen par imagerie couramment utilisées, dans les processus et scénarios respectifs en fonction de leurs propres caractéristiques. CT est la priorité dans le stade précoce de la détection des lésions parmi eux. Depuis la sortie du "Programme de diagnostic et de traitement de la pneumonie COVID-19 (version d'essai 5)", le diagnostic par imagerie CT est également inclus dans les normes de diagnostic clinique du nouveau COVID-19 [24]. Cependant, le diagnostic d'un seul patient nécessite l'observation manuelle de plus d'une centaine d'images CT. Avec un grand nombre de besoins cliniques, les médecins subissent une charge de travail importante avec une faible efficacité. La technologie d'IA activée par logiciel peut résoudre ces goulots d'étranglement cliniques. L'inspection par tomodensitométrie est devenue la solution d'imagerie préférée pour le logiciel actuel d'IA de diagnostic de la pneumonie en raison de sa grande précision, de ses normes unifiées et de l'accumulation approfondie de données et de technologies de l'industrie [27. Dans les applications pratiques, les modèles de diagnostic peuvent identifier l'image de la pneumonie grâce à un algorithme spécifique pour prédire si elle est malade [27-29]. Le modèle d'analyse quantitative pulmonaire peut détecter l'emplacement de la lésion, compter le nombre de lésions, décrire l'étendue de la lésion, calculer le taux d'infection de la zone de lésion pulmonaire et coopérer avec le logiciel de suivi pour gérer la progression de la maladie et évaluer pronostic [28]. Aidé par un logiciel, la charge de travail des médecins est réduite et la vitesse et la précision du diagnostic et du traitement sont améliorées, cependant, il est important de souligner certains problèmes communs dans la recherche du nouveau diagnostic CT de la pneumonie à coronavirus, comme suit :

Étudier le design

Dans le nouveau diagnostic CT de pneumonie COVID-19, la conception du modèle doit être envisagée de manière diversifiée pour adapter différentes phases de diagnostic et de traitement au stade le plus initial du développement du modèle de diagnostic « CT plus IA ». Par exemple, le groupe de contrôle utilisé pour la formation du modèle de dépistage précoce doit être différencié du groupe choisi dans l'antidiastole : 1) Les décisions dans le problème de dépistage précoce préfèrent une sensibilité élevée pour séparer les cas suspects de la population en bonne santé, par conséquent, les échantillons de cas de contrôle formés par le modèle d'IA devrait être des images CT de poumons sains par rapport à des images de poumons malades. Les cas de poumons malsains sont composés de plusieurs types de pneumonies suspectes pour garantir la performance du modèle d'un faible taux de diagnostic manqué. 2) Dans le scénario antidiastole, la capacité de haute spécificité est essentielle pour distinguer la nouvelle pneumonie à coronavirus des pneumonies causées par d'autres infections. Plus concrètement, compte tenu des circonstances cliniques réelles, la conception de contrôle idéale devrait comparer deux groupes présentant des symptômes cliniques ou des antécédents épidémiologiques similaires tels que fièvre, toux, anomalies de l'image pulmonaire CT mais des résultats négatifs et positifs au test d'acide nucléique (ou à d'autres normes de référence diagnostiques) . Une telle conception visait à consolider les caractéristiques radiomiques plus distinctives de la nouvelle pneumonie à coronavirus. En outre, la métrique d'évaluation choisie pour évaluer les performances du modèle doit être soigneusement examinée. Par exemple, lors de l'évaluation d'un modèle de diagnostic "CT plus AI", le taux de précision n'est pas un indicateur approprié qui peut évaluer pleinement le modèle. Le déséquilibre entre les échantillons positifs et négatifs de données de test conduirait à un problème de surestimation des performances (par exemple, un ensemble de tests composé de 96 cas positifs et de 4 cas négatifs pourrait leurrer un modèle naïf donnant une précision élevée jusqu'à 96 %, même si le modèle ne fait que dire le positif). Le logiciel de diagnostic AI est appliqué à un problème clinique spécifique pour une meilleure capacité et efficacité. Avant la mise en œuvre, les objectifs de l'étude doivent être clarifiés et dégagés pour les problèmes cliniques spécifiques. Ensuite, une conception méthodologique de manière scientifique doit être menée. Un plan de recherche complet doit également être formulé. Les objets d'étude, la règle d'inclusif-exclusif et les paramètres d'évaluation des effets doivent être pleinement pris en compte. Grâce à une conception scientifique, le risque de biais peut être minimisé, des preuves de recherche de haute qualité peuvent être obtenues et des conseils fiables peuvent être fournis pour une application clinique.

Mise en œuvre de la recherche

Le processus de formation du modèle DNN d'intelligence artificielle est purement basé sur les données. Il s'appuie sur un grand nombre d'échantillons d'images étiquetés avec précision pendant la phase d'apprentissage. Plus la quantité de données est grande, meilleure est la performance discriminative du modèle. Le système de diagnostic de la rétinopathie diabétique, en tant que dispositif médical d'IA, développé par le géant américain de la technologie Google a passé la deuxième phase des essais cliniques. Le processus de formation du système utilise 130 millions d'images de 10,000 cas, ce qui est proche du niveau des experts médicaux [30]. En revanche, bien que les unités médicales désignées aient accumulé de nouvelles données d'image CT sur le coronavirus en coopération avec les fabricants de technologies pour la formation et le développement de logiciels dans l'épidémie, le montant total est relativement faible et la distribution est relativement dispersée, plus la rare ressource d'experts en image CT l'étiquetage au stade initial, ce qui ne donne qu'un petit ensemble de données disponibles pour la formation du modèle et difficile de garantir la qualité de l'étiquetage. Des données d'entraînement insuffisantes peuvent amener le modèle DNN à "mémoriser" des informations dans les images CT qui ne sont pas pertinentes pour le diagnostic réel en raison de ses caractéristiques structurelles à fort pouvoir expressif, provoquant un surajustement et réduisant la capacité à juger les données futures. Pour obtenir un effet de formation suffisant dans des conditions de moindre volume de données, il est souvent nécessaire de concevoir une structure de modèle interne et des compétences de formation de modèle plus complexes, ce qui augmente également la difficulté de mise en œuvre.

Considération sur l'exceptionnalisme nouveau de COVID-19

D'après l'expérience clinique, l'image du scanner thoracique d'une nouvelle pneumonie à coronavirus présente les caractéristiques d'une "image similaire mais d'une maladie différente". Il est difficile à distinguer à l'œil nu ce qui augmente la difficulté de l'antidiastole. La difficulté est plus importante si la taille de l'échantillon d'apprentissage est petite. De plus, comme l'un des critères de diagnostic du nouveau COVID-19, les résultats du kit d'acide nucléique montrent une haute spécificité mais une faible sensibilité. S'il est utilisé pour étiqueter les échantillons d'apprentissage comme l'étalon-or, les échantillons positifs réels auraient tendance à être marqués comme négatifs à tort. L'entraînement avec des données étiquetées par erreur réduira directement les performances du modèle.

Vérification de la fiabilité du diagnostic IA

Il n'est pas fiable d'évaluer l'effet du diagnostic uniquement par le test de données interne après la mise en œuvre du modèle de diagnostic de l'IA. Le facteur de confusion sous les données causé par différents modèles d'équipement CT, régions géographiques, environnement clinique réel, variation virale et autres facteurs, pourrait affecter le résultat diagnostique du modèle. Le modèle peut à peine avoir la capacité de traiter ces facteurs de confusion avec des tests de données internes limités. Lorsque le logiciel de diagnostic d'IA est mis en utilisation clinique sans validation complète, il ne peut être itéré que par une formation et une optimisation hors ligne, car il ne peut pas améliorer le niveau de diagnostic et de traitement en continuant à apprendre de nouveaux cas comme les médecins humains. Par rapport à l'erreur de diagnostic d'un médecin humain, les risques iatrogènes potentiels causés par les limitations des logiciels informatiques seront plus importants. Selon la nouvelle version du "Medical Device Classification Catalog" (CFDA 2017 No.143), le logiciel de diagnostic d'IA, en tant que dispositif médical, devrait procéder à un audit systématique et à une simulation approfondie, voire à des essais cliniques prospectifs, pour vérifier pleinement l'exactitude et la fiabilité du diagnostic clinique. Le groupe d'intelligence artificielle de l'Institut national de contrôle des aliments et des drogues (NIFDC) a établi un système de sécurité des dispositifs médicaux d'IA et a stipulé la méthode de test basée sur la vérification d'un ensemble de données standard [30]. À l'heure actuelle, il n'existe pas de base de données standard pour la nouvelle entité de la maladie COVID -19, il est donc difficile de vérifier la haute précision de répétabilité du logiciel d'IA existant dans la plupart des diagnostics d'analyse médicale dans le monde réel.

Améliorer la qualité et la standardisation scientifique du modèle de diagnostic "CT plus AI"

L'application de l'intelligence artificielle dans l'industrie médicale en est encore à ses débuts en Chine, alors qu'elle a fait l'objet d'une forte attention et d'un développement rapide ces dernières années, ce qui a même été inclus dans le plan stratégique national [30]. De nombreux produits d'intelligence artificielle ont montré des perspectives prometteuses dans le domaine médical. À l'étape suivante, pour la commercialisation, l'industrie se concentrerait sur la recherche scientifique en conception et normaliserait le processus de mise en œuvre et de vérification ; développer sainement l'intelligence artificielle dans l'industrie médicale, normaliser la gestion des produits de diagnostic assistés par Al conformément aux spécifications du nouvel appareil médical. Bien que de nombreux produits d'IA apparus pendant l'épidémie aient facilité le diagnostic et le traitement des maladies par les médecins, la rigueur scientifique globale et la fiabilité de la qualité doivent encore être améliorées et perfectionnées.

Améliorer la conception de l'étude de la technologie de l'IA dans les problèmes cliniques

Actuellement, la plupart des recherches sur le nouveau diagnostic assisté par scanner COVID-19 utilisent des méthodes cas-témoins rétrospectives. L'un des avantages est d'obtenir rapidement diverses informations auprès de sujets de recherche limités, alors qu'il existe un risque de biais. Les échantillons dans les études cas-témoins doivent être prélevés sur l'ensemble des cas diagnostiqués ou sélectionnés au hasard parmi eux, cependant, en raison de sources limitées, les échantillons ne peuvent pas représenter tous les patients. Un échantillonnage de contrôle spécial peut être utilisé pour réduire le biais et améliorer le niveau de preuve en fonction de la situation réelle, par exemple, en sélectionnant des cas du même établissement médical, en utilisant deux ou plusieurs groupes de contrôle et en appariant des variables. Dans l'évaluation des performances du modèle de diagnostic, le tableau des taux de vrais positifs et de faux positifs (courbe caractéristique de fonctionnement du récepteur (courbe ROC)) peut être utilisé pour comparer l'interprétation de l'algorithme d'IA avec l'évaluation du médecin, ou l'aire sous la courbe (AUC) comme la référence des performances du modèle. Même ainsi, il est encore difficile d'expliquer pleinement les avantages cliniques en se basant uniquement sur des comparaisons ou des indicateurs, d'autres facteurs décisionnels cliniques, en réalité, doivent également être pris en compte pour une évaluation complète.

Amélioration de la précision de l'étiquette, augmentation du nombre et de la dimension des échantillons d'apprentissage pendant le processus de mise en œuvre du modèle

Au stade primaire, les modèles entraînés par un petit nombre d'échantillons d'images CT ont déjà montré une bonne tendance. Au fil du temps, plus de cas amélioreraient un meilleur support de base dans la formation des modèles. Plus il y a d'images apprises, plus le potentiel de surmonter la difficulté des "mêmes images, différents cas" dans le diagnostic COVID-19 est élevé. En réponse à cette situation, sur la base des données d'image CT, le modèle peut également élargir le domaine de l'information en combinant les signaux cliniques du patient, l'épidémiologie, l'examen de laboratoire et d'autres données pour évaluer de manière exhaustive la maladie et améliorer la précision du diagnostic. L'amélioration de la précision de l'étiquetage des échantillons peut être obtenue par l'optimisation de la stratégie de l'étalon-or. Appliquez plusieurs intervalles de test d'acide nucléique pour compenser la possibilité d'un seul résultat faux négatif, ou contre-vérifiez le résultat en vous référant à d'autres kits de diagnostic, tels que la détection d'anticorps IgM/lgG.

Établir une nouvelle base de données de tests standard de CT de pneumonie à coronavirus

Après la mise en œuvre et la vérification interne de la modélisation de l'IA, une vérification externe de la fiabilité est requise via un système de test de base de données standard. En ce qui concerne le système de base de données standard établi sur les maladies du fond d'œil et les nodules pulmonaires, les entités pathologiques proviennent de différentes institutions médicales à travers le pays, y compris des zones sous-développées. Les données contiennent une variété de spécifications et sont compatibles avec des appareils de différents modèles et paramètres. Les médecins participant à l'étiquetage des données de test ont une expérience de la recherche médicale sur l'IA et ont été bien formés. Une équipe de recherche spéciale sera formée par des médecins dotés d'une grande précision, d'une grande stabilité et d'une expérience clinique enrichie. L'ensemble de données de test standard efface les traces de l'entreprise et de la machine et contrôle strictement le biais des données pour garantir une évaluation des performances juste et objective dans un environnement fermé [30]. Pour résumer, il est difficile d'établir une nouvelle base de données standard COVID-19 CT en s'appuyant uniquement sur des institutions individuelles. La nation devrait apporter un soutien correspondant pendant la période particulière de l'épidémie. Par exemple, établissez rapidement un nouveau groupe spécial d'intelligence artificielle COVID-19 pour guider et coordonner la coopération et le partage des ressources de toutes les parties à travers le pays, et formuler conjointement une base de données spéciale sur les tests de maladies et d'autres normes de vérification.

Normaliser la gestion des données de la recherche médicale en intelligence artificielle

Le 3 juillet 2019, le Center for Medical Device Evaluation a publié "Key Points of Deep Learning Assisted Decision-Making Medical Device Review" (points clés). Il fournit les conseils techniques des produits médicaux IA enregistrés en tant que dispositifs médicaux de troisième type et élimine le goulot d'étranglement politique avant le lancement du produit. Cependant, il n'existe aucune restriction légale en matière d'éthique et de sécurité des données. L'intelligence artificielle sur la recherche médicale doit être conforme à l'éthique et protéger la sécurité et la confidentialité des données individuelles. Si des lois et réglementations nationales ou régionales sur la protection de la vie privée des patients peuvent être formulées, tandis qu'une plate-forme normalisée de gestion des données pour la recherche peut être établie, un projet de recherche peut alors être efficacement examiné pour découvrir rapidement les risques potentiels dans le processus de conception et de mise en œuvre. Des directives de sécurité des données seront mises en œuvre pour éviter le risque d'entraver et de détruire la santé humaine.

Références:

1 zc [Internet]. Comment utiliser l'IA pour détecter et lutter contre le nouveau coronavirus [cité le 20 mars 2020].

2. Huang Q[Internet]. L'équipe de l'académicien Li Lanjuan a lâché : ces deux médicaments peuvent inhiber efficacement le nouveau coronavirus [cité le 20 mars 2020].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8 : Base de données de radiographies thoraciques à l'échelle hospitalière et points de repère sur la classification et la localisation faiblement supervisées des maladies courantes du thorax. Conférence IEEE 2017 sur la vision par ordinateur et la reconnaissance de formes (CVPR), Honolulu, HI, 2017, pp. 3462-3471.

4. Li Z, Wang C, Han M, et al. Identification et localisation des maladies thoraciques avec une supervision limitée. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Apprentissage profond en radiographie thoracique : détection des résultats et présence de changement. PLoS One. 2018;13(10):e0204155. Publié le 4 octobre 2018.

6. Nam JG, Park S, Hwang EJ, et al. Développement et validation d'un algorithme de détection automatique basé sur l'apprentissage en profondeur pour les nodules pulmonaires malins sur les radiographies thoraciques. Radiologie, 2019.

7. Lakhani P, Sundaram B. Apprentissage en profondeur à la radiographie thoracique : classification automatisée de la tuberculose pulmonaire à l'aide de réseaux de neurones convolutifs. Radiologie. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Détecter les fractures de la hanche avec des performances de niveau radiologue à l'aide de réseaux de neurones profonds. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA : grand ensemble de données pour la détection d'anomalies dans les radiographies musculosquelettiques. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internet]. L'apprentissage en profondeur semble prometteur pour l'évaluation de l'âge osseux [cité le 15 novembre 2017].

11. Yee KM[Internet]. L'algorithme d'IA correspond aux radiologues lors des examens de dépistage des seins [cité le 13 décembre 2017].

12. Lehman CD, Yala A, Schuster T, et al. Évaluation mammographique de la densité mammaire à l'aide de l'apprentissage en profondeur : mise en œuvre clinique. Radiologie, 2019. 290(1) : p. 52-58.

13. Ridley EL. L'algorithme d'apprentissage en profondeur peut stratifier le risque de nodule pulmonaire [cité le 26 novembre 2017].

14. Ali I, Hart GR, Gunabushanam G, et al. Détection des nodules pulmonaires via l'apprentissage par renforcement en profondeur. Oncol avant. 2018;8:108. Publié le 16 avril 2018. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Apprentissage en profondeur pour classer les maladies pulmonaires fibrotiques sur la tomodensitométrie à haute résolution : une étude de cas-cohorte. Lancette Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, et al. Apprentissage en profondeur avec réseau de neurones convolutifs pour la différenciation des masses hépatiques au scanner à contraste dynamique : une étude préliminaire. Radiologie. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, et al. Représentation et classification de la forme des articulations pour la détection de PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Détection des fractures de compression au scanner. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle : segmentation cardiaque avec ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Classification de vue rapide et précise des échocardiogrammes à l'aide de l'apprentissage en profondeur. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Interprétation entièrement automatisée des échocardiogrammes en pratique clinique. Diffusion, 2018. 138(16) : p. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Diagnostic du cancer de la thyroïde à l'aide de modèles de réseaux de neurones à convolution profonde appliqués aux images échographiques : une étude diagnostique rétrospective multicohorte. Lancette Oncol. 2019;20(2):193–201. doi : 10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, et al. Une approche améliorée d'apprentissage en profondeur pour la détection du cancer papillaire de la thyroïde dans les images échographiques. Sci Rep. 2018;8(1):6600. Publié le 26 avril 2018.

24. Bureau de la Commission nationale de la santé [Internet]. Diagnostic et traitement de la pneumonie à nouveau coronavirus (cinquième version d'essai) [cité le 4 février 2020].

25. Académie Alibaba DAMO [En ligne]. Que pensez-vous de la nouvelle technologie de diagnostic par IA par imagerie CT de la pneumonie à coronavirus développée par l'Académie Ali Damo, avec un taux de reconnaissance moyen de 96 % en moins de 20 secondes ? [ 2020-02-19].

26. Imagerie unie. Conquérir la percée « épidémique » - Lancement officiel du nouveau système d'analyse d'assistant intelligent pour la pneumonie à coronavirus de l'uAI [cité le 10 février 2020]

27. Gozes O, Frid-Adar M, Greenspan H, et al. Cycle de développement rapide de l'IA pour la pandémie de coronavirus (COVID-19) : résultats initiaux pour la détection automatisée et la surveillance des patients à l'aide de l'analyse d'images CT par apprentissage en profondeur. ArXiv abs/2003.05037 (2020) : n. pag.

28. Huang L, Han R, Ai T, et al. Évaluation quantitative par tomodensitométrie thoracique en série de la COVID-19 : approche d'apprentissage en profondeur. Radiologie : Imagerie cardiothoracique 2020 2 : 2.

29. Li L, Qin LX, Xu ZG, et al. L'intelligence artificielle distingue le COVID-19 de la pneumonie communautaire sur le scanner thoracique. Radiologie. 2020;200905.

30. Jin YH, Qiu M J. Livre blanc médical sur l'intelligence artificielle en Chine. Shanghai : Institut d'intelligence artificielle de l'Université Jiao Tong de Shanghai, 2019. (Chinois)