Uloga i izazov umjetne inteligencije u CT dijagnostici nove koronavirusne upale pluća
Mar 14, 2022
Za više informacija:ali.ma@wecistanche.com
Naglasci
Ovaj rad na nov način razmatra znanstvenost i normativnost temeljenu na metodološkim zahtjevima kliničkog ispitivanja, uzimajući u obzir proces razvoja softvera umjetne inteligencije (AI) kao klinička ispitivanja dijagnostičkog istraživanja slika kompjutorizirane tomografije (CT). Dokument također navodi 4 načina za promicanje AI dijagnostičkog softvera koji pomaže u stvarnim kliničkim problemima i donosi pacijentima stvarne kliničke koristi.
Kliknite za Cistanche nuspojave i Cistanche za imunitet
Sažetak
Početkom 2020. nova upala pluća izazvana koronavirusom(COVID-19)izbio u Kini. Mnogi proizvodi povezani s medicinom brzo su se pojavili u području umjetne inteligencije (AI), koja je odigrala važnu ulogu u borbi protiv pandemije. Ovaj članak sažima trenutni status istraživanja i primjene umjetne inteligencije u radiologiji i kontroli pandemije te analizira uobičajene probleme tehnologije umjetne inteligencije u istraživanjuCOVID-19dijagnoza. Uglavnom uključuje razmišljanja o dizajnu kliničke studije, poteškoćama u provedbi istraživanja i izazovima u provjeri pouzdanosti AI modela. Kao odgovor na gore navedene poteškoće, predlažu se prijedlozi za optimizaciju znanstvenosti i kvalitete dijagnostičkih istraživanja umjetne inteligencije.
Ključne riječi:COVID-19pandemija, Umjetna inteligencija, Kompjuterizirana tomografija, Klinička istraživanja
Važna uloga raznolikih proizvoda umjetne inteligencije u borbi protiv epidemije
Početkom 2020., izbijanje virusanovi koronavirus upala pluća(Koronavirus, COVID-19) stavio je provedbu prevencije i kontrole bolesti u veliki izazov. Na primjer, kako svima brzo izmjeriti tjelesnu temperaturu u prometnom čvorištu s velikim protokom prometa; kako brzo izdvojiti potencijalno učinkovite lijekove među ogromnim mogućnostima; kako pregledati sumnjive slučajeve u velikoj populaciji; kako se nositi s nedostatkom medicinskog osoblja i unakrsnim infekcijama tijekom liječenja dijagnosticiranih pacijenata. Umjetna inteligencija (Al, kao jedno od najpopularnijih područja posljednjih godina, rješava neke od problema primjenom novih AI proizvoda, čime se poboljšava učinkovitost prevencije, kontrole i dijagnoze bolesti.
AI pomaže u praćenju i simulaciji trenda razvoja epidemije analizirajući tragove aktivnosti ljudi, kako bi se rano upozorilo na potencijalna područja širenja. AI također može analizirati puteve širenja, locirati bliske kontakte dijagnostičkih pacijenata i brzo poduzeti karantenu i liječenje. Infracrvena termalna kamera s AI tehnologijom prepoznavanja slike provodi detekciju groznice na javnim mjestima kako bi locirala osobe s abnormalnom tjelesnom temperaturom[1]. U razvoju novih lijekova, AI pomaže u odabiru najjačih antivirusnih i protuupalnih lijekova od stotina lijekova za daljnji razvoj [2]. U dijagnozi i liječenju usvojen je model duboke neuronske mreže (DNN) za prepoznavanje grafičkih podataka računalne tomografije (CT) ("CT plus AI) kako bi se liječnicima pomoglo u brzom postavljanju dijagnoze.
Izazovi s kojima se suočava "CT plus AI" u pomaganju u dijagnostici COVID-a-19
Primjena umjetne inteligencije u radiologiji izazvala je posebnu pozornost. DNN se široko koristi u raznim medicinskim tehnologijama skeniranja, na primjer, dijagnoza upale pluća na digitalnoj radiografiji prsnog koša (DR) [3-5], otkrivanje kancerogenih plućnih čvorova [6] i tuberkuloze [7], otkrivanje prijeloma, i predviđanje starosti kostiju putem X-zraka [8-10].pregled i procjena X-zraka dojke [11,12]; otkrivanje i dijagnoza plućnih nodula [13,14], upale pluća [15], jetrenih masa [16], raka gušterače [17] i vertebralnih kompresijskih prijeloma [18] na CT slikama; ocrtava ventrikul u magnetskoj rezonanciji srca [19]. Inspekcija ultrazvučnim pregledom, AI model može izvesti dijagnozu i kvantitativnu analizu srčanog oslikavanja [20.21]. kao i ultrazvučno otkrivanje čvorova štitnjače te dijagnostiku benignih i malignih [22,23] (tablica 1).
U dijagnostici nove koronavirusne pneumonije, CT, DR i ultrazvuk često su korištene tehnike slikovnog pregleda, u odgovarajućim procesima i scenarijima prema njihovim vlastitim karakteristikama. Kod njih je CT prioritet u ranoj fazi otkrivanja lezija. Otkako je objavljen "COVID-19 Program za dijagnostiku i liječenje upale pluća (probna verzija 5)", dijagnoza CT slikom također je uključena u standarde kliničke dijagnoze novog COVID-19 [24]. Međutim, dijagnoza jednog pacijenta zahtijeva ručno promatranje više od stotinu CT slika. S velikim brojem kliničkih potreba, liječnici trpe veliko opterećenje uz nisku učinkovitost. Softverski omogućena AI tehnologija može riješiti ta klinička uska grla. CT inspekcija postala je preferirano slikovno rješenje za trenutni AI softver za dijagnostiku upale pluća zbog svoje visoke točnosti, jedinstvenih standarda i duboke akumulacije industrijskih podataka i tehnologije [27. U praktičnim primjenama, dijagnostički modeli mogu identificirati sliku pneumonije pomoću specifičnog algoritma kako bi se predvidjelo je li bolestan [27-29]. Model kvantitativne analize pluća može otkriti mjesto lezije, izbrojati broj lezija, ocrtati opseg lezije, izračunati stopu infekcije područja plućne lezije i surađivati sa softverom za praćenje radi upravljanja napredovanjem bolesti i procjene prognoza [28]. Uz pomoć softvera smanjuje se opterećenje liječnika, poboljšava brzina i točnost dijagnoze i liječenja, no važno je istaknuti neke uobičajene probleme u istraživanju Al potpomognute CT dijagnostike nove koronavirusne upale pluća, a to su:
Studirati dizajn
U novoj CT dijagnozi pneumonije COVID-19, dizajn modela treba razmotriti na različite načine kako bi se prilagodile različite faze dijagnoze i liječenja u najpočetnijoj fazi razvoja dijagnostičkog modela "CT plus AI". Na primjer, kontrolnu skupinu koja se koristi za obučavanje modela ranog probira treba razlikovati od skupine odabrane u antidijastoli: 1) Odluke u problemu ranog probira preferiraju visoku osjetljivost za odvajanje sumnjivih slučajeva od zdrave populacije, stoga uzorci kontrolnih slučajeva obučeni od strane AI model bi trebao biti CT slike zdravih pluća naspram slika nezdravih pluća. Slučajevi nezdravih pluća sastoje se od više sumnjivih tipova upale pluća kako bi se osigurala izvedba modela niske stope propuštene dijagnoze. 2) U scenariju antidijastole, sposobnost visoke specifičnosti ključna je za razlikovanje nove koronavirusne upale pluća od one upale pluća uzrokovane drugim infekcijama. Konkretnije, s obzirom na stvarne kliničke okolnosti, idealan dizajn kontrole trebao bi usporediti dvije skupine sa sličnim kliničkim simptomima ili epidemiološkom poviješću kao što su vrućica, kašalj, abnormalnosti CT slike pluća, ali negativne i pozitivne rezultate u testu nukleinske kiseline (ili drugim dijagnostičkim zlatnim standardima) . Namjera takvog dizajna bila je konsolidacija karakterističnijih radiomičkih obilježja nove koronavirusne upale pluća. Nadalje, potrebno je pažljivo razmotriti odabranu metriku procjene za procjenu izvedbe modela. Na primjer, kada se procjenjuje dijagnostički model "CT plus AI", omjer točnosti nije ispravan pokazatelj koji može u potpunosti procijeniti model. Neravnoteža između pozitivnih i negativnih uzoraka testnih podataka dovela bi do problema precjenjivanja izvedbe (npr. testni set koji se sastoji od 96 pozitivnih i 4 negativna slučaja mogao bi privući naivni model dajući visoku točnost do 96 posto, čak i ako model samo reći pozitivno).AI dijagnostički softver primjenjuje se u specifičnim kliničkim problemima za bolju sposobnost i učinkovitost. Prije provedbe, ciljeve studije potrebno je razjasniti i razjasniti za specifične kliničke probleme. Potom treba provesti projektiranje metodologije na znanstveni način. Treba također izraditi cjeloviti plan istraživanja. Potrebno je u potpunosti razmotriti objekte proučavanja, pravilo uključivo-isključivo i metriku evaluacije krajnje točke. Vodeći znanstvenim dizajnom, rizik od pristranosti može se svesti na najmanju moguću mjeru, mogu se dobiti visokokvalitetni istraživački dokazi i mogu se osigurati pouzdane smjernice za kliničku primjenu.
Provedba istraživanja
Proces obuke DNN modela umjetne inteligencije isključivo je vođen podacima. Oslanja se na veliki broj točno označenih uzoraka slika tijekom faze obuke. Što je veća količina podataka, bolja je diskriminativna izvedba modela. Sustav za dijagnostiku dijabetičke retinopatije, kao medicinski uređaj AI, koji je razvio američki tehnološki div Google, prošao je drugu fazu kliničkih ispitivanja. Proces obuke sustava koristi 130 milijuna slika od 10 000 slučajeva, što je blizu razine medicinskih stručnjaka [30]. Nasuprot tome, iako su određene medicinske jedinice akumulirale nove podatke CT slike koronavirusa u suradnji s proizvođačima tehnologije za obuku i razvoj softvera u epidemiji, ukupna količina je relativno mala i distribucija je relativno raspršena, plus oskudan resurs stručnjaka za CT sliku označavanje u početnoj fazi, što rezultira samo malim skupom podataka dostupnim za obuku modela i teško jamči kvalitetu označavanja. Nedovoljno podataka o uvježbavanju može uzrokovati da DNN model "zapamti" informacije u CT slikama koje nisu relevantne za stvarnu dijagnozu zbog svojih strukturnih značajki s jakom izražajnom moći, uzrokujući prekomjerno prilagođavanje i smanjujući sposobnost prosuđivanja budućih podataka. Da bi se postigao dovoljan učinak obuke pod uvjetom manje količine podataka, često je potrebno dizajnirati složeniju unutarnju strukturu modela i modelirati vještine obuke, što također povećava težinu implementacije.
Razmatranje novosti u iznimnosti COVID-a-19
Na temelju kliničkog iskustva, CT slika prsnog koša nove koronavirusne pneumonije ima karakteristike "slične slike, ali različite bolesti". Teško ga je razlikovati ljudskim očima što povećava poteškoće u antidijastoli. Poteškoća je izraženija ako je veličina uzorka za obuku mala. Osim toga, kao jedan od dijagnostičkih kriterija novog COVID-a-19, rezultati kompleta nukleinske kiseline pokazuju visoku specifičnost, ali nisku osjetljivost. Ako se koristi za označavanje uzoraka za obuku kao zlatnog standarda, stvarni pozitivni uzorci često bi bili pogrešno označeni kao negativni. Obuka s pogrešno označenim podacima izravno će smanjiti izvedbu modela.
Provjera pouzdanosti dijagnoze AI
Nije pouzdano procijeniti učinak dijagnoze samo internim testom podataka nakon implementacije modela dijagnoze umjetne inteligencije. Smetnja ispod podataka uzrokovana različitim modelima CT opreme, geografskim regijama, stvarnim kliničkim okruženjem, varijacijama virusa i drugim čimbenicima mogla bi utjecati na dijagnostički rezultat modela. Model jedva može imati sposobnost nositi se s tim zbunjujućim čimbenicima s ograničenim internim testovima podataka. Kada se AI dijagnostički softver stavi u kliničku upotrebu bez potpune validacije, može se ponavljati samo izvanmrežnom obukom i optimizacijom budući da ne može poboljšati razinu dijagnoze i liječenja nastavljajući učiti o novim slučajevima poput ljudskih liječnika. U usporedbi s pogrešnom dijagnozom ljudskog liječnika, potencijalni jatrogeni rizici uzrokovani ograničenjima računalnog softvera bit će izraženiji. Prema novoj verziji "Kataloga klasifikacije medicinskih uređaja" (CFDA 2017 br. 143), AI dijagnostički softver, kao medicinski uređaj, trebao bi nastaviti sa sustavnom revizijom i opsežnom simulacijom, čak i prospektivnim kliničkim ispitivanjima, kako bi se u potpunosti potvrdila točnost i pouzdanost kliničke dijagnoze. Grupa za umjetnu inteligenciju Nacionalnog instituta za kontrolu hrane i lijekova (NIFDC) uspostavila je sigurnosni sustav medicinskih uređaja s umjetnom inteligencijom i propisala metodu ispitivanja temeljenu na standardnoj provjeri skupa podataka [30]. Trenutačno ne postoji standardna baza podataka za novi entitet bolesti COVID-19, tako da je teško potvrditi visoku točnost ponovljivosti postojećeg AI softvera u većini medicinskih dijagnoza skeniranjem u stvarnom svijetu.
Unaprijediti kvalitetu i znanstvenu standardizaciju dijagnostičkog modela "CT plus AI".
Primjena umjetne inteligencije u medicinskoj industriji još je u ranoj fazi u Kini, dok je posljednjih godina dobila veliku pozornost i brzi razvoj, što je čak uključeno u nacionalni strateški plan [30]. Mnogi proizvodi umjetne inteligencije pokazali su obećavajuće izglede u području medicine. U sljedećoj fazi, za komercijalizaciju, fokus industrije bio bi na znanstvenom istraživanju dizajna i standardizaciji procesa implementacije i verifikacije; zdravo razviti umjetnu inteligenciju u medicinskoj industriji, standardizirati upravljanje dijagnostičkim proizvodima potpomognutim Al-om prema specifikaciji novih medicinskih aparata. Iako su mnogi proizvodi umjetne inteligencije koji su se pojavili tijekom epidemije liječnicima donijeli pogodnost u dijagnostici i liječenju bolesti, sveukupna znanstvena strogost i pouzdanost kvalitete i dalje trebaju daljnje poboljšanje i usavršavanje.
Poboljšati dizajn studije AI tehnologije u kliničkim problemima
Trenutačno većina istraživanja o novoj dijagnostici COVID-19 uz pomoć CT-a koristi retrospektivne metode kontrole slučaja. Jedna od prednosti je brzo dobivanje različitih informacija od ograničenih subjekata istraživanja, dok postoji rizik od pristranosti. Uzorci u studijama kontrole slučaja trebali bi se uzimati iz ukupnih dijagnostičkih slučajeva ili nasumično odabrani iz njih, međutim, zbog ograničenih izvora, uzorci ne mogu predstavljati sve pacijente. Posebno kontrolno uzorkovanje može se koristiti za smanjenje pristranosti i povećanje razine dokaza u skladu sa stvarnom situacijom, na primjer, odabirom slučajeva iz iste medicinske ustanove, korištenjem dvije ili više kontrolnih skupina i podudaranjem varijabli. U procjeni izvedbe dijagnostičkog modela, dijagram stvarno pozitivne stope i lažno pozitivne stope (krivulja radne karakteristike prijemnika (ROC krivulja)) može se koristiti za usporedbu interpretacije algoritma umjetne inteligencije s procjenom liječnika ili površine ispod krivulje (AUC) kao referenca izvedbe modela. Unatoč tome, još uvijek je teško u potpunosti objasniti kliničke koristi oslanjajući se isključivo na usporedbu ili pokazatelje, u stvarnosti je potrebno uzeti u obzir i druge čimbenike kliničkog odlučivanja za sveobuhvatnu procjenu.
Poboljšanje točnosti oznake, proširenje broja i dimenzija uzoraka za obuku tijekom procesa implementacije modela
U primarnoj fazi, modeli obučeni malim brojem uzoraka CT slika već su pokazali dobar trend. S vremenom bi više slučajeva poboljšalo bolju osnovnu podršku u obuci modela. Što se više slika nauči, veći je potencijal za prevladavanje poteškoća "iste slike, različiti slučajevi" u dijagnozi COVID-19. Kao odgovor na ovu situaciju, na temelju podataka CT slike, model također može proširiti domenu informacija kombiniranjem pacijentovih kliničkih signala, epidemiologije, laboratorijskog pregleda i drugih podataka za sveobuhvatnu procjenu bolesti i poboljšanje točnosti dijagnoze. Poboljšanje točnosti označavanja uzoraka može se postići optimizacijom strategije zlatnog standarda. Primijenite višestruke intervale testa nukleinske kiseline kako biste kompenzirali mogućnost jednog lažno negativnog rezultata ili unakrsno provjerite rezultat koji se odnosi na druge dijagnostičke pribore, kao što je detekcija IgM/lgG antitijela.
Uspostaviti novu standardnu bazu podataka za testiranje CT-a na koronavirusnu upalu pluća
Nakon implementacije i interne verifikacije AI modeliranja, potrebna je eksterna verifikacija pouzdanosti putem standardnog sustava za testiranje baze podataka. Što se tiče uspostavljenog standardnog sustava baze podataka bolesti fundusa i plućnih nodula, entiteti bolesti dolaze iz različitih medicinskih ustanova diljem zemlje, uključujući i nerazvijena područja. Podaci sadrže razne specifikacije i kompatibilni su s uređajima različitih modela i parametara. Liječnici koji sudjeluju u označavanju testnih podataka imaju iskustvo u medicinskim istraživanjima umjetne inteligencije i dobro su obučeni. Poseban istraživački tim formirat će liječnici s visokom preciznošću, stabilnošću i obogaćenim kliničkim iskustvom. Standardni testni skup podataka briše tragove tvrtke i stroja i strogo kontrolira pristranost podataka kako bi se osigurala pravedna i objektivna procjena učinka u zatvorenom okruženju [30]. Ukratko, teško je uspostaviti novu COVID-19 CT standardnu bazu podataka oslanjajući se isključivo na pojedinačne institucije. Nacija bi trebala pružiti odgovarajuću podršku tijekom posebnog razdoblja epidemije. Na primjer, brzo uspostavite novu COVID-19 posebnu skupinu za umjetnu inteligenciju koja će voditi i koordinirati suradnju i dijeljenje resursa svih strana u cijeloj zemlji te zajednički formulirati posebnu bazu podataka o testiranju bolesti i druge standarde provjere.
Standardizirati upravljanje podacima medicinskih istraživanja umjetne inteligencije
3. srpnja 2019. Centar za procjenu medicinskih uređaja objavio je "Ključne točke pregleda softvera medicinskih uređaja za donošenje odluka potpomognutog dubokim učenjem" (ključne točke). Pruža tehničke smjernice za medicinske proizvode s umjetnom inteligencijom registrirane kao medicinski uređaji treće vrste i uklanja usko grlo politike prije lansiranja proizvoda. Međutim, nema zakonskih ograničenja u pogledu etike i sigurnosti podataka. Umjetna inteligencija u medicinskim istraživanjima mora biti u skladu s etikom i štititi sigurnost i privatnost osobnih podataka. Ako se mogu formulirati nacionalni ili regionalni zakoni i propisi o zaštiti privatnosti pacijenata, dok se može uspostaviti standardizirana platforma za upravljanje podacima za istraživanje, istraživački projekt tada se može učinkovito pregledati kako bi se odmah otkrili potencijalni rizici u procesu dizajna i implementacije. Provest će se smjernice za sigurnost podataka kako bi se izbjegao rizik od ometanja i uništavanja ljudskog zdravlja.
Reference:
1 zc [Internet]. Kako koristiti AI za otkrivanje novog koronavirusa i borbu protiv njega [citirano 20. ožujka 2020.].
2. Huang Q [Internet]. Tim akademika Li Lanjuana objavio je: ova dva lijeka mogu učinkovito inhibirati novi koronavirus [citirano 20. ožujka 2020.].
3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: Baza podataka o rendgenskim snimkama prsnog koša bolničke razine i mjerila za slabo nadziranu klasifikaciju i lokalizaciju uobičajenih bolesti prsnog koša. 2017. IEEE konferencija o računalnom vidu i prepoznavanju uzoraka (CVPR), Honolulu, HI, 2017., str. 3462-3471.
4. Li Z, Wang C, Han M, et al. Identifikacija i lokalizacija torakalne bolesti s ograničenim nadzorom. arXiv e-ispisi, 2017. arXiv:1711.06373.
5. Singh R, Kalra MK, Nitiwarangkul C, et al. Duboko učenje u radiografiji prsnog koša: otkrivanje nalaza i prisutnost promjena. PLoS jedan. 2018;13(10):e0204155. Objavljeno 4. listopada 2018.
6. Nam JG, Park S, Hwang EJ, et al. Razvoj i validacija algoritma za automatsko otkrivanje malignih plućnih čvorova na rendgenskim snimkama prsnog koša temeljenog na dubokom učenju. Radiologija, 2019.
7. Lakhani P, Sundaram B. Duboko učenje radiografije prsnog koša: Automatizirana klasifikacija plućne tuberkuloze korištenjem konvolucijskih neuronskih mreža. Radiologija. 2017;284(2):574–582.
8. Gale W, Oakden-Rayner L, Carneiro G, et al. Otkrivanje prijeloma kuka s izvedbom na razini radiologa pomoću dubokih neuronskih mreža. arXiv e-ispisi, 2017. arXiv:1711.06504.
9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Veliki skup podataka za otkrivanje abnormalnosti na radiografijama mišićno-koštanog sustava. arXiv e-ispisi, 2017. arXiv:1712.06957.
10. Ridley EL [Internet]. Duboko učenje obećava procjenu koštane dobi [citirano 15. studenog 2017.].
11. Yee KM [Internet]. Algoritam umjetne inteligencije povezuje radiologe u pregledima dojke [citirano 13. prosinca 2017.].
12. Lehman CD, Yala A, Schuster T, et al. Mamografska procjena gustoće dojki korištenjem dubokog učenja: klinička primjena. Radiologija, 2019. 290(1): str. 52-58.
13. Ridley EL. Algoritam dubokog učenja može stratificirati rizik od nodula u plućima [citirano 26. studenog 2017.].
14. Ali I, Hart GR, Gunabushanam G, et al. Detekcija plućnih nodula putem dubokog potkrepljenog učenja. Prednja onkol. 2018;8:108. Objavljeno 16. travnja 2018. doi:10.3389/fonc.2018.00108.
15. Walsh SLF, Calandriello L, Silva M, et al. Duboko učenje za klasifikaciju fibrotične plućne bolesti na kompjutorskoj tomografiji visoke razlučivosti: kohortna studija slučaja. Lancet Respir Med. 2018;6(11):837–845.
16. Yasaka K, Akai H, Abe O, et al. Duboko učenje s konvolucijskom neuronskom mrežom za diferencijaciju jetrenih masa na CT-u s dinamičkim kontrastom: Preliminarna studija. Radiologija. 2018;286(3):887–896.
17. Liu FZ, Xie LX, Xia YD, et al. Prikaz zajedničkog oblika i klasifikacija za otkrivanje PDAC. arXiv e-ispisi, 2018. arXiv:1804.10684.
18. Bar A, Wolf L, Amitai OB, et al. Detekcija kompresijskih prijeloma na CT-u. arXiv e-ispisi, 2017. arXiv:1706.01671.
19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: segmentacija srca s ENet-om. arXiv e-ispisi, 2017. arXiv:1704.04296.
20. Madani A, Arnaout R, Mofrad M, et al. Brza i točna klasifikacija pregleda ehokardiograma pomoću dubokog učenja. npj Digital Med 1, 6 (2018).
21. Zhang J, Gajjala S, Agrawal P, et al. Potpuno automatizirana interpretacija ehokardiograma u kliničkoj praksi. Naklada, 2018. 138(16): str. 1623-1635.
22. Li XC, Zhang S, Zhang Q, et al. Dijagnostika raka štitnjače pomoću modela duboke konvolucijske neuronske mreže primijenjenih na sonografske slike: retrospektivna, multikohortna, dijagnostička studija. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.
23. Li HL, Weng J, Shi YJ, et al. Poboljšani pristup dubokog učenja za otkrivanje papilarnog karcinoma štitnjače na ultrazvučnim slikama. Sci Rep. 2018;8(1):6600. Objavljeno 26. travnja 2018.
24. Ured Nacionalne zdravstvene komisije [Internet]. Dijagnostika i liječenje nove koronavirusne upale pluća (peta probna verzija) [citirano 4. veljače 2020.].
25. Alibaba DAMO Academy [Internet]. Što mislite o novoj CT tehnologiji za dijagnosticiranje AI dijagnostike pneumonije izazvane koronavirusom koju je razvila Akademija Ali Damo, s prosječnom stopom prepoznavanja od 96 posto u manje od 20 sekundi? [ 2020-02-19].
26. United imaging. Osvajanje "epidemijskog" proboja - službeno pokrenut uAI novi sustav za inteligentnu pomoćnu analizu koronavirusne upale pluća [citirano 10. veljače 2020.]
27. Gozes O, Frid-Adar M, Greenspan H, et al. Brzi razvojni ciklus umjetne inteligencije za pandemiju koronavirusa (COVID-19): početni rezultati za automatizirano otkrivanje i praćenje pacijenata pomoću analize CT slike dubokog učenja. ArXiv abs/2003.05037 (2020): n. pag.
28. Huang L, Han R, Ai T, et al. Serijska kvantitativna CT procjena prsnog koša za COVID{1}}: Pristup dubokog učenja. Radiologija: Kardiotorakalna slika 2020 2:2.
29. Li L, Qin LX, Xu ZG, et al. Umjetna inteligencija razlikuje COVID-19 od pneumonije stečene u zajednici na CT-u prsnog koša. Radiologija. 2020;200905.
30. Jin YH, Qiu M J. Bijela knjiga kineske medicinske umjetne inteligencije. Šangaj: Institut za umjetnu inteligenciju Sveučilišta Jiao Tong u Šangaju, 2019. (kineski)
