Uloga i izazov umjetne inteligencije u dijagnozi novog koronavirusa pneumonije CT

Za više informacija:ali.ma@wecistanche.com

Highlights

Ovaj rad na novi način razmatra naučnost i normativnost zasnovanu na metodološkim zahtjevima kliničkog ispitivanja, posmatrajući proces razvoja softvera umjetne inteligencije (AI) kao dijagnostičko istraživanje kompjuterizirane tomografije (CT) kliničkih ispitivanja. U radu se također pominju 4 načina promoviranja dijagnostičkog softvera AI koji pomaže u stvarnim kliničkim problemima i donosi pacijentima stvarne kliničke koristi.

Click to cistanche nuspojave i Cistanche za imunitet

Abstract

Početkom 2020. nova koronavirusna upala pluća(COVID-19)izbio u Kini. Mnogi medicinski proizvodi brzo su se pojavili u oblasti umjetne inteligencije (AI), koja je odigrala važnu ulogu u borbi protiv pandemije. Ovaj članak sumira trenutna istraživanja i status primjene AI u radiologiji i kontroli pandemije i analizira uobičajene probleme AI tehnologije u istraživanjuCOVID-19dijagnoza. Uglavnom uključuje razmišljanja o dizajnu kliničkih studija, poteškoćama u provedbi istraživanja i izazovima u verifikaciji pouzdanosti AI modela. Kao odgovor na gore navedene poteškoće, predlažu se prijedlozi za optimizaciju naučnosti i kvaliteta dijagnostičkog istraživanja AI.

Ključne riječi:COVID-19pandemija, umjetna inteligencija, kompjuterizirana tomografija, klinička istraživanja

Važna uloga raznovrsnih proizvoda umjetne inteligencije u borbi protiv epidemije

Početkom 2020. izbijanjenovi koronavirus upala pluća(Korona virus, COVID-19) stavljaju implementaciju prevencije i kontrole bolesti u veliki izazov. Na primjer, kako brzo izmjeriti svačiju tjelesnu temperaturu u saobraćajnom čvorištu sa velikim prometom; kako brzo izdvojiti potencijalno efikasne lijekove među ogromnim mogućnostima; kako pregledati sumnjive slučajeve u velikoj populaciji; kako se nositi sa nedostatkom medicinskih stručnjaka i unakrsnim infekcijama tokom liječenja dijagnosticiranih pacijenata. Umjetna inteligencija (Al, kao jedna od najpopularnijih oblasti posljednjih godina, rješava neke probleme primjenom novih AI proizvoda, čime se poboljšava efikasnost prevencije, kontrole i dijagnoze bolesti.

AI pomaže u praćenju i simulaciji trenda razvoja epidemije analizom tragova aktivnosti ljudi, kako bi se rano upozorila područja potencijalnog širenja. AI također može analizirati puteve razmnožavanja, locirati bliske kontakte dijagnostičkih pacijenata i brzo poduzeti karantin i liječenje. Infracrveni termovizir sa AI tehnologijom prepoznavanja slike vrši detekciju groznice na javnim mestima kako bi locirao osobe sa abnormalnom telesnom temperaturom[1]. U razvoju novih lijekova, AI pomaže da se pronađu najmoćniji antivirusni i protuupalni lijekovi iz stotina lijekova za daljnji razvoj [2]. U dijagnozi i liječenju, usvojen je model duboke neuronske mreže (DNN) za prepoznavanje grafičkih podataka kompjuterske tomografije (CT) („CT plus AI) kako bi se pomoglo liječnicima da brzo postave dijagnoze.

Izazovi s kojima se suočava "CT plus AI" u pomaganju u dijagnozi COVID-a-19

Posebnu pažnju privukla je primjena umjetne inteligencije u radiologiji. DNN se naširoko koristi u različitim medicinskim tehnologijama skeniranja, na primjer, dijagnostici pneumonije na digitalnoj radiografiji grudnog koša (DR)[3-5], otkrivanju kanceroznih plućnih nodula [6] i tuberkuloze [7], otkrivanju prijeloma, i predviđanje koštanog doba putem rendgenskog snimanja [8-10].pregled i evaluacija rendgenskih snimaka dojke [11,12]; otkrivanje i dijagnostika plućnih čvorova [13,14], pneumonije [15], masa jetre [16], karcinoma gušterače [17] i kompresijskih fraktura kralježaka [18] na CT snimcima; ocrtava komoru u magnetnoj rezonanciji srca [19]. Inspekcija ultrazvučnog pregleda, AI model može izvršiti dijagnozu i kvantitativnu analizu srčane slike [20.21]. kao i ultrazvučno otkrivanje tiroidnih čvorova i dijagnoza benignih i malignih [22,23] (Tabela 1).

U dijagnozi nove pneumonije koronavirusa, CT, DR i ultrazvuk se obično koriste tehnike slikovnog pregleda, u odgovarajućim procesima i scenarijima prema njihovim vlastitim karakteristikama. Kod njih je CT prioritet u ranoj fazi otkrivanja lezija. Budući da je objavljen "COVID-19 Program dijagnostike i liječenja pneumonije (probna verzija 5)", dijagnostika CT snimanja je također uključena u standarde kliničke dijagnoze novog COVID-19 [24]. Međutim, dijagnoza jednog pacijenta zahtijeva ručno posmatranje više od stotinu CT snimaka. Uz veliki broj kliničkih potreba, liječnici trpe veliko opterećenje uz nisku efikasnost. Softverski omogućena AI tehnologija može riješiti ova klinička uska grla. CT inspekcija je postala preferirano rješenje za snimanje za trenutni softver za dijagnostiku pneumonije AI zbog njegove visoke preciznosti, jedinstvenih standarda i duboke akumulacije industrijskih podataka i tehnologije [27. U praktičnim primjenama, dijagnostički modeli mogu identificirati sliku pneumonije putem specifičnog algoritma da se predvidi je li bolest [27-29]. Model kvantitativne analize pluća može otkriti lokaciju lezije, izbrojati broj lezija, ocrtati obim lezije, izračunati stopu infekcije područja plućne lezije i surađivati ​​sa pratećim softverom za upravljanje progresijom bolesti i procjenu prognoza [28]. Uz pomoć softvera, smanjuje se opterećenje ljekara, a brzina i tačnost dijagnoze i liječenja se poboljšava, međutim, važno je naglasiti neke uobičajene probleme u istraživanju CT dijagnoze nove korona virusne pneumonije uz pomoć Al, i to:

Dizajn studija

U novoj CT dijagnozi pneumonije COVID-19, dizajn modela treba različito razmatrati kako bi se prilagodile različite faze dijagnoze i liječenja u najpočetnijoj fazi razvoja dijagnostičkog modela "CT plus AI". Na primjer, kontrolnu grupu koja se koristi za obuku modela ranog skrininga treba razlikovati od grupe odabrane u antidijastoli: 1) Odluke u problemu ranog skrininga 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 nasuprot slikama nezdravih pluća. Slučajevi nezdravih pluća se sastoje od više sumnjivih tipova pneumonije kako bi se osigurala performansa modela niske stope promašene dijagnoze. 2) U scenariju antidijastole, sposobnost visoke specifičnosti je od suštinskog značaja za razlikovanje nove pneumonije koronavirusa od onih pneumonija uzrokovanih drugim infekcijama. Konkretnije, s obzirom na stvarne kliničke okolnosti, idealan dizajn kontrole trebao bi uporediti dvije grupe sa sličnim kliničkim simptomima ili epidemiološkom anamnezom kao što su groznica, kašalj, abnormalnosti slike pluća na CT-u, ali negativni i pozitivni rezultati u testu nukleinske kiseline (ili drugim dijagnostičkim zlatnim standardima) . Takav dizajn imao je za cilj da konsoliduje karakterističnije radiomične karakteristike nove pneumonije koronavirusa. Pored toga, metriku evaluacije odabranu za procjenu performansi modela treba pažljivo razmotriti. Na primjer, kada se procjenjuje "CT plus AI" dijagnostički model, omjer tačnosti nije odgovarajući pokazatelj koji može u potpunosti procijeniti model. Neravnoteža između pozitivnih i negativnih uzoraka podataka testa dovela bi do problema precijenjenja performansi (npr. testni set koji se sastoji od 96 pozitivnih i 4 negativna slučaja mogao bi privući naivni model dajući visoku preciznost do 96 posto, čak i ako samo model reci pozitivno). AI dijagnostički softver se primjenjuje u specifičnim kliničkim problemima radi bolje sposobnosti i efikasnosti. Prije implementacije, ciljevi studije moraju biti razjašnjeni i raščišćeni za specifične kliničke probleme. Zatim treba sprovesti osmišljavanje metodologije na naučni način. Takođe treba formulisati kompletan plan istraživanja. Objekti proučavanja, pravilo inkluzivnog-ekskluzivnog i metrika evaluacije krajnje tačke treba u potpunosti razmotriti. Vodeći sa naučnim dizajnom, rizik od pristrasnosti se može svesti na minimum, mogu se dobiti visokokvalitetni istraživački dokazi i mogu se obezbediti pouzdane smernice za kliničku primenu.

Implementacija istraživanja

Proces obuke DNN modela umjetne inteligencije je isključivo vođen podacima. Oslanja se na veliki broj tačno označenih uzoraka slika tokom faze obuke. Što je veća količina podataka, to je bolji diskriminativni učinak modela. Sistem za dijagnostiku dijabetičke retinopatije, kao medicinski uređaj AI, koji je razvio američki tehnološki gigant Google, prošao je drugu fazu kliničkih ispitivanja. Proces obuke sistema koristi 130 miliona slika 10,000 slučajeva, što je blizu nivoa medicinskih stručnjaka [30]. Nasuprot tome, iako su određene medicinske jedinice akumulirale nove podatke o CT snimku koronavirusa u suradnji s proizvođačima tehnologije za obuku i razvoj softvera u epidemiji, ukupan iznos je relativno mali i distribucija je relativno raštrkana, plus oskudni resursi stručnjaka za CT snimke označavanje u početnoj fazi, što rezultira samo malim skupom podataka dostupnim za obuku modela i teško garantira kvalitet označavanja. Nedovoljni podaci o obuci mogu uzrokovati da DNN model "zapamti" informacije na CT slikama koje nisu relevantne za stvarnu dijagnozu zbog svojih strukturnih karakteristika sa jakom ekspresivnom snagom, uzrokujući prekomjerno prilagođavanje i smanjenje sposobnosti prosuđivanja budućih podataka. Da bi se postigao dovoljan efekat treninga pod uslovom manjeg obima podataka, često je potrebno dizajnirati složeniju internu strukturu modela i veštine obuke modela, što takođe povećava poteškoću implementacije.

Razmatranje o novoj izuzetnosti COVID-19

Na osnovu kliničkog iskustva, CT slika prsnog koša nove pneumonije koronavirusa ima karakteristike "slične slike, ali različite bolesti". Ljudskim očima ga je teško razlikovati što povećava poteškoće u antidijastoli. Poteškoća je izraženija ako je uzorak za obuku mali. Osim toga, kao jedan od dijagnostičkih kriterija novog COVID-19, rezultati kompleta nukleinske kiseline pokazuju visoku specifičnost, ali nisku osjetljivost. Ako se koristi za označavanje uzoraka za obuku kao zlatni standard, stvarni pozitivni uzorci bi se pogrešno označili kao negativni. Obuka sa pogrešno označenim podacima će direktno smanjiti performanse modela.

Provjera pouzdanosti dijagnoze AI

Nije pouzdano procijeniti efekat dijagnoze samo internim testom podataka nakon implementacije AI dijagnostičkog modela. Konfuzija ispod podataka uzrokovana različitim modelima CT opreme, geografskim regijama, stvarnom kliničkom okolinom, varijacijom virusa i drugim faktorima, može utjecati na dijagnostički rezultat modela. Model jedva da ima sposobnost da se nosi sa ovim zbunjujućim faktorima sa ograničenim internim testovima podataka. Kada se dijagnostički softver umjetne inteligencije stavi u kliničku upotrebu bez potpune validacije, može se ponoviti samo putem vanmrežne obuke i optimizacije jer ne može poboljšati dijagnozu i razinu liječenja nastavljajući učiti nove slučajeve poput ljudskih doktora. U poređenju s pogrešnom dijagnozom ljudskog doktora, potencijalni jatrogeni rizici uzrokovani ograničenjima kompjuterskog softvera bit će izraženiji. Prema novoj verziji "Kataloga klasifikacije medicinskih uređaja" (CFDA 2017 br.143), dijagnostički softver AI, kao medicinski uređaj, trebao bi nastaviti sa sistematskom revizijom i opsežnom simulacijom, čak i prospektivnim kliničkim ispitivanjima, kako bi se u potpunosti potvrdila tačnost i pouzdanost kliničke dijagnoze. Grupa za umjetnu inteligenciju Nacionalnog instituta za kontrolu hrane i lijekova (NIFDC) uspostavila je sigurnosni sistem medicinskih uređaja AI i odredila metodu testiranja zasnovanu na standardnoj verifikaciji skupa podataka [30]. Trenutno ne postoji standardna baza podataka za novi entitet bolesti COVID-19, tako da je teško potvrditi visoku tačnost ponovljivosti postojećeg AI softvera u većini dijagnoza medicinskih skeniranja u stvarnom svijetu.

Poboljšati kvalitetu i naučnu standardizaciju "CT plus AI" dijagnostičkog modela

Primena veštačke inteligencije u medicinskoj industriji je još uvek u ranoj fazi u Kini, dok je poslednjih godina dobila veliku pažnju i brz razvoj, što je čak uključeno u nacionalni strateški plan [30]. Mnogi proizvodi umjetne inteligencije pokazali su obećavajuće izglede u medicinskom polju. U sljedećoj fazi, za komercijalizaciju, fokus industrije bi bio na naučnom istraživanju dizajna i standardizaciji procesa implementacije i verifikacije; zdravo razvijati umjetnu inteligenciju u medicinskoj industriji, standardizirati upravljanje dijagnostičkim proizvodima potpomognutim Al prema specifikaciji novog medicinskog aparata. Iako su mnogi proizvodi umjetne inteligencije koji su se pojavili tokom epidemije omogućili ljekarima pogodnost u dijagnostici i liječenju bolesti, ukupna naučna strogost i pouzdanost kvaliteta još uvijek trebaju dodatno poboljšanje i usavršavanje.

Poboljšati dizajn studija AI tehnologije u kliničkim problemima

Trenutno, većina istraživanja o novoj dijagnozi uz pomoć CT-a COVID-19 koristi retrospektivne metode kontrole slučajeva. Jedna od prednosti je brzo dobijanje različitih informacija od ograničenih subjekata istraživanja, dok postoji rizik od pristranosti. Uzorke u studijama slučaj-kontrola treba uzeti iz ukupnih dijagnostičkih slučajeva ili nasumično odabrati iz njih, međutim, zbog ograničenih izvora, uzorci ne mogu predstavljati sve pacijente. Specijalno kontrolno uzorkovanje može se koristiti za smanjenje pristrasnosti i povećanje nivoa dokaza u skladu sa stvarnom situacijom, na primjer, odabirom slučajeva iz iste medicinske ustanove, korištenjem dvije ili više kontrolnih grupa i podudaranjem varijabli. U procjeni performansi dijagnostičkog modela, dijagram prave pozitivne stope i lažno pozitivnih stopa (kriva operativne karakteristike prijemnika (ROC kriva)) može se koristiti za upoređivanje interpretacije AI algoritma s procjenom liječnika ili površine ispod krive (AUC) kao referenca performansi modela. Čak i tako, još uvijek je teško u potpunosti objasniti kliničke prednosti oslanjajući se isključivo na poređenje ili indikatore, drugi faktori kliničkog odlučivanja, u stvarnosti, također se moraju uzeti u obzir za sveobuhvatnu procjenu.

Poboljšanje tačnosti oznake, proširenje broja i dimenzije uzoraka za obuku tokom procesa implementacije modela

U primarnoj fazi, modeli obučeni malim brojem uzoraka CT snimaka već su pokazali dobar trend. Vremenom bi više slučajeva poboljšalo bolju osnovnu podršku u obuci modela. Što je više slika naučeno, veći je potencijal savladavanja poteškoća "iste slike, različiti slučajevi" u dijagnozi COVID-19. Kao odgovor na ovu situaciju, na osnovu podataka CT snimka, model takođe može proširiti domen informacija kombinovanjem kliničkih signala pacijenta, epidemiologije, laboratorijskog pregleda i drugih podataka kako bi se sveobuhvatno procenila bolest i poboljšala tačnost dijagnoze. Poboljšanje tačnosti 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 komplete, kao što je detekcija IgM/lgG antitijela.

Uspostaviti novu bazu podataka standardnog testiranja CT za pneumoniju na koronavirus

Nakon implementacije i interne verifikacije AI modeliranja, potrebna je eksterna verifikacija pouzdanosti kroz standardni sistem za testiranje baze podataka. Što se tiče uspostavljenog standardnog sistema baze podataka o bolestima fundusa i plućnih nodula, entiteti bolesti dolaze iz različitih zdravstvenih ustanova širom zemlje, uključujući i nerazvijena područja. Podaci sadrže različite specifikacije i kompatibilni su s uređajima različitih modela i parametara. Doktori koji učestvuju u označavanju podataka o testovima imaju iskustvo u medicinskom istraživanju AI i dobro su obučeni. Poseban istraživački tim će formirati doktori sa visokom preciznošću, stabilnošću i obogaćenim kliničkim iskustvom. Standardni skup podataka za testiranje briše tragove kompanije i mašine i striktno kontroliše pristrasnost podataka kako bi se osigurala poštena i objektivna procena performansi u zatvorenom okruženju [30]. Da rezimiramo, teško je uspostaviti novu standardnu ​​bazu podataka COVID-19 CT oslanjajući se isključivo na pojedinačne institucije. Nacija treba da pruži odgovarajuću podršku tokom posebnog perioda epidemije. Na primjer, brzo uspostavite novu specijalnu grupu za vještačku inteligenciju COVID-19 koja će voditi i koordinirati saradnju i dijeljenje resursa svih strana širom zemlje, te zajednički formulirati specijalnu bazu podataka o testovima bolesti i druge standarde za verifikaciju.

Standardizirati upravljanje podacima medicinskih istraživanja umjetne inteligencije

Dana 3. jula 2019., Centar za evaluaciju medicinskih uređaja objavio je "Ključne tačke pregleda softvera medicinskih uređaja uz pomoć dubokog učenja i donošenja odluka" (ključne tačke). Pruža tehničke smjernice za medicinske proizvode s umjetnom inteligencijom registrirane kao medicinski uređaji trećeg tipa i eliminira usko grlo u politici prije lansiranja proizvoda. Međutim, ne postoje zakonska ograničenja u pogledu etike i sigurnosti podataka. Umjetna inteligencija u medicinskim istraživanjima mora biti u skladu s etikom i štititi sigurnost i privatnost pojedinačnih podataka. Ako se mogu formulisati nacionalni ili regionalni zakoni i propisi o zaštiti privatnosti pacijenata, dok se može uspostaviti standardizovana platforma za upravljanje podacima za istraživanje, onda se istraživački projekat može efikasno revidirati kako bi se brzo otkrili potencijalni rizici u procesu dizajna i implementacije. Smjernice o sigurnosti podataka će se provoditi kako bi se izbjegao rizik od ometanja i uništavanja zdravlja ljudi.

Reference:

1 zc [Internet]. Kako koristiti AI za otkrivanje i borbu protiv novog koronavirusa [citirano 20. marta 2020.].

2. Huang Q [Internet]. Tim akademika Li Lanjuana objavio je: ova dva lijeka mogu efikasno inhibirati novi koronavirus [citirano 20. marta 2020.].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: Baza podataka o rendgenskom snimku grudnog koša u bolničkoj skali i mjerila o slabo nadgledanoj klasifikaciji i lokalizaciji uobičajenih bolesti grudnog koša. 2017 IEEE konferencija o kompjuterskom 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 uz ograničeni nadzor. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Duboko učenje u radiografiji grudnog koša: Detekcija nalaza i prisutnost promjena. PLoS One. 2018;13(10):e0204155. Objavljeno 4. oktobra 2018.

6. Nam JG, Park S, Hwang EJ, et al. Razvoj i validacija automatskog algoritma za detekciju malignih plućnih čvorova na rendgenskim snimcima grudnog koša zasnovanog na dubokom učenju. Radiologija, 2019.

7. Lakhani P, Sundaram B. Duboko učenje na radiografiji grudnog koša: automatska klasifikacija plućne tuberkuloze korištenjem konvolucijskih neuronskih mreža. Radiologija. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Detekcija preloma kuka sa performansama na nivou radiologa pomoću dubokih neuronskih mreža. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Veliki skup podataka za detekciju abnormalnosti na rendgenskim snimcima mišićno-koštanog sustava. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL [Internet]. Duboko učenje obećava procjenu koštanog doba [citirano 15. novembra 2017.].

11. Yee KM[Internet]. Algoritam AI odgovara radiolozima na pregledima dojki [citirano 13. decembra 2017.].

12. Lehman CD, Yala A, Schuster T, et al. Mamografska procjena gustine dojki korištenjem dubokog učenja: klinička implementacija. Radiology, 2019. 290(1): str. 52-58.

13. Ridley EL. Algoritam dubokog učenja može stratificirati rizik od plućnih nodula [citirano 26. novembra 2017.].

14. Ali I, Hart GR, Gunabushanam G, et al. Detekcija plućnih nodula putem učenja dubokog pojačanja. Front Oncol. 2018;8:108. Objavljeno 16. aprila 2018. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Duboko učenje za klasifikaciju fibrozne bolesti pluća na kompjuterizovanoj tomografiji visoke rezolucije: studija kohorte slučajeva. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, et al. Duboko učenje sa konvolucionom neuronskom mrežom za diferencijaciju masa jetre na CT-u sa dinamičkim kontrastom: Preliminarna studija. Radiologija. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, et al. Zajedničko predstavljanje oblika i klasifikacija za otkrivanje PDAC-a. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Detekcija kompresijskih prijeloma na CT-u. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. Brza komora: segmentacija srca sa ENet-om. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Brza i precizna klasifikacija 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. Tiraž, 2018. 138(16): str. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Dijagnoza karcinoma štitnjače korištenjem modela dubokih konvolucijskih neuronskih mreža 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. aprila 2018.

24. Ured Nacionalne zdravstvene komisije [Internet]. Dijagnoza i liječenje nove koronavirusne pneumonije (peta probna verzija) [citirano 4. februara 2020.].

25. Alibaba DAMO akademija [Internet]. Šta mislite o novoj tehnologiji za dijagnostiku CT-om za pneumoniju, CT, AI, koju je razvila Akademija Ali Damo, sa prosječnom stopom prepoznavanja od 96 posto za manje od 20 sekundi? [ 2020-02-19].

26. United imaging. Osvajanje "epidemijskog" proboja - službeno lansiran novi inteligentni sistem za analizu pneumonije uAI za koronavirus [citirano 10. februara 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 COVID-19: 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 grudnog koša. Radiologija. 2020;200905.

30. Jin YH, Qiu M J. China Artificial Intelligence Medical White Paper. Šangaj: Institut za umjetnu inteligenciju Univerziteta Jiao Tong u Šangaju, 2019. (kineski)