Peran Dan Tantangan Kecerdasan Buatan dalam Diagnosis CT Pneumonia Coronavirus Baru

Untuk informasi lebih lanjut:{0}}

Highlight

Makalah ini secara baru mempertimbangkan ilmiah dan normativitas berdasarkan persyaratan metodologi uji klinis, dengan mempertimbangkan proses pengembangan perangkat lunak kecerdasan buatan (AI) sebagai uji klinis penelitian diagnostik gambar computerized tomography (CT). Makalah ini juga mengangkat 4 cara untuk mempromosikan perangkat lunak diagnostik AI yang membantu dalam masalah klinis aktual dan memberikan manfaat klinis nyata bagi pasien.

Klik untuk efek samping cistanche dan Cistanche untuk kekebalan

Abstrak

Pada awal 2020, pneumonia coronavirus baru(COVID{})pecah di Cina. Banyak produk terkait medis dengan cepat muncul di bidang Artificial Intelligence (AI), yang telah memainkan peran penting dalam memerangi pandemi. Artikel ini merangkum penelitian dan status aplikasi AI saat ini di bidang radiologi dan pengendalian pandemi dan menganalisis masalah umum teknologi AI dalam penelitianCOVID{}diagnosa. Ini terutama mencakup pemikiran tentang desain studi klinis, kesulitan dalam implementasi penelitian, dan tantangan dalam verifikasi keandalan model AI. Menanggapi kesulitan di atas, saran diusulkan untuk mengoptimalkan keilmiahan dan kualitas penelitian diagnostik AI.

Kata kunci:COVID{}pandemi, Kecerdasan buatan, Computerized Tomography, Penelitian klinis

Peran penting dari diversifikasi produk kecerdasan buatan dalam anti-epidemi

Di awal tahun 2020, merebaknyaradang paru-paru virus corona baru(Virus Corona, COVID{}) menempatkan pelaksanaan pencegahan dan pengendalian penyakit menjadi tantangan besar. Misalnya, cara cepat mengukur suhu tubuh setiap orang di pusat lalu lintas dengan arus lalu lintas yang besar; cara cepat menyaring obat potensial yang efektif di antara kemungkinan besar; cara menyaring kasus yang dicurigai dalam populasi besar; bagaimana menangani kekurangan tenaga medis profesional dan infeksi silang selama perawatan pasien yang didiagnosis. Kecerdasan Buatan(Al, sebagai salah satu bidang paling populer dalam beberapa tahun terakhir, menyelesaikan beberapa masalah melalui penerapan produk AI baru, yang meningkatkan efisiensi pencegahan, pengendalian, dan diagnosis penyakit.

AI membantu memantau dan mensimulasikan tren perkembangan epidemi dengan menganalisis jejak aktivitas masyarakat, untuk memberikan peringatan dini ke daerah-daerah yang berpotensi menyebar. AI juga dapat menganalisis rute propagasi, menemukan kontak dekat pasien diagnostik, dan dengan cepat melakukan karantina dan perawatan. Pencitra termal inframerah dengan teknologi pengenalan gambar AI melakukan deteksi demam di tempat umum untuk menemukan orang dengan suhu tubuh abnormal[1]. Dalam pengembangan obat baru, AI membantu menyaring obat antivirus dan antiinflamasi yang paling ampuh dari ratusan obat untuk pengembangan lebih lanjut [2]. Dalam diagnosis dan perawatan, model Deep Neural Network (DNN) diadopsi untuk mengenali data grafik computed tomography (CT) ("CT plus AI) untuk membantu dokter membuat diagnosis dengan cepat.

Tantangan yang dihadapi "CT plus AI" dalam membantu diagnosis COVID-19

Penerapan Artificial Intelligence di bidang radiologi telah menarik perhatian khusus. DNN telah banyak digunakan dalam berbagai teknologi pemindaian medis, misalnya, diagnosis pneumonia pada radiografi digital dada (DR)[3-5], deteksi nodul paru kanker [6] dan tuberkulosis [7], deteksi patah tulang, dan prediksi usia tulang melalui rontgen [8-10].pemeriksaan dan evaluasi rontgen payudara [11,12]; deteksi dan diagnosis nodul paru [13,14], pneumonia [15], massa hati [16], kanker pankreas [17] dan fraktur kompresi vertebra [18] pada gambar CT; menguraikan ventrikel di jantung pencitraan resonansi magnetik [19]. Pemeriksaan pemeriksaan ultrasonografi, model AI dapat melakukan diagnosis dan analisis kuantitatif pencitraan jantung [20.21]. serta deteksi nodul tiroid ultrasound dan diagnosis jinak dan ganas [22,23] (Tabel 1).

Dalam diagnosis pneumonia coronavirus baru, CT, DR, dan ultrasound biasa digunakan teknik pemeriksaan pencitraan, dalam proses dan skenario masing-masing sesuai dengan karakteristiknya masing-masing. CT adalah prioritas pada tahap awal deteksi lesi di antara mereka. Sejak "Program Diagnosis dan Perawatan Pneumonia COVID-19 (Versi Percobaan 5)" dirilis, diagnosis pencitraan CT juga termasuk dalam standar diagnosis klinis COVID baru-19 [24]. Namun, diagnosis satu pasien memerlukan pengamatan manual lebih dari seratus gambar CT. Dengan sejumlah besar kebutuhan klinis, dokter mengalami beban kerja yang besar dengan efisiensi yang rendah. Teknologi AI yang didukung perangkat lunak dapat mengatasi kemacetan klinis ini. Pemeriksaan CT telah menjadi solusi pencitraan pilihan untuk perangkat lunak AI diagnostik pneumonia saat ini karena akurasinya yang tinggi, standar terpadu, dan akumulasi data dan teknologi industri yang mendalam [27. Dalam aplikasi praktis, model diagnostik dapat mengidentifikasi gambar pneumonia melalui algoritma khusus untuk memprediksi apakah itu sakit [27-29]. Model analisis kuantitatif paru-paru dapat mendeteksi lokasi lesi, menghitung jumlah lesi, menguraikan cakupan lesi, menghitung tingkat infeksi area lesi paru, dan bekerja sama dengan perangkat lunak tindak lanjut untuk mengelola perkembangan penyakit dan menilai prognosisnya [28]. Dibantu dengan perangkat lunak, beban kerja dokter berkurang, dan kecepatan serta akurasi diagnosis dan pengobatan ditingkatkan, namun, penting untuk menekankan beberapa masalah umum dalam penelitian diagnosis CT pneumonia coronavirus baru berbantuan Al, sebagai berikut:

Desain studi

Dalam diagnosis CT pneumonia COVID-19 yang baru, desain model harus dipertimbangkan secara berbeda untuk menyesuaikan fase diagnosis dan pengobatan yang berbeda pada tahap paling awal dari pengembangan model diagnostik "CT plus AI". Misalnya, kelompok kontrol yang digunakan untuk pelatihan model skrining awal harus dibedakan dari kelompok yang dipilih dalam antidiastole: 1) Keputusan dalam masalah skrining awal lebih memilih sensitivitas tinggi untuk memisahkan kasus yang dicurigai dari populasi yang sehat, oleh karena itu, sampel kasus kontrol dilatih oleh model AI harus berupa gambar CT paru-paru yang sehat dengan gambar paru-paru yang tidak sehat. Kasus paru-paru yang tidak sehat terdiri dari beberapa jenis pneumonia yang mencurigakan untuk memastikan kinerja model tingkat diagnosis yang tidak terjawab yang rendah. 2) Dalam skenario antidiastole, kemampuan spesifisitas tinggi sangat penting untuk membedakan pneumonia coronavirus baru dari pneumonia yang disebabkan oleh infeksi lain. Lebih konkret, mengingat keadaan klinis yang nyata, desain kontrol yang ideal harus membandingkan dua kelompok dengan gejala klinis atau riwayat epidemiologi yang serupa seperti demam, batuk, kelainan citra CT paru tetapi hasil negatif dan positif pada uji asam nukleat (atau standar emas diagnostik lainnya) . Desain seperti itu dimaksudkan untuk mengkonsolidasikan fitur radiomik yang lebih khas dari pneumonia coronavirus baru. Selain itu, metrik evaluasi yang dipilih untuk menilai kinerja model perlu dipertimbangkan dengan cermat. Misalnya, ketika mengevaluasi model diagnostik "CT plus AI", rasio akurasi bukanlah indikator yang tepat yang dapat menilai model sepenuhnya. Ketidakseimbangan antara sampel positif dan negatif dari data uji akan menyebabkan masalah perkiraan kinerja yang terlalu tinggi (misalnya satu set uji yang terdiri dari 96 kasus positif dan 4 kasus negatif dapat memikat model naif yang memberikan akurasi tinggi hingga 96 persen , bahkan jika modelnya hanya beri tahu yang positif). Perangkat lunak diagnostik AI diterapkan dalam masalah klinis tertentu untuk kemampuan dan efisiensi yang lebih baik. Sebelum implementasi, tujuan penelitian perlu diklarifikasi dan dijelaskan untuk masalah klinis tertentu. Maka perlu dilakukan perancangan metodologi secara ilmiah. Rencana penelitian yang lengkap juga harus dirumuskan. Objek studi, aturan inklusif-eksklusif, dan metrik evaluasi titik akhir harus sepenuhnya dipertimbangkan. Memimpin dengan desain ilmiah, risiko bias dapat diminimalkan, bukti penelitian berkualitas tinggi dapat diperoleh, dan panduan yang andal dapat diberikan untuk aplikasi klinis.

Implementasi penelitian

Proses pelatihan model DNN kecerdasan buatan murni berbasis data. Itu bergantung pada sejumlah besar sampel gambar berlabel akurat selama fase pelatihan. Semakin besar jumlah data, semakin baik kinerja diskriminatif model. Sistem diagnosis retinopati diabetik, sebagai perangkat medis AI, yang dikembangkan oleh raksasa teknologi Amerika, Google, telah melewati uji klinis fase kedua. Proses pelatihan sistem menggunakan 130 juta gambar dari 10,000 kasus, yang mendekati tingkat ahli medis [30]. Sebaliknya, meskipun unit medis yang ditunjuk mengumpulkan data gambar CT coronavirus baru bekerja sama dengan produsen teknologi untuk pelatihan dan pengembangan perangkat lunak dalam epidemi, jumlah totalnya relatif kecil dan distribusinya relatif tersebar, ditambah sumber daya ahli yang langka tentang gambar CT pelabelan pada tahap awal, menghasilkan hanya kumpulan data kecil yang tersedia untuk pelatihan model dan sulit untuk menjamin kualitas pelabelan. Data pelatihan yang tidak memadai dapat menyebabkan model DNN untuk "mengingat" informasi dalam gambar CT yang tidak relevan dengan diagnosis aktual karena fitur strukturalnya dengan kekuatan ekspresif yang kuat, menyebabkan overfitting dan mengurangi kemampuan untuk menilai data di masa mendatang. Untuk mencapai efek pelatihan yang memadai di bawah kondisi volume data yang lebih sedikit, seringkali diperlukan untuk merancang struktur model internal yang lebih kompleks dan keterampilan pelatihan model, yang juga meningkatkan kesulitan implementasi.

Pertimbangan tentang keunikan baru COVID-19

Berdasarkan pengalaman klinis, gambar CT dada pneumonia coronavirus baru memiliki karakteristik "gambar serupa tetapi penyakit berbeda". Sulit untuk membedakan dengan mata manusia yang meningkatkan kesulitan dalam antidiastole. Kesulitan lebih menonjol jika ukuran sampel pelatihan kecil. Selain itu, sebagai salah satu kriteria diagnosis COVID-19 baru, hasil kit asam nukleat menunjukkan spesifisitas tinggi tetapi sensitivitas rendah. Jika digunakan untuk memberi label sampel pelatihan sebagai standar emas, sampel positif yang sebenarnya akan cenderung salah ditandai sebagai negatif. Pelatihan dengan data yang salah dilabeli secara langsung akan mengurangi kinerja model.

Verifikasi keandalan diagnosis AI

Tidak dapat diandalkan untuk mengevaluasi efek diagnosis hanya dengan uji data internal setelah penerapan model diagnosis AI. Pembaur di bawah data yang disebabkan oleh model peralatan CT yang berbeda, wilayah geografis, lingkungan klinis aktual, variasi virus, dan faktor lainnya, dapat memengaruhi hasil diagnostik model. Model hampir tidak memiliki kemampuan untuk menangani faktor-faktor pengganggu ini dengan pengujian data internal yang terbatas. Ketika perangkat lunak diagnostik AI digunakan secara klinis tanpa validasi penuh, itu hanya dapat diulang melalui pelatihan dan pengoptimalan offline karena tidak dapat meningkatkan diagnosis dan tingkat perawatan dengan terus mempelajari kasus baru seperti dokter manusia. Dibandingkan dengan kesalahan diagnosis dokter manusia, potensi risiko iatrogenik yang disebabkan oleh keterbatasan perangkat lunak komputer akan lebih menonjol. Menurut versi baru "Katalog Klasifikasi Perangkat Medis" (CFDA 2017 No.143), perangkat lunak diagnostik AI, sebagai perangkat medis, harus dilanjutkan dengan audit sistematis dan simulasi ekstensif, bahkan uji klinis prospektif, untuk memverifikasi keakuratan sepenuhnya. dan keandalan diagnosis klinis. Kelompok Kecerdasan Buatan dari Institut Nasional Pengawasan Makanan dan Obat-obatan (NIFDC) menetapkan sistem keamanan perangkat medis AI dan menetapkan metode pengujian berdasarkan verifikasi kumpulan data standar [30]. Saat ini, tidak ada database standar untuk entitas penyakit COVID-19 baru, sehingga sulit untuk memverifikasi akurasi pengulangan yang tinggi dari perangkat lunak AI yang ada di sebagian besar diagnosis pemindaian medis di dunia nyata.

Tingkatkan kualitas dan standarisasi ilmiah model diagnostik "CT plus AI"

Penerapan Kecerdasan Buatan dalam industri medis masih pada tahap awal di Cina, sementara itu telah mendapat perhatian yang kuat dan perkembangan yang pesat dalam beberapa tahun terakhir, yang bahkan telah dimasukkan dalam cetak biru strategis nasional [30]. Banyak produk kecerdasan buatan telah menunjukkan prospek yang menjanjikan di bidang medis. Pada tahap selanjutnya, untuk komersialisasi, fokus industri adalah pada penelitian desain secara ilmiah dan standarisasi proses implementasi dan verifikasi; mengembangkan kecerdasan buatan dalam industri medis secara sehat, menstandarkan pengelolaan produk diagnostik berbantuan Al sesuai dengan spesifikasi New Medical Apparatus. Meskipun banyak produk AI yang muncul selama epidemi telah memberikan kemudahan bagi dokter dalam diagnosis dan pengobatan penyakit, ketelitian ilmiah dan keandalan kualitas secara keseluruhan masih memerlukan peningkatan dan penyempurnaan lebih lanjut.

Meningkatkan desain studi teknologi AI dalam masalah klinis

Saat ini, sebagian besar penelitian tentang diagnosis baru dengan bantuan CT COVID-19 menggunakan metode kontrol kasus retrospektif. Salah satu keuntungannya adalah dengan cepat memperoleh berbagai informasi dari subjek penelitian yang terbatas, sementara ada risiko bias. Sampel dalam studi kasus-kontrol harus diambil dari kasus diagnostik total atau dipilih secara acak dari mereka, namun karena sumber yang terbatas, sampel tidak dapat mewakili semua pasien. Sampling kontrol khusus dapat digunakan untuk mengurangi bias dan meningkatkan tingkat bukti sesuai dengan situasi aktual, misalnya, memilih kasus dari institusi medis yang sama, menggunakan dua atau lebih kelompok kontrol, dan mencocokkan variabel. Dalam penilaian kinerja model diagnostik, grafik tingkat positif benar dan grafik tingkat positif palsu (kurva karakteristik operasi penerima (kurva ROC)) dapat digunakan untuk membandingkan interpretasi algoritma AI dengan evaluasi dokter, atau area di bawah kurva (AUC) sebagai referensi kinerja model. Meskipun demikian, masih sulit untuk menjelaskan sepenuhnya manfaat klinis yang hanya mengandalkan perbandingan atau indikator, faktor pengambilan keputusan klinis lainnya, pada kenyataannya, perlu dipertimbangkan juga untuk evaluasi yang komprehensif.

Meningkatkan akurasi label, memperluas jumlah dan dimensi sampel pelatihan selama proses implementasi model

Pada tahap primer, model yang dilatih oleh sejumlah kecil sampel gambar CT telah menunjukkan tren yang baik. Seiring waktu, lebih banyak kasus akan meningkatkan dukungan dasar yang lebih baik dalam pelatihan model. Semakin banyak gambar yang dipelajari, semakin tinggi potensi untuk mengatasi kesulitan "gambar yang sama, kasus yang berbeda" dalam diagnosis COVID-19. Menanggapi situasi ini, berdasarkan data gambar CT, model juga dapat memperluas domain informasi dengan menggabungkan sinyal klinis pasien, epidemiologi, pemeriksaan laboratorium, dan data lain untuk menilai penyakit secara komprehensif dan meningkatkan akurasi diagnosis. Peningkatan akurasi pelabelan sampel dapat dicapai dengan optimalisasi strategi standar emas. Terapkan beberapa interval uji asam nukleat untuk mengkompensasi kemungkinan hasil negatif palsu tunggal, atau verifikasi silang hasil dengan mengacu pada kit diagnostik lain, seperti deteksi antibodi IgM/lgG.

Buat database pengujian standar CT pneumonia coronavirus baru

Setelah implementasi dan verifikasi internal pemodelan AI, verifikasi keandalan eksternal diperlukan melalui sistem pengujian database standar. Mengenai sistem database standar yang ditetapkan untuk penyakit fundus dan nodul paru, entitas penyakit berasal dari berbagai institusi medis di seluruh negeri, termasuk daerah tertinggal. Data berisi berbagai spesifikasi dan kompatibel dengan perangkat dari berbagai model dan parameter. Dokter yang berpartisipasi dalam pelabelan data uji memiliki pengalaman penelitian medis AI dan telah terlatih dengan baik. Tim peneliti khusus akan dibentuk oleh dokter dengan akurasi tinggi, stabilitas, ditambah pengalaman klinis yang diperkaya. Kumpulan data uji standar menghapus jejak perusahaan dan mesin dan secara ketat mengontrol bias data untuk memastikan penilaian kinerja yang adil dan objektif dalam lingkungan tertutup [30]. Ringkasnya, sulit untuk membuat database standar CT COVID-19 baru dengan hanya mengandalkan institusi individual. Negara harus memberikan dukungan yang sesuai selama periode khusus epidemi. Misalnya, dengan cepat membentuk grup kecerdasan buatan khusus COVID-19 baru untuk memandu dan mengoordinasikan kerja sama dan berbagi sumber daya dari semua pihak di seluruh negeri, dan bersama-sama merumuskan basis data uji penyakit khusus dan standar verifikasi lainnya.

Standarisasi manajemen data penelitian medis kecerdasan buatan

Pada tanggal 3 Juli 2019, Center for Medical Device Evaluation merilis "Poin-Poin Utama Tinjauan Perangkat Lunak Perangkat Medis Pengambilan Keputusan Berbantuan Pembelajaran Mendalam"(poin-poin kunci). Ini memberikan panduan teknis produk medis AI yang terdaftar sebagai perangkat medis tipe ketiga dan menghilangkan hambatan kebijakan sebelum peluncuran produk. Namun, tidak ada batasan hukum tentang etika dan keamanan data. Kecerdasan buatan pada penelitian medis harus sesuai dengan etika dan melindungi keamanan dan privasi data individu. Jika undang-undang dan peraturan nasional atau regional tentang perlindungan privasi pasien dapat dirumuskan, sementara platform manajemen data standar untuk penelitian dapat dibentuk, proyek penelitian kemudian dapat ditinjau secara efektif untuk menemukan potensi risiko dalam proses desain dan implementasi dengan segera. Pembinaan keamanan data akan dilaksanakan untuk menghindari risiko menghambat dan merusak kesehatan manusia.

Referensi:

1 zc [Internet]. Cara menggunakan AI untuk mendeteksi dan melawan virus corona baru [dikutip 20 Maret 2020].

2. Huang Q[Internet]. Tim akademisi Li Lanjuan merilis: kedua obat ini efektif menghambat virus corona baru [dikutip 20 Maret 2020].

3. Wang XS, Peng YF, Lu L, dkk. ChestX-Ray8: Basis Data Rontgen Dada Skala Rumah Sakit dan Tolok Ukur pada Klasifikasi dan Lokalisasi Penyakit Thorax Umum yang Diawasi dengan Lemah. Konferensi IEEE 2017 tentang Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, hlm. 3462-3471.

4. Li Z, Wang C, Han M, dkk. Identifikasi dan Lokalisasi Penyakit Toraks dengan Pengawasan Terbatas. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, dkk. Pembelajaran mendalam dalam radiografi dada: Deteksi temuan dan adanya perubahan. PLoS Satu. 2018;13(10):e0204155. Diterbitkan 4 Oktober 2018

6. Nam JG, Park S, Hwang EJ, dkk. Pengembangan dan Validasi Algoritma Deteksi Otomatis Berbasis Deep Learning untuk Nodul Paru Ganas Pada Radiografi Dada. Radiologi, 2019.

7. Lakhani P, Sundaram B. Deep Learning di Radiografi Dada: Klasifikasi Otomatis Tuberkulosis Paru dengan Menggunakan Jaringan Saraf Konvolusi. Radiologi. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, dkk. Mendeteksi patah tulang pinggul dengan kinerja tingkat ahli radiologi menggunakan jaringan saraf dalam. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, dkk. MURA: Dataset Besar untuk Deteksi Abnormalitas pada Radiografi Muskuloskeletal. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internet]. Pembelajaran mendalam menunjukkan harapan untuk penilaian usia tulang [dikutip 15 November 2017].

11. Ya KM[Internet]. Algoritme AI cocok dengan ahli radiologi dalam pemeriksaan skrining payudara [dikutip 13 Desember 2017].

12. Lehman CD, Yala A, Schuster T, dkk. Penilaian Kepadatan Payudara Mammografi Menggunakan Deep Learning: Implementasi Klinis. Radiologi, 2019. 290(1): hlm. 52-58.

13. Ridley EL. Algoritme pembelajaran mendalam dapat menstratifikasi risiko nodul paru [dikutip 26 November 2017].

14. Ali I, Hart GR, Gunabushanam G, dkk. Deteksi Nodul Paru melalui Pembelajaran Penguatan Dalam. Onkol depan. 2018;8:108. Diterbitkan 2018 Apr 16. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, dkk. Pembelajaran mendalam untuk mengklasifikasikan penyakit paru-paru fibrotik pada computed tomography resolusi tinggi: studi kasus-kohort. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, dkk. Pembelajaran Mendalam dengan Jaringan Saraf Konvolusi untuk Diferensiasi Massa Hati pada CT yang Disempurnakan Kontras Dinamis: Studi Awal. Radiologi. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, dkk. Representasi dan Klasifikasi Bentuk Bersama untuk Mendeteksi PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Serigala L, Amitai OB, dkk. Deteksi fraktur kompresi pada CT. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, dkk. FastVentricle: Segmentasi Jantung dengan ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, dkk. Klasifikasi tampilan ekokardiogram yang cepat dan akurat menggunakan pembelajaran mendalam. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, dkk. Interpretasi Ekokardiogram Sepenuhnya Otomatis dalam Praktik Klinis. Sirkulasi, 2018. 138(16): hlm. 1623-1635.

22. Li XC, Zhang S, Zhang Q, dkk. Diagnosis kanker tiroid menggunakan model jaringan saraf konvolusi dalam yang diterapkan pada gambar sonografi: studi diagnostik retrospektif, multikohort. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, dkk. Pendekatan pembelajaran mendalam yang ditingkatkan untuk mendeteksi kanker papiler tiroid dalam gambar ultrasound. Sci Rep. 2018;8(1):6600. Dipublikasikan 2018 Apr 26.

24. Kantor Komisi Kesehatan Nasional [Internet]. Diagnosis dan pengobatan pneumonia coronavirus baru (versi percobaan kelima) [dikutip 04 Februari 2020].

25. Akademi DAMO Alibaba [Internet]. Apa pendapat Anda tentang teknologi diagnosis AI pencitraan CT pneumonia coronavirus baru yang dikembangkan oleh Ali Damo Academy, dengan tingkat pengenalan rata-rata 96 persen dalam waktu kurang dari 20 detik? [ 2020-02-19].

26. Pencitraan bersatu. Menaklukkan terobosan "epidemi" - sistem analisis asisten cerdas pneumonia coronavirus baru uAI resmi diluncurkan [dikutip 10 Februari 2020]

27. Gozes O, Frid-Adar M, Greenspan H, dkk. Siklus Pengembangan AI yang Cepat untuk Pandemi Coronavirus (COVID-19): Hasil Awal untuk Deteksi Otomatis & Pemantauan Pasien menggunakan Analisis Gambar CT Pembelajaran Mendalam. ArXiv abs/2003.05037 (2020): n. halaman

28. Huang L, Han R, Ai T, dkk. Penilaian CT Dada Kuantitatif Serial untuk COVID-19: Pendekatan Pembelajaran Mendalam. Radiologi: Pencitraan Kardiotoraks 2020 2:2.

29. Li L, Qin LX, Xu ZG, dkk. Kecerdasan Buatan Membedakan COVID-19 dari Pneumonia yang Diperoleh Komunitas pada CT Dada. Radiologi. 2020;200905.

30. Jin YH, Qiu M J. Kertas Putih Medis Kecerdasan Buatan China. Shanghai: Institut Kecerdasan Buatan Universitas Shanghai Jiao Tong, 2019. (Bahasa Cina)