신종 코로나바이러스 폐렴 CT 진단에서 인공지능의 역할과 과제
Mar 14, 2022
자세한 내용은:ali.ma@wecistanche.com
하이라이트
본 논문에서는 인공지능(AI) 소프트웨어 개발 과정을 CT(Computerized Tomography) 영상 진단 연구 임상시험으로 간주하여 임상시험의 방법론적 요구사항에 따른 과학성과 규범성을 새롭게 고찰한다. 이 논문은 또한 실제 임상 문제를 돕고 환자에게 실제 임상 혜택을 제공하는 AI 진단 소프트웨어를 홍보하는 4가지 방법을 제시합니다.
추상적인
2020년 초 신종 코로나바이러스 폐렴(코로나{0}})중국에서 터졌습니다. AI(인공지능) 분야에 의료 관련 제품이 급속도로 등장하면서 대유행과의 싸움에서 중요한 역할을 해왔다. 이 기사는 방사선과 및 전염병 통제에서 AI의 현재 연구 및 응용 현황을 요약하고 연구에서 AI 기술의 일반적인 문제를 분석합니다.코로나{0}}진단. 주로 임상 연구 설계에 대한 생각, 연구 수행의 어려움, AI 모델의 신뢰성 검증에 대한 어려움을 포함합니다. 위와 같은 어려움에 대응하여 AI 진단 연구의 과학성과 품질을 최적화하기 위한 제안을 합니다.
키워드:코로나{0}}전염병, 인공 지능, 컴퓨터 단층 촬영, 임상 연구
방역에서 다양한 인공지능 제품의 중요한 역할
2020년 초,신종 코로나바이러스 폐렴(코로나바이러스, 코로나바이러스-19) 질병 예방 및 통제의 실행을 큰 도전에 두십시오. 예를 들어, 교통 흐름이 많은 교통 허브에서 모든 사람의 체온을 빠르게 측정하는 방법; 엄청난 가능성 중에서 잠재적인 효과적인 약물을 신속하게 선별하는 방법; 많은 인구에서 의심되는 사례를 선별하는 방법; 진단된 환자를 치료하는 동안 의료 전문가 부족 및 교차 감염을 처리하는 방법. 인공 지능(Al)은 최근 가장 인기 있는 분야 중 하나로서 질병 예방, 제어 및 진단의 효율성을 향상시키는 새로운 AI 제품의 적용을 통해 일부 문제를 해결합니다.
AI는 사람들의 활동 궤적을 분석하여 전염병 개발 추세를 모니터링하고 시뮬레이션하여 잠재적인 확산 지역에 조기 경고를 제공합니다. AI는 또한 전파 경로를 분석하고 진단 환자의 밀접 접촉자를 찾아 신속하게 검역 및 치료를 받을 수 있습니다. AI 이미지 인식 기술이 적용된 적외선 열화상 카메라는 공공 장소에서 발열 감지를 수행하여 비정상적인 체온을 가진 사람을 찾습니다[1]. 신약 개발에서 AI는 추가 개발을 위해 수백 가지 약물에서 가장 강력한 항바이러스제 및 항염증제를 선별하는 데 도움이 됩니다[2]. 진단 및 치료에서는 DNN(Deep Neural Network) 모델을 채택하여 컴퓨터 단층촬영(CT) 그래픽 데이터("CT + AI)를 인식하여 의사가 신속하게 진단할 수 있도록 지원합니다.
코로나바이러스 진단을 지원하는 'CT plus AI'가 직면한 과제{0}}
영상의학에서 인공지능의 적용은 특별한 관심을 끌었다. DNN은 흉부 디지털 방사선 촬영(DR)[3-5]에서 폐렴 진단, 암성 폐결절[6] 및 결핵[7] 진단, 골절 진단[7] 등 다양한 의료 스캔 기술에 널리 사용되었습니다. 및 X-선을 통한 뼈 나이 예측[8-10]. 유방 X-선의 검사 및 평가[11,12]; CT 영상에서 폐결절[13,14], 폐렴[15], 간 종괴[16], 췌장암[17] 및 척추 압박 골절[18]의 검출 및 진단; 심장 자기 공명 영상의 심실을 설명합니다[19]. 초음파 검사 검사인 AI 모델은 심장 영상의 진단 및 정량 분석을 수행할 수 있습니다[20.21]. 뿐만 아니라 초음파 갑상선 결절의 검출 및 양성 및 악성의 진단[22,23](표 1).
신종 코로나바이러스 폐렴의 진단에 있어 CT, DR, 초음파는 각각의 특성에 따라 각각의 과정과 시나리오에서 일반적으로 사용되는 영상 검사 기법이다. 그 중 CT는 병변의 조기 발견이 우선이다. 'COVID-19폐렴 진단 및 치료 프로그램(Trial Version 5)'이 출시됨에 따라 CT 영상 진단도 신종 코로나바이러스의 임상 진단 기준에 포함되었습니다{2}}[24]. 그러나 한 명의 환자를 진단하기 위해서는 100장 이상의 CT 영상을 수동으로 관찰해야 하고, 임상 요구가 많아 의사들은 업무 효율이 낮고 업무량이 많다. 소프트웨어 지원 AI 기술은 이러한 임상 병목 현상을 해결할 수 있습니다. CT 검사는 높은 정확도, 통일된 표준, 업계 데이터 및 기술의 깊은 축적으로 인해 현재 폐렴 진단 AI 소프트웨어에 선호되는 이미징 솔루션이 되었습니다[27. 실제 적용에서 진단 모델은 특정 알고리즘을 통해 폐렴 이미지를 식별하여 질병 여부를 예측할 수 있습니다[27-29]. 폐 정량 분석 모델은 병변의 위치를 감지하고, 병변의 수를 계산하고, 병변의 범위를 설명하고, 폐 병변 부위의 감염률을 계산하고, 후속 소프트웨어와 협력하여 질병 진행을 관리하고 평가할 수 있습니다. 예후[28]. 소프트웨어의 도움으로 의사의 업무량이 줄어들고 진단 및 치료의 속도와 정확성이 향상되지만 Al 원조 신종 코로나바이러스 폐렴 CT 진단 연구에서 다음과 같은 몇 가지 일반적인 문제를 강조하는 것이 중요합니다.
연구 디자인
새로운 코로나바이러스{0}} 폐렴 CT 진단에서는 'CT plus AI' 진단 모델 개발의 가장 초기 단계에서 다양한 진단 및 치료 단계를 적용할 수 있도록 모델 설계를 다양하게 고려해야 합니다. 예를 들어, 조기 선별 모델 훈련에 사용된 대조군은 항이완제에서 선택된 그룹과 구별되어야 합니다. 1) 조기 선별 문제의 결정은 의심되는 사례를 건강한 인구에서 분리하기 위해 높은 민감도를 선호하므로 다음으로 훈련된 대조군 사례 샘플 AI 모델은 건강한 폐의 CT 이미지와 건강하지 못한 폐의 이미지여야 합니다. 건강하지 못한 폐 사례는 낮은 진단 누락률의 모델 성능을 보장하기 위해 여러 의심되는 폐렴 유형으로 구성됩니다. 2) 항이완 시나리오에서 신종 코로나바이러스 폐렴과 다른 감염에 의한 폐렴을 구별하기 위해서는 높은 특이도의 능력이 필수적이다. 보다 구체적으로, 실제 임상 상황을 고려할 때 이상적인 대조군 설계는 발열, 기침, CT 폐 영상 이상과 같은 유사한 임상 증상 또는 역학적 병력이 있지만 핵산 검사에서 음성 및 양성 결과(또는 기타 진단 표준)가 있는 두 그룹을 비교해야 합니다. . 이러한 디자인은 신종 코로나바이러스 폐렴의 보다 독특한 방사성 특징을 통합하기 위한 것이었습니다. 또한 모델 성능을 평가하기 위해 선택한 평가 메트릭을 신중하게 고려해야 합니다. 예를 들어 "CT plus AI" 진단 모델을 평가할 때 정확도 비율은 모델을 완전히 평가할 수 있는 적절한 지표가 아닙니다. 테스트 데이터의 긍정적인 샘플과 부정적인 샘플 간의 불균형은 성능 과대평가 문제로 이어질 수 있습니다(예: 96개의 긍정적인 경우와 4개의 부정적인 경우로 구성된 테스트 세트는 모델만 있어도 최대 96%의 높은 정확도를 제공하는 순진한 모델을 유인할 수 있습니다. 긍정적인 말). AI 진단 소프트웨어는 더 나은 기능과 효율성을 위해 특정 임상 문제에 적용됩니다. 시행하기 전에 특정 임상 문제에 대해 연구 목표를 명확히 하고 명확하게 해야 합니다. 그런 다음 과학적인 방법론 설계를 수행해야 합니다. 완전한 연구 계획도 수립되어야 합니다. 연구의 대상, 포괄적-배타적 규칙 및 종말점 평가의 지표가 충분히 고려되어야 합니다. 과학적 설계를 선도함으로써 편견의 위험을 최소화할 수 있고, 고품질의 연구 증거를 얻을 수 있으며, 임상 적용을 위한 신뢰할 수 있는 지침을 제공할 수 있습니다.
연구 수행
인공 지능 DNN 모델의 훈련 과정은 순전히 데이터 중심적입니다. 훈련 단계에서 정확하게 레이블이 지정된 다수의 이미지 샘플에 의존합니다. 데이터의 양이 많을수록 모델의 판별 성능이 향상됩니다. 미국 기술기업 구글이 개발한 인공지능 의료기기 당뇨망막병증 진단시스템이 임상 2상을 통과했다. 시스템의 교육 과정에는 10건의 1억 3천만 장의 사진이 사용됩니다.{3}} 이는 의료 전문가 수준에 가깝습니다[30]. 이에 비해 지정의료부서는 전염병 상황에서 소프트웨어 교육 및 개발을 위해 기술제조업체와 협력해 신종 코로나바이러스 CT 영상 데이터를 축적하고 있지만, 그 총액이 상대적으로 적고 분포가 상대적으로 흩어져 있고, CT 영상 전문가의 자원도 부족한 실정이다. 초기 단계에서 레이블링을 수행하므로 모델 교육에 사용할 수 있는 데이터 세트가 적고 레이블링 품질을 보장하기 어렵습니다. 훈련 데이터가 충분하지 않으면 DNN 모델이 표현력이 강한 구조적 특징으로 인해 실제 진단과 관련이 없는 CT 이미지의 정보를 "기억"하게 되어 과적합을 유발하고 미래 데이터를 판단하는 능력을 저하시킬 수 있습니다. 적은 양의 데이터로 충분한 훈련 효과를 얻으려면 보다 복잡한 내부 모델 구조와 모델 훈련 기술을 설계해야 하는 경우가 많으며, 이는 구현의 어려움도 증가시킵니다.
COVID의 새로운 예외주의에 대한 고려{0}}
임상 경험에 따르면 신형 코로나바이러스 폐렴의 흉부 CT 영상은 "이미지는 비슷하지만 질병이 다르다"는 특징이 있다. 사람의 눈으로 구별하기가 어렵기 때문에 항이완제의 난이도가 높아집니다. 훈련 표본 크기가 작을 경우 어려움이 더 두드러집니다. 또한 신종 코로나바이러스{0}}의 진단 기준 중 하나로 핵산 키트의 결과는 특이성은 높으나 민감도는 낮은 것으로 나타났습니다. 훈련 샘플을 황금 표준으로 라벨링하는 데 사용되는 경우 실제 양성 샘플은 음성으로 잘못 표시되는 경향이 있습니다. 잘못 레이블이 지정된 데이터로 훈련하면 모델 성능이 직접적으로 저하됩니다.
AI 진단의 신뢰성 검증
AI 진단 모델 구현 후 내부 데이터 테스트만으로 진단 효과를 평가하는 것은 신뢰할 수 없다. 다른 CT 장비 모델, 지리적 지역, 실제 임상 환경, 바이러스 변이 및 기타 요인으로 인해 데이터 아래의 교란 요인이 모델의 진단 결과에 영향을 미칠 수 있습니다. 이 모델은 제한된 내부 데이터 테스트로 이러한 교란 요소를 처리할 수 있는 능력이 거의 없습니다. AI 진단 소프트웨어가 완전한 검증 없이 임상에 투입되면 인간 의사처럼 새로운 사례를 계속 학습하여 진단 및 치료 수준을 향상시킬 수 없기 때문에 오프라인 교육 및 최적화를 통해서만 반복될 수 있습니다. 인간 의사의 오진과 비교할 때 컴퓨터 소프트웨어의 한계로 인한 잠재적 의인성 위험은 더 두드러질 것입니다. 새로운 버전의 "의료기기 분류 카탈로그"(CFDA 2017 No.143)에 따르면 AI 진단 소프트웨어는 의료기기로서 정확성을 완전히 검증하기 위해 체계적인 감사와 광범위한 시뮬레이션, 심지어 전향적 임상 시험을 진행해야 합니다. 및 임상 진단의 신뢰성. NIFDC(National Institute of Food and Drug Control)의 인공지능 그룹은 AI 의료기기의 보안 시스템을 구축하고 표준 데이터 세트 검증을 기반으로 테스트 방법을 규정했다[30]. 현재 새로운 COVID{3}} 질병 개체에 대한 표준 데이터베이스가 없으므로 실제 세계에서 대부분의 의료 스캔 진단에서 기존 AI 소프트웨어의 높은 반복성 정확도를 검증하기가 어렵습니다.
"CT plus AI" 진단 모델의 품질 및 과학적 표준화 향상
의료 산업에서 인공 지능의 적용은 중국에서 아직 초기 단계에 있지만 최근 몇 년 동안 국가 전략 청사진에 포함되기까지 강력한 관심과 급속한 발전을 받았습니다[30]. 많은 인공 지능 제품이 의료 분야에서 유망한 전망을 보여주었습니다. 다음 단계에서 상업화를 위해 업계의 초점은 과학적으로 설계 연구와 구현 및 검증 프로세스를 표준화하는 것입니다. 의료 산업에서 인공 지능을 건강하게 개발하고 새로운 의료 기기 사양에 따라 Al 보조 진단 제품 관리를 표준화합니다. 전염병 기간 동안 등장한 많은 인공 지능 제품이 질병 진단 및 치료에서 의사에게 편리함을 가져다 주었지만 전반적인 과학적 엄격함과 품질 신뢰성은 여전히 더 개선되고 완벽해야합니다.
임상 문제에서 AI 기술의 연구 설계 개선
현재 새로운 코로나바이러스{0}} CT 보조 진단에 대한 대부분의 연구는 소급적 사례 통제 방법을 사용합니다. 편향의 위험이 있지만 제한된 연구 주제로부터 다양한 정보를 빠르게 얻을 수 있다는 장점이 있습니다. 증례 대조 연구의 표본은 전체 진단 사례에서 채취하거나 무작위로 선택해야 하지만, 제한된 출처로 인해 표본이 모든 환자를 대표할 수는 없습니다. 특수 대조 표본 추출을 사용하여 실제 상황에 따라 편향을 줄이고 증거 수준을 높일 수 있습니다(예: 동일한 의료 기관에서 사례 선택, 두 개 이상의 통제 그룹 사용, 변수 일치). 진단 모델 성능 평가에서 진양성률 및 위양성률 차트(수신기 작동 특성 곡선(ROC 곡선))는 AI 알고리즘 해석과 의사 평가 또는 곡선 아래 영역(AUC)을 다음과 같이 비교하는 데 사용할 수 있습니다. 모델 성능 참조. 그럼에도 불구하고 비교나 지표만으로는 임상적 이점을 충분히 설명하기 어려운 것이 현실이며, 종합적인 평가를 위해서는 다른 임상적 의사결정 요인도 함께 고려해야 한다.
모델 구현 과정에서 레이블의 정확도 향상, 훈련 샘플의 수와 차원 확장
1차 단계에서 적은 수의 CT 이미지 샘플로 훈련된 모델은 이미 좋은 경향을 보였습니다. 시간이 지남에 따라 더 많은 사례가 모델 교육에서 더 나은 기본 지원을 개선할 것입니다. 더 많은 이미지를 학습할수록 COVID{0}} 진단에서 '동일한 이미지, 다른 경우'의 어려움을 극복할 가능성이 높아집니다. 이러한 상황에 대응하여 모델은 CT 영상 데이터를 기반으로 환자의 임상 신호, 역학, 검사실 검사 및 기타 데이터를 결합하여 정보 영역을 확장하여 질병을 종합적으로 평가하고 진단 정확도를 향상시킬 수도 있습니다. 샘플 라벨링 정확도의 개선은 골드 스탠다드 전략의 최적화를 통해 달성할 수 있습니다. 단일 위음성 결과의 가능성을 보상하기 위해 여러 간격의 핵산 검사를 적용하거나 IgM/IgG 항체 검출과 같은 다른 진단 키트를 참조하여 결과를 교차 검증합니다.
신종 코로나바이러스 폐렴 CT 표준검사 데이터베이스 구축
AI 모델링의 구현 및 내부 검증 후, 표준 데이터베이스 테스트 시스템을 통한 외부 신뢰성 검증이 필요합니다. 안저질환 및 폐결절에 대한 기존 표준 데이터베이스 시스템과 관련하여 질병 개체는 저개발 지역을 포함하여 전국의 여러 의료 기관에서 왔습니다. 데이터에는 다양한 사양이 포함되어 있으며 다양한 모델 및 매개변수의 장치와 호환됩니다. 테스트 데이터 라벨링에 참여하는 의사는 AI 의료 연구 경험이 있고 잘 훈련되었습니다. 높은 정확도와 안정성, 풍부한 임상 경험을 갖춘 의사들로 구성된 특수 연구팀이 구성됩니다. 표준 테스트 데이터 세트는 회사 및 기계 추적을 지우고 데이터 편향을 엄격하게 제어하여 폐쇄된 환경에서 공정하고 객관적인 성능 평가를 보장합니다[30]. 요약하자면, 개별 기관에만 의존하여 새로운 COVID{1}} CT 표준 데이터베이스를 구축하기는 어렵습니다. 국가는 전염병의 특별한 기간 동안 상응하는 지원을 제공해야 합니다. 예를 들어, 새로운 COVID{2}} 특수 인공 지능 그룹을 신속하게 구성하여 전국 모든 당사자의 협력 및 자원 공유를 안내 및 조정하고 특수 질병 검사 데이터베이스 및 기타 검증 표준을 공동으로 공식화합니다.
인공지능 의료 연구 데이터 관리 표준화
의료기기평가센터는 2019년 7월 3일 "딥러닝 지원 의사결정 의료기기 소프트웨어 검토의 핵심요점"(요점)을 발표했다. 제3종 의료기기로 등록된 AI 의료기기에 대한 기술지도를 제공하고, 제품 출시 전 정책 병목 현상을 해소한다. 그러나 윤리 및 데이터 보안에 대한 법적 제한은 없습니다. 의료 연구에 대한 인공 지능은 윤리에 따라야 하며 개인 데이터의 보안 및 개인 정보를 보호해야 합니다. 환자 개인 정보 보호에 대한 국가 또는 지역 법률 및 규정이 제정되고 연구를 위한 표준화된 데이터 관리 플랫폼이 구축될 수 있다면 연구 프로젝트를 효과적으로 검토하여 설계 및 구현 프로세스에서 잠재적인 위험을 신속하게 발견할 수 있습니다. 데이터 보안 지침은 인체 건강을 방해하고 파괴할 위험을 피하기 위해 구현됩니다.
참조:
1zc [인터넷]. AI를 사용하여 새로운 코로나바이러스를 감지하고 대처하는 방법 [2020년 3월 20일 인용].
2. 황큐[인터넷]. 학자 Li Lanjuan의 팀은 이 두 약물이 새로운 코로나바이러스를 효과적으로 억제할 수 있다고 발표했습니다[2020년 3월 20일 인용].
3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: 병원 규모의 흉부 X선 데이터베이스 및 일반적인 흉부 질환의 약한 감독 분류 및 위치 파악에 대한 벤치마크. 2017 컴퓨터 비전 및 패턴 인식(CVPR)에 관한 IEEE 회의, 하와이 호놀룰루, 2017, pp. 3462-3471.
4. Li Z, Wang C, Han M, et al. 제한된 감독하에 흉부 질환 식별 및 위치 파악. arXiv 전자 인쇄, 2017. arXiv:1711.06373.
5. Singh R, Kalra MK, Nitiwarangkul C, et al. 흉부 방사선 촬영의 딥 러닝: 발견 및 변화의 존재 감지. 플로스원. 2018;13(10):e0204155. 2018년 10월 4일 게시.
6. Nam JG, Park S, Hwang EJ, et al. 흉부 방사선 사진에서 악성 폐결절에 대한 딥러닝 기반 자동 탐지 알고리즘의 개발 및 검증 방사선과, 2019.
7. Lakhani P, Sundaram B. 흉부 방사선 사진에서의 딥 러닝: 합성곱 신경망을 사용한 폐결핵의 자동 분류. 방사선과. 2017;284(2):574–582.
8. Gale W, Oakden-Rayner L, Carneiro G, et al. 심층 신경망을 사용하여 방사선 전문의 수준의 성능으로 고관절 골절을 감지합니다. arXiv 전자 인쇄, 2017. arXiv:1711.06504.
9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: 근골격 방사선 사진에서 이상 감지를 위한 대규모 데이터 세트. arXiv 전자 인쇄, 2017. arXiv:1712.06957.
10. 리들리 EL[인터넷]. 딥 러닝은 골 연령 평가에 대한 가능성을 보여줍니다[2017년 11월 15일 인용].
11. 이KM[인터넷]. AI 알고리즘은 유방 선별 검사에서 방사선 전문의와 일치합니다[2017년 12월 13일 인용].
12. Lehman CD, Yala A, Schuster T, et al. 딥 러닝을 사용한 유방조영술 유방 밀도 평가: 임상 구현. 방사선과, 2019. 290(1): p. 52-58.
13. 리들리 엘. 딥 러닝 알고리즘은 폐 결절 위험을 계층화할 수 있습니다[2017년 11월 26일 인용].
14. Ali I, Hart GR, Gunabushanam G, et al. 심층 강화 학습을 통한 폐 결절 감지. 프론트 온콜. 2018;8:108. 2018년 4월 16일 게시. doi:10.3389/fonc.2018.00108.
15. Walsh SLF, Calandriello L, Silva M, et al. 고해상도 컴퓨터 단층 촬영에서 섬유성 폐 질환을 분류하기 위한 딥 러닝: 사례-코호트 연구. Lancet Respir Med. 2018;6(11):837–845.
16. Yasaka K, Akai H, Abe O, et al. 동적 조영증강 CT에서 간 질량의 분화를 위한 컨볼루션 신경망을 사용한 딥 러닝: 예비 연구. 방사선과. 2018;286(3):887–896.
17. Liu FZ, Xie LX, Xia YD 등 PDAC 검출을 위한 관절 모양 표현 및 분류 arXiv 전자 인쇄, 2018. arXiv:1804.10684.
18. Bar A, Wolf L, Amitai OB, et al. CT에서 압축 골절 감지. arXiv 전자 인쇄, 2017. arXiv:1706.01671.
19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: ENet을 사용한 심장 분할. arXiv 전자 인쇄, 2017. arXiv:1704.04296.
20. Madani A, Arnaout R, Mofrad M, et al. 딥 러닝을 사용하여 심초음파를 빠르고 정확하게 분류합니다. npj Digital Med 1, 6(2018).
21. Zhang J, Gajjala S, Agrawal P, et al. 임상 실습에서 완전 자동화된 심초음파 해석. 회람, 2018. 138(16): p. 1623-1635.
22. Li XC, Zhang S, Zhang Q, et al. 초음파 영상에 적용된 심층 컨볼루션 신경망 모델을 사용한 갑상선암 진단: 후향적, 다중 코호트, 진단 연구. 란셋 온콜. 2019;20(2):193–201. doi:10.1016/S1470-2045(18){10}}.
23. Li HL, Weng J, Shi YJ, et al. 초음파 이미지에서 갑상선 유두암을 감지하기 위한 향상된 딥 러닝 접근 방식. 과학 대표 2018;8(1):6600. 2018년 4월 26일 게시.
24. 국가위생건강위원회실[인터넷]. 신종 코로나바이러스 폐렴의 진단 및 치료(시험판 5차) [2020년 2월 4일 인용].
25. 알리바바 DAMO 아카데미 [인터넷]. 알리다모아카데미가 개발한 신종 코로나바이러스 폐렴 CT 영상 AI 진단 기술, 20초도 안 되는 시간에 평균 96%의 인식률을 보이는 것에 대해 어떻게 생각하시나요? [ {{삼}}].
26. 유나이티드 이미징. "전염병" 돌파구 정복 - uAI 신형 코로나바이러스 폐렴 지능형 보조 분석 시스템 공식 출시 [2020년 2월 10일 인용]
27. Gozes O, Frid-Adar M, Greenspan H, et al. 코로나바이러스(COVID-19) 팬데믹에 대한 신속한 AI 개발 주기: 딥 러닝 CT 이미지 분석을 사용한 자동 감지 및 환자 모니터링의 초기 결과. ArXiv abs/2003.05037(2020): n. 페이지.
28. Huang L, Han R, Ai T, et al. COVID-19의 연속 정량 흉부 CT 평가: 딥 러닝 접근 방식. 방사선과: 흉부 영상 2020 2:2.
29. Li L, Qin LX, Xu ZG, et al. 인공 지능은 흉부 CT에서 코로나바이러스-19를 지역사회 획득 폐렴과 구별합니다. 방사선과. 2020;200905.
30. Jin YH, Qiu M J. 중국 인공 지능 의료 백서. 상하이: Shanghai Jiao Tong University Artificial Intelligence Institute, 2019. (중국어)
