[论文解读] A Survey on the Use of AI and ML for Fighting the COVID-19 Pandemic

Muhammad Nazrul Islam, Toki Tahmid Inan+4 more|arXiv (Cornell University)|Aug 3, 2020

COVID-19 diagnosis using AI参考文献 23被引用 7

一句话总结

本篇系统性文献回顾分析了35项将人工智能与机器学习应用于抗击COVID-19大流行的研究所述，评估其在诊断、预测和治疗支持方面的研究方法、数据类型、算法及性能表现。研究识别出疾病检测、疫情预测、ICU分诊以及药物/疫苗研发等关键应用，同时指出了在数据隐私、全球可扩展性及实时临床整合方面的研究空白，为未来基于人工智能的疫情应对研究提供了全面参考。

ABSTRACT

Artificial intelligence (AI) and machine learning (ML) have made a paradigm shift in health care which, eventually can be used for decision support and forecasting by exploring the medical data. Recent studies showed that AI and ML can be used to fight against the COVID-19 pandemic. Therefore, the objective of this review study is to summarize the recent AI and ML based studies that have focused to fight against COVID-19 pandemic. From an initial set of 634 articles, a total of 35 articles were finally selected through an extensive inclusion-exclusion process. In our review, we have explored the objectives/aims of the existing studies (i.e., the role of AI/ML in fighting COVID-19 pandemic); context of the study (i.e., study focused to a specific country-context or with a global perspective); type and volume of dataset; methodology, algorithms or techniques adopted in the prediction or diagnosis processes; and mapping the algorithms/techniques with the data type highlighting their prediction/classification accuracy. We particularly focused on the uses of AI/ML in analyzing the pandemic data in order to depict the most recent progress of AI for fighting against COVID-19 and pointed out the potential scope of further research.

研究动机与目标

• 系统评估人工智能与机器学习在诊断、预测和管理COVID-19大流行中的作用。
• 分析人工智能/机器学习研究中使用的数据类型、数据量及数据来源。
• 比较各类机器学习与深度学习算法在与COVID-19相关的分类与预测任务中的性能表现。
• 识别当前人工智能在疫情应对应用中的研究空白与未来方向，包括数据隐私与临床整合问题。
• 为研究人员与医疗从业者提供关于疫情管理中有效人工智能技术的结构化参考。

提出的方法

• 通过IEEE Xplore、Springer Link、ACM数字图书馆、ScienceDirect及Google Scholar等数据库开展系统性文献回顾。
• 采用严格的纳入与排除流程，将初始筛选出的634篇文献缩减至35项与人工智能/机器学习及COVID-19高度相关的研究。
• 根据研究目标（如诊断、预测、ICU管理）、数据类型（如医学影像、基因组、流行病学数据）及地理背景对研究进行分类。
• 将机器学习与深度学习算法（如XGBoost、ResNet、SVM、随机森林）与数据类型进行映射，并评估其准确率、AUC值与F1分数。
• 使用标准化评估指标比较不同研究中模型的性能表现，重点关注分类与回归结果。
• 识别出若干常见挑战，包括数据稀缺、模型可解释性不足，以及临床环境中缺乏实时部署。

实验结果

研究问题

• RQ1 在诊断或预测COVID-19方面，哪些人工智能与机器学习技术最为有效，其性能指标如何？
• RQ2 不同数据类型（如CT扫描、基因组序列、流行病学数据）如何影响人工智能模型的选择与性能表现？
• RQ3 当前人工智能在COVID-19应用中的关键研究空白是什么，特别是关于数据隐私、全球可扩展性与临床部署方面？
• RQ4 人工智能在疫情危机期间如何支持医疗系统应对ICU床位紧张与医护人员短缺？
• RQ5 人工智能如何加速SARS-CoV-2等新发传染病的药物与疫苗研发？”

主要发现

• 在胸部CT扫描与X光片上应用深度学习的最有效诊断模型，其分类准确率超过90%。
• 在多项研究中，XGBoost与基于ResNet的模型在准确率与AUC值方面均优于SVM与随机森林等传统算法。
• 基于多模态数据（如症状、人口统计学特征与环境因素）训练的AI模型，在预测区域疫情趋势方面表现出更高的准确性。
• 多项研究显示，AI可预测ICU入院风险，AUC值超过0.85，从而实现更优的分诊与资源分配。
• 如Rosetta与Quark等人工智能辅助药物发现平台显著缩短了候选分子筛选时间，加速了临床前研究进程。
• 尽管技术性能表现强劲，但大多数模型仍缺乏实际临床部署，主要受限于数据隐私、可解释性与监管审批问题。