De rol en uitdaging van kunstmatige intelligentie bij de nieuwe CT-diagnose van pneumonie door coronavirus

Voor meer informatie:ali.ma@wecistanche.com

Hoogtepunten

Dit artikel beschouwt op een nieuwe manier de wetenschappelijkheid en normativiteit op basis van de methodologische vereisten van een klinische proef, door het ontwikkelingsproces van kunstmatige intelligentie (AI) software te beschouwen als diagnostische klinische proeven met computertomografie (CT) beelddiagnostisch onderzoek. De paper brengt ook 4 manieren aan de orde om AI-diagnostische software te promoten die helpt bij daadwerkelijke klinische problemen en patiënten echte klinische voordelen oplevert.

Klik om bijwerkingen te cistanche en Cistanche voor immuniteit

Abstract

Begin 2020 de nieuwe coronavirus-pneumonie(COVID-19)uitbrak in China. Veel medisch gerelateerde producten zijn snel verschenen op het gebied van kunstmatige intelligentie (AI), dat een belangrijke rol heeft gespeeld in de strijd tegen de pandemie. Dit artikel vat de huidige onderzoeks- en toepassingsstatus van AI in radiologie en pandemiecontrole samen en analyseert de veelvoorkomende problemen van AI-technologie in het onderzoek vanCovid-19-19diagnose. Het omvat voornamelijk de gedachten over het ontwerp van klinische studies, moeilijkheden bij de implementatie van onderzoek en uitdagingen bij de betrouwbaarheidsverificatie van AI-modellen. Als antwoord op bovenstaande problemen worden suggesties gedaan om de wetenschappelijkheid en kwaliteit van AI-diagnostisch onderzoek te optimaliseren.

trefwoorden:Covid-19-19pandemie, Kunstmatige intelligentie, Computertomografie, Klinisch onderzoek

De belangrijke rol van gediversifieerde kunstmatige-intelligentieproducten in anti-epidemie

Begin 2020, de uitbraak van delongontsteking door nieuw coronavirus(Coronavirus, COVID-19) de implementatie van ziektepreventie en -bestrijding tot een grote uitdaging maken. Bijvoorbeeld hoe je snel ieders lichaamstemperatuur meet in een verkeersknooppunt met een grote verkeersstroom; hoe potentiële effectieve medicijnen snel uit de enorme mogelijkheden kunnen worden gescreend; hoe verdachte gevallen in een grote populatie te screenen; hoe om te gaan met het tekort aan medische professionals en kruisbesmetting tijdens de behandeling van gediagnosticeerde patiënten. Kunstmatige intelligentie (Al, als een van de meest populaire gebieden van de afgelopen jaren, lost enkele van de problemen op door de toepassing van nieuwe AI-producten, wat de efficiëntie van ziektepreventie, -controle en -diagnose verbetert.

AI helpt bij het volgen en simuleren van de epidemische ontwikkelingstrend door het spoor van de activiteit van mensen te analyseren, om vroegtijdige waarschuwing te geven aan de potentiële verspreidingsgebieden. AI kan ook de voortplantingsroutes analyseren, de nauwe contacten van de diagnostische patiënten lokaliseren en snel quarantaine en behandeling ondergaan. De infrarood warmtebeeldcamera met AI-beeldherkenningstechnologie voert koortsdetectie uit op openbare plaatsen om personen met een abnormale lichaamstemperatuur te lokaliseren[1]. Bij de ontwikkeling van nieuwe medicijnen helpt AI om de krachtigste antivirale en ontstekingsremmende medicijnen van honderden medicijnen te screenen voor verdere ontwikkeling [2]. Bij de diagnose en behandeling werd het Deep Neural Network (DNN) -model gebruikt om grafische gegevens van computertomografie (CT) te herkennen ("CT plus AI) om artsen te helpen snel diagnoses te stellen.

Uitdagingen voor 'CT plus AI' bij de diagnose van COVID-19

De toepassing van Kunstmatige Intelligentie in de radiologie heeft bijzondere aandacht getrokken. DNN is op grote schaal gebruikt in verschillende medische scantechnologieën, bijvoorbeeld de diagnose van longontsteking op digitale radiografie van de borst (DR)[3-5], detectie van kankerachtige longknobbeltjes [6] en tuberculose [7], detectie van fracturen, en voorspelling van botleeftijd door röntgenfoto [8-10].onderzoek en evaluatie van borströntgenfoto's [11,12]; detectie en diagnose van longknobbeltjes [13,14], longontsteking [15], levermassa's [16], pancreaskanker[17] en wervelcompressiefracturen [18] op CT-beelden; schetst de ventrikel in de magnetische resonantie beeldvorming van het hart [19]. Een echografisch onderzoek, het AI-model kan de diagnose en kwantitatieve analyse van cardiale beeldvorming uitvoeren [20.21]. evenals de detectie van echografische schildklierknobbeltjes en de diagnose van goedaardig en kwaadaardig [22,23] (Tabel 1).

Bij de diagnose van nieuwe coronavirus-pneumonie zijn CT, DR en echografie veelgebruikte beeldvormende onderzoekstechnieken, in respectievelijke processen en scenario's volgens hun eigen kenmerken. CT is de prioriteit in het vroege stadium van laesiedetectie onder hen. Sinds het "COVID-19 Pneumonia Diagnosis and Treatment Program (Trial Version 5)" is uitgebracht, is CT-beelddiagnose ook opgenomen in de klinische diagnosenormen van de nieuwe COVID-19 [24]. De diagnose van een enkele patiënt vereist echter handmatige observatie van meer dan honderd CT-beelden. Met een groot aantal klinische behoeften, lijden artsen aan een grote werklast met een lage efficiëntie. De softwarematige AI-technologie kan deze klinische knelpunten oplossen. CT-inspectie is de geprefereerde beeldvormingsoplossing geworden voor de huidige diagnostische AI-software voor longontsteking vanwege de hoge nauwkeurigheid, uniforme normen en diepe accumulatie van industriële gegevens en technologie [27. In praktische toepassingen kunnen diagnostische modellen het pneumoniebeeld via een specifiek algoritme identificeren om te voorspellen of het ziek is [27-29]. Het kwantitatieve longanalysemodel kan de locatie van de laesie detecteren, het aantal laesies tellen, de reikwijdte van de laesie schetsen, de infectiesnelheid van het longlaesiegebied berekenen en samenwerken met de follow-upsoftware om de ziekteprogressie te beheren en te beoordelen prognose [28]. Met behulp van software wordt de werklast van artsen verminderd en de snelheid en nauwkeurigheid van diagnose en behandeling verbeterd, maar het is belangrijk om enkele veelvoorkomende problemen in het onderzoek naar door Al ondersteunde nieuwe CT-diagnose van coronaviruspneumonie te benadrukken, als volgt:

Studie ontwerp

Bij de nieuwe CT-diagnose van COVID-19-pneumonie moet het modelontwerp op verschillende manieren worden bekeken om verschillende diagnose- en behandelingsfasen aan te passen in de meest initiële fase van de ontwikkeling van het diagnostische model "CT plus AI". De controlegroep die wordt gebruikt voor het trainen van het vroege screeningmodel, moet bijvoorbeeld worden onderscheiden van de groep die is gekozen voor antidiastole: 1) Beslissingen in het vroege screeningprobleem geven de voorkeur aan hoge gevoeligheid om verdachte gevallen te scheiden van de gezonde populatie, daarom moeten de controlemonsters die zijn getraind door het AI-model zou CT-beelden van gezonde longen moeten zijn tegen beelden van ongezonde longen. De gevallen van ongezonde longen zijn samengesteld uit meerdere verdachte soorten longontsteking om de modelprestaties van een laag aantal gemiste diagnoses te garanderen. 2) In het antidiastolescenario is het vermogen van hoge specificiteit essentieel om de nieuwe coronaviruspneumonie te onderscheiden van longontsteking veroorzaakt door andere infecties. Meer concreet, gezien de echte klinische omstandigheden, zou het ideale controleontwerp twee groepen moeten vergelijken met vergelijkbare klinische symptomen of epidemiologische voorgeschiedenis zoals koorts, hoesten, CT-longbeeldafwijkingen maar negatieve en positieve resultaten in de nucleïnezuurtest (of andere diagnostische gouden standaarden) . Een dergelijk ontwerp was bedoeld om meer onderscheidende radiomische kenmerken van nieuwe coronavirus-pneumonie te consolideren. Bovendien moet de gekozen evaluatiemaatstaf voor het beoordelen van de modelprestaties zorgvuldig worden overwogen. Bij het evalueren van bijvoorbeeld een diagnostisch model "CT plus AI", is de nauwkeurigheidsratio geen goede indicator die het model volledig kan beoordelen. De onbalans tussen positieve en negatieve monsters van testgegevens zou leiden tot een overschatting van de prestaties (bv. een testset bestaande uit 96 positieve en 4 negatieve gevallen zou een naïef model kunnen lokken dat een hoge nauwkeurigheid tot 96 procent geeft, zelfs als het model alleen vertel het positieve). AI-diagnostische software wordt toegepast in specifieke klinische problemen voor betere mogelijkheden en efficiëntie. Voorafgaand aan de implementatie moeten de onderzoeksdoelstellingen worden verduidelijkt en verduidelijkt voor de specifieke klinische problemen. Vervolgens dient een methodiekontwerp op wetenschappelijke wijze te worden uitgevoerd. Er moet ook een volledig onderzoeksplan worden opgesteld. Onderzoeksobjecten, de regel van inclusief-exclusief en meetinstrumenten voor de evaluatie van eindpunten moeten volledig in overweging worden genomen. Toonaangevend met wetenschappelijk ontwerp, kan het risico op vooringenomenheid worden geminimaliseerd, kan hoogwaardig onderzoeksbewijs worden verkregen en kan betrouwbare begeleiding worden geboden voor klinische toepassing.

Onderzoek implementatie

Het trainingsproces van het kunstmatige intelligentie DNN-model is puur datagedreven. Het vertrouwt op een groot aantal nauwkeurig gelabelde beeldvoorbeelden tijdens de trainingsfase. Hoe groter de hoeveelheid gegevens, hoe beter de onderscheidende prestaties van het model. Het diabetische retinopathie-diagnosesysteem, als een AI-medisch apparaat, ontwikkeld door de Amerikaanse technologiegigant Google, heeft de tweede fase van klinische proeven doorstaan. Het trainingsproces van het systeem maakt gebruik van 130 miljoen foto's van 10,000 gevallen, wat dicht bij het niveau van medische experts ligt [30]. Daarentegen, hoewel de aangewezen medische eenheden nieuwe coronavirus-CT-beeldgegevens hebben verzameld in samenwerking met technologiefabrikanten voor softwaretraining en -ontwikkeling in de epidemie, is het totale bedrag relatief klein en is de distributie relatief verspreid, plus de schaarse middelen van experts op het gebied van CT-beeld labeling in de beginfase, waardoor er slechts een kleine dataset beschikbaar is voor modeltraining en moeilijk te garanderen labelkwaliteit. Onvoldoende trainingsgegevens kunnen ertoe leiden dat het DNN-model informatie in CT-beelden "onthoudt" die niet relevant is voor de feitelijke diagnose vanwege de structurele kenmerken met een sterk expressief vermogen, waardoor overfitting wordt veroorzaakt en het vermogen om toekomstige gegevens te beoordelen wordt verminderd. Om een ​​voldoende trainingseffect te bereiken onder de voorwaarde van minder datavolume, is het vaak nodig om een ​​complexere interne modelstructuur en modeltrainingsvaardigheden te ontwerpen, wat ook de moeilijkheidsgraad van implementatie vergroot.

Overweging over het uitzonderlijke nieuwe van COVID-19

Op basis van klinische ervaring heeft het CT-beeld van de thorax van een nieuwe coronavirus-pneumonie de kenmerken van een "soortgelijk beeld maar andere ziekte". Het is moeilijk te onderscheiden door menselijke ogen, wat de moeilijkheid van antidiastole vergroot. De moeilijkheid is groter als de steekproefomvang van de training klein is. Als een van de diagnosecriteria van de nieuwe COVID-19 vertonen de resultaten van de nucleïnezuurkit bovendien een hoge specificiteit maar een lage gevoeligheid. Als het wordt gebruikt voor het labelen van trainingsmonsters als de gouden standaard, zouden de daadwerkelijke positieve monsters de neiging hebben om ten onrechte als negatief te worden gemarkeerd. Trainen met de ten onrechte gelabelde gegevens zal de modelprestaties direct verminderen.

Verificatie van de betrouwbaarheid van AI-diagnose

Het is niet betrouwbaar om het diagnose-effect alleen te evalueren door de interne datatest na de implementatie van het AI-diagnosemodel. De confounder onder de gegevens die wordt veroorzaakt door verschillende modellen van CT-apparatuur, geografische regio's, werkelijke klinische omgeving, virusvariatie en andere factoren, kan het diagnostische resultaat van het model beïnvloeden. Het model is nauwelijks in staat om met deze verstorende factoren om te gaan met beperkte interne gegevenstests. Wanneer de AI-diagnosesoftware zonder volledige validatie klinisch wordt gebruikt, kan deze alleen worden herhaald door offline training en optimalisatie, omdat het het diagnose- en behandelingsniveau niet kan verbeteren door nieuwe gevallen zoals de menselijke artsen te blijven leren. Vergeleken met de verkeerde diagnose van een menselijke arts, zullen de potentiële iatrogene risico's die worden veroorzaakt door de beperkingen van computersoftware prominenter zijn. Volgens de nieuwe versie van de "Medical Device Classification Catalog" (CFDA 2017 No.143), moet AI-diagnostische software, als medisch hulpmiddel, doorgaan met een systematische audit en uitgebreide simulatie, zelfs prospectieve klinische proeven, om de nauwkeurigheid volledig te verifiëren en betrouwbaarheid van de klinische diagnose. De Artificial Intelligence Group van het National Institute of Food and Drug Control (NIFDC) heeft een beveiligingssysteem voor AI-medische apparaten opgezet en de testmethode bepaald op basis van standaard datasetverificatie [30]. Op dit moment is er geen standaarddatabase voor de nieuwe ziekte-entiteit COVID-19, dus het is moeilijk om de hoge herhaalbaarheidsnauwkeurigheid van de bestaande AI-software in de meeste medische scandiagnoses in de echte wereld te verifiëren.

Verbeter de kwaliteit en wetenschappelijke standaardisatie van het diagnostische model "CT plus AI"

De toepassing van kunstmatige intelligentie in de medische industrie staat in China nog in de kinderschoenen, terwijl het de afgelopen jaren veel aandacht en snelle ontwikkeling heeft gekregen, dat zelfs is opgenomen in de nationale strategische blauwdruk [30]. Veel kunstmatige-intelligentieproducten hebben veelbelovende perspectieven getoond op medisch gebied. In de volgende fase, voor commercialisering, zou de focus van de industrie liggen op wetenschappelijk ontwerponderzoek en het standaardiseren van het implementatie- en verificatieproces; kunstmatige intelligentie in de medische industrie op een gezonde manier ontwikkelen, het beheer van Al-assisted diagnostische producten standaardiseren volgens de New Medical Apparatus-specificatie. Hoewel veel AI-producten die tijdens de epidemie zijn ontstaan, artsen gemak hebben geboden bij het diagnosticeren en behandelen van ziekten, moeten de algehele wetenschappelijke nauwkeurigheid en kwaliteitsbetrouwbaarheid nog verder worden verbeterd en geperfectioneerd.

Verbeter het onderzoeksontwerp van AI-technologie bij klinische problemen

Momenteel wordt bij het meeste onderzoek naar de nieuwe COVID-19 CT-ondersteunde diagnose gebruik gemaakt van retrospectieve case-control-methoden. Een van de voordelen is om snel verschillende informatie te krijgen van beperkte onderzoekssubjecten, terwijl het risico van vooringenomenheid bestaat. Monsters in case-control-onderzoeken moeten worden genomen uit het totale aantal diagnostische gevallen of willekeurig worden geselecteerd, maar vanwege de beperkte bronnen kunnen de monsters niet alle patiënten vertegenwoordigen. Speciale controlesteekproeven kunnen worden gebruikt om de vooringenomenheid te verminderen en het bewijsniveau te verhogen op basis van de werkelijke situatie, bijvoorbeeld door gevallen van dezelfde medische instelling te selecteren, twee of meer controlegroepen te gebruiken en variabelen te matchen. Bij de beoordeling van de prestaties van het diagnostisch model, kunnen de grafiek met echte positieve en valse positieve frequentie (receiver operating karakteristieke curve (ROC-curve)) worden gebruikt om de interpretatie van het AI-algoritme te vergelijken met de evaluatie van de arts, of het gebied onder de curve (AUC) als de referentie van modelprestaties. Toch is het nog steeds moeilijk om de klinische voordelen volledig uit te leggen op basis van vergelijkingen of indicatoren. In werkelijkheid moeten ook andere klinische besluitvormingsfactoren in overweging worden genomen voor een uitgebreide evaluatie.

Verbetering van de nauwkeurigheid van het label, uitbreiding van het aantal en de dimensie van trainingsvoorbeelden tijdens het modelimplementatieproces

In de primaire fase hebben de modellen die zijn getraind door een klein aantal CT-beeldmonsters al een goede trend laten zien. Na verloop van tijd zouden meer gevallen een betere basisondersteuning in modeltraining verbeteren. Hoe meer beelden er worden geleerd, hoe groter het potentieel om de moeilijkheid van 'dezelfde beelden, verschillende gevallen' in de COVID-19-diagnose te overwinnen. Als reactie op deze situatie kan het model, gebaseerd op CT-beeldgegevens, ook het informatiedomein uitbreiden door de klinische signalen van de patiënt, epidemiologie, laboratoriumonderzoek en andere gegevens te combineren om de ziekte volledig te beoordelen en de nauwkeurigheid van de diagnose te verbeteren. De verbetering van de nauwkeurigheid van monsteretikettering kan worden bereikt door optimalisatie van de gouden standaardstrategie. Pas meerdere intervallen van een nucleïnezuurtest toe om te compenseren voor de mogelijkheid van een enkel fout-negatief resultaat, of verifieer het resultaat met verwijzing naar andere diagnostische kits, zoals IgM/lgG-antilichaamdetectie.

Opzetten van een nieuwe database voor CT-standaardtests voor coronaviruspneumonie

Na de implementatie en interne verificatie van AI-modellering is externe betrouwbaarheidsverificatie vereist via een standaard databasetestsysteem. Met betrekking tot het gevestigde standaarddatabasesysteem van fundusziekten en longknobbeltjes, komen de ziekte-entiteiten uit verschillende medische instellingen in het hele land, inclusief onderontwikkelde gebieden. De gegevens bevatten verschillende specificaties en zijn compatibel met apparaten van verschillende modellen en parameters. Artsen die deelnemen aan de etikettering van testgegevens hebben medische onderzoekservaring op het gebied van AI en zijn goed opgeleid. Een speciaal onderzoeksteam zal worden gevormd door artsen met een hoge nauwkeurigheid, stabiliteit en verrijkte klinische ervaring. De standaard testgegevensset wist bedrijfs- en machinesporen en controleert strikt de gegevensbias om een ​​eerlijke en objectieve prestatiebeoordeling in een gesloten omgeving te garanderen [30]. Samenvattend: het is moeilijk om een ​​nieuwe COVID-19 CT-standaarddatabase op te zetten door alleen op individuele instellingen te vertrouwen. De natie zou tijdens de speciale periode van de epidemie dienovereenkomstige steun moeten bieden. Stel bijvoorbeeld snel een nieuwe COVID-19 speciale kunstmatige-intelligentiegroep op om de samenwerking en het delen van middelen van alle partijen in het hele land te begeleiden en coördineren, en stel gezamenlijk een speciale database voor ziektetests en andere verificatienormen op.

Standaardiseer het databeheer van medisch onderzoek met kunstmatige intelligentie

Op 3 juli 2019 heeft het Center for Medical Device Evaluation de "Key Points of Deep Learning Assisted Decision-Making Medical Device Software Review" (hoofdpunten) uitgebracht. Het biedt de technische begeleiding van medische AI-producten die zijn geregistreerd als medische hulpmiddelen van het derde type en elimineert het beleidsknelpunt vóór de productlancering. Er zijn echter geen wettelijke beperkingen op het gebied van ethiek en gegevensbeveiliging. Kunstmatige intelligentie bij medisch onderzoek moet ethisch in acht nemen en de veiligheid en privacy van individuele gegevens beschermen. Als nationale of regionale wet- en regelgeving over de bescherming van de privacy van patiënten kan worden geformuleerd, terwijl een gestandaardiseerd datamanagementplatform voor onderzoek kan worden opgezet, kan een onderzoeksproject vervolgens effectief worden herzien om potentiële risico's in het ontwerp- en implementatieproces snel te ontdekken. Er zullen richtlijnen voor gegevensbeveiliging worden geïmplementeerd om het risico van belemmering en vernietiging van de menselijke gezondheid te voorkomen.

Referenties:

1 zc [Internet]. Hoe AI te gebruiken om het nieuwe coronavirus te detecteren en te bestrijden [geciteerd op 20 maart 2020].

2. Huang Q[Internet]. Het team van academicus Li Lanjuan vrijgegeven: deze twee medicijnen kunnen het nieuwe coronavirus effectief remmen [geciteerd op 20 maart 2020].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: X-ray database op ziekenhuisschaal en benchmarks voor zwak gecontroleerde classificatie en lokalisatie van veelvoorkomende thoraxziekten. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, pp. 3462-3471.

4. Li Z, Wang C, Han M, et al. Thoracale ziekte-identificatie en lokalisatie met beperkte supervisie. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Diep leren in thoraxradiografie: detectie van bevindingen en aanwezigheid van verandering. PLoS Een. 2018;13(10):e0204155. Gepubliceerd 4 oktober 2018

6. Nam JG, Park S, Hwang EJ, et al. Ontwikkeling en validatie van op diep leren gebaseerd automatisch detectiealgoritme voor kwaadaardige longknobbeltjes op thoraxfoto's. Radiologie, 2019.

7. Lakhani P, Sundaram B. Diep leren op borstradiografie: geautomatiseerde classificatie van longtuberculose met behulp van convolutionele neurale netwerken. Radiologie. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Heupfracturen detecteren met prestaties op radioloogniveau met behulp van diepe neurale netwerken. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: grote dataset voor detectie van afwijkingen in musculoskeletale röntgenfoto's. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL [Internet]. Diep leren is veelbelovend voor de beoordeling van de botleeftijd [geciteerd op 15 november 2017].

11. Yee KM [Internet]. AI-algoritme komt overeen met radiologen bij borstonderzoeken [geciteerd op 13 december 2017].

12. Lehman CD, Yala A, Schuster T, et al. Mammografische borstdichtheidsbeoordeling met behulp van diep leren: klinische implementatie. Radiologie, 2019. 290(1): p. 52-58.

13. Ridley EL. Het deep-learning-algoritme kan het risico op longknobbeltjes stratificeren [geciteerd op 26 november 2017].

14. Ali I, Hart GR, Gunabushanam G, et al. Longknobbeldetectie via Deep Reinforcement Learning. Voorzijde Oncol. 2018;8:108. Gepubliceerd op 16 april 2018. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Diep leren voor het classificeren van fibrotische longziekte op computertomografie met hoge resolutie: een case-cohortstudie. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, et al. Diep leren met convolutioneel neuraal netwerk voor differentiatie van levermassa's bij dynamische contrastversterkte CT: een voorstudie. Radiologie. 2018;286(3):887-896.

17. Liu FZ, Xie LX, Xia YD, et al. Gezamenlijke vormweergave en classificatie voor het detecteren van PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Compressie fracturen detectie op CT. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: hartsegmentatie met ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Snelle en nauwkeurige classificatie van echocardiogrammen met behulp van deep learning. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Volledig geautomatiseerde echocardiogram-interpretatie in de klinische praktijk. Oplage, 2018. 138(16): p. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Diagnose van schildklierkanker met behulp van diepe convolutionele neurale netwerkmodellen toegepast op echografische beelden: een retrospectieve, multicohort, diagnostische studie. Lancet Oncol. 2019;20(2):193-201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, et al. Een verbeterde deep learning-benadering voor de detectie van papillaire schildklierkanker in echografiebeelden. Wetenschappelijke Rep. 2018;8(1):6600. Gepubliceerd op 26 april 2018.

24. Bureau van de National Health Commission [Internet]. Diagnose en behandeling van nieuwe coronavirus-pneumonie (proefversie vijfde) [geciteerd 4 februari 2020].

25. Alibaba DAMO Academie [Internet]. Wat vindt u van de nieuwe coronavirus-pneumonie CT-beeldvorming AI-diagnosetechnologie die is ontwikkeld door de Ali Damo Academy, met een gemiddelde herkenningsgraad van 96 procent in minder dan 20 seconden? [ 2020-02-19].

26. Verenigde beeldvorming. De "epidemie" doorbraak overwinnen - uAI nieuw intelligent assistent-analysesysteem voor coronavirus-pneumonie officieel gelanceerd [geciteerd op 10 februari 2020]

27. Gozes O, Frid-Adar M, Greenspan H, et al. Snelle AI-ontwikkelingscyclus voor de pandemie van het coronavirus (COVID-19): eerste resultaten voor geautomatiseerde detectie en patiëntbewaking met behulp van Deep Learning CT-beeldanalyse. ArXiv abs/2003.05037 (2020): n. pag.

28. Huang L, Han R, Ai T, et al. Seriële kwantitatieve CT-scan van de thorax van COVID-19: diepgaande leerbenadering. Radiologie: cardiothoracale beeldvorming 2020 2:2.

29. Li L, Qin LX, Xu ZG, et al. Kunstmatige intelligentie onderscheidt COVID-19 van door de gemeenschap opgelopen longontsteking op CT-thorax. Radiologie. 2020;200905.

30. Jin YH, Qiu M J. China, medisch witboek over kunstmatige intelligentie. Shanghai: Shanghai Jiao Tong University Artificial Intelligence Institute, 2019. (Chinees)