人工智能輔助新型冠狀病毒肺炎診斷及預(yù)后預(yù)測(cè)模型相關(guān)進(jìn)展

應(yīng)池清 吳煒

新型冠狀病毒肺炎（coronavirus disease 2019，COVID-19）是一種傳染性極強(qiáng)、傳播速度非?？斓膫魅拘约膊　Ｄ壳霸\斷該病的金標(biāo)準(zhǔn)是對(duì)呼吸道標(biāo)本進(jìn)行RT-PCR，但存在用時(shí)長(zhǎng)、過程復(fù)雜、陽性率不高等缺點(diǎn)，同時(shí)還存在檢測(cè)試劑盒供應(yīng)緊缺、檢測(cè)能力不足、檢測(cè)結(jié)果錯(cuò)誤等問題，可能導(dǎo)致新型冠狀病毒（severe acute respiratory syndrome coronavirus 2，SARS-CoV-2）進(jìn)一步擴(kuò)散[1-2]。因此，迫切需要其他輔助診斷系統(tǒng)來彌補(bǔ)核酸檢測(cè)的不足。人工智能（artificial intelligence，AI）是計(jì)算機(jī)領(lǐng)域的一個(gè)重要組成部分，主要包括大數(shù)據(jù)技術(shù)、圖像識(shí)別技術(shù)、語音識(shí)別技術(shù)等[3]。近年來，計(jì)算機(jī)視覺、深度學(xué)習(xí)已被廣泛應(yīng)用于醫(yī)學(xué)領(lǐng)域，并展示了其優(yōu)勢(shì)。隨著計(jì)算能力的提高以及海量數(shù)據(jù)集的增加，在臨床實(shí)踐中，基于AI應(yīng)用程序的開發(fā)與投資逐年增多[4]。在疾病大流行情況下，利用AI開發(fā)COVID-19早期診斷與預(yù)后預(yù)測(cè)系統(tǒng)，有助于緩解對(duì)專業(yè)人員的大量需求，幫助放射科醫(yī)生和臨床醫(yī)生抗擊疫情[5]；利用AI開發(fā)COVID-19臨床預(yù)后評(píng)估系統(tǒng)，可以幫助醫(yī)生快速、準(zhǔn)確地進(jìn)行診斷與預(yù)后評(píng)估。另有研究表明，利用預(yù)先訓(xùn)練的疾病診斷模型，有助于減少建立其他疾病診斷模型所需的計(jì)算量、數(shù)據(jù)庫，同時(shí)減少開發(fā)成本[2，6-7]。因此，開發(fā)AI輔助COVID-19診斷及預(yù)后預(yù)測(cè)模型對(duì)疾病的預(yù)防與控制具有重要意義。本文就國(guó)內(nèi)外利用AI開發(fā)COVID-19輔助診斷及預(yù)后預(yù)測(cè)的相關(guān)研究作一綜述。

1 AI輔助診斷

利用AI輔助診斷COVID-19包括以下3個(gè)方面：（1）利用影像學(xué)數(shù)據(jù)庫學(xué)習(xí)特征并得出結(jié)論；（2）利用臨床變量（如血液檢測(cè)、呼吸波等）進(jìn)行特征提取并得出結(jié)論；（3）結(jié)合影像學(xué)數(shù)據(jù)和臨床變量進(jìn)行分析并得出結(jié)論。

1.1 基于影像學(xué)的AI診斷模型 X線圖像（CXR）、CT檢測(cè)早期肺部變化的靈敏度較高，是診斷COVID-19肺部感染必不可少的工具。部分COVID-19患者的影像學(xué)改變甚至早于臨床癥狀[2，8]。多數(shù)COVID-19患者有著相似的影像學(xué)表現(xiàn)，多為磨玻璃結(jié)節(jié)（GGO）、暈輪征、空氣支氣管征、血管增厚等，可有肺實(shí)變，重癥患者會(huì)出現(xiàn)雙肺彌漫性GGO，甚至大面積融合形成白肺等改變[2，9-11]。研究發(fā)現(xiàn)，在沒有AI輔助的檢查中，6位放射科醫(yī)生根據(jù)CT影像識(shí)別COVID-19的平均準(zhǔn)確度為85%，而借助AI診斷模型后平均準(zhǔn)確度達(dá)90%[12]。基于CT或CXR診斷COVID-19是一個(gè)分類問題，包括以下步驟：（1）對(duì)肺部圖像進(jìn)行預(yù)處理；（2）使用卷積神經(jīng)網(wǎng)絡(luò)或其他方法提取特征；（3）分類器系統(tǒng)利用所提取特征給予執(zhí)行診斷命令，輸出結(jié)果[13]。

Xu等[2]利用 AI對(duì)618份 CT圖像（來自RT-PCR確診為COVID-19患者219份、甲型流感病毒性肺炎患者224份、正常健康者175份）進(jìn)行預(yù)處理以提取有效的肺區(qū)域，再使用三維卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型進(jìn)一步分割為3 957份圖像區(qū)域，然后利用圖像分類模型分為3種類型的圖像：COVID-19、甲型流感病毒性肺炎、正常健康者，該圖像分類模型工作基于不同感染的不同圖像表現(xiàn)、結(jié)構(gòu)、距肺邊緣的相對(duì)距離（位于胸膜附近的感染灶更有可能被識(shí)別為COVID-19）計(jì)算出病變類型概率。最后選擇90份CT樣本圖像進(jìn)行測(cè)試，結(jié)果顯示總體準(zhǔn)確率達(dá)0.867。Li等[12]收集了3 322例確認(rèn)合格患者的胸部CT掃描數(shù)據(jù)用來開發(fā)與評(píng)估COVID-19深度學(xué)習(xí)框架模型，以區(qū)分COVID-19、社區(qū)獲得性肺炎和其他肺部疾?。òǚ尾拷Y(jié)節(jié)、慢性炎癥和其他疾?。?。該研究將訓(xùn)練集用于訓(xùn)練模型：一系列CT圖片作為輸入數(shù)據(jù)，生成對(duì)應(yīng)圖片的特征，再將所有圖片提取的特征進(jìn)行組合，最終特征圖用于反饋與計(jì)算每種疾病類型的可能概率。經(jīng)驗(yàn)證，在獨(dú)立的測(cè)試數(shù)據(jù)集上，該模型診斷COVID-19的靈敏度為0.90，特異度為0.96。

CXR診斷COVID-19的效能差于CT，但考慮到CT設(shè)備污染、醫(yī)護(hù)人員暴露等問題，CXR在當(dāng)下疫情形勢(shì)緊張的情況下不可或缺。Khan等[13]在含1 300份CXR圖像的數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試。所建立的模型經(jīng)過預(yù)處理、提取特征等步驟后，在COVID-19、細(xì)菌性肺炎、病毒性肺炎、正常人群等4種分類中進(jìn)行測(cè)試，識(shí)別COVID-19的總體準(zhǔn)確度為0.896；在COVID-19、其他肺炎、正常人群等3種分類中進(jìn)行測(cè)試，識(shí)別COVID-19的總體準(zhǔn)確度為0.95。Zhang等[14]為開發(fā)一種可用于不同醫(yī)院不同CXR成像系統(tǒng)的深度學(xué)習(xí)算法，對(duì)5 806份經(jīng)RT-PCR確診為COVID-19患者和5 300份非COVID-19（確診為肺炎）患者的CXR圖像進(jìn)行隨機(jī)分組并用于訓(xùn)練和測(cè)試模型，所建立的AI診斷模型識(shí)別COVID-19的AUC為0.92，靈敏度為0.88，特異度為0.79，高于放射科醫(yī)生的診斷水平。

1.2 基于臨床變量的AI診斷模型 CXR的假陰性結(jié)果發(fā)生率及CT檢查成本均較高，而基于血液測(cè)試、臨床表現(xiàn)等的AI診斷模型可以作為替代方法，幫助診斷COVID-19[1，9]。Cabitza 等[1]將 COVID-19 患者中發(fā)生顯著改變的血液化學(xué)值設(shè)為參數(shù)，以入院的1 624例患者（COVID-19占52%）血液化學(xué)值分為不同訓(xùn)練數(shù)據(jù)集，用于開發(fā)機(jī)器學(xué)習(xí)（ML）模型，即用完整的數(shù)據(jù)集（全血細(xì)胞計(jì)數(shù)、血生化、凝血、血?dú)夥治黾把躏柡投葴y(cè)定值，年齡，性別，分診時(shí)癥狀）和2個(gè)子數(shù)據(jù)集（特定COVID-19數(shù)據(jù)集和全血細(xì)胞計(jì)數(shù)數(shù)據(jù)集）進(jìn)行數(shù)據(jù)插補(bǔ)、數(shù)據(jù)標(biāo)準(zhǔn)化、特征選擇和分類；所開發(fā)的ML模型在完整的數(shù)據(jù)集中利用不同AI算法的接收器識(shí)別COVID-19的 AUC為0.83～0.90，靈敏度最高為0.89，特異度最高為0.91。

此外，有研究利用咳嗽波、呼吸波等臨床變量進(jìn)行COVID-19診斷模型的開發(fā)[15]。因單獨(dú)臨床變量構(gòu)建的模型表現(xiàn)不如其他模型好，目前只有少數(shù)研究集中在基于常規(guī)血液檢查結(jié)果及其他臨床變量的AI診斷模型開發(fā)上。

1.3 基于影像學(xué)和臨床變量的AI診斷模型 COVID-19患者的影像學(xué)表現(xiàn)和臨床表現(xiàn)是多變的，僅基于影像學(xué)或臨床變量的AI診斷模型會(huì)限制臨床醫(yī)生排除疾病的能力[6，16]?，F(xiàn)在越來越多的研究基于患者癥狀、常規(guī)檢測(cè)結(jié)果和影像學(xué)結(jié)果來構(gòu)建更準(zhǔn)確的COVID-19診斷模型。Mei等[6]收集2020年1至3月18個(gè)醫(yī)療中心收治的905例有疑似COVID-19癥狀患者的胸部CT圖像及臨床變量[包括旅行和接觸史、血常規(guī)檢查結(jié)果（絕對(duì)中性粒細(xì)胞數(shù)、中性粒細(xì)胞比例、絕對(duì)淋巴細(xì)胞數(shù)、淋巴細(xì)胞比例等）、癥狀（發(fā)燒、咳嗽和咳痰）、年齡、性別]，其中訓(xùn)練集534例（其中COVID-19確診患者242例），調(diào)整集92例（其中COVID-19確診患者43例）、測(cè)試集279例（其中COVID-19確診患者134例）。該研究建立了3個(gè)模型用于診斷COVID-19，第1個(gè)模型僅基于胸部CT圖像，用預(yù)先訓(xùn)練對(duì)識(shí)別胸部CT圖像中異常肺切片的準(zhǔn)確率高達(dá)0.994的肺結(jié)核CNN模型來評(píng)估收集圖像片中存在肺實(shí)質(zhì)異常情況的概率，然后進(jìn)行排序，將每例患者的前10份異常CT圖像輸入診斷CNN模型以預(yù)測(cè)COVID-19的可能性；第2個(gè)模型僅基于臨床變量，將數(shù)據(jù)輸入機(jī)器學(xué)習(xí)模型中進(jìn)行分類；第3個(gè)模型基于胸部CT圖像和臨床變量，由圖片選擇、CNN模型和非影像臨床信息機(jī)器學(xué)習(xí)模型生成的特征通過多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)合，分析數(shù)據(jù)并得出概率。該研究表明，在同一個(gè)數(shù)據(jù)庫中，僅基于CT圖像的CNN模型診斷COVID-19的靈敏度為0.836，特異度為0.759，AUC為0.86；僅基于臨床變量的模型診斷COVID-19的靈敏度為0.806，特異度為0.683；基于胸部CT圖像和臨床變量的神經(jīng)網(wǎng)絡(luò)模型可實(shí)現(xiàn)靈敏度0.843，特異度0.828。借助基于胸部CT圖像和臨床變量的神經(jīng)網(wǎng)絡(luò)模型后，放射科醫(yī)生識(shí)別能力明顯提高，靈敏度達(dá)0.746，特異度達(dá)0.938。

Wang等[17]開發(fā)了基于影像學(xué)和臨床變量的AI診斷模型，該研究利用之前收集的4 106例肺癌患者數(shù)據(jù)（包括基因突變情況）來輔助訓(xùn)練模型，這些數(shù)據(jù)不僅擴(kuò)大了訓(xùn)練集，提高模型從CT圖像中學(xué)習(xí)肺部特征的能力，而且讓模型學(xué)習(xí)微觀肺功能異常與宏觀肺影像結(jié)構(gòu)變化之間的聯(lián)系。用肺癌數(shù)據(jù)集訓(xùn)練后，模型在收集的1 226例確診COVID-19患者數(shù)據(jù)集中對(duì)影像進(jìn)行分割、診斷訓(xùn)練，該聯(lián)合模型結(jié)合肺部影像、年齡、性別、合并癥等數(shù)據(jù)得到滿意的COVID-19診斷結(jié)果，在測(cè)試集中AUC達(dá)0.88。Li等[18]根據(jù)相似的臨床變量對(duì)患者進(jìn)行分類，對(duì)每個(gè)臨床變量進(jìn)行標(biāo)準(zhǔn)化處理，并使用AI模型進(jìn)行分析，選取相對(duì)更有意義的患者癥狀和常規(guī)檢測(cè)結(jié)果[血清免疫細(xì)胞水平、性別、CT圖像、CXR圖像和臨床癥狀（腹瀉、發(fā)燒、咳嗽、喉嚨痛、惡心和疲勞）]來構(gòu)建COVID-19診斷模型。該模型是用于區(qū)分COVID-19與流行性感冒的計(jì)算分類模型，其診斷COVID-19的靈敏度為0.925，特異度為0.979。此外，該研究利用AI分析發(fā)現(xiàn)了臨床變量之間的一些新關(guān)聯(lián)，如男性與血清淋巴細(xì)胞、中性粒細(xì)胞比例等之間的相關(guān)性。利用這些研究結(jié)果找出相互關(guān)聯(lián)的變量，可以更好地結(jié)合數(shù)據(jù)來輔助COVID-19的臨床診斷，并可以作為之后模型分析的研究變量。

綜上所述，基于影像學(xué)和臨床變量的AI診斷模型表現(xiàn)優(yōu)于僅基于影像學(xué)或臨床變量的模型，建議今后的研究更多關(guān)注在聯(lián)合模型的開發(fā)上。

2 AI輔助預(yù)后預(yù)測(cè)

COVID-19早期癥狀多樣，除可能出現(xiàn)呼吸道癥狀如干咳、呼吸困難外，還會(huì)出現(xiàn)發(fā)熱、流涕、疲憊、喉嚨痛、肌痛、食欲不振、嗅覺減退、味覺改變以及消化道癥狀等[16]。研究表明，超過60%的COVID-19患者在進(jìn)入重癥疾病階段會(huì)出現(xiàn)病情惡化甚至死亡[5]。因此，早期發(fā)現(xiàn)急性呼吸衰竭等風(fēng)險(xiǎn)較高的患者，有助于及早對(duì)其進(jìn)行密切監(jiān)視并給予相應(yīng)的干預(yù)治療[19]。在當(dāng)前COVID-19疫情形勢(shì)緊張的情況下，利用AI建立預(yù)后預(yù)測(cè)及預(yù)警模型，有助于快速篩選COVID-19患者，識(shí)別潛在的高風(fēng)險(xiǎn)患者。利用AI輔助COVID-19預(yù)后預(yù)測(cè)的模型主要有以下3種：（1）基于影像學(xué)的AI預(yù)測(cè)模型；（2）基于臨床變量的AI預(yù)測(cè)模型；（3）基于影像學(xué)和臨床變量的AI預(yù)測(cè)模型。

2.1 基于影像學(xué)的AI預(yù)測(cè)模型 許多研究發(fā)現(xiàn)在普通型COVID-19、嚴(yán)重型COVID-19患者中，肺炎病變體積相對(duì)于整個(gè)肺體積的百分比存在顯著差異，因此利用影像學(xué)圖像預(yù)測(cè)疾病嚴(yán)重程度、進(jìn)展與預(yù)后得到了密切關(guān)注，目前開發(fā)的一些基于影像學(xué)的AI預(yù)測(cè)模型也取得了不錯(cuò)的預(yù)測(cè)效果[8-9，20]。Li等[21]開發(fā)了基于影像學(xué)區(qū)分重癥與危重癥病例以輔助預(yù)后結(jié)局判斷的模型，該研究應(yīng)用一種自動(dòng)分割算法提取肺區(qū)域，對(duì)174例確診為重癥或危重癥患者的肺部特征進(jìn)行分類，同時(shí)利用深度學(xué)習(xí)進(jìn)行分析，利用肺部特征及深度學(xué)習(xí)工具計(jì)算出重癥及危重癥的可能性，經(jīng)驗(yàn)證，所建立的 AI模型在43例測(cè)試集數(shù)據(jù)中區(qū)分重癥與危重癥COVID-19患者的AUC達(dá)0.861，能提醒并發(fā)現(xiàn)預(yù)后結(jié)局不良的患者；但該研究采集的數(shù)據(jù)較少，該模型的有效性有待擴(kuò)大測(cè)試數(shù)據(jù)進(jìn)一步證實(shí)。

2.2 基于臨床變量的AI預(yù)測(cè)模型 Abdulaal等[22]為建立提供患者入院時(shí)死亡率預(yù)警的模型，收集2020年2至4月當(dāng)?shù)蒯t(yī)院收治的COVID-19患者的電子健康記錄（EHR），用人工神經(jīng)網(wǎng)絡(luò)（ANN）分析一系列患者特征，包括人口學(xué)特征（包括年齡、性別）、合并癥、吸煙史、癥狀表現(xiàn)（包括入院前出現(xiàn)癥狀的天數(shù)、發(fā)燒、咳嗽、呼吸困難、肌痛、腹痛、腹瀉）等；將這些數(shù)據(jù)納入一個(gè)功能集并輸入ANN模型（該模型輸入臨床數(shù)據(jù)，輸出入院時(shí)死亡率預(yù)測(cè)），若概率＞50%提示患者可能預(yù)后不良。該預(yù)測(cè)模型在測(cè)試組中預(yù)測(cè)患者死亡的特異度為0.863，靈敏度為0.875。雖然該實(shí)驗(yàn)未包括其他重要的結(jié)果預(yù)測(cè)指標(biāo)如血液學(xué)、影像學(xué)等結(jié)果數(shù)據(jù)，但不需要等待檢查結(jié)果，可以在入院時(shí)就進(jìn)行風(fēng)險(xiǎn)計(jì)算。

Liu等[23]開發(fā)了一種適用于資源有限地區(qū)的風(fēng)險(xiǎn)評(píng)估模型，該模型僅基于血常規(guī)指標(biāo)。該研究對(duì)中國(guó)湖北省和意大利米蘭共13 138例COVID-19住院患者進(jìn)行回顧性隊(duì)列研究，將湖北省9 810例患者數(shù)據(jù)分為訓(xùn)練集、測(cè)試集，按疾病嚴(yán)重程度進(jìn)行分組，信息均納入變量選擇和風(fēng)險(xiǎn)評(píng)分制定，根據(jù)Cox比例風(fēng)險(xiǎn)回歸模型分析結(jié)果選取5項(xiàng)差異有統(tǒng)計(jì)學(xué)意義的預(yù)后變量并建立基于PAWNN參數(shù)（PLT、年齡、WBC、中性粒細(xì)胞計(jì)數(shù)、中性粒細(xì)胞與淋巴細(xì)胞比值）的風(fēng)險(xiǎn)評(píng)估模型，得分范圍0～12分，PAWNN得分高低在住院期間非嚴(yán)重幸存者、嚴(yán)重幸存者和死亡人群之間有明顯區(qū)別，結(jié)果顯示PAWNN得分6分是判斷死亡風(fēng)險(xiǎn)的臨界值。該研究將隨訪期分為1～7 d、8～14 d、≥15 d，發(fā)現(xiàn)PAWNN得分在預(yù)測(cè)不同隨訪期間患者的死亡率仍保持較高的準(zhǔn)確性，在測(cè)試集中，模型在上述3個(gè)隨訪期的預(yù)測(cè)準(zhǔn)確率分別為 0.77、0.91、0.97；此外，PAWNN 得分對(duì)疾病風(fēng)險(xiǎn)狀態(tài)改變也有良好的預(yù)測(cè)準(zhǔn)確性，這說明該評(píng)分可用于動(dòng)態(tài)監(jiān)測(cè)COVID-19患者在整個(gè)住院過程中的預(yù)后。

2.3 基于影像學(xué)和臨床變量的AI預(yù)測(cè)模型 相關(guān)研究提示，肺部病變與多個(gè)器官的生化指標(biāo)之間存在良好的相關(guān)性，如研究發(fā)現(xiàn)CRP、血清乳酸脫氫酶、最高體溫、中性粒細(xì)胞與淋巴細(xì)胞比值等與病變影像學(xué)特征呈高度正相關(guān)，而血氧飽和度、淋巴細(xì)胞計(jì)數(shù)、白蛋白、PLT與病變影像學(xué)特征呈高度負(fù)相關(guān)；因此將臨床信息、影像學(xué)特征與AI相結(jié)合，有利于疾病嚴(yán)重程度的評(píng)估[5，9]。目前有不少研究支持該結(jié)論，如Zhang等[5]建立的預(yù)后模型在僅基于肺部病變特征的AI系統(tǒng)中得到AUC為0.848，而與臨床數(shù)據(jù)（血氧飽和度、呼吸頻率、年齡、入院時(shí)體溫、最高體溫）結(jié)合使用時(shí)，該預(yù)測(cè)模型的性能顯著增強(qiáng)。使用來自COVID-19、其他肺炎和正常對(duì)照人群的532 506份CT圖像，根據(jù)AI提取的肺部病變特征，結(jié)合臨床參數(shù)，通過機(jī)器學(xué)習(xí)方法進(jìn)行預(yù)后預(yù)測(cè)，然后將患者分為兩組，即高風(fēng)險(xiǎn)組（＞0.5分）和低風(fēng)險(xiǎn)組（＜0.5分），結(jié)果顯示高風(fēng)險(xiǎn)組患者生存率明顯低于低風(fēng)險(xiǎn)組，差異有統(tǒng)計(jì)學(xué)意義；該模型預(yù)測(cè)預(yù)后的AUC達(dá)0.909，特異度為0.80，靈敏度為0.80。該研究認(rèn)為影像病變特征（實(shí)變或GGO與整個(gè)肺野的比例）是預(yù)后評(píng)估中最重要的因素。Wang等[17]研究也得到了相似結(jié)果，不同是他們建立的多元Cox比例風(fēng)險(xiǎn)回歸模型使用了肺部影像學(xué)圖像、年齡、性別、合并癥（慢性阻塞性肺疾病、心血管疾病、慢性肝臟疾?。┑葦?shù)據(jù)。

另有研究提出，除影像學(xué)表現(xiàn)外，影響預(yù)后評(píng)估的因素還有年齡（≥65歲）、呼吸困難、慢性阻塞性肺疾病、合并癥種數(shù)、癌癥病史、精神改變、中性粒細(xì)胞與淋巴細(xì)胞比值、血清乳酸脫氫酶、直接膽紅素、肌酸激酶、心肌肌鈣蛋白 I（≥0.05 μg/L）等[5，22，24-25]，建議今后對(duì)這些預(yù)后因素作進(jìn)一步分析與選擇，建立更準(zhǔn)確的預(yù)后預(yù)測(cè)及預(yù)警模型。

3 總結(jié)與展望

由于臨床情況復(fù)雜，僅基于影像學(xué)或臨床變量的AI模型對(duì)于COVID-19早期診斷及預(yù)后預(yù)測(cè)的準(zhǔn)確性有限，但是臨床變量模型可以在短時(shí)間內(nèi)甚至不需要許多檢驗(yàn)工具就能進(jìn)行評(píng)估，而影像學(xué)模型能夠在無臨床表現(xiàn)的患者中判斷病情，非常簡(jiǎn)便、經(jīng)濟(jì)，能起到篩選與提示作用，特別是在資源有限的地區(qū)能發(fā)揮重要作用?，F(xiàn)有研究結(jié)果表明，基于影像學(xué)和臨床變量的AI診斷及預(yù)測(cè)模型對(duì)于COVID-19診斷與預(yù)后預(yù)測(cè)具有一定的價(jià)值，該模型不僅可以評(píng)價(jià)入院時(shí)疾病嚴(yán)重程度，還可以用于監(jiān)測(cè)患者住院期間的風(fēng)險(xiǎn)趨勢(shì)。在預(yù)先訓(xùn)練的疾病診斷模型中利用遷延學(xué)習(xí)技術(shù)快速建立起模型，在疫情暴發(fā)時(shí)期能起到重要作用，及時(shí)緩解醫(yī)務(wù)人員的壓力；在疫情后期則需要更加精準(zhǔn)的早期診斷及預(yù)后預(yù)測(cè)模型，這需要擴(kuò)大樣本量來進(jìn)行更多的模型訓(xùn)練。

然而，現(xiàn)已開發(fā)的AI模型也存在一些局限性：（1）樣本量?。唬?）數(shù)據(jù)質(zhì)量不佳，可獲取的數(shù)據(jù)庫較少；（3）AI研究人員缺乏對(duì)流行病學(xué)理論和臨床專業(yè)知識(shí)的理解，極大地限制一些 AI模型的實(shí)用性和可靠性[6，15]；（4）目前尚缺乏專門適用于COVID-19患者、經(jīng)過大規(guī)模驗(yàn)證的AI預(yù)后模型或評(píng)分系統(tǒng)[22]，對(duì)具體疾病嚴(yán)重性和預(yù)后影響因素的重要性分級(jí)等未作明確說明。但這些局限性可以通過更深入的分析來克服。當(dāng)前利用EHR進(jìn)行臨床數(shù)據(jù)建模已取得較大進(jìn)展，越來越多醫(yī)院在EHR中記錄和存儲(chǔ)患者數(shù)據(jù)，并且增加共享數(shù)據(jù)集，增加在線獲取，這為擴(kuò)大樣本量提供了有利的條件[22]。

利用AI開發(fā)輔助COVID-19診斷與預(yù)后預(yù)測(cè)的模型具有廣闊前景。期待在不久的將來，在數(shù)據(jù)量擴(kuò)大的基礎(chǔ)上實(shí)現(xiàn)AI模型的改良，以投入COVID-19診斷與預(yù)后預(yù)測(cè)的現(xiàn)實(shí)使用，同時(shí)推廣到其他疾病的診斷和預(yù)后預(yù)測(cè)中。