人工智能在疫情防控中的應(yīng)用綜述

孫科 肖欽引 范嗣涓 翁越男 陳琴 張?zhí)? 韓楠

摘要：由SARS-CoV-2病毒引發(fā)的新冠肺炎造成了全球范圍內(nèi)的疫情爆發(fā)，政府、企業(yè)和科研機(jī)構(gòu)都致力于遏制新冠肺炎疫情的蔓延。人工智能作為一種大數(shù)據(jù)驅(qū)動(dòng)的知識(shí)學(xué)習(xí)技術(shù)，被廣泛應(yīng)用于疫情防控的諸多方面，如疾病檢測(cè)、藥物和疫苗研究以及疫情傳播預(yù)測(cè)等?；谌斯ぶ悄芊椒ǖ哪Ｐ陀兄诟倪M(jìn)病毒在人群中的傳播模式，識(shí)別并預(yù)測(cè)疫情在不同地理位置的爆發(fā)情況。首先，對(duì)用于抗擊新冠肺炎的人工智能算法進(jìn)行綜述，包括機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法；總結(jié)了人工智能技術(shù)在后疫情時(shí)代中的各項(xiàng)應(yīng)用；最后，討論了人工智能技術(shù)在傳染病疫情防控中所面臨的主要挑戰(zhàn)和潛在的發(fā)展方向。

關(guān)鍵詞：人工智能；疫情防控；疾病診斷；藥物研發(fā)；疫情傳播預(yù)測(cè)

中圖分類號(hào)：TP391.4文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2022）14-63-6

0引言

SARS-CoV-2是一種新出現(xiàn)的人類傳染性冠狀病毒，并在2020年3月11日被世界衛(wèi)生組織確認(rèn)為新冠肺炎。這一新發(fā)傳染病對(duì)人類生命健康構(gòu)成了持續(xù)威脅，給社會(huì)經(jīng)濟(jì)帶來了極大的打擊。為緩解疫情的蔓延趨勢(shì)并復(fù)蘇社會(huì)經(jīng)濟(jì)，各國政府和機(jī)構(gòu)都采取了嚴(yán)格的措施以控制病毒在個(gè)體之間的迅速傳播，并對(duì)病毒學(xué)、起源和分類、基因組變異以及發(fā)病機(jī)制等進(jìn)行了深入的研究。自20世紀(jì)以來，研究人員開發(fā)和提出了許多先進(jìn)的醫(yī)療支持系統(tǒng)用于幫助流行性疾病的診斷和治療。其中，數(shù)學(xué)分析工具的發(fā)展，如經(jīng)典的傳染病動(dòng)力學(xué)模型[1]，有助于學(xué)者更好地了解病原體的性質(zhì)，識(shí)別潛在的藥物靶標(biāo)，并根據(jù)現(xiàn)有的數(shù)據(jù)預(yù)測(cè)可能出現(xiàn)的傳染病。在所有的分析工具中，基于人工智能（Artificial Intelligence，AI）算法的模型被認(rèn)為是最有幫助的，被廣泛應(yīng)用于智慧醫(yī)療的各個(gè)領(lǐng)域，如疾病輔助診斷[2]、醫(yī)學(xué)圖像檢測(cè)[3]、疫情趨勢(shì)分析[4]和醫(yī)療大數(shù)據(jù)整合。信息和通信技術(shù)的進(jìn)步使得從公共衛(wèi)生監(jiān)測(cè)中獲得的數(shù)據(jù)量大幅增加，基于AI的分析預(yù)測(cè)工具和疾病管理平臺(tái)有望成為疫情防控的一條有效途徑，幫助相關(guān)機(jī)構(gòu)快速且正確地應(yīng)對(duì)傳染病爆發(fā)。本文基于新冠肺炎大流行的背景，綜述了AI技術(shù)在傳染病疫情防控方面的應(yīng)用、前景和貢獻(xiàn)。

1疫情防控AI算法

AI被定義為一種允許計(jì)算機(jī)模仿人類思維來處理事物的技術(shù)，旨在當(dāng)存在未知和復(fù)雜的關(guān)聯(lián)模式時(shí)，在數(shù)據(jù)中發(fā)現(xiàn)復(fù)雜的潛在模式[5]。由于其具備出色的學(xué)習(xí)與挖掘能力，在疫情爆發(fā)時(shí)期許多研究領(lǐng)域都引入了AI技術(shù)來解決新冠肺炎相關(guān)的難題。具體地，AI技術(shù)通過醫(yī)學(xué)圖像檢查來完成新冠肺炎的診斷，避免了接觸式的檢測(cè)方案以防止醫(yī)務(wù)人員感染；通過基因組研究實(shí)現(xiàn)病毒源追蹤；AI技術(shù)被用于病毒學(xué)研究以分析SARS-CoV-2相關(guān)蛋白質(zhì)的結(jié)構(gòu)，并預(yù)測(cè)可用于藥物和疫苗開發(fā)的新化合物。此外，AI技術(shù)還可用于學(xué)習(xí)大規(guī)模新冠肺炎病例數(shù)據(jù)和社交媒體數(shù)據(jù)來構(gòu)建疫情傳播模型，以準(zhǔn)確預(yù)測(cè)疾病的爆發(fā)時(shí)間、傳播路線、傳播范圍和影響。AI算法可分為傳統(tǒng)機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法。

機(jī)器學(xué)習(xí)算法可分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)3類。在監(jiān)督學(xué)習(xí)中，算法在有標(biāo)記的數(shù)據(jù)集上進(jìn)行訓(xùn)練，即每個(gè)輸入都存在一個(gè)基本事實(shí)輸出，適用于分類和回歸任務(wù)。無監(jiān)督學(xué)習(xí)中，數(shù)據(jù)集不含任何標(biāo)注，該類算法通常旨在發(fā)現(xiàn)數(shù)據(jù)中的潛在模式，適用于降維和聚類任務(wù)。強(qiáng)化學(xué)習(xí)的目的則是提高累計(jì)獎(jiǎng)勵(lì)，適用于連續(xù)的決策問題。圖1給出了不同的機(jī)器學(xué)習(xí)算法及其適用的任務(wù)類型。

常見的機(jī)器學(xué)習(xí)算法包括隨機(jī)森林、支持向量機(jī)、邏輯回歸和決策樹等。隨機(jī)森林是一種簡(jiǎn)單、高性能的算法，該算法通過生成多個(gè)決策樹并將它們均衡在一起以做出正確的預(yù)測(cè)，是解決分類和回歸問題最有效的分類器之一，常被用于評(píng)估新冠肺炎患者的病情嚴(yán)重程度[6]。支持向量機(jī)是一種廣泛應(yīng)用于分類和回歸問題的有監(jiān)督算法，其主要目標(biāo)是找出一條完美的決策邊界或直線，將維空間劃分為正確的類別。由于支持向量機(jī)算法高精度和高性能的特點(diǎn)，該類模型已經(jīng)在包括衛(wèi)生部門在內(nèi)的許多機(jī)構(gòu)中得到了應(yīng)用[7-8]，常被用于病例的早期發(fā)現(xiàn)和診斷。而邏輯回歸算法則是通過使用Logistic函數(shù)計(jì)算概率以衡量因變量與一個(gè)或多個(gè)自變量之間的關(guān)系，常被用于新冠肺炎時(shí)間序列數(shù)據(jù)集的回歸分析。決策樹算法被用于新冠肺炎基因組的分類。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)子集，通過表征學(xué)習(xí)來解決復(fù)雜的難題，如模式識(shí)別、預(yù)測(cè)和分類等?；谏疃葘W(xué)習(xí)的算法，包括卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）和長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)等，已被學(xué)者用于傳染病疫情防控的各方面，如病例檢測(cè)、診斷、藥物開發(fā)和疫情趨勢(shì)預(yù)測(cè)[9]。其中，卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是不需要進(jìn)行特征提取，且需要的預(yù)處理步驟相比于傳統(tǒng)方法較少，常被用于醫(yī)學(xué)圖像分析，如CT圖片和X射線圖。RNN是一種按順序使用信息的前饋神經(jīng)網(wǎng)絡(luò)推廣，它對(duì)每一次數(shù)據(jù)輸入執(zhí)行相同的步驟，且當(dāng)前輸出總是依賴于先前的計(jì)算。與前饋神經(jīng)網(wǎng)絡(luò)不同，遞歸神經(jīng)網(wǎng)絡(luò)有一個(gè)內(nèi)部狀態(tài)存儲(chǔ)器，可以處理輸入序列并捕獲有關(guān)已計(jì)算內(nèi)容的輸入和輸出信息，這種能力使得RNN適用于實(shí)時(shí)臨床決策任務(wù)。LSTM網(wǎng)絡(luò)是一種特別的遞歸神經(jīng)網(wǎng)絡(luò)，具備學(xué)習(xí)順序依賴關(guān)系的能力并可存儲(chǔ)先前的狀態(tài)信息，適用于時(shí)間序列數(shù)據(jù)的預(yù)測(cè)問題。在疫情防控方面，LSTM常被用于進(jìn)行感染人數(shù)和死亡人數(shù)的預(yù)測(cè)分析。圖2給出了人工智能技術(shù)在疫情防控中的應(yīng)用方案。

2應(yīng)用

2.1疾病檢測(cè)與診斷

疾病檢測(cè)與診斷是傳染病研究中的一項(xiàng)重要內(nèi)容，如正在世界范圍內(nèi)爆發(fā)的新冠肺炎大流行，對(duì)感染個(gè)體的早期檢測(cè)與診斷是遏制疫情持續(xù)發(fā)展、降低感染率和死亡率的重要手段。目前，用于SARS-CoV-2病毒和新冠肺炎病的檢測(cè)和診斷方法主要包括核酸檢測(cè)、血清學(xué)診斷、胸部X光和CT圖像檢查等非侵入性方法。

核酸檢測(cè)利用實(shí)時(shí)逆轉(zhuǎn)錄聚合酶鏈?zhǔn)椒磻?yīng)（RT-PCR）來檢測(cè)樣本中的病毒核酸，是目前診斷SARS-CoV-2病毒和細(xì)菌感染的一種標(biāo)準(zhǔn)檢測(cè)技術(shù)。該方法具有靈敏度高、特異性強(qiáng)等特點(diǎn)，但同時(shí)其檢測(cè)結(jié)果的準(zhǔn)確性易受到樣本質(zhì)量、樣本采集時(shí)間和實(shí)驗(yàn)室誤差的影響，導(dǎo)致假陰性率高達(dá)20%[10]。通過基于AI的深度學(xué)習(xí)輔助診斷系統(tǒng)的補(bǔ)充，一些最初假陰性的RRT-PCR結(jié)果可被確認(rèn)為陽性。除了基于核酸檢測(cè)的診斷外，血清學(xué)和臨床體征的診斷也常用于新冠肺炎的快速篩查。在血清學(xué)檢測(cè)方法中，常采用機(jī)器學(xué)習(xí)分類算法以提取重要的血液學(xué)和生化指標(biāo)，從而提供對(duì)病例的感染分類。雖然人工智能技術(shù)很少直接參與RT-PCR和血液檢測(cè)，但這些方法中收集的病毒樣本和新冠肺炎病例數(shù)據(jù)為后續(xù)基于AI的分析提供了重要的數(shù)據(jù)源。臨床特征的診斷則依賴于醫(yī)學(xué)圖像檢查，主要包括胸部X光和CT圖像。AI技術(shù)在醫(yī)學(xué)圖像檢測(cè)中發(fā)揮著重要作用，在圖像采集、器官識(shí)別、感染區(qū)域分割以及疾病分類等方面取得了顯著的成果，不僅大大縮短了放射科醫(yī)生的圖像診斷時(shí)間，并且提高了診斷的準(zhǔn)確性。基于AI的新冠肺炎CT圖像檢測(cè)通常包含感興趣區(qū)域分割、肺組織特征提取、候選感染區(qū)域檢測(cè)和分類4個(gè)步驟，用于CT圖像分類和新冠肺炎檢測(cè)的AI典型架構(gòu)如圖3所示。

與CT圖像相比，胸部X光（CXR）圖像在放射檢查中更容易獲得。雖然X線平掃是診斷新冠肺炎的典型影像方法，但普遍認(rèn)為其敏感性不如CT圖像，存在早期新冠肺炎患者的部分CXR圖像表現(xiàn)為正常的問題?；贏I的CXR圖像檢測(cè)通常包括數(shù)據(jù)預(yù)處理、DL模型訓(xùn)練和新冠肺炎分類等步驟。與CT圖像不同，因?yàn)槔吖菚?huì)被投影到軟組織上，會(huì)與圖像對(duì)比度混淆，使得CXR圖像分割更具挑戰(zhàn)性。在這種情況下，大多數(shù)DL模型側(cè)重于對(duì)整個(gè)CXR圖像進(jìn)行分類，而很少致力于從CXR圖像中分割出感興趣區(qū)域和肺部器官。針對(duì)基于CXR圖像的新冠肺炎分類，一些研究通過嵌套或組合現(xiàn)有的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型來構(gòu)建基于AI的分類模型。圖4顯示了具有代表性的CXR圖像分類和檢測(cè)的AI體系結(jié)構(gòu)。

新冠肺炎患者的胸部CT會(huì)表現(xiàn)出典型的X線特征，利用胸部CT圖像和CXR圖像的AI方法在診斷新冠肺炎陽性病例中是相輔相成的。研究表明，輔以基于AI的圖像分析，可以以一種及時(shí)有效的方式實(shí)現(xiàn)對(duì)新冠肺炎的高準(zhǔn)確率診斷。通過計(jì)算機(jī)輔助診斷系統(tǒng)對(duì)大量新冠肺炎患者的CT掃描結(jié)果和CXR圖像進(jìn)行預(yù)訓(xùn)練，利用基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的方法輔助解釋肺部圖像，可以提高診斷的準(zhǔn)確性，避免單獨(dú)使用核酸檢測(cè)所造成的誤檢事件。

2.2藥物與疫苗研發(fā)

基于蛋白質(zhì)組學(xué)和基因組學(xué)的研究，已經(jīng)提出了針對(duì)SARS-CoV-2病毒的諸多藥物和疫苗開發(fā)計(jì)劃。AI技術(shù)在藥物和疫苗研發(fā)中的應(yīng)用是智慧醫(yī)療的主要貢獻(xiàn)之一，在傳染病疫情防控中發(fā)揮著重要作用。在藥物開發(fā)領(lǐng)域，AI技術(shù)可以通過分析現(xiàn)有藥物與新冠肺炎蛋白質(zhì)靶點(diǎn)之間的相互作用，篩選出新冠肺炎的現(xiàn)有候選藥物。此外，AI技術(shù)還可以通過在分子水平上構(gòu)建抑制蛋白酶的新分子結(jié)構(gòu)，幫助發(fā)現(xiàn)針對(duì)新冠肺炎的新型類藥物化合物。藥物開發(fā)分為小分子藥物發(fā)現(xiàn)和生物制品開發(fā)。其中，小分子藥物的發(fā)現(xiàn)主要集中在化學(xué)合成的小分子活性物質(zhì)上，這些活性物質(zhì)可以通過不同的有機(jī)和無機(jī)化合物之間的化學(xué)反應(yīng)制成小分子藥物。而生物制品是具有治療作用的蛋白質(zhì)產(chǎn)品，是由微生物細(xì)胞通過生物技術(shù)過程制備的，主要與參與疾病過程的特定細(xì)胞受體結(jié)合。圖5展示了用于新型類藥物化合物發(fā)現(xiàn)的代表性AI體系結(jié)構(gòu)[11]。

與其他領(lǐng)域的顯性應(yīng)用相比，在疫苗開發(fā)領(lǐng)域，AI技術(shù)通常隱含地應(yīng)用于疫苗研發(fā)的子流程中。針對(duì)包括SARS和MERS在內(nèi)的致病性人類冠狀病毒的疫苗開發(fā)策略或者針對(duì)整個(gè)病毒，或者針對(duì)其結(jié)構(gòu)蛋白、刺突蛋白或膜蛋白。研究表明，AI和系統(tǒng)生物學(xué)在疫苗設(shè)計(jì)和開發(fā)中的應(yīng)用可以改變現(xiàn)有智慧醫(yī)療系統(tǒng)，加快臨床實(shí)驗(yàn)進(jìn)程，并減少藥物開發(fā)的成本和時(shí)間[12]?；贏I的方法有助于基于計(jì)算機(jī)的分析、預(yù)測(cè)和驗(yàn)證，在疫苗設(shè)計(jì)中發(fā)揮關(guān)鍵作用，進(jìn)一步可以通過擴(kuò)大針對(duì)病毒威脅的免疫抑制劑庫來緩解新冠肺炎大流行和類似的新發(fā)傳染病。

2.3預(yù)測(cè)

目前，大多數(shù)國家的疫情尚未得到控制。如果能夠利用一定的技術(shù)手段來預(yù)測(cè)新冠肺炎的發(fā)展趨勢(shì)，及制定相關(guān)防疫措施，將會(huì)減少因新冠肺炎致死的人數(shù)。大數(shù)據(jù)可以實(shí)時(shí)監(jiān)測(cè)疾病爆發(fā)，關(guān)于新冠肺炎的各種數(shù)據(jù)都是廣泛可用的。為了掌握疫情發(fā)展趨勢(shì)，減少傳播流程與因病死亡率，相關(guān)研究基于AI技術(shù)構(gòu)建了預(yù)測(cè)分析框架，并將其應(yīng)用于真實(shí)數(shù)據(jù)，為政府政策及臨床決策提供支持。傳染病的預(yù)測(cè)包括2個(gè)方面：患者死亡率和存活率預(yù)測(cè)以及疫情傳播預(yù)測(cè)。對(duì)患者進(jìn)行分類的能力至關(guān)重要，但常規(guī)使用的嚴(yán)重性評(píng)估系統(tǒng)常做出低于真實(shí)值的預(yù)測(cè)，因此臨床死亡率及存活率預(yù)測(cè)模型至關(guān)重要。在對(duì)患者的預(yù)測(cè)中，預(yù)測(cè)模型可以從先前新冠肺炎患者的相關(guān)數(shù)據(jù)中學(xué)習(xí)，以預(yù)測(cè)哪些患者將出現(xiàn)嚴(yán)重癥狀，或者哪些患者將需要重癥監(jiān)護(hù)病房設(shè)施。最具預(yù)測(cè)性的臨床特征包括丙氨酸氨基轉(zhuǎn)移酶升高、身體疼痛和高血紅蛋白水平，模型對(duì)危重病例的預(yù)測(cè)準(zhǔn)確率可達(dá)80%[13]。雖然死亡率及存活率預(yù)測(cè)的研究不能像藥物研發(fā)那樣直接對(duì)抗新冠肺炎，也不能從根本上解決疫情，但可以讓研究人員盡早發(fā)現(xiàn)病毒感染的嚴(yán)重程度，并做出相應(yīng)的政策。更重要的是，在該過程中可以發(fā)現(xiàn)與新冠肺炎感染相關(guān)的重要因素。

在疫情傳播預(yù)測(cè)中，結(jié)合AI技術(shù)和真實(shí)的疫情數(shù)據(jù)，可在一定程度上預(yù)測(cè)新冠肺炎的傳播。為此，各項(xiàng)研究通過使用卷積神經(jīng)網(wǎng)絡(luò)、LSTM網(wǎng)絡(luò)、支持向量機(jī)等機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法以及傳統(tǒng)時(shí)間序列數(shù)據(jù)分析方法，對(duì)疫情發(fā)展趨勢(shì)進(jìn)行了多方面、多角度的預(yù)測(cè)，包括死亡人數(shù)和新感染人數(shù)等[14]。此外，也有部分研究將AI技術(shù)與傳統(tǒng)的傳染病動(dòng)力學(xué)模型相結(jié)合，利用神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行模型參數(shù)優(yōu)化和模型訓(xùn)練，以此提高模型預(yù)測(cè)的準(zhǔn)確性[15]。AI技術(shù)通過使用社交網(wǎng)絡(luò)、公開可用的疫情數(shù)據(jù)等來識(shí)別和預(yù)測(cè)病毒的存在以及潛在傳播的可能性，這種形式有助于確定受疫情影響較大的地區(qū)、種群以及國家，以便相關(guān)機(jī)構(gòu)提前采取有效措施。圖6展示了用于傳染病疫情預(yù)測(cè)的代表性AI體系結(jié)構(gòu)。

3結(jié)束語

本文綜述了AI在傳染病疫情防控方面的主要應(yīng)用。與2003年非典冠狀病毒大流行和2012年中東呼吸綜合征冠狀病毒大流行相比，AI已成功應(yīng)用于抗擊新冠肺炎的各個(gè)領(lǐng)域。首先，對(duì)可應(yīng)用于傳染病研究的AI技術(shù)進(jìn)行了概述，包括機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法；其次，介紹了該類技術(shù)在傳染病研究中的各類應(yīng)用，可概括為疾病檢測(cè)與診斷、藥物與疫苗研發(fā)、疫情與傳播預(yù)測(cè)3個(gè)主要方面。其中，醫(yī)學(xué)圖像分析、藥物發(fā)現(xiàn)和疫情預(yù)測(cè)是AI技術(shù)應(yīng)用于傳染病研究的主戰(zhàn)場(chǎng)。雖然AI技術(shù)已經(jīng)成功應(yīng)用于傳染病疫情防控領(lǐng)域，但仍面臨著一些關(guān)鍵挑戰(zhàn)，包括可用數(shù)據(jù)集不足、正負(fù)樣本數(shù)據(jù)不均衡以及計(jì)算機(jī)科學(xué)與醫(yī)學(xué)交叉領(lǐng)域的知識(shí)有限等難題。為進(jìn)一步促進(jìn)AI技術(shù)與傳染病研究領(lǐng)域的融合，未來可考慮引入遷移學(xué)習(xí)技術(shù)解決訓(xùn)練數(shù)據(jù)不足和樣本類別不平衡的問題，此外也可將研究重點(diǎn)聚焦于如何評(píng)估人工智能模型的有效性。本文為醫(yī)學(xué)和AI研究人員提供了一個(gè)全面的視角，旨在使其了解人工智能在傳染病疫情防控方面的應(yīng)用和潛在貢獻(xiàn)，幫助發(fā)揮AI和大數(shù)據(jù)的優(yōu)勢(shì)以抗擊傳染病疫情。

參考文獻(xiàn)

[1] TANG L， ZHOU Y， WANG L， et al. A Review of Multi-compartment Infectious Disease Models[J]. International Statistical Review， 2020， 88（2）： 462-513.

[2] KAMDAR J H， PRABA JJ， GEORRGE J J. Artificial Intelligence in Medical Diagnosis： Methods， Algorithms and Applications[M]. Machine Learning with Health Care Perspective. Cham：Springer， 2020.

[3] LIU X， WANG H， LI Z， et al. Deep Learning in ECG Diagnosis： A Review[J]. Knowledge-Based Systems， 2021， 227： 1-13.

[4] AGREBI S， LARBI A. Use of Artificial Intelligence in Infectious Diseases[M]. Artificial Intelligence in Precision Health. Washington， DC：Academic Press， 2020.

[5] LU Y. Artificial Intelligence： A Survey on Evolution， Models， Applications and Future Trends[J]. Journal of Management Analytics， 2019， 6（1）： 1-29.

[6] TANG Z， ZHAO W， XIE X， et al. Severity Assessment of COVID-19 Using CT Image Features and Laboratory Indices[J]. Physics in Medicine & Biology， 2021， 66（3）： 035015.

[7] SINGH V， POONIA R C， KUMAR S， et al. Prediction of COVID-19 Corona Virus Pandemic Based on Time Series Data Using Support Vector Machine[J]. Journal of Discrete Mathematical Sciences and Cryptography， 2020， 23（8）： 1583-1597.

[8] JAIN G， MITTAL D， THAKUR D， et al. A Deep Learning Approach to Detect Covid-19 Coronavirus with X-Ray Images[J]. Biocybernetics and Biomedical Engineering， 2020， 40（4）： 1391-1405.

[9] FARHAT H， SAKR G E， KILANY R. Deep Learning Applications in Pulmonary Medical Imaging： Recent Updates and Insights on COVID-19[J]. Machine Vision and applications， 2020， 31（6）： 1-42.

[10] XIE X， ZHONG Z， ZHAO W， et al. Chest CT for Typical Coronavirus Disease 2019 （COVID-19） Pneumonia： Relationship to Negative RT-PCR Testing[J]. Radiology， 2020， 296（2）： 41-45.

[11] CHEN J， LI K， ZHANG Z， et al. A Survey on Applications of Artificial Intelligence in Fighting Against COVID-19[J]. ACM Computing Surveys （CSUR）， 2021， 54（8）： 1-32.

[12] RUSSO G， RECHE P， PENNISI M， et al. The Combination of Artificial Intelligence and Systems Biology for Intelligent Vaccine Design[J]. Expert Opinion on Drug Discovery， 2020， 15（11）： 1267-1281.

[13] MALIK Y S， SIRCAR S， BHAT S， et al. How Artificial Intelligence May Help the Covid-19 Pandemic： Pitfalls and Lessons for the Future[J]. Reviews in Medical Virology， 2021， 31（5）： 1-11.

[14] MOHIMONT L， CHEMCHEM A， ALIN F， et al. Convolutional Neural Networks and Temporal CNNs for COVID-19 Forecasting in France[J]. Applied Intelligence， 2021， 51（12）： 8784-8809.

[15] YANG Z， ZENG Z， WANG K， et al. Modified SEIR and AI Prediction of the Epidemics Trend of COVID-19 in China Under Public Health Interventions[J]. Journal of Thoracic Disease， 2020， 12（3）： 165-174.