Úloha a výzva umelej inteligencie v novej CT diagnostike pneumónie s koronavírusom

Pre viac informácií:ali.ma@wecistanche.com

Zvýraznenie

Tento dokument sa novým spôsobom zaoberá vedeckosťou a normatívnosťou založenou na metodologických požiadavkách klinického skúšania, pričom proces vývoja softvéru umelej inteligencie (AI) považuje za klinické skúšanie diagnostického výskumu obrazu pomocou počítačovej tomografie (CT). Dokument tiež uvádza 4 spôsoby propagácie diagnostického softvéru AI, ktorý pomáha pri skutočných klinických problémoch a prináša pacientom skutočné klinické výhody.

Kliknite na cistanche vedľajšie účinky a Cistanche na imunitu

Abstraktné

Začiatkom roka 2020 nový koronavírusový zápal pľúc(COVID-19)vypukol v Číne. V oblasti umelej inteligencie (AI), ktorá zohrala dôležitú úlohu v boji proti pandémii, sa rýchlo objavilo mnoho produktov súvisiacich s medicínou. Tento článok sumarizuje súčasný stav výskumu a aplikácie AI v rádiológii a kontrole pandémie a analyzuje bežné problémy technológie AI vo výskumeCOVID-19diagnózy. Zahŕňa najmä úvahy o návrhu klinických štúdií, ťažkostiach pri implementácii výskumu a výzvach pri overovaní spoľahlivosti modelov AI. V reakcii na vyššie uvedené ťažkosti sa navrhujú návrhy na optimalizáciu vedeckosti a kvality diagnostického výskumu AI.

Kľúčové slová:COVID-19pandémia, Umelá inteligencia, Počítačová tomografia, Klinický výskum

Dôležitá úloha diverzifikovaných produktov umelej inteligencie v boji proti epidémii

Začiatkom roku 2020 vypuknutiezápal pľúc spôsobený novým koronavírusom(Koronavírus, COVID-19) kladie implementáciu prevencie a kontroly chorôb pred veľkú výzvu. Napríklad, ako rýchlo zmerať telesnú teplotu každého v dopravnom uzle s veľkým dopravným tokom; ako rýchlo vyradiť potenciálne účinné lieky medzi obrovskými možnosťami; ako skrínovať podozrivé prípady vo veľkej populácii; ako sa vysporiadať s nedostatkom odborných lekárov a skríženou infekciou pri liečbe diagnostikovaných pacientov. Umelá inteligencia (Al, ako jedna z najpopulárnejších oblastí v posledných rokoch, rieši niektoré problémy prostredníctvom aplikácie nových produktov AI, čo zlepšuje účinnosť prevencie, kontroly a diagnostiky chorôb.

Umelá inteligencia pomáha monitorovať a simulovať trend vývoja epidémie analyzovaním stopy aktivity ľudí, aby včas varovala potenciálne šíriace sa oblasti. AI môže tiež analyzovať cesty šírenia, lokalizovať blízke kontakty diagnostických pacientov a rýchlo prijať karanténu a liečbu. Infračervená termokamera s technológiou rozpoznávania obrazu AI vykonáva detekciu horúčky na verejných miestach, aby lokalizovala osoby s abnormálnou telesnou teplotou[1]. Pri vývoji nových liekov pomáha AI preveriť najúčinnejšie antivírusové a protizápalové lieky zo stoviek liekov na ďalší vývoj [2]. Pri diagnostike a liečbe bol prijatý model hlbokej neurónovej siete (DNN) na rozpoznanie grafických údajov z počítačovej tomografie (CT plus AI), aby lekári pomohli rýchlo stanoviť diagnózu.

Výzvy, ktorým čelí „CT plus AI“ pri asistencii pri diagnostike COVID-19

Špeciálnu pozornosť pritiahla aplikácia umelej inteligencie v rádiológii. DNN sa široko používa v rôznych medicínskych skenovacích technológiách, napríklad pri diagnostike pneumónie na digitálnej rádiografii hrudníka (DR)[3-5], detekcii rakovinových pľúcnych uzlín [6] a tuberkulóze [7], detekcii zlomenín, a predikcia kostného veku pomocou RTG [8-10].vyšetrenie a vyhodnotenie RTG prsníkov [11,12]; detekcia a diagnostika pľúcnych uzlín [13,14], pneumónie [15], pečeňových hmôt [16], rakoviny pankreasu[17] a kompresných fraktúr stavcov [18] na CT snímkach; načrtáva komoru v zobrazení magnetickou rezonanciou srdca [19]. Inšpekcia ultrazvukového vyšetrenia, model AI môže vykonávať diagnostiku a kvantitatívnu analýzu zobrazovania srdca [20.21]. ako aj detekciu ultrazvukových uzlín štítnej žľazy a diagnostiku benígnych a malígnych [22,23] (tabuľka 1).

V diagnostike novej koronavírusovej pneumónie sa bežne používajú zobrazovacie vyšetrovacie techniky CT, DR a ultrazvuk v príslušných procesoch a scenároch podľa ich vlastných charakteristík. CT je medzi nimi prioritou v ranom štádiu detekcie lézií. Od vydania „Programu diagnostiky a liečby COVID{0}} pneumónie (skúšobná verzia 5) je diagnostika pomocou CT zobrazovania zahrnutá aj do štandardov klinickej diagnostiky nového COVID-19 [24]. Diagnóza jedného pacienta si však vyžaduje manuálne pozorovanie viac ako sto CT snímok. Pri veľkom počte klinických potrieb lekári trpia veľkým pracovným zaťažením s nízkou efektivitou. Softvérová technológia AI dokáže vyriešiť tieto klinické prekážky. CT inšpekcia sa stala preferovaným zobrazovacím riešením pre súčasný softvér AI na diagnostiku pneumónie vďaka svojej vysokej presnosti, jednotným štandardom a hlbokej akumulácii priemyselných údajov a technológií [27. V praktických aplikáciách môžu diagnostické modely identifikovať obraz pneumónie pomocou špecifického algoritmu na predpovedanie, či je chorý [27-29]. Model pľúcnej kvantitatívnej analýzy dokáže zistiť umiestnenie lézie, spočítať počet lézií, načrtnúť rozsah lézie, vypočítať mieru infekcie v oblasti pľúcnej lézie a spolupracovať s následným softvérom pri riadení progresie ochorenia a hodnotení. prognóza [28]. S pomocou softvéru sa znižuje pracovné zaťaženie lekárov a zlepšuje sa rýchlosť a presnosť diagnostiky a liečby, je však dôležité zdôrazniť niektoré bežné problémy pri výskume CT diagnostiky novej koronavírusovej pneumónie s pomocou Al, a to nasledovne:

Študovať dizajn

Pri novej CT diagnostike pneumónie COVID{0}} by sa návrh modelu mal posudzovať rôzne, aby sa prispôsobili rôzne fázy diagnostiky a liečby v najzačiatočnejšom štádiu vývoja diagnostického modelu „CT plus AI“. Napríklad kontrolná skupina použitá na trénovanie modelu včasného skríningu by sa mala odlíšiť od skupiny vybranej v antidiastole: 1) Rozhodnutia v probléme včasného skríningu uprednostňujú vysokú citlivosť pred oddelením podozrivých prípadov od zdravej populácie, preto sa vzorky kontrolných prípadov trénujú modelom AI by mali byť CT snímky zdravých pľúc oproti snímkam nezdravých pľúc. Prípady nezdravých pľúc sa skladajú z viacerých podozrivých typov pneumónie, aby sa zabezpečila výkonnosť modelu nízkej miery zmeškanej diagnózy. 2) V antidiastolickom scenári je schopnosť vysokej špecifickosti nevyhnutná na rozlíšenie novej pneumónie spôsobenej koronavírusom od pneumónie spôsobenej inými infekciami. Konkrétnejšie, vzhľadom na skutočné klinické okolnosti by ideálny kontrolný návrh mal porovnávať dve skupiny s podobnými klinickými príznakmi alebo epidemiologickou anamnézou, ako je horúčka, kašeľ, abnormality pľúcneho CT, ale negatívne a pozitívne výsledky v teste nukleových kyselín (alebo iných zlatých diagnostických štandardoch). . Takýto dizajn bol určený na konsolidáciu výraznejších rádiových znakov nového koronavírusového zápalu pľúc. Okrem toho je potrebné starostlivo zvážiť metriku hodnotenia zvolenú na posúdenie výkonnosti modelu. Napríklad pri vyhodnocovaní diagnostického modelu „CT plus AI“ pomer presnosti nie je správnym ukazovateľom, ktorý dokáže model úplne posúdiť. Nerovnováha medzi pozitívnymi a negatívnymi vzorkami testovacích údajov by viedla k problému nadhodnotenia výkonu (napr. testovacia sada pozostávajúca z 96 pozitívnych a 4 negatívnych prípadov by mohla prilákať naivný model s vysokou presnosťou až 96 percent, aj keď model iba povedzte pozitívne). Diagnostický softvér AI sa používa v špecifickom klinickom probléme pre lepšiu schopnosť a efektívnosť. Pred implementáciou je potrebné objasniť ciele štúdie a objasniť ich pre špecifické klinické problémy. Potom by sa mal uskutočniť vedecký návrh metodológie. Mal by sa sformulovať aj úplný plán výskumu. Mali by sa plne zvážiť ciele štúdie, pravidlo inkluzívnej-exkluzívnej a metriky hodnotenia sledovaných parametrov. Vedúcim vedeckým dizajnom je možné minimalizovať riziko zaujatosti, získať vysokokvalitné výskumné dôkazy a poskytnúť spoľahlivé usmernenia pre klinickú aplikáciu.

Realizácia výskumu

Tréningový proces modelu umelej inteligencie DNN je založený výlučne na dátach. Spolieha sa na veľké množstvo presne označených vzoriek obrázkov počas tréningovej fázy. Čím väčšie je množstvo údajov, tým lepší je rozlišovací výkon modelu. Diagnostický systém diabetickej retinopatie ako zdravotnícke zariadenie AI, vyvinutý americkým technologickým gigantom Google, prešiel druhou fázou klinických skúšok. Tréningový proces systému využíva 130 miliónov obrázkov 10,000 prípadov, čo sa blíži úrovni medicínskych expertov [30]. Na rozdiel od toho, hoci určené zdravotnícke jednotky nazhromaždili nové obrazové údaje z CT koronavírusu v spolupráci s výrobcami technológií na školenie a vývoj softvéru v epidémii, celkové množstvo je relatívne malé a distribúcia je pomerne rozptýlená, plus vzácne zdroje odborníkov na CT snímky. označovanie v počiatočnej fáze, výsledkom čoho je len malý súbor údajov dostupný pre modelové školenie a ťažko zaručiteľná kvalita označovania. Nedostatočné tréningové údaje môžu spôsobiť, že si model DNN „pamätá“ informácie v CT obrázkoch, ktoré nie sú relevantné pre skutočnú diagnózu kvôli svojim štrukturálnym vlastnostiam so silnou výrazovou silou, čo spôsobuje nadmerné prispôsobenie a znižuje schopnosť posudzovať budúce údaje. Na dosiahnutie dostatočného tréningového efektu za podmienky menšieho objemu dát je často potrebné navrhnúť komplexnejšiu štruktúru vnútorného modelu a modelovať tréningové zručnosti, čo tiež zvyšuje náročnosť implementácie.

Úvaha o novej výnimočnosti COVID-19

Na základe klinických skúseností má CT obraz hrudníka novej koronavírusovej pneumónie charakteristiky „podobného obrazu, ale iného ochorenia“. Je ťažké ho rozlíšiť ľudskými očami, čo zvyšuje ťažkosti pri antidiastole. Obtiažnosť je výraznejšia, ak je veľkosť tréningovej vzorky malá. Okrem toho, ako jedno z diagnostických kritérií nového COVID-19, výsledky súpravy nukleových kyselín vykazujú vysokú špecifickosť, ale nízku citlivosť. Ak sa používa na označovanie tréningových vzoriek ako zlatý štandard, skutočné pozitívne vzorky by mali tendenciu byť označené ako negatívne nesprávne. Tréning s chybne označenými údajmi priamo zníži výkon modelu.

Overenie spoľahlivosti diagnostiky AI

Po implementácii diagnostického modelu AI nie je spoľahlivé vyhodnotiť účinok diagnózy iba pomocou interného testu údajov. Zmätok pod údajmi spôsobený rôznymi modelmi CT zariadení, geografickými oblasťami, skutočným klinickým prostredím, variáciami vírusov a inými faktormi môže ovplyvniť diagnostický výsledok modelu. Model je sotva schopný vysporiadať sa s týmito mätúcimi faktormi s obmedzenými internými testami údajov. Keď sa diagnostický softvér AI uvedie do klinického používania bez úplného overenia, môže sa opakovať iba prostredníctvom offline školenia a optimalizácie, pretože nedokáže zlepšiť úroveň diagnostiky a liečby tým, že sa bude učiť nové prípady, ako sú ľudskí lekári. V porovnaní s nesprávnou diagnózou ľudského lekára budú potenciálne iatrogénne riziká spôsobené obmedzeniami počítačového softvéru výraznejšie. Podľa novej verzie „Katalógu klasifikácie zdravotníckych pomôcok“ (CFDA 2017 č.143) by mal diagnostický softvér AI ako zdravotnícka pomôcka pokračovať v systematickom audite a rozsiahlej simulácii, dokonca aj v perspektívnych klinických skúškach, aby sa plne overila presnosť a spoľahlivosť klinickej diagnózy. Skupina pre umelú inteligenciu Národného ústavu pre kontrolu potravín a liečiv (NIFDC) vytvorila bezpečnostný systém zdravotníckych pomôcok AI a stanovila metódu testovania založenú na štandardnom overovaní súboru údajov [30]. V súčasnosti neexistuje štandardná databáza pre novú entitu ochorenia COVID-19, takže je ťažké overiť vysokú presnosť opakovateľnosti existujúceho softvéru AI pri väčšine diagnóz lekárskych skenov v reálnom svete.

Zlepšiť kvalitu a vedeckú štandardizáciu diagnostického modelu „CT plus AI“.

Aplikácia umelej inteligencie v medicínskom priemysle je v Číne stále v ranom štádiu, pričom sa jej v posledných rokoch venuje veľká pozornosť a rýchly rozvoj, ktorý bol dokonca zahrnutý do národného strategického plánu [30]. Mnohé produkty umelej inteligencie ukázali sľubné vyhliadky v oblasti medicíny. V ďalšej fáze, pokiaľ ide o komercializáciu, by sa priemysel zameriaval na vedecký výskum dizajnu a štandardizáciu procesu implementácie a overovania; rozvíjať umelú inteligenciu v medicínskom priemysle zdravo, štandardizovať riadenie diagnostických produktov s podporou Al podľa špecifikácie New Medical Apparatus. Hoci mnohé produkty AI, ktoré sa objavili počas epidémie, priniesli lekárom pohodlie pri diagnostike a liečbe chorôb, celková vedecká prísnosť a spoľahlivosť kvality si stále vyžadujú ďalšie zlepšenie a dokonalosť.

Zlepšiť dizajn štúdie technológie AI v klinických problémoch

V súčasnosti väčšina výskumov novej diagnostiky COVID-19 pomocou CT používa retrospektívne metódy kontroly prípadov. Jednou z výhod je rýchle získanie rôznych informácií od obmedzených výskumných subjektov, pričom existuje riziko zaujatosti. Vzorky v štúdiách prípadovej kontroly by sa mali odoberať z celkového počtu diagnostických prípadov alebo by sa mali z nich náhodne vyberať, avšak vzhľadom na obmedzené zdroje vzorky nemôžu reprezentovať všetkých pacientov. Špeciálny kontrolný odber vzoriek možno použiť na zníženie zaujatosti a zvýšenie úrovne dôkazov podľa skutočnej situácie, napríklad výberom prípadov z tej istej lekárskej inštitúcie, použitím dvoch alebo viacerých kontrolných skupín a párovaním premenných. Pri hodnotení výkonu diagnostického modelu možno použiť tabuľku skutočnej pozitívnej a falošne pozitívnej frekvencie (krivka prevádzkovej charakteristiky prijímača (krivka ROC)) na porovnanie interpretácie algoritmu AI s hodnotením lekára alebo s plochou pod krivkou (AUC). referencia výkonu modelu. Napriek tomu je stále ťažké úplne vysvetliť klinické prínosy spoliehajúce sa výlučne na porovnanie alebo indikátory, v skutočnosti je pri komplexnom hodnotení potrebné vziať do úvahy aj iné faktory klinického rozhodovania.

Zlepšenie presnosti označenia, rozšírenie počtu a rozmeru tréningových vzoriek počas procesu implementácie modelu

V primárnom štádiu už modely trénované malým počtom vzoriek CT obrazu ukázali dobrý trend. Postupom času by viac prípadov zlepšilo lepšiu základnú podporu v modelovom výcviku. Čím viac obrázkov sa naučíte, tým väčší potenciál bude pri diagnostike COVID-19 poraziť problém „rovnaké obrázky, rôzne prípady“. V reakcii na túto situáciu, na základe CT obrazových údajov, môže model tiež rozšíriť oblasť informácií kombinovaním klinických signálov pacienta, epidemiológie, laboratórneho vyšetrenia a ďalších údajov na komplexné posúdenie ochorenia a zlepšenie presnosti diagnózy. Zlepšenie presnosti označovania vzoriek možno dosiahnuť optimalizáciou stratégie zlatého štandardu. Aplikujte viacnásobné intervaly testu nukleových kyselín, aby ste kompenzovali možnosť jediného falošne negatívneho výsledku, alebo krížovo overte výsledok s odkazom na iné diagnostické súpravy, ako je detekcia protilátok IgM/lgG.

Vytvorte novú databázu štandardného testovania CT koronavírusovej pneumónie

Po implementácii a internom overení modelovania AI je potrebné externé overenie spoľahlivosti prostredníctvom štandardného databázového testovacieho systému. Čo sa týka zavedeného štandardného databázového systému chorôb očného pozadia a pľúcnych uzlín, entity chorôb pochádzajú z rôznych zdravotníckych zariadení po celej krajine, vrátane zaostalých oblastí. Údaje obsahujú rôzne špecifikácie a sú kompatibilné so zariadeniami rôznych modelov a parametrov. Lekári, ktorí sa podieľajú na označovaní testovacích údajov, majú skúsenosti s medicínskym výskumom AI a boli dobre vyškolení. Špeciálny výskumný tím vytvoria lekári s vysokou presnosťou, stabilitou a obohatenými klinickými skúsenosťami. Štandardná sada testovacích údajov vymaže stopy spoločnosti a stroja a prísne kontroluje skreslenie údajov, aby sa zabezpečilo spravodlivé a objektívne hodnotenie výkonu v uzavretom prostredí [30]. Aby som to zhrnul, je ťažké vytvoriť novú štandardnú databázu COVID-19 CT spoliehajúc sa výlučne na jednotlivé inštitúcie. Národ by mal poskytnúť zodpovedajúcu podporu počas špeciálneho obdobia epidémie. Napríklad rýchlo vytvorte novú špeciálnu skupinu pre umelú inteligenciu COVID{2}}, ktorá bude viesť a koordinovať spoluprácu a zdieľanie zdrojov všetkých strán v celej krajine, a spoločne vytvoriť špeciálnu databázu testov chorôb a ďalšie overovacie štandardy.

Štandardizovať správu údajov lekárskeho výskumu umelej inteligencie

Dňa 3. júla 2019 vydalo Centrum pre hodnotenie zdravotníckych pomôcok „Kľúčové body hodnotenia softvéru zdravotníckych pomôcok s asistenciou hlbokého učenia“ (kľúčové body). Poskytuje technické usmernenia pre zdravotnícke produkty AI registrované ako zdravotnícke pomôcky tretieho typu a odstraňuje prekážku v politike pred uvedením produktu na trh. Neexistujú však žiadne právne obmedzenia týkajúce sa etiky a bezpečnosti údajov. Umelá inteligencia v oblasti lekárskeho výskumu musí byť v súlade s etikou a chrániť bezpečnosť a súkromie individuálnych údajov. Ak je možné sformulovať národné alebo regionálne zákony a predpisy o ochrane súkromia pacientov a zároveň vytvoriť štandardizovanú platformu správy údajov pre výskum, výskumný projekt sa potom môže efektívne preskúmať, aby sa rýchlo odhalili potenciálne riziká v procese navrhovania a implementácie. Zavedú sa usmernenia o bezpečnosti údajov, aby sa zabránilo riziku narušenia a zničenia ľudského zdravia.

Referencie:

1 zc [internet]. Ako používať AI na detekciu nového koronavírusu a boj proti nemu [citované 20. marca 2020].

2. Huang Q[Internet]. Tím akademika Li Lanjuana zverejnil: tieto dva lieky môžu účinne inhibovať nový koronavírus [citované 20. marca 2020].

3. Wang XS, Peng YF, Lu L a kol. Hrudník X-Ray8: Röntgenová databáza hrudníka v nemocničnom rozsahu a referenčné hodnoty klasifikácie a lokalizácie bežných ochorení hrudníka pod slabým dohľadom. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, str. 3462-3471.

4. Li Z, Wang C, Han M, a kol. Identifikácia a lokalizácia ochorenia hrudníka s obmedzeným dohľadom. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, a kol. Hlboké učenie v rádiografii hrudníka: Detekcia nálezov a prítomnosti zmien. PLoS One. 2018;13(10):e0204155. Publikované 4. októbra 2018.

6. Nam JG, Park S, Hwang EJ, a kol. Vývoj a validácia automatického detekčného algoritmu pre malígne pľúcne uzliny na röntgenových snímkach hrudníka založeného na hlbokom učení. Rádiológia, 2019.

7. Lakhani P, Sundaram B. Hlboké učenie na rádiografii hrudníka: Automatizovaná klasifikácia pľúcnej tuberkulózy pomocou konvolučných neurónových sietí. Rádiológia. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L., Carneiro G, a kol. Detekcia zlomenín bedra s výkonom na úrovni rádiológov pomocou hlbokých neurónových sietí. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Veľký súbor údajov na detekciu abnormalít v muskuloskeletálnych rádiografoch. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internet]. Hlboké učenie je sľubné pre hodnotenie kostného veku [citované 15. novembra 2017].

11. Yee KM[Internet]. Algoritmus AI sa zhoduje s rádiológmi pri skríningových vyšetreniach prsníka [citované 13. decembra 2017].

12. Lehman CD, Yala A, Schuster T, et al. Mamografické hodnotenie hustoty prsníka pomocou hlbokého učenia: klinická implementácia. Rádiológia, 2019. 290(1): s. 52-58.

13. Ridley EL. Algoritmus hlbokého učenia môže stratifikovať riziko pľúcnych uzlín [citované 26. novembra 2017].

14. Ali I, Hart GR, Gunabushanam G, a kol. Detekcia uzlín v pľúcach prostredníctvom učenia sa hlbokého posilnenia. Predný Oncol. 2018;8:108. Publikované 2018 Apr 16. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, a kol. Hlboké učenie na klasifikáciu fibrotického ochorenia pľúc na počítačovej tomografii s vysokým rozlíšením: prípadová kohortová štúdia. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, a kol. Hlboké učenie s konvolučnou neurónovou sieťou na diferenciáciu hmotnosti pečene pri CT s dynamickým kontrastom: Predbežná štúdia. Rádiológia. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD a kol. Spoločné znázornenie tvaru a klasifikácia na detekciu PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB a kol. Detekcia kompresných zlomenín na CT. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, a kol. FastVentricle: Segmentácia srdca pomocou ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, a kol. Rýchla a presná klasifikácia echokardiogramov pomocou hlbokého učenia. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P a kol. Plne automatizovaná interpretácia echokardiogramu v klinickej praxi. Náklad, 2018. 138(16): s. 1623-1635.

22. Li XC, Zhang S, Zhang Q a kol. Diagnostika rakoviny štítnej žľazy pomocou modelov hlbokej konvolučnej neurónovej siete aplikovaných na sonografické snímky: retrospektívna, multikohortová, diagnostická štúdia. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ a kol. Vylepšený prístup hlbokého učenia na detekciu papilárnej rakoviny štítnej žľazy v ultrazvukových obrazoch. Sci Rep. 2018;8(1):6600. Publikované 26. apríla 2018.

24. Úrad národnej zdravotníckej komisie [internet]. Diagnostika a liečba novej koronavírusovej pneumónie (piata skúšobná verzia) [citované 4. februára 2020].

25. Alibaba DAMO Academy [Internet]. Čo si myslíte o novej CT zobrazovacej diagnostickej technológii AI pri koronavírusovej pneumónii, ktorú vyvinula Ali Damo Academy, s priemernou mierou rozpoznania 96 percent za menej ako 20 sekúnd? [ 2020-02-19].

26. Spojené zobrazovanie. Pokorenie „epidémie“ prelomu – nový systém inteligentnej analýzy asistenta pneumónie s koronavírusom oficiálne spustený uAI [citované 10. februára 2020]

27. Gozes O, Frid-Adar M, Greenspan H a kol. Rýchly cyklus vývoja AI pre pandémiu koronavírusu (COVID-19): Počiatočné výsledky pre automatizovanú detekciu a monitorovanie pacientov pomocou analýzy obrazu CT s hlbokým učením. ArXiv abs/2003.05037 (2020): n. pag.

28. Huang L, Han R, Ai T, a kol. Sériové kvantitatívne CT vyšetrenie hrudníka COVID-19: Hlboký prístup. Rádiológia: kardiotorakálne zobrazovanie 2020 2:2.

29. Li L, Qin LX, Xu ZG a kol. Umelá inteligencia odlišuje COVID-19 od komunitne získanej pneumónie na CT hrudníka. Rádiológia. 2020;200905.

30. Jin YH, Qiu M J. Čínska lekárska biela kniha o umelej inteligencii. Šanghaj: Inštitút umelej inteligencie univerzity Shanghai Jiao Tong, 2019. (čínsky)