人工智能在疫情防控中的应用综述

孙科 肖钦引 范嗣涓 翁越男 陈琴 张桃 韩楠

摘要：由SARS-CoV-2病毒引发的新冠肺炎造成了全球范围内的疫情爆发，政府、企业和科研机构都致力于遏制新冠肺炎疫情的蔓延。人工智能作为一种大数据驱动的知识学习技术，被广泛应用于疫情防控的诸多方面，如疾病检测、药物和疫苗研究以及疫情传播预测等。基于人工智能方法的模型有助于改进病毒在人群中的传播模式，识别并预测疫情在不同地理位置的爆发情况。首先，对用于抗击新冠肺炎的人工智能算法进行综述，包括机器学习算法和深度学习算法；总结了人工智能技术在后疫情时代中的各项应用；最后，讨论了人工智能技术在传染病疫情防控中所面临的主要挑战和潜在的发展方向。

关键词：人工智能；疫情防控；疾病诊断；药物研发；疫情传播预测

中图分类号：TP391.4文献标志码：A文章编号：1008-1739（2022）14-63-6

0引言

SARS-CoV-2是一種新出现的人类传染性冠状病毒，并在2020年3月11日被世界卫生组织确认为新冠肺炎。这一新发传染病对人类生命健康构成了持续威胁，给社会经济带来了极大的打击。为缓解疫情的蔓延趋势并复苏社会经济，各国政府和机构都采取了严格的措施以控制病毒在个体之间的迅速传播，并对病毒学、起源和分类、基因组变异以及发病机制等进行了深入的研究。自20世纪以来，研究人员开发和提出了许多先进的医疗支持系统用于帮助流行性疾病的诊断和治疗。其中，数学分析工具的发展，如经典的传染病动力学模型[1]，有助于学者更好地了解病原体的性质，识别潜在的药物靶标，并根据现有的数据预测可能出现的传染病。在所有的分析工具中，基于人工智能（Artificial Intelligence，AI）算法的模型被认为是最有帮助的，被广泛应用于智慧医疗的各个领域，如疾病辅助诊断[2]、医学图像检测[3]、疫情趋势分析[4]和医疗大数据整合。信息和通信技术的进步使得从公共卫生监测中获得的数据量大幅增加，基于AI的分析预测工具和疾病管理平台有望成为疫情防控的一条有效途径，帮助相关机构快速且正确地应对传染病爆发。本文基于新冠肺炎大流行的背景，综述了AI技术在传染病疫情防控方面的应用、前景和贡献。

1疫情防控AI算法

AI被定义为一种允许计算机模仿人类思维来处理事物的技术，旨在当存在未知和复杂的关联模式时，在数据中发现复杂的潜在模式[5]。由于其具备出色的学习与挖掘能力，在疫情爆发时期许多研究领域都引入了AI技术来解决新冠肺炎相关的难题。具体地，AI技术通过医学图像检查来完成新冠肺炎的诊断，避免了接触式的检测方案以防止医务人员感染；通过基因组研究实现病毒源追踪；AI技术被用于病毒学研究以分析SARS-CoV-2相关蛋白质的结构，并预测可用于药物和疫苗开发的新化合物。此外，AI技术还可用于学习大规模新冠肺炎病例数据和社交媒体数据来构建疫情传播模型，以准确预测疾病的爆发时间、传播路线、传播范围和影响。AI算法可分为传统机器学习算法和深度学习算法。

机器学习算法可分为有监督学习、无监督学习和强化学习3类。在监督学习中，算法在有标记的数据集上进行训练，即每个输入都存在一个基本事实输出，适用于分类和回归任务。无监督学习中，数据集不含任何标注，该类算法通常旨在发现数据中的潜在模式，适用于降维和聚类任务。强化学习的目的则是提高累计奖励，适用于连续的决策问题。图1给出了不同的机器学习算法及其适用的任务类型。

常见的机器学习算法包括随机森林、支持向量机、逻辑回归和决策树等。随机森林是一种简单、高性能的算法，该算法通过生成多个决策树并将它们均衡在一起以做出正确的预测，是解决分类和回归问题最有效的分类器之一，常被用于评估新冠肺炎患者的病情严重程度[6]。支持向量机是一种广泛应用于分类和回归问题的有监督算法，其主要目标是找出一条完美的决策边界或直线，将维空间划分为正确的类别。由于支持向量机算法高精度和高性能的特点，该类模型已经在包括卫生部门在内的许多机构中得到了应用[7-8]，常被用于病例的早期发现和诊断。而逻辑回归算法则是通过使用Logistic函数计算概率以衡量因变量与一个或多个自变量之间的关系，常被用于新冠肺炎时间序列数据集的回归分析。决策树算法被用于新冠肺炎基因组的分类。

深度学习是机器学习的一个子集，通过表征学习来解决复杂的难题，如模式识别、预测和分类等。基于深度学习的算法，包括卷积神经网络、递归神经网络（Recurrent Neural Network，RNN）和长短期记忆（Long Short-Term Memory，LSTM）网络等，已被学者用于传染病疫情防控的各方面，如病例检测、诊断、药物开发和疫情趋势预测[9]。其中，卷积神经网络的优点是不需要进行特征提取，且需要的预处理步骤相比于传统方法较少，常被用于医学图像分析，如CT图片和X射线图。RNN是一种按顺序使用信息的前馈神经网络推广，它对每一次数据输入执行相同的步骤，且当前输出总是依赖于先前的计算。与前馈神经网络不同，递归神经网络有一个内部状态存储器，可以处理输入序列并捕获有关已计算内容的输入和输出信息，这种能力使得RNN适用于实时临床决策任务。LSTM网络是一种特别的递归神经网络，具备学习顺序依赖关系的能力并可存储先前的状态信息，适用于时间序列数据的预测问题。在疫情防控方面，LSTM常被用于进行感染人数和死亡人数的预测分析。图2给出了人工智能技术在疫情防控中的应用方案。

2应用

2.1疾病检测与诊断

疾病检测与诊断是传染病研究中的一项重要内容，如正在世界范围内爆发的新冠肺炎大流行，对感染个体的早期检测与诊断是遏制疫情持续发展、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检测和诊断方法主要包括核酸检测、血清学诊断、胸部X光和CT图像检查等非侵入性方法。

核酸检测利用实时逆转录聚合酶链式反应（RT-PCR）来检测样本中的病毒核酸，是目前诊断SARS-CoV-2病毒和细菌感染的一种标准检测技术。该方法具有灵敏度高、特异性强等特点，但同时其检测结果的准确性易受到样本质量、样本采集时间和实验室误差的影响，导致假阴性率高达20%[10]。通过基于AI的深度学习辅助诊断系统的补充，一些最初假阴性的RRT-PCR结果可被确认为阳性。除了基于核酸检测的诊断外，血清学和临床体征的诊断也常用于新冠肺炎的快速筛查。在血清学检测方法中，常采用机器学习分类算法以提取重要的血液学和生化指标，从而提供对病例的感染分类。虽然人工智能技术很少直接参与RT-PCR和血液检测，但这些方法中收集的病毒样本和新冠肺炎病例数据为后续基于AI的分析提供了重要的数据源。临床特征的诊断则依赖于医学图像检查，主要包括胸部X光和CT图像。AI技术在医学图像检测中发挥着重要作用，在图像采集、器官识别、感染区域分割以及疾病分类等方面取得了显著的成果，不仅大大缩短了放射科医生的图像诊断时间，并且提高了诊断的准确性。基于AI的新冠肺炎CT图像检测通常包含感兴趣区域分割、肺组织特征提取、候选感染区域检测和分类4个步骤，用于CT图像分类和新冠肺炎检测的AI典型架构如图3所示。

与CT图像相比，胸部X光（CXR）图像在放射检查中更容易获得。虽然X线平扫是诊断新冠肺炎的典型影像方法，但普遍认为其敏感性不如CT图像，存在早期新冠肺炎患者的部分CXR图像表现为正常的问题。基于AI的CXR图像检测通常包括数据预处理、DL模型训练和新冠肺炎分类等步骤。与CT圖像不同，因为肋骨会被投影到软组织上，会与图像对比度混淆，使得CXR图像分割更具挑战性。在这种情况下，大多数DL模型侧重于对整个CXR图像进行分类，而很少致力于从CXR图像中分割出感兴趣区域和肺部器官。针对基于CXR图像的新冠肺炎分类，一些研究通过嵌套或组合现有的机器学习和深度学习模型来构建基于AI的分类模型。图4显示了具有代表性的CXR图像分类和检测的AI体系结构。

新冠肺炎患者的胸部CT会表现出典型的X线特征，利用胸部CT图像和CXR图像的AI方法在诊断新冠肺炎阳性病例中是相辅相成的。研究表明，辅以基于AI的图像分析，可以以一种及时有效的方式实现对新冠肺炎的高准确率诊断。通过计算机辅助诊断系统对大量新冠肺炎患者的CT扫描结果和CXR图像进行预训练，利用基于机器学习或深度学习的方法辅助解释肺部图像，可以提高诊断的准确性，避免单独使用核酸检测所造成的误检事件。

2.2药物与疫苗研发

基于蛋白质组学和基因组学的研究，已经提出了针对SARS-CoV-2病毒的诸多药物和疫苗开发计划。AI技术在药物和疫苗研发中的应用是智慧医疗的主要贡献之一，在传染病疫情防控中发挥着重要作用。在药物开发领域，AI技术可以通过分析现有药物与新冠肺炎蛋白质靶点之间的相互作用，筛选出新冠肺炎的现有候选药物。此外，AI技术还可以通过在分子水平上构建抑制蛋白酶的新分子结构，帮助发现针对新冠肺炎的新型类药物化合物。药物开发分为小分子药物发现和生物制品开发。其中，小分子药物的发现主要集中在化学合成的小分子活性物质上，这些活性物质可以通过不同的有机和无机化合物之间的化学反应制成小分子药物。而生物制品是具有治疗作用的蛋白质产品，是由微生物细胞通过生物技术过程制备的，主要与参与疾病过程的特定细胞受体结合。图5展示了用于新型类药物化合物发现的代表性AI体系结构[11]。

与其他领域的显性应用相比，在疫苗开发领域，AI技术通常隐含地应用于疫苗研发的子流程中。针对包括SARS和MERS在内的致病性人类冠状病毒的疫苗开发策略或者针对整个病毒，或者针对其结构蛋白、刺突蛋白或膜蛋白。研究表明，AI和系统生物学在疫苗设计和开发中的应用可以改变现有智慧医疗系统，加快临床实验进程，并减少药物开发的成本和时间[12]。基于AI的方法有助于基于计算机的分析、预测和验证，在疫苗设计中发挥关键作用，进一步可以通过扩大针对病毒威胁的免疫抑制剂库来缓解新冠肺炎大流行和类似的新发传染病。

2.3预测

目前，大多数国家的疫情尚未得到控制。如果能够利用一定的技术手段来预测新冠肺炎的发展趋势，及制定相关防疫措施，将会减少因新冠肺炎致死的人数。大数据可以实时监测疾病爆发，关于新冠肺炎的各种数据都是广泛可用的。为了掌握疫情发展趋势，减少传播流程与因病死亡率，相关研究基于AI技术构建了预测分析框架，并将其应用于真实数据，为政府政策及临床决策提供支持。传染病的预测包括2个方面：患者死亡率和存活率预测以及疫情传播预测。对患者进行分类的能力至关重要，但常规使用的严重性评估系统常做出低于真实值的预测，因此临床死亡率及存活率预测模型至关重要。在对患者的预测中，预测模型可以从先前新冠肺炎患者的相关数据中学习，以预测哪些患者将出现严重症状，或者哪些患者将需要重症监护病房设施。最具预测性的临床特征包括丙氨酸氨基转移酶升高、身体疼痛和高血红蛋白水平，模型对危重病例的预测准确率可达80%[13]。虽然死亡率及存活率预测的研究不能像药物研发那样直接对抗新冠肺炎，也不能从根本上解决疫情，但可以让研究人员尽早发现病毒感染的严重程度，并做出相应的政策。更重要的是，在该过程中可以发现与新冠肺炎感染相关的重要因素。

在疫情傳播预测中，结合AI技术和真实的疫情数据，可在一定程度上预测新冠肺炎的传播。为此，各项研究通过使用卷积神经网络、LSTM网络、支持向量机等机器学习和深度学习算法以及传统时间序列数据分析方法，对疫情发展趋势进行了多方面、多角度的预测，包括死亡人数和新感染人数等[14]。此外，也有部分研究将AI技术与传统的传染病动力学模型相结合，利用神经网络等方法进行模型参数优化和模型训练，以此提高模型预测的准确性[15]。AI技术通过使用社交网络、公开可用的疫情数据等来识别和预测病毒的存在以及潜在传播的可能性，这种形式有助于确定受疫情影响较大的地区、种群以及国家，以便相关机构提前采取有效措施。图6展示了用于传染病疫情预测的代表性AI体系结构。

3结束语

本文综述了AI在传染病疫情防控方面的主要应用。与2003年非典冠状病毒大流行和2012年中东呼吸综合征冠状病毒大流行相比，AI已成功应用于抗击新冠肺炎的各个领域。首先，对可应用于传染病研究的AI技术进行了概述，包括机器学习算法和深度学习算法；其次，介绍了该类技术在传染病研究中的各类应用，可概括为疾病检测与诊断、药物与疫苗研发、疫情与传播预测3个主要方面。其中，医学图像分析、药物发现和疫情预测是AI技术应用于传染病研究的主战场。虽然AI技术已经成功应用于传染病疫情防控领域，但仍面临着一些关键挑战，包括可用数据集不足、正负样本数据不均衡以及计算机科学与医学交叉领域的知识有限等难题。为进一步促进AI技术与传染病研究领域的融合，未来可考虑引入迁移学习技术解决训练数据不足和样本类别不平衡的问题，此外也可将研究重点聚焦于如何评估人工智能模型的有效性。本文为医学和AI研究人员提供了一个全面的视角，旨在使其了解人工智能在传染病疫情防控方面的应用和潜在贡献，帮助发挥AI和大数据的优势以抗击传染病疫情。

参考文献

[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.