本期內(nèi)容由指南者背景提升人工智能方向李老師提供

李老師新上線項(xiàng)目

基于機(jī)器學(xué)習(xí)的新冠肺炎新發(fā)病例預(yù)測(cè)

新冠疫情至今已歷時(shí)3月有余，從全世界范圍看，形勢(shì)依然嚴(yán)峻，準(zhǔn)確預(yù)測(cè)疫情發(fā)展成為重中之重。

本期項(xiàng)目，將模仿鐘南山的思路，使用另一種方法嘗試預(yù)測(cè)新冠肺炎疫情的發(fā)展。通過ARIMA模型進(jìn)行數(shù)據(jù)初步處理后，進(jìn)行特征工程后，使用機(jī)器學(xué)習(xí)方法做滾動(dòng)預(yù)測(cè)，從而嘗試預(yù)測(cè)疫情的發(fā)展。

對(duì)該項(xiàng)目感興趣的同學(xué)，可以添加vx：znz5252 咨詢

在這個(gè)充滿挑戰(zhàn)的時(shí)間點(diǎn)，對(duì)于選擇留學(xué)道路的同學(xué)來說，確實(shí)會(huì)受到不小的影響。

上期我們已經(jīng)給經(jīng)濟(jì)金融、商業(yè)分析這兩大方向的留學(xué)生們提出了一些背景提升的建議。

今天我們就針對(duì)想要申請(qǐng)人工智能方向的同學(xué)，來談一談人工智能在當(dāng)前疫情下的大有可為。

希望能給大家?guī)硪恍┬碌南敕?，可以激發(fā)大家著手結(jié)合熱點(diǎn)來豐富背景經(jīng)歷，提高申請(qǐng)競(jìng)爭(zhēng)力，利用項(xiàng)目經(jīng)歷實(shí)現(xiàn)硬技能和軟實(shí)力的一箭雙雕。

疫情預(yù)測(cè)

疫情預(yù)測(cè)是目前與新冠疫情有關(guān)的方向中較為火熱的，這不僅僅是因?yàn)榧韧腥緮?shù)據(jù)十分容易獲得，更是因?yàn)閭鹘y(tǒng)的許多建模方法未能在早期成功預(yù)測(cè)疫情的進(jìn)展情況，而改進(jìn)的SEIR模型或人工智能方法則表現(xiàn)良好。

鐘南山院士課題組在這方面也進(jìn)行了大量的研究，他們向改良的SEIR模型和LSTM模型中引入了隔離管控和復(fù)工的影響，并在疫情的早期就較好地預(yù)測(cè)了疫情的發(fā)展趨勢(shì)[1]。

有研究利用數(shù)學(xué)建模配合神經(jīng)網(wǎng)絡(luò)對(duì)我國疫情進(jìn)行預(yù)測(cè)，認(rèn)為疫情將于3月10號(hào)左右基本結(jié)束[2]。

也有人利用隨機(jī)森林模型預(yù)測(cè)全國各地區(qū)的發(fā)病風(fēng)險(xiǎn)，取得了良好的效果[3]。

控制重癥患者的數(shù)量對(duì)整個(gè)防疫工作尤為重要，也有研究者使用XGBoost方法對(duì)重癥患者的病情嚴(yán)重程度進(jìn)行預(yù)測(cè)，僅用3個(gè)臨床指標(biāo)就達(dá)到了很好的效果[4]。?

疾病診斷

人工智能與醫(yī)學(xué)的結(jié)合本就是必然趨勢(shì)，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在疫情之前就已經(jīng)應(yīng)用于各類醫(yī)學(xué)圖像分析診斷及基因組或蛋白質(zhì)組診斷工作，幫助放射科醫(yī)生提高診斷精度和診斷效率，降低診斷成本，并且?guī)Ыo病人更佳的診斷和治療方案。

飛利浦、阿里健康、騰訊覓影等多家公司都在開發(fā)相關(guān)產(chǎn)品。在疫情過程中，如何充分利用疑似病例的肺部醫(yī)療影像信息也是科學(xué)家和企業(yè)關(guān)注的焦點(diǎn)，例如有研究使用圖神經(jīng)網(wǎng)絡(luò)處理真實(shí)患者的胸片，希望能夠?qū)π鹿诜窝?、流感和其他感染進(jìn)行快速鑒別診斷[5]。

更有研究使用機(jī)器學(xué)習(xí)方法分析真實(shí)的患者CT圖像，為快速確診疑似病例，降低傳染風(fēng)險(xiǎn)做出了貢獻(xiàn)[6]。

藥物研發(fā)

人工智能也被廣泛應(yīng)用于理解新冠肺炎病毒的感染機(jī)制、篩選合適的藥物分子以及助力相關(guān)疫苗的研發(fā)工作，近日華為和華中科大等在聯(lián)合進(jìn)行抗病毒藥物的篩選，其中也是運(yùn)用了人工智能技術(shù)。

有研究通過多任務(wù)的深度學(xué)習(xí)模型在4895種藥物中篩選可能的病毒抑制劑，并同時(shí)試圖得到新冠病毒抑制的重要靶點(diǎn)[7]。

神經(jīng)網(wǎng)絡(luò)也被用于預(yù)測(cè)MHC分子與T細(xì)胞的結(jié)合位點(diǎn)，從而探究人體免疫系統(tǒng)是如何識(shí)別并應(yīng)對(duì)新冠肺炎病毒的[8]。

斯坦福大學(xué)的一個(gè)課題組還使用機(jī)器學(xué)習(xí)方法分析T細(xì)胞和B細(xì)胞的相關(guān)受體，希望能夠?qū)σ呙绲募铀傺邪l(fā)有所幫助[9]。

疫情防控

除了上述幾類較為基礎(chǔ)的應(yīng)用外，也有應(yīng)用性非常強(qiáng)的一些方向。例如，有研究使用機(jī)器學(xué)習(xí)方法提升血液內(nèi)病毒檢驗(yàn)的靈敏度和特異度，為病毒感染者的快速檢測(cè)提供了幫助[10]。

與之類似的，也有研究使用深度學(xué)習(xí)方法提升了實(shí)時(shí)PCR對(duì)病毒進(jìn)行定量檢測(cè)的效果，從而提升了新冠肺炎診斷和出院判斷的準(zhǔn)確性，對(duì)疫情防控有積極作用[11]。

不僅如此，從上海的AI防控機(jī)器人自動(dòng)詢問居民的旅行史，到曠世、商湯、云從等科技公司的AI遠(yuǎn)距離自動(dòng)體溫監(jiān)測(cè)，再到手機(jī)上就可進(jìn)行肺炎篩查、預(yù)問診和居家隔離指導(dǎo)的AI醫(yī)生，人工智能在這場(chǎng)與新冠肺炎病毒的斗爭(zhēng)中可謂大展身手。

通過以上梳理，大家有沒有被這些黑科技震撼到，想要迫不及待加入AI領(lǐng)域探索，同時(shí)提升自己的留學(xué)競(jìng)爭(zhēng)力呢？

偷偷告訴你，已經(jīng)有留學(xué)黨在寫報(bào)告、發(fā)論文的路上了！他們?cè)谶@次全球熱點(diǎn)事件中展現(xiàn)出的①主動(dòng)性，②好奇心，③創(chuàng)造力，④解決問題的能力，⑤洞察力，都是西方非常認(rèn)可的主流價(jià)值觀和軟實(shí)力。

現(xiàn)在行動(dòng)還來得及，趕快和我們一起提升自身競(jìng)爭(zhēng)力吧！

福利領(lǐng)取

以上所涉文獻(xiàn)，在微信公眾號(hào)【指南者背景提升】后臺(tái)回復(fù)“新冠論文”即可領(lǐng)取。

參考：

[1] Zifeng Yang, et al. Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions. Journal of Thoracic Disease[Online]. 2020. 12(2).

[2] Tianyu Zeng, et al. Predictions of 2019-nCoV Transmission Ending via Comprehensive Methods. arXiv:2002.04945. 2020.2.20.

[3] Xinhai Li, et al. Risk map of the novel coronavirus (2019-nCoV) in China: proportionate control is needed. medRxiv 2020.02.16.20023838. 2020.2.16.

[4] Yan Li, et al. Prediction of criticality in patients with severe Covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan. medRxiv 2020.02.27.20028027. 2020.3.17.

[5] Xiaowei Xu, et al. Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia. arXiv: 2002.09334. 2020.2.21.

[6] Xiaolong Qi, et al. Machine learning-based CT radiomics model for predicting hospital stay in patients with pneumonia associated with SARS-CoV-2 infection: A multicenter study. medRxiv. 2020.3.3.

[7] Fan Hu, et al. Prediction of potential commercially inhibitors against SARS-CoV-2 by multi-task deep model. arXiv:2003.00728. 2020.3.2.

[8] Miyssa I. A., et al. Design of multi epitope-based peptide vaccine against E protein of human COVID-19: An immunoinformatics approach. bioRxiv:2020.02.04.934232. 2020.3.2.

[9] Ethan Fast ,Binbin Chen. Potential T-cell and B-cell Epitopes of 2019-nCoV. bioRxiv :2020.02.19.955484. 2020.2.21.

[10] Hayden C. M. ,et al. CRISPR-based surveillance for COVID-19 using genomically-comprehensive machine learning design. bioRxiv: 2020.02.26.967026. 2020.3.2.

[11] Alejandro L. R. ,et al. Accurate Identification of SARS-CoV-2 from Viral Genome Sequences using Deep Learning. bioRxiv: 2020.03.13.990242. 2020.3.14.