Rollen og utfordringen til kunstig intelligens i ny CT-diagnose for lungebetennelse av Coronavirus

For mer informasjon:ali.ma@wecistanche.com

Høydepunkter

Denne artikkelen vurderer vitenskapelig og normativitet basert på metodikkkrav til en klinisk utprøving, ved å betrakte utviklingsprosessen for kunstig intelligens (AI) som datastyrt tomografi (CT) bildediagnostiske forskningsstudier. Artikkelen tar også opp 4 måter å fremme AI-diagnoseprogramvare som hjelper med faktiske kliniske problemer og gir pasienter reelle kliniske fordeler.

Klikk for å cistanche bivirkninger og Cistanche for immunitet

Abstrakt

Tidlig i 2020, den nye koronavirus-lungebetennelsen(COVID-19)brøt ut i Kina. Mange medisinskrelaterte produkter har raskt dukket opp innen kunstig intelligens (AI), som har spilt en viktig rolle i kampen mot pandemien. Denne artikkelen oppsummerer den nåværende forsknings- og anvendelsesstatusen til AI innen radiologi og pandemikontroll og analyserer de vanlige problemene med AI-teknologi i forskningen påCOVID-19diagnose. Det inkluderer hovedsakelig tanker om klinisk studiedesign, vanskeligheter med forskningsimplementering og utfordringer i pålitelighetsverifiseringen av AI-modeller. Som svar på de ovennevnte vanskelighetene, foreslås det forslag for å optimalisere vitenskapen og kvaliteten på AI-diagnostisk forskning.

Nøkkelord:COVID-19pandemi, kunstig intelligens, datastyrt tomografi, klinisk forskning

Den viktige rollen til diversifiserte kunstig intelligens-produkter i anti-epidemi

Tidlig i 2020 brøt utbruddet avny koronaviruslungebetennelse(Coronavirus, COVID-19) sette implementeringen av sykdomsforebygging og kontroll inn i en stor utfordring. For eksempel hvordan man raskt kan måle alles kroppstemperatur i et trafikknutepunkt med stor trafikkflyt; hvordan man raskt kan filtrere ut potensielle effektive medisiner blant enorme muligheter; hvordan screene mistenkte tilfeller i en stor befolkning; hvordan man skal håndtere mangel på medisinsk fagpersonell og kryssinfeksjon under behandling av diagnostiserte pasienter. Kunstig intelligens (Al, som et av de mest populære feltene de siste årene, løser noen av problemene gjennom bruk av nye AI-produkter, som forbedrer effektiviteten av sykdomsforebygging, kontroll og diagnose.

AI hjelper til med å overvåke og simulere utviklingen av epidemien ved å analysere sporet av folks aktivitet, for å gi tidlig advarsel til potensielle spredningsområde. AI kan også analysere forplantningsrutene, lokalisere nærkontaktene til diagnostiske pasienter og raskt ta karantene og behandling. Det infrarøde termiske kameraet med AI bildegjenkjenningsteknologi utfører feberdeteksjon på offentlige steder for å lokalisere personer med unormal kroppstemperatur[1]. I utviklingen av nye legemidler hjelper AI med å screene de mest potente antivirale og antiinflammatoriske legemidlene fra hundrevis av legemidler for videre utvikling [2]. I diagnostisering og behandling ble Deep Neural Network (DNN)-modellen tatt i bruk for å gjenkjenne datatomografi (CT) grafiske data ("CT pluss AI) for å hjelpe leger raskt med å stille diagnoser.

Utfordringer som "CT pluss AI" står overfor for å hjelpe diagnostisering av covid-19

Anvendelsen av kunstig intelligens i radiologi har vakt spesiell oppmerksomhet. DNN har vært mye brukt i ulike medisinske skanningsteknologier, for eksempel diagnostisering av lungebetennelse ved digital røntgen av brystet (DR)[3-5], påvisning av kreftformede lungeknuter [6] og tuberkulose [7], påvisning av frakturer, og prediksjon av beinalder gjennom røntgen [8-10].undersøkelse og evaluering av røntgenbilder av bryst [11,12]; påvisning og diagnose av lungeknuter [13,14], lungebetennelse [15], levermasser [16], kreft i bukspyttkjertelen [17] og vertebrale kompresjonsfrakturer [18] på CT-bilder; skisserer ventrikkelen i hjertets magnetresonansavbildning [19]. En ultralydundersøkelse, AI-modellen kan utføre diagnose og kvantitativ analyse av hjerteavbildning [20.21]. samt påvisning av ultralyd skjoldbruskknuter og diagnostisering av benigne og ondartede [22,23](Tabell 1).

Ved diagnostisering av ny koronavirus-lungebetennelse er CT, DR og ultralyd ofte brukt avbildningsundersøkelsesteknikker, i respektive prosesser og scenarier i henhold til deres egne egenskaper. CT er prioritet i det tidlige stadiet av lesjonsdeteksjon blant dem. Siden «COVID-19 Pneumonia Diagnosis and Treatment Program(Trial Version 5)» er utgitt, er CT-bildediagnose også inkludert i de kliniske diagnosestandardene for den nye COVID-19 [24]. Diagnosen av en enkelt pasient krever imidlertid manuell observasjon av mer enn hundre CT-bilder. Med et stort antall kliniske behov lider leger av en stor arbeidsbelastning med lav effektivitet. Den programvareaktiverte AI-teknologien kan løse disse kliniske flaskehalsene. CT-inspeksjon har blitt den foretrukne bildeløsningen for dagens lungebetennelsesdiagnostiske AI-programvare på grunn av dens høye nøyaktighet, enhetlige standarder og dype akkumulering av industridata og teknologi [27. I praktiske applikasjoner kan diagnostiske modeller identifisere lungebetennelsesbildet gjennom en spesifikk algoritme for å forutsi om det er sykt [27-29]. Den kvantitative lungeanalysemodellen kan oppdage plasseringen av lesjonen, telle antall lesjoner, skissere omfanget av lesjonen, beregne infeksjonsraten for lungelesjonsområdet og samarbeide med oppfølgingsprogramvaren for å håndtere sykdomsprogresjon og vurdere. prognose [28]. Ved hjelp av programvare reduseres legers arbeidsmengde, og hastigheten og nøyaktigheten av diagnose og behandling forbedres, men det er viktig å understreke noen vanlige problemer i forskningen på Al-støttet ny koronavirus lungebetennelse CT-diagnose, som følger:

Studere design

I den nye COVID-19-lungebetennelses-CT-diagnosen bør modelldesignet vurderes variert for å tilpasse ulike diagnose- og behandlingsfaser på det første stadiet av utviklingen av diagnosemodellen «CT plus AI». For eksempel bør kontrollgruppen som brukes til å trene tidlig screeningsmodell differensieres fra gruppen valgt i antidiastole: 1)Beslutninger i tidlig screeningsproblem foretrekker høy sensitivitet for å skille mistenkte tilfeller fra den friske populasjonen, derfor bør kontrollcaseprøvene trent av AI-modellen skal være CT-bilder av friske lunger mot bilder av usunne lunger. De usunne lungetilfellene er sammensatt av flere mistenkelige lungebetennelsestyper for å sikre modellytelsen til en lav ubesvart diagnosefrekvens. 2) I antidiastolescenarioet er evnen til høy spesifisitet avgjørende for å skille den nye koronavirus-lungebetennelsen fra de lungebetennelsene forårsaket av andre infeksjoner. Mer konkret, gitt de reelle kliniske omstendighetene, bør det ideelle kontrolldesignet sammenligne to grupper med lignende kliniske symptomer eller epidemiologisk historie som feber, hoste, CT-lungebildeavvik, men negative og positive resultater i nukleinsyretest (eller andre diagnostiske gullstandarder) . Et slikt design var ment å konsolidere mer karakteristiske radiomiske trekk ved ny koronavirus-lungebetennelse. I tillegg må evalueringsmetrikken som er valgt for å vurdere modellens ytelse vurderes nøye. For eksempel, når man evaluerer en "CT pluss AI" diagnostisk modell, er ikke nøyaktighetsforholdet en riktig indikator som kan vurdere modellen fullt ut. Ubalansen mellom positive og negative prøver av testdata vil føre til et problem med overestimering av ytelse (f.eks. kan et testsett bestående av 96 positive og 4 negative tilfeller lokke en naiv modell som gir en høy nøyaktighet på opptil 96 prosent, selv om modellen bare fortell det positive).AI diagnostisk programvare brukes i spesifikke kliniske problem for bedre kapasitet og effektivitet. Før implementering må studiemålene avklares og klargjøres for de spesifikke kliniske problemene. Deretter bør det gjennomføres et metodikkdesign på en vitenskapelig måte. Det bør også utarbeides en fullstendig forskningsplan. Studieobjekter, regel for inkluderende-eksklusiv og beregninger for endepunktsevaluering bør vurderes fullt ut. Ledende med vitenskapelig design kan risikoen for skjevhet minimeres, forskningsbevis av høy kvalitet kan oppnås, og pålitelig veiledning kan gis for klinisk anvendelse.

Forskningsimplementering

Opplæringsprosessen til kunstig intelligens DNN-modellen er rent datadrevet. Den er avhengig av et stort antall nøyaktig merkede bildeprøver under treningsfasen. Jo større datamengde, desto bedre er modellens diskriminerende ytelse. Diagnosesystemet for diabetisk retinopati, som et medisinsk utstyr for kunstig intelligens, utviklet av den amerikanske teknologigiganten Google, har bestått andre fase av kliniske studier. Opplæringsprosessen til systemet bruker 130 millioner bilder av 10,000 tilfeller, som er nær nivået til medisinske eksperter [30]. I motsetning til dette, selv om de utpekte medisinske enhetene akkumulerte nye koronavirus CT-bildedata i samarbeid med teknologiprodusenter for programvareopplæring og utvikling i epidemien, er den totale mengden relativt liten og distribusjonen relativt spredt, pluss den knappe ressursen til eksperter på CT-bilde merking i den innledende fasen, noe som resulterer i bare et lite datasett tilgjengelig for modellopplæring og vanskelig å garantere merkingskvalitet. Utilstrekkelige treningsdata kan føre til at DNN-modellen "husker" informasjon i CT-bilder som ikke er relevant for selve diagnosen på grunn av dens strukturelle egenskaper med sterk uttrykkskraft, forårsake overfitting og redusere muligheten til å bedømme fremtidige data. For å oppnå en tilstrekkelig treningseffekt under forutsetning av mindre datavolum, er det ofte nødvendig å designe en mer kompleks intern modellstruktur og modelltreningsferdigheter, noe som også øker vanskeligheten med implementering.

Betraktning av eksepsjonaliteten som er ny ved covid-19

Basert på klinisk erfaring har bryst-CT-bildet av ny koronavirus-lungebetennelse kjennetegnene til et "likt bilde, men annerledes sykdom". Det er vanskelig å skille med menneskelige øyne, noe som øker vanskeligheten ved antidiastole. Vanskeligheten er mer fremtredende hvis treningsutvalget er lite. I tillegg, som et av diagnosekriteriene for den nye COVID-19, viser resultatene av nukleinsyresettet høy spesifisitet, men lav sensitivitet. Hvis den brukes til å merke treningsprøver som gullstandarden, vil de faktiske positive prøvene ha en tendens til å bli merket som negative feil. Trening med feilmerkede data vil direkte redusere modellens ytelse.

Verifikasjon av påliteligheten til AI-diagnose

Det er ikke pålitelig å evaluere diagnoseeffekten kun ved den interne datatesten etter implementeringen av AI-diagnosemodellen. Konfounderen under dataene forårsaket av forskjellige CT-utstyrsmodeller, geografiske regioner, faktiske kliniske omgivelser, virusvariasjoner og andre faktorer, kan påvirke det diagnostiske resultatet av modellen. Modellen kan knapt ha evnen til å håndtere disse forvirrende faktorene med begrensede interne datatester. Når AI-diagnoseprogramvaren tas i klinisk bruk uten full validering, kan den bare gjentas gjennom offline opplæring og optimalisering siden den ikke kan forbedre diagnose- og behandlingsnivået ved å fortsette å lære nye tilfeller som menneskelige leger. Sammenlignet med feildiagnostiseringen av en menneskelig lege, vil de potensielle iatrogene risikoene forårsaket av begrensningene til dataprogramvare være mer fremtredende. I henhold til den nye versjonen av "Medical Device Classification Catalog"(CFDA 2017 No.143), bør AI-diagnoseprogramvare, som et medisinsk utstyr, fortsette med en systematisk revisjon og omfattende simulering, selv prospektive kliniske studier, for å verifisere nøyaktigheten fullt ut. og påliteligheten til den kliniske diagnosen. Artificial Intelligence Group ved National Institute of Food and Drug Control (NIFDC) etablerte et sikkerhetssystem for AI-medisinsk utstyr og fastsatte testmetoden basert på standard verifisering av datasett [30]. For tiden finnes det ingen standarddatabase for den nye COVID-19-sykdommen, så det er vanskelig å verifisere den høye repeterbarheten til den eksisterende AI-programvaren i de fleste medisinske skanningsdiagnoser i den virkelige verden.

Forbedre kvaliteten og den vitenskapelige standardiseringen av diagnosemodellen "CT plus AI".

Anvendelsen av kunstig intelligens i medisinsk industri er fortsatt på et tidlig stadium i Kina, mens den har fått sterk oppmerksomhet og rask utvikling de siste årene, som til og med har blitt inkludert i den nasjonale strategiske planen [30]. Mange kunstig intelligens-produkter har vist lovende utsikter innen det medisinske feltet. I neste trinn, for kommersialisering, vil fokuset til industrien være på designforskning vitenskapelig og standardisere implementering og verifiseringsprosess; utvikle kunstig intelligens i medisinsk industri på en sunn måte, standardisere håndteringen av Al-assisterte diagnostiske produkter i henhold til spesifikasjonen for New Medical Apparatus. Selv om mange AI-produkter som dukket opp under epidemien har gitt leger bekvemmelighet i sykdomsdiagnose og behandling, trenger den generelle vitenskapelige strengheten og kvalitetspåliteligheten fortsatt ytterligere forbedring og perfeksjon.

Forbedre studiedesignet til AI-teknologi i kliniske problemer

For tiden bruker mesteparten av forskningen på den nye COVID-19 CT-assisterte diagnosen retrospektive case-kontrollmetoder. En av fordelene er å raskt innhente diverse informasjon fra begrensede forskningsobjekter, samtidig som det er fare for skjevhet. Prøver i case-kontrollstudier bør tas fra totale diagnostiske tilfeller eller velges tilfeldig fra dem, men på grunn av begrensede kilder kan ikke prøvene representere alle pasienter. Spesiell kontrollprøvetaking kan brukes til å redusere skjevheten og øke bevisnivået i henhold til den faktiske situasjonen, for eksempel ved å velge saker fra samme medisinske institusjon, bruke to eller flere kontrollgrupper og matche variabler. I vurderingen av diagnostisk modellytelse, kan den sanne positive frekvensen og falsk positive frekvensdiagrammet (mottakerdriftskarakteristisk kurve (ROC-kurve)) brukes til å sammenligne AI-algoritmetolkning med legeevalueringen, eller arealet under kurven (AUC) som referansen til modellens ytelse. Likevel er det fortsatt vanskelig å fullstendig forklare de kliniske fordelene utelukkende basert på sammenligning eller indikatorer, andre kliniske beslutningsfaktorer må i realiteten også vurderes for en omfattende evaluering.

Forbedre nøyaktigheten til etiketten, utvide antall og dimensjoner av treningsprøver under modellimplementeringsprosessen

I det primære stadiet har modellene trent ved et lite antall CT-bildeprøver allerede vist en god trend. Over tid ville flere saker forbedret bedre grunnleggende støtte i modelltrening. Jo flere bilder man lærer, desto høyere potensial er det å overvinne vanskeligheten med «samme bilder, forskjellige tilfeller» i COVID-19-diagnosen. Som svar på denne situasjonen, basert på CT-bildedata, kan modellen også utvide informasjonsdomenet ved å kombinere pasientens kliniske signaler, epidemiologi, laboratorieundersøkelser og andre data for å vurdere sykdommen helhetlig og forbedre diagnosenøyaktigheten. Forbedringen av nøyaktigheten av prøvemerking kan oppnås ved å optimalisere gullstandardstrategien. Påfør flere intervaller med nukleinsyretest for å kompensere for muligheten for et enkelt falskt negativt resultat, eller kryssverifiser resultatet med henvisning til andre diagnostiske sett, for eksempel IgM/lgG-antistoffdeteksjon.

Etabler en ny standard testdatabase for koronavirus lungebetennelse CT

Etter implementering og intern verifisering av AI-modellering kreves ekstern pålitelighetsverifisering gjennom et standard databasetestsystem. Når det gjelder det etablerte standarddatabasesystemet for fundussykdommer og lungeknuter, kommer sykdomsenhetene fra forskjellige medisinske institusjoner over hele landet, inkludert underutviklede områder. Dataene inneholder en rekke spesifikasjoner og er kompatible med enheter fra forskjellige modeller og parametere. Leger som deltar i merkingen av testdata har medisinsk erfaring med AI og er godt trent. Et spesielt forskerteam vil bli dannet av leger med høy nøyaktighet, stabilitet, pluss beriket klinisk erfaring. Standard testdatasett sletter bedrifts- og maskinspor og kontrollerer strengt databias for å sikre rettferdig og objektiv ytelsesvurdering i et lukket miljø [30]. For å oppsummere er det vanskelig å etablere en ny COVID{1}} CT-standarddatabase ved å stole på individuelle institusjoner. Nasjonen bør yte tilsvarende støtte i den spesielle perioden epidemien er. Etabler for eksempel raskt en ny COVID-19 spesiell kunstig intelligensgruppe for å veilede og koordinere samarbeidet og ressursdelingen mellom alle parter over hele landet, og i fellesskap formulere en spesiell sykdomstestdatabase og andre verifikasjonsstandarder.

Standardiser databehandlingen av medisinsk forskning på kunstig intelligens

3. juli 2019 ga Center for Medical Device Evaluation ut "Key Points of Deep Learning Assisted Decision-Making Medical Device Software Review" (nøkkelpunkter). Den gir teknisk veiledning for AI-medisinske produkter registrert som tredje type medisinsk utstyr og eliminerer politikkflaskehalsen før produktlansering. Det er imidlertid ingen juridiske begrensninger på etikk og datasikkerhet. Kunstig intelligens på medisinsk forskning må være i samsvar med etikk og beskytte sikkerheten og personvernet til individuelle data. Hvis nasjonale eller regionale lover og forskrifter om personvern for pasienter kan formuleres, mens en standardisert datahåndteringsplattform for forskning kan etableres, kan et forskningsprosjekt effektivt gjennomgås for å oppdage potensielle risikoer i design- og implementeringsprosessen raskt. Veiledning for datasikkerhet vil bli implementert for å unngå risikoen for å hindre og ødelegge menneskers helse.

Referanser:

1 zc [Internett]. Hvordan bruke AI til å oppdage og bekjempe nytt koronavirus [sitert 2020 20. mars].

2. Huang Q[Internett]. Akademiker Li Lanjuans team lanserte: disse to stoffene kan effektivt hemme det nye koronaviruset [sitert 2020 20. mars].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: Hospital-Scale Chest X-ray Database og benchmarks on svakt-overvåket klassifisering og lokalisering av vanlige Thorax-sykdommer. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, s. 3462-3471.

4. Li Z, Wang C, Han M, et al. Identifisering og lokalisering av thoraxsykdom med begrenset tilsyn. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Dyplæring i røntgen av thorax: Deteksjon av funn og tilstedeværelse av endring. PLoS One. 2018;13(10):e0204155. Publisert 4. oktober 2018.

6. Nam JG, Park S, Hwang EJ, et al. Utvikling og validering av dyp læringsbasert automatisk deteksjonsalgoritme for ondartede lungeknuter på røntgenbilder av thorax. Radiologi, 2019.

7. Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonal Tuberculosis by Using Convolutional Neural Networks. Radiologi. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Oppdage hoftebrudd med ytelse på radiolognivå ved bruk av dype nevrale nettverk. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Stort datasett for avviksdeteksjon i muskuloskeletale røntgenbilder. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internett]. Dyplæring viser løfte for beinaldervurdering [sitert 2017 15. november].

11. Yee KM[Internett]. AI-algoritme matcher radiologer i brystscreeningsundersøkelser [sitert 2017 13. desember].

12. Lehman CD, Yala A, Schuster T, et al. Mammografisk brysttetthetsvurdering ved bruk av dyp læring: klinisk implementering. Radiologi, 2019. 290(1): s. 52-58.

13. Ridley EL. Den dype læringsalgoritmen kan stratifisere lungeknuterrisiko [sitert 2017 26. november].

14. Ali I, Hart GR, Gunabushanam G, et al. Lungeknuterdeteksjon via dyp forsterkningslæring. Front Oncol. 2018;8:108. Publisert 2018 16. april doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Dyp læring for klassifisering av fibrotisk lungesykdom på høyoppløselig computertomografi: en case-kohortstudie. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, et al. Dyplæring med konvolusjonelt nevralt nettverk for differensiering av levermasser ved dynamisk kontrastforbedret CT: En foreløpig studie. Radiologi. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, et al. Ledd formrepresentasjon og klassifisering for å oppdage PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Påvisning av kompresjonsfrakturer på CT. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: Hjertesegmentering med ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Rask og nøyaktig visningsklassifisering av ekkokardiogrammer ved hjelp av dyp læring. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Helautomatisk ekkokardiogramtolkning i klinisk praksis. Opplag, 2018. 138(16): s. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Diagnose av skjoldbruskkjertelkreft ved bruk av dype konvolusjonelle nevrale nettverksmodeller brukt på sonografiske bilder: en retrospektiv, multikohort, diagnostisk studie. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, et al. En forbedret dyplæringstilnærming for påvisning av skjoldbruskkjertelpapillærkreft i ultralydbilder. Sci Rep. 2018;8(1):6600. Publisert 2018 26. april.

24. Office of National Health Commission [Internett]. Diagnose og behandling av ny koronavirus-lungebetennelse (prøveversjon femte) [sitert 2020 februar 04].

25. Alibaba DAMO Academy [Internett]. Hva synes du om den nye CT-diagnoseteknologien for lungebetennelse med AI utviklet av Ali Damo Academy, med en gjennomsnittlig gjenkjenningsrate på 96 prosent på mindre enn 20 sekunder? [ 2020-02-19].

26. United avbildning. Erobre "epidemien" gjennombruddet - uAI nytt intelligent assistentanalysesystem for lungebetennelse for coronavirus lansert offisielt [sitert 2020 10. februar]

27. Gozes O, Frid-Adar M, Greenspan H, et al. Rask AI-utviklingssyklus for coronavirus (COVID-19)-pandemien: første resultater for automatisert deteksjon og pasientovervåking ved hjelp av dyp læring CT-bildeanalyse. ArXiv abs/2003.05037 (2020): n. pag.

28. Huang L, Han R, Ai T, et al. Serial Quantitative Chest CT Assessment of COVID-19: Deep-Learning Approach. Radiologi: Cardiothorax Imaging 2020 2:2.

29. Li L, Qin LX, Xu ZG, et al. Kunstig intelligens skiller COVID-19 fra fellesskapservervet lungebetennelse på bryst-CT. Radiologi. 2020;200905.

30. Jin YH, Qiu M J. Medisinsk hvitbok om kunstig intelligens i Kina. Shanghai: Shanghai Jiao Tong University Artificial Intelligence Institute, 2019. (kinesisk)