近日，一家位于加拿大安大略省的AI初創公司DarwinAI宣布開源其分析工具“COVID-Net”，將幫助專業醫護人員識別和分析新冠狀病毒（COVID-19）。

COVID-Net 是一個深度卷積神經網絡，主要通過在胸部 X 光片上識別出該疾病的明顯跡象，來篩查可疑冠狀病毒感染的患者。

目前，COVID-Net 已完成開源。DarwinAI聯合創始人Alexander Wong表示，希望通過開源COVID-Net以及有關構建COVIDx 數據集的描述，對醫護人員分析COVID-19有所幫助。

同時可以提高開發高度準確且實用的深度學習解決方案，以發現 COVID-19 病例同時加快對患者的治療。

在 COVID-Ne t開源之后反響非常強烈，DarwinA收到了很多改進的建議，也有一些科研人員在此基礎之上進行了優化 。來自也門、印度尼西亞、土耳其和沙特阿拉伯等國家的研究人員已經開始嘗試使用COVID-Net用于新冠病毒分析。

對于計算資源可能稀缺的區域(例如發展中國家或連接性較差的環境)，DarwinAI 還發布了COVID-Net 的“精簡版”，可以在筆記本電腦上運行。根據Alexander的說法，與完整版本相比，該版本的準確性僅下降了一點。

現階段，DarwinAI團隊正在研究 COVID-RiskNet項目，一款針對新冠病毒風險分層量身定制的深度神經網絡工具。COVID-RiskNet 的主要功能是預測該疾病是否會嚴重影響一個人的健康以及最佳治療方法。

簡單來說，醫護人員通過該工具可以快速了解問題的嚴重性，并找出解決問題的方法。DarwinAI 希望在未來幾周內開源 COVID-RiskNet。

在此次疫情中，國內外的科技公司都希望通過AI的手段來幫助醫護人員提高工作效率和節省寶貴的時間，并提升對新冠病毒的識別準確率。

之前，阿里達摩院便聯合阿里云針對新冠肺炎臨床診斷研發了一套全新AI診斷技術，可以在20秒內準確地對新冠疑似案例CT影像做出判讀，分析結果準確率達到96%。

新冠疫情早期，由于確診案例樣本量少，醫療機構缺少高質量臨床診斷數據，核酸檢測作為病原學證據被公認為新冠肺炎診斷的主要參考標準。隨著臨床診斷數據的積累，新冠肺炎的影像學大數據特征逐漸清晰，CT影像診斷結果變得愈發重要。

根據國家衛健委公布的診療方案第五版，臨床診斷無需依賴核酸檢測結果，CT影像臨床診斷結果可作為新冠肺炎病例判斷的標準。

新冠肺炎患者的CT胸片的影像特征表現為單肺或雙肺多發、斑片狀或節段性磨玻璃密度影等細微變化。一位新冠肺炎病人的CT影像大概在300張左右，這給醫生臨床診斷帶來巨大壓力，醫生對一個病例的CT影像肉眼分析耗時大約為5-15分鐘。

阿里達摩院醫療AI團隊基于當前最新的診療方案、鐘南山等多個權威團隊發表的關于新冠肺炎患者臨床特征的論文，與浙大一附院、萬里云、長遠佳和古珀醫院等多家機構合作，率先突破了訓練數據不足的局限，基于5000多個病例的CT影像樣本數據，學習訓練樣本的病灶紋理，研發了全新的AI算法模型。

通過NLP自然語言處理回顧性數據、使用CNN卷積神經網絡訓練CT影像的識別網絡，AI可以快速鑒別新冠肺炎影像與普通病毒性肺炎影像的區別，最終識別準確率高達96%。

AI每識別一個病例平均只需要不到20秒，大大提高診斷效率，減輕醫生壓力。此外，AI還能直接算出病灶部位的占比比例，進而量化病癥的輕重程度，大幅提升臨床診斷效率。

繼續閱讀：

未經允許不得轉載：RPA中國 | RPA全球生態 | 數字化勞動力 | RPA新聞 | 推動中國RPA生態發展 | 流 > 加拿大AI公司開源“COVID-Net”，可識別和分析新冠狀病毒