前几天在鹅厂的技术公众号上读到的文章,一时兴起花了一点时间研究,汇成这篇软文,不足之处,望读者多多指正。
引言
近日,Nature子刊发出重磅——腾讯与钟南山院士分布了关于新冠危重症的AI预测模型
模型介绍
传统的危重症患者的转换概率预测模型有CURB_6、经典的生存分析Cox模型;而此次腾讯与钟院士团对提出了深度学习的生存Cox模型,并获得更高的预测准确性。其可分别预测患者在将来的5天、10天、30天内的病情危重概率,帮助医者可以更好的做好早期的病情分诊工作,提升患者的治愈率,提高工作的人的医治效率。
模型获取
同时该项研究成果也一发表至《Nature》期刊中,并且相关源码也开源在了github上,同时,其研究成果也公布在网站上,可以供国内外的医护人员使用:
github地址:https://github.com/cojocchen/covid19_critically_ill
其模型实现主要基于的为python与R语言。
相关网站:https://aihealthcare.tencent.com/COVID19-Triage_en.html
相关的微信小程序:
模型原理
如果有时间和机会,笔者跑会这个源码后,会再写一篇相关更为详细的文章,以下仅为笔者现阶段的浅见,不足之处望多多指正:
模型提取了患者的十项特征数据;
FEATURE_LIST = [
'Number.of.comorbidities',
'Lactate.dehydrogenase',
'Age',
'NLR',
'Creatine.kinase',
'Direct.bilirubin',
'Malignancy',
'X.ray.abnormality',
'COPD',
'Dyspnea',]
主要为:年龄、是否气促、是否有恶性肿瘤病史、是否有慢性肺阻、合并症数量、是否有 X 光平片异常、血液中性粒细胞与淋巴细胞比例、血液乳酸脱氢酶含量、血液直接胆红素含量、血液肌酸激酶含量。并对这10项特征进行了单因素分析,以观测找出新冠危重的显著影响因素。论文结果如下图:
模型的优点
从文献中同时考虑部分地区无法获取全部数据的情况,利用拟合算法实现了缺失数据得插补,具有很好的应用实践性,并且,在模型回溯的过程中,只发生2例的错误判阴案例,并且,经过数据增强策略后,模型在仅7项数据的情况下,仍有较好得表现。
小结
相信在未来,人工智能技术在各大领域都会得到较好的相应的下沉应用,到那时,人类的生活将更加美好!
参考
腾讯技术工程