Den 31 december varnade BlueDot, ett Toronto-baserat företag som använder artificiell intelligens för att spåra spridningen av smittsamma sjukdomar, sina kunder om ett kluster av ovanliga lunginflammationsfall i Wuhan, Kina.
Nio dagar senare bekräftade Världshälsoorganisationen upptäckten av ett nytt koronavirus, senare med namnet COVID-19, i Wuhan.
Idag är COVID-19 en pandemi som har spridit sig till 180 länder, krävt mer än 83 000 liv och utlöst en nästan global låsning.
Och för tillfället är den bästa lösningen för att begränsa spridningen av viruset att förbättra personlig hygien och utöva social distansering.
Under tiden samarbetar politiker, forskare och forskare för att hitta systematiska sätt att bekämpa viruset och ta hand om patienter.
Och de får lite välbehövlig hjälp av artificiell intelligens.
Spåra spridningen av viruset
BlueDot använder en kombination av artificiell intelligens och mänsklig expertis för att spåra spridningen av smittsamma sjukdomar över hela världen.
Dess algoritmer konsoliderar och analyserar data från källor inklusive nyhetsrapporter, uttalanden från hälsoorganisationer, kommersiella flygningar och djurhälsorapporter.
Med maskininlärning och naturlig språkbearbetning granskar BlueDot havet av data för att hitta mönster som kan leda till ett början av ett smittsamt utbrott.
Resultaten granskas sedan av ett team av experter bestående av epidemiologer, läkare, veterinärer och datavetare som bestämmer vilka av signalerna som behöver undersökas ytterligare.
Den slutliga rapporten skickas ut till BlueDots kunder, såsom regeringar och företag.
Förutom hotspots kan AI också förutsäga spridningen av smittsamma och smittsamma sjukdomar med hjälp av flygdata och rörelsemönster.
BlueDot förutspådde framgångsrikt flera städer där COVID-19 först skulle spridas, efter att det hade dykt upp i Wuhan.
Under normala omständigheter tillhandahåller BlueDot sin plattform som en kommersiell applikation.
Men idag hjälper företaget regeringar att spåra spridningen av COVID-19.
I framtiden kan AI-tekniker som BlueDots fungera som tidiga varningssystem för att hjälpa regeringar att nypa pandemier i knoppen.
”BlueDot är ödmjuk och tacksam för möjligheten att kombinera vår expertis inom smittsamma sjukdomar, stor dataanalys och digital teknik med ansträngningarna från Kanadas regering för att skydda liv och mildra effekterna av COVID-19 här hemma och runt om i världen ”, Säger Dr.
Kamran Khan, smittsam läkare och VD för BlueDot.
”Vi befinner oss i okartat territorium eftersom ett mikroskopiskt virus nu stör hela vår planet.
COVID-19-pandemin har avslöjat behovet av att implementera system som proaktivt hanterar risken för infektionssjukdomar som i vår snabbt föränderliga värld ökar i frekvens, skala och påverkan.
Och det är med ökad beredskap vi kan komma före dessa hot för att skapa en friskare, säkrare och mer välmående värld.
”
Upptäcka COVID-19-infektion i medicinska bilder
Virala testpaket är bristfälliga och forskare och forskare har letat efter alternativa sätt att hitta COVID-19-infektioner.
En möjlig lösning är undersökning av röntgenstrålar och CT-skanningar, som är lättare tillgängliga på sjukhus och kan visa infektioner orsakade av COVID-19.
Utmaningen med att använda bröstavbildning i diagnoser är att det är svårt att se skillnaden mellan COVID-19 och andra infektioner som influensa.
American College of Radiology (ACR) utfärdade ett uttalande i mars, där man rekommenderade användning av bröst-CT-skanningar och röntgen som första linjetest av COVID-19.
"Viraltestning är fortfarande den enda specifika diagnosmetoden", skrev ACR i sin rådgivning.
Positionen stöds också av CDC, som säger "Med tanke på variationen i bröstbildningsresultat rekommenderas inte röntgen eller CT ensam för diagnos av COVID-19."
Men AI-forskare hoppas att datorsyn kommer att hjälpa till där mänsklig syn misslyckas.
Flera företag har distribuerat AI-system för att upptäcka COVID-19-fall i röntgen- och CT-skanningar.
En ny insats är COVID-Net, ett öppen källkod för djupinlärning som utvecklats av DarwinAI och University of Waterloo.
Rekommenderas av våra redaktörer
Alex Wong, chefsforskare på DarwinAI, säger att det finns subtila skillnader mellan COVID-19 och andra infektioner som radiologer kanske inte märker när man undersöker röntgenstrålar.
”Förhoppningen här med COVID-Net är att vi kan utnyttja AI (specifikt djupinlärning) för att plocka upp dessa subtila visuella indikatorer för att bättre skilja mellan COVID-19 och andra former av infektioner, och avslöja dessa visuella indikatorer för kliniker för att öka specificiteten ," han säger.
Deep-learning-algoritmer är särskilt bra på att hitta små detaljer i visuella data som kan gå obemärkt för blotta ögat.
COVID-Net har utbildats på COVIDx, en offentlig databas som består av 16 756 röntgenstrålkastningar över 13 645 patientfall från inte bara COVID-19 utan även andra typer av lunginfektioner.
Mångfalden av data gör det möjligt för djupinlärningsmodellen att utpeka de egenskaper som definierar varje typ av sjukdom och upptäcka dem i nya röntgenbilder.
Wong säger att även om modellen inte är produktionsklar är preliminära resultat mycket lovande när det gäller att skilja mellan COVID-19 och andra infektioner.
Modellen kommer att förbättras när mer data blir tillgängliga.
"Vi känner starkt att en tillräckligt stor provstorlek skulle göra en stor skillnad i att förbättra COVID-Net samt utveckla nya djupinlärningsmodeller för att upptäcka COVID-19-infektion," säger Wong.
Ändå betonar Wong att, enligt råd från CDC och ACR, röntgenstrålar och CT-skanningar fortfarande bör betraktas som kompletterande screeningverktyg.
De kan användas i anläggningar där testsatser saknas eller inte finns.
Det finns också situationer där röntgenstrålar eller CT-skanningar måste göras även i en positiv diagnos med viraltest för att bedöma infektionens omfattning för behandling och vårdplanering.
”Förhoppningen är att AI kan hjälpa radiologer att snabbare och mer exakt skilja mellan COVID-19-infektioner och andra former av infektioner (särskilt viktigt eftersom influensa förekommer fortfarande denna tid på året), och ännu viktigare, minska belastningen för radiologer gör det möjligt för andra hälsoarbetare i frontlinjen med mindre expertis att bättre ställa diagnos, säger Wong.
