革新-新型冠狀病毒肺炎(COVID-19)的診斷和研究: 人工智能和血清檢測的力量

在全球抗擊新冠肺炎(COVID-19)疫情的戰鬥中，創新科技功不可沒。澳門科技大學張康講座教授領導的團隊運用人工智能和血清檢測這兩大利器，為科學家們對新冠肺炎的診斷和研究帶來了革新。

人工智能模型：詮釋病毒行為

張康講座教授的團隊通過人工智能模型，從分子層面解讀病毒行為，為預測其傳染性和進化提供了關鍵見解。這對於疫苗和治療方法的研發至關重要。

診斷工具：高效診斷新冠肺炎

早期準確的診斷對於控制新冠病毒傳播至關重要。人工智能模型現在能夠迅速而準確地通過胸部X光片識別新冠病毒，可快速鑑別新冠肺炎和其他類型肺炎、常見肺部疾病及正常患者，並評估其嚴重程度。此外，該人工智能模型通過綜合患者病情記錄和實驗室結果等多模態數據，為制定個性化治療方案提供全面診斷信息，進一步提升患者護理質量。為新冠肺炎提供了一種適用於急症室、偏遠地區或發展中國家的，更為簡單、快速的臨床一線評估診斷系統。

AI增強的CT影像：提高新冠病毒管理水平

在CT影像領域，人工智能系統的運用為新冠肺炎的管理帶來了顯著改善。僅需20秒即可提供結果，且AI系統能夠以前所未有的準確性分析CT影像，診斷的準確率保持在90%以上，用於精確診斷和監測新冠肺炎，為高危患者的早期診斷、治療及預後提供了重要依據，在發生大規模感染，醫療系統超負荷的情況下，该該系統更將有助於高效分配醫療資源。

慢性疾病和視力健康：AI的強大檢測能力

疫情突顯了慢性疾病監測的重要性。現在的人工智能模型通過視網膜影像可以識別腎臟疾病和糖尿病等疾病，實現早期干預。同樣，人工智能在預測和監測青光眼方面發揮著關鍵作用，以保護視力和生活質量。

血清檢測：更好地理解和應對新冠肺炎

研究團隊還發現血清檢測在對新冠肺炎的傳播和社區免疫力評估中起著不可或缺的作用。

人工智能模型和血清檢測的應用正在為全球應對新冠肺炎提供強大支持。這些技術不僅增強了我們應對疫情的能力，還與聯合國可持續發展目標相契合，為創造更健康和更具彈性的未來鋪平了道路。

張康講座教授

References

[1] G. Wang et al., “Deep-learning-enabled protein–protein interaction analysis for prediction of SARS-CoV-2 infectivity and variant evolution,” Nat Med, vol. 29, no. 8, pp. 2007–2018, Aug. 2023, doi: 10.1038/s41591-023-02483-5.

[2] G. Wang et al., “A deep-learning pipeline for the diagnosis and discrimination of viral, non-viral and COVID-19 pneumonia from chest X-ray images,” Nat Biomed Eng, vol. 5, no. 6, pp. 509–521, Apr. 2021, doi: 10.1038/s41551-021-00704-1.

[3] H.-Y. Zhou et al., “A transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics,” Nat. Biomed. Eng, vol. 7, no. 6, pp. 743–755, Jun. 2023, doi: 10.1038/s41551-023-01045-x.

[4] K. Zhang et al., “Clinically Applicable AI System for Accurate Diagnosis, Quantitative Measurements, and Prognosis of COVID-19 Pneumonia Using Computed Tomography,” Cell, vol. 181, no. 6, pp. 1423-1433.e11, Jun. 2020, doi: 10.1016/j.cell.2020.04.045.

[5] K. Zhang et al., “Deep-learning models for the detection and incidence prediction of chronic kidney disease and type 2 diabetes from retinal fundus images,” Nat Biomed Eng, vol. 5, no. 6, pp. 533–545, Jun. 2021, doi: 10.1038/s41551-021-00745-6.

[6] F. Li et al., “A deep-learning system predicts glaucoma incidence and progression using retinal photographs,” Journal of Clinical Investigation, vol. 132, no. 11, p. e157968, Jun. 2022, doi: 10.1172/JCI157968.

[7] X. Xu et al., “Seroprevalence of immunoglobulin M and G antibodies against SARS-CoV-2 in China,” Nat Med, vol. 26, no. 8, pp. 1193–1195, Aug. 2020, doi: 10.1038/s41591-020-0949-6.