革新-新型冠状病毒肺炎(COVID-19)的诊断和研究: 人工智能和血清检测的力量

在全球抗击新冠肺炎(COVID-19)疫情的战斗中，创新科技功不可没。澳门科技大学张康讲座教授领导的团队运用人工智能和血清检测这两大利器，为科学家们对新冠肺炎的诊断和研究带来了革新。

人工智能模型：诠释病毒行为

张康讲座教授的团队通过人工智能模型，从分子层面解读病毒行为，为预测其传染性和进化提供了关键见解。这对于疫苗和治疗方法的研发至关重要。

诊断工具：高效诊断新冠肺炎

早期准确的诊断对于控制新冠病毒传播至关重要。人工智能模型现在能够迅速而准确地通过胸部X光片识别新冠病毒，可快速鉴别新冠肺炎和其他类型肺炎、常见肺部疾病及正常患者，并评估其严重程度。此外，该人工智能模型通过综合患者病情记录和实验室结果等多模态数据，为制定个性化治疗方案提供全面诊断信息，进一步提升患者护理质量。为新冠肺炎提供了一种适用于急症室、偏远地区或发展中国家的，更为简单、快速的临床一线评估诊断系统。

AI增强的CT影像：提高新冠病毒管理水平

在CT影像领域，人工智能系统的运用为新冠肺炎的管理带来了显著改善。仅需20秒即可提供结果，且AI系统能够以前所未有的准确性分析CT影像，诊断的准确率保持在90%以上，用于精确诊断和监测新冠肺炎，为高危患者的早期诊断、治疗及预后提供了重要依据，在发生大规模感染，医疗系统超负荷的情况下，该该系统更将有助于高效分配医疗资源。

慢性疾病和视力健康：AI的强大检测能力

疫情突显了慢性疾病监测的重要性。现在的人工智能模型通过视网膜影像可以识别肾脏疾病和糖尿病等疾病，实现早期干预。同样，人工智能在预测和监测青光眼方面发挥着关键作用，以保护视力和生活质量。

血清检测：更好地理解和应对新冠肺炎

研究团队还发现血清检测在对新冠肺炎的传播和社区免疫力评估中起着不可或缺的作用。

人工智能模型和血清检测的应用正在为全球应对新冠肺炎提供强大支持。这些技术不仅增强了我们应对疫情的能力，还与联合国可持续发展目标相契合，为创造更健康和更具弹性的未来铺平了道路。

张康讲座教授

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.