该论文着重介绍了使用机器学习以增强 COVID-19 诊断中的医学影像学方法，例如深度学习可以在几分钟内无需人工干预准确地区分肺部的损伤。此外，机器学习可以辅助放射科医生做出更精确的临床决策，例如检测和区分不同呼吸系统感染以及在 CT 和 X 射线图像中分割感染，即使损伤的大小和形状不同。该文章批判性评估了在 CT 和 X 射线图像的分割、分类和检测中使用的机器学习方法，这些方法被广泛应用于临床和医院设置中以在各个方面详尽地呈现肺部情况。普遍预期这项技术将继续在医疗保健领域占据核心地位，并推动防疫工作的进一步进展。

Jan, 2024

展示了一种集成可靠、快速部署的先进 AI 系统，用于自动分析 CT 图像以检测 COVID-19 感染概率，并通过分类和分割组件减少医生检测时间，提高 COVID-19 检测效率。AI 系统还通过锚集相似性分配 3D CT 扫描的感染概率，提供解释性，协助医生及时确认和隔离感染患者。

Mar, 2024

本研究旨在研究利用深度学习技术对 X 光胸片进行 COVID-19 肺炎自动检测的实用性，该网络训练的准确率、精确率、敏感性和特异性均较高，可作为 COVID-19 快速筛查工具的一种替代方案。

Mar, 2020

通过使用临床多样性数据和虚拟生成的医学影像，开发和评估了基于深度学习人工智能模型进行新冠病毒 COVID-19 诊断的人工智能模型，并进行了相关影像试验以评估疾病程度、辐射剂量和影像模态等因素对人工智能性能的影响。研究突出了数据集特征和疾病程度对 COVID 评估的重要影响，以及虚拟影像试验技术在开发有效的人工智能算法评估和促进诊断实践转化中的相关性和潜在作用。

Aug, 2023

本研究开发出基于人工智能的自动 CT 图像分析工具，检测、量化和跟踪冠状病毒，使用多个国际数据集进行测试，证明其可区分冠状病毒患者和非患者，并评估患者疾病进展情况。该研究在检测冠状病毒、量化和跟踪疾病负担方面取得了高度准确的结果，证明了基于人工智能的 CT 图像分析的可行性。

Mar, 2020

本文综述了人工智能在抗击 COVID-19 方面的主要应用，并就其在疾病检测和诊断、病毒学和发病机理、药物和疫苗开发以及流行病和传播预测等方面的贡献和挑战进行了讨论。目前，人工智能主要关注医学影像检查、基因组学、药物开发和传播预测，因此在这一领域中仍具有巨大潜力。

Jul, 2020

本研究针对 COVID-19 的自动诊断提出了一种基于预训练的 Vision Transformer 模型对胸部 X 光图像进行微调的创新框架，经过鉴定，该模型在二元分类、三元分类和四元分类性能方面均表现出超凡的精度。

Jun, 2023

本研究旨在构建一个多来源的 X 线与 CT 扫描图像的综合数据集，在其中运用深度学习和迁移学习算法构建出高效、响应迅速的 COVID-19 诊断方法，实验表明该方法可以达到 98% 预训练网络准确率和 94.1% CNN 修改准确率。

Mar, 2020

本文提出使用 MobileNetV2 模型的轻量级深度学习技术进行 COVID-19 检测的开发和性能评估，该模型与重量级模型相比性能相当且可大幅降低计算资源的成本和内存需求，为中低收入国家提供低成本和移动的点‑of‑care 检测系统提供了有效的解决方案。

May, 2023

该研究使用基于人工智能的深度学习方法，通过胸部 X 射线图像诊断 Covid-19 肺炎，并对相关工具的准确性和时间效率进行临床验证。

May, 2024