COVID-19大流行动员了世界科学界，包括许多使用最现代的数据科学和人工智能方法的研究人员，这是最近发生的任何其他危机都没有的。在芝加哥大学，公共卫生专家、计算机科学家、经济学家和政策分析人士已经启动了利用计算机工具更好地检测、诊断、治疗和防止这种致命病毒传播的项目。
今年夏天，其中三个项目获得了C3的种子基金。人工智能数字转型研究所(DTI)是一家科技公司和大学的新合作伙伴，致力于加速人工智能对商业、政府和社会的益处。这项研究从几个角度对大流行进行了攻击:通过识别和解决关键的社会因素，帮助决策者控制疾病传播;医生在早期发现疾病;医院决定哪些病人需要住院。第四个项目是由芝加哥大学医学院的Maryellen Giger领导的合作项目，由该组织在春季资助。
该奖项是DTI在3月份首次征集提案后发放的540万美元资金的一部分。该组织还提供人工智能软件工具和COVID-19数据集的“数据湖”，以帮助研究人员研究疫情。
“科学家和研究人员的热情反应，加上我们收到的多样化、高质量和令人信服的建议，表明我们有潜力改变这种全球流行病的进程，”C3.ai的首席执行官托马斯·m·西贝尔说。“面对这一危机，本研究所自豪地汇集了最优秀、最聪明的人才，为支持客观分析和基于人工智能的数据驱动科学以减轻COVID-19疫情提供指导和领导。”
建模健康差异
COVID-19大流行的早期死亡表明，世卫组织染病以及世卫组织遭受死亡和发病率方面存在严重的卫生不平等。美国疾病控制和预防中心(CDC)的数据显示，拉丁裔和非裔美国人感染病毒的可能性是白人的三倍多，死亡的可能性是白人的两倍。许多专家认为，这种差距不仅仅是医学上的共病，还涉及到住房、工作和社区特征等社会决定因素。
芝加哥大学医学研究助理教授安娜·霍顿(Anna Hotton)此前曾在其他传染病的背景下研究过社会因素和病毒传播之间的关系。在她的DTI grant的帮助下，她与芝加哥大学的同事Aditya Khanna、Harold Pollack和John Schneider一起，在Argonne国家实验室的建模专家Jonathan Ozik和Charles Macal的帮助下，将这项工作应用于COVID-19。
“我的很多实质性工作都集中在理解影响艾滋病毒传播的社会和结构因素上，”Hotton说。“在影响人们易受感染的社会因素方面，COVID-19有很多相似之处，我很想阐明其中一些社会问题，帮助指导减少卫生不平等的工作。”
基于agent的建模是一种强大的计算机模拟形式，用于研究从分子相互作用到交通拥堵的复杂系统。在过去的十年里，Argonne的研究人员Ozik和Macal逐渐为整个芝加哥城市和它的人口组装了一个计算机模型，用它来观察和预测疾病的传播，包括真实的(MRSA，流感)和想象的(僵尸爆发)。最近，该团队将ChiSIM模型的重点放在COVID-19的传播上，寻找人们聚集和疾病传播风险高的城市建筑类型和区域。
与Hotton和她的合作者一起，Ozik和Macal正在努力为芝加哥270万“代理人”的合成人口添加新的数据，包括可能影响病毒传播的住房、职业和其他社会决定因素的信息。该团队还将使用机器学习从一长串选项中确定模型中最重要的数据元素，比如在公共交通上花费的时间、在家工作的能力、家庭成员的数量，以及许多其他细节。
一旦这些数据丰富起来，研究人员将能够更好地模拟疾病传播的各种场景，并实际测试不同的公共卫生或社会政策战略如何有助于减轻疾病。他们的结果将与芝加哥和伊利诺斯州公共卫生部的合作伙伴分享，就如何最好地部署检测、重新开放企业和学校以及最终接种疫苗向这些机构提出建议。
Hotton说:“基于个体的建模使我们能够在现实生活中进行干预之前，在虚拟环境中探索干预方法，此外还能预测发病率和死亡率的趋势。”“之后，当疫苗可用时，我们需要弄清楚如何将它们最有效地部署到最需要的人群中。”
承认或释放?
在大流行期间，医生面临的最艰难决定之一是，决定哪些COVID-19患者应留在医院，哪些患者可在家中安全康复。面对不堪重负的医院容量，以及一种全新的疾病，几乎没有基于数据的诊断和治疗证据，过去决定收治哪些病人的准则已被证明无效。但是机器学习可以帮助更早地做出正确的决定，挽救生命，降低医疗成本。
芝加哥大学布斯商学院教授森德希尔•穆莱纳坦(Sendhil Mullainathan)领导的一个团队将与美国西北部的一个大型医院网络合作，创建一种预测急性呼吸窘迫综合征(ARDS)的新模型。ARDS是COVID-19患者最严重的症状和主要死亡原因。这个团队，包括麻省理工学院的Aleksander Madry和加州大学伯克利分校的Ziad Obermeyer，使用超过400万张胸透，将建立一个新的机器学习模型来预测肺衰竭的可能性。
为了解决在大流行早期COVID-19数据有限的问题，该小组将使用来自其他影响肺部的疾病(如流感和肺炎)的x射线为他们的模型提供数据。
“没有人有足够的数据来应用现代机器学习工具包，”奥伯迈耶说。“但对于像COVID这样的肺部感染，肺部的生理作用实际上非常有限。当肺部受到病毒或细菌攻击时，它们基本上只会有一种反应。我们的假设是我们可以通过观察其他条件下的恶化来了解COVID的恶化
一旦得到验证，他们的人工智能模型将被开源，并可用于世界各地的其他卫生系统。该项目还使穆莱纳坦和奥伯迈耶有机会开发一种医疗决策算法，以控制他们在以前的研究中在其他医疗软件中发现的偏见。
奥伯迈耶说:“即使你使用的是客观的生物数据，比如x光，你的结果也是有偏差的，因为医疗系统产生的结果是有偏差的。”“在我们之前关于种族偏见的工作中，乐观的观点是，一旦你意识到这些偏见，你就可以在算法中考虑到它们。”
早期检测:像处理引擎故障一样处理流行病
在疾病爆发的早期阶段，发现病例对防止人口传播至关重要，但也非常困难——这是一个众所周知的“大海捞针”数据问题。但计算机科学家已经开发出了人工智能系统，用于在其他环境中应对此类挑战，比如检测喷气发动机的机械故障，或异常的、可能存在欺诈行为的金融交易。为这些应用程序建立的模型必须能够准确、可靠地在大量数据中发现罕见的情况——没有人希望太晚发现飞机引擎故障。
在加州理工学院之前的工作中，芝加哥大学计算机科学家Yuxin Chen为机械工程师和其他领域专家建立了这些早期检测系统。在DTI的资助下，他将与加州大学伯克利分校和加州大学旧金山分校的研究人员合作，利用医疗和公共卫生监测数据，将这些方法用于检测COVID和其他疾病的感染。该团队将调整解决方案，以应对共同的挑战，比如针对稀疏数据的培训模型，结合来自不同来源和收集技术的数据，以及减少误报——如果漏报感染患者，可能造成可怕的后果。
陈的部分项目集中在他的主要研究兴趣上:交互式机器学习。与大多数人工智能模型的被动“黑匣子”不同，这些系统会主动与人类专家合作，提出需要收集的新数据源，以改善预测，或者在某个特定诊断不明确时寻求帮助。
助理教授陈说:“如果模型对我们现有数据的某一医学诊断的预测结果不是很有信心，它会标记这些数据，并请专家验证或纠正预测结果。”“我们还关心可解释的建议;我们正在训练我们的人工智能系统，让它能有效地与人类用户沟通，从而协同做出检测和诊断决定。因此，我们需要在系统和医疗专业人员之间建立一个可解释的界面，以实现无缝协作。”
-这个故事最初是由计算机科学系发表的。