疫情之下，不要再看热闹啦，你还可以做这些（下）
本期内容由指南者背景提升人工智能方向李老师提供
李老师新上线项目
基于机器学习的新冠肺炎新发病例预测
新冠疫情至今已历时3月有余，从全世界范围看，形势依然严峻，准确预测疫情发展成为重中之重。
本期项目，将模仿钟南山的思路，使用另一种方法尝试预测新冠肺炎疫情的发展。通过ARIMA模型进行数据初步处理后，进行特征工程后，使用机器学习方法做滚动预测，从而尝试预测疫情的发展。
对该项目感兴趣的同学，可以添加vx：znz5252 咨询
在这个充满挑战的时间点，对于选择留学道路的同学来说，确实会受到不小的影响。
上期我们已经给经济金融、商业分析这两大方向的留学生们提出了一些背景提升的建议。
今天我们就针对想要申请人工智能方向的同学，来谈一谈人工智能在当前疫情下的大有可为。
希望能给大家带来一些新的想法，可以激发大家着手结合热点来丰富背景经历，提高申请竞争力，利用项目经历实现硬技能和软实力的一箭双雕。
疫情预测
疫情预测是目前与新冠疫情有关的方向中较为火热的，这不仅仅是因为既往感染数据十分容易获得，更是因为传统的许多建模方法未能在早期成功预测疫情的进展情况，而改进的SEIR模型或人工智能方法则表现良好。
钟南山院士课题组在这方面也进行了大量的研究，他们向改良的SEIR模型和LSTM模型中引入了隔离管控和复工的影响，并在疫情的早期就较好地预测了疫情的发展趋势[1]。
有研究利用数学建模配合神经网络对我国疫情进行预测，认为疫情将于3月10号左右基本结束[2]。
也有人利用随机森林模型预测全国各地区的发病风险，取得了良好的效果[3]。
控制重症患者的数量对整个防疫工作尤为重要，也有研究者使用XGBoost方法对重症患者的病情严重程度进行预测，仅用3个临床指标就达到了很好的效果[4]。
疾病诊断
人工智能与医学的结合本就是必然趋势，机器学习和深度学习在疫情之前就已经应用于各类医学图像分析诊断及基因组或蛋白质组诊断工作，帮助放射科医生提高诊断精度和诊断效率，降低诊断成本，并且带给病人更佳的诊断和治疗方案。
飞利浦、阿里健康、腾讯觅影等多家公司都在开发相关产品。在疫情过程中，如何充分利用疑似病例的肺部医疗影像信息也是科学家和企业关注的焦点，例如有研究使用图神经网络处理真实患者的胸片，希望能够对新冠肺炎、流感和其他感染进行快速鉴别诊断[5]。
更有研究使用机器学习方法分析真实的患者CT图像，为快速确诊疑似病例，降低传染风险做出了贡献[6]。
药物研发
人工智能也被广泛应用于理解新冠肺炎病毒的感染机制、筛选合适的药物分子以及助力相关疫苗的研发工作，近日华为和华中科大等在联合进行抗病毒药物的筛选，其中也是运用了人工智能技术。
有研究通过多任务的深度学习模型在4895种药物中筛选可能的病毒抑制剂，并同时试图得到新冠病毒抑制的重要靶点[7]。
神经网络也被用于预测MHC分子与T细胞的结合位点，从而探究人体免疫系统是如何识别并应对新冠肺炎病毒的[8]。
斯坦福大学的一个课题组还使用机器学习方法分析T细胞和B细胞的相关受体，希望能够对疫苗的加速研发有所帮助[9]。
疫情防控
除了上述几类较为基础的应用外，也有应用性非常强的一些方向。例如，有研究使用机器学习方法提升血液内病毒检验的灵敏度和特异度，为病毒感染者的快速检测提供了帮助[10]。
与之类似的，也有研究使用深度学习方法提升了实时PCR对病毒进行定量检测的效果，从而提升了新冠肺炎诊断和出院判断的准确性，对疫情防控有积极作用[11]。
不仅如此，从上海的AI防控机器人自动询问居民的旅行史，到旷世、商汤、云从等科技公司的AI远距离自动体温监测，再到手机上就可进行肺炎筛查、预问诊和居家隔离指导的AI医生，人工智能在这场与新冠肺炎病毒的斗争中可谓大展身手。
通过以上梳理，大家有没有被这些黑科技震撼到，想要迫不及待加入AI领域探索，同时提升自己的留学竞争力呢？
偷偷告诉你，已经有留学党在写报告、发论文的路上了！他们在这次全球热点事件中展现出的①主动性，②好奇心，③创造力，④解决问题的能力，⑤洞察力，都是西方非常认可的主流价值观和软实力。
现在行动还来得及，赶快和我们一起提升自身竞争力吧！
福利领取
以上所涉文献，在微信公众号【指南者背景提升】后台回复“新冠论文”即可领取。
参考：
[1] Zifeng Yang, et al. Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions. Journal of Thoracic Disease[Online]. 2020. 12(2).
[2] Tianyu Zeng, et al. Predictions of 2019-nCoV Transmission Ending via Comprehensive Methods. arXiv:2002.04945. 2020.2.20.
[3] Xinhai Li, et al. Risk map of the novel coronavirus (2019-nCoV) in China: proportionate control is needed. medRxiv 2020.02.16.20023838. 2020.2.16.
[4] Yan Li, et al. Prediction of criticality in patients with severe Covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan. medRxiv 2020.02.27.20028027. 2020.3.17.
[5] Xiaowei Xu, et al. Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia. arXiv: 2002.09334. 2020.2.21.
[6] Xiaolong Qi, et al. Machine learning-based CT radiomics model for predicting hospital stay in patients with pneumonia associated with SARS-CoV-2 infection: A multicenter study. medRxiv. 2020.3.3.
[7] Fan Hu, et al. Prediction of potential commercially inhibitors against SARS-CoV-2 by multi-task deep model. arXiv:2003.00728. 2020.3.2.
[8] Miyssa I. A., et al. Design of multi epitope-based peptide vaccine against E protein of human COVID-19: An immunoinformatics approach. bioRxiv:2020.02.04.934232. 2020.3.2.
[9] Ethan Fast ,Binbin Chen. Potential T-cell and B-cell Epitopes of 2019-nCoV. bioRxiv :2020.02.19.955484. 2020.2.21.
[10] Hayden C. M. ,et al. CRISPR-based surveillance for COVID-19 using genomically-comprehensive machine learning design. bioRxiv: 2020.02.26.967026. 2020.3.2.
[11] Alejandro L. R. ,et al. Accurate Identification of SARS-CoV-2 from Viral Genome Sequences using Deep Learning. bioRxiv: 2020.03.13.990242. 2020.3.14.
